Tamara Venegas y Manuel Olivares

El pronóstico basado en impactos (PBI) es una herramienta clave promovida por la Organización Meteorológica Mundial (OMM) para mejorar la preparación y respuesta ante eventos meteorológicos extremos. Dentro de este contexto, el presente estudio busca ampliar la investigación previa sobre umbrales críticos de precipitación acumulada, incorporando datos actualizados del año 2023 para la zona central de Chile y extendiendo el análisis hacia las zonas sur y austral del país. Para esto, se consideraron bases de datos de impactos registrados por dos instituciones gubernamentales, combinadas con registros pluviométricos y variables meteorológicas derivadas del reanálisis ERA5, identificándose así umbrales específicos mediante técnicas de machine learning, como lo son los árboles de decisión. Los resultados muestran que, si bien la precipitación acumulada es un factor determinante para predecir impactos, otras variables, como la altura de la isoterma 0°C, el agua precipitable y la presencia de ríos atmosféricos, son fundamentales para precisar los niveles de alerta del Sistema de Alerta Temprana (SAT). Este marco actualizado proporciona herramientas más robustas para categorizar eventos según los niveles de Aviso, Alerta y Alarma, fortaleciendo la capacidad del pronóstico meteorológico en un contexto de creciente variabilidad climática. Este trabajo representa un avance significativo hacia la implementación de PBI en Chile, adaptados a las características locales de cada macrozona, y subraya la importancia de integrar datos históricos, técnicas modernas y conocimiento experto para mejorar la gestión del riesgo hidrometeorológico.

aprendizaje de máquina, Chile, hidrometeoros, impactos, inundaciones, lluvias, machine learning, precipitación, protección civil, remoción en masa, riesgo de impacto, tormenta cálida, umbrales