Cuando un pago por inundación de 2 M$ depende de distinguir el agua de una sombra

La primera vez que realmente lo comprendí, estaba mirando una única imagen en escala de grises en un segundo monitor cerca de la medianoche. Era un fotograma de radar Sentinel-1 — los datos satelitales europeos gratuitos con los que todo el mundo en el trabajo de inundaciones empieza — y en algún lugar de ese fotograma había una inundación. El radar pinta el agua en calma como oscura, casi negra, porque una superficie de agua plana rebota la señal alejándola del satélite en lugar de devolverla hacia él. Así que yo buscaba la mancha oscura.

El problema era que había dos manchas oscuras. Una era agua de inundación. La otra era la sombra que una cresta montañosa proyecta en la geometría del radar, donde el terreno bloquea el haz y nada regresa. En la pantalla, a esa hora, parecían gemelas. Y recuerdo el pensamiento concreto e incómodo: en algún lugar hay una aseguradora que va a pagar o no pagar un siniestro según cuál de estas yo llame agua.

Ese es todo el problema de la inteligencia satelital de inundaciones para seguros paramétricos, comprimido en una sola imagen. Una póliza paramétrica no espera a que un perito inspeccione un almacén inundado. Paga automáticamente cuando se activa un disparador medido — un satélite dice que la inundación alcanzó cierta extensión, y el dinero se mueve. Es una idea hermosa para un mundo donde la catástrofe se acelera. También significa que la clasificación del satélite es el siniestro. No hay ningún humano parado en el agua para anularla.

Un disparador paramétrico convierte una sola lectura de un solo píxel satelital en una transferencia bancaria.

Y el satélite se equivoca en ambas direcciones.

La física que nadie quiere en la presentación

Aquí está la parte que más me costó aceptar, porque llegué asumiendo que era un problema de software que podía resolver a fuerza de ingeniería. Las sombras de nubes y el agua de inundación se ven casi idénticas en las imágenes satelitales ópticas — no similares, idénticas en las bandas que importan. Ambas absorben la luz del infrarrojo cercano y del infrarrojo de onda corta. Ambas tienen bordes suaves y amorfos. Ambas aplanan la textura de lo que haya debajo de ellas convirtiéndola en un manchón uniforme.

Los índices estándar de detección de agua — NDWI y MNDWI, la matemática en la que se apoya todo flujo de trabajo de inundaciones — marcan ambas como "parecidas al agua", porque la física subyacente realmente es la misma: reflectancia reducida en las bandas del infrarrojo. Un único fotograma óptico captado durante una tormenta no puede distinguir de forma fiable una sombra de una inundación, y ninguna cantidad de umbralización ingeniosa arregla una señal que es genuinamente ambigua en su origen.

Pasé un mes convencido de que la respuesta era un modelo mejor. Teníamos de nuestro lado la literatura de aprendizaje profundo, y es genuinamente impresionante — una red DeepLabV3 modificada, alimentada con datos de radar multipolarización y de terreno, alcanzó un 98,4 % de precisión global en investigaciones publicadas; una U-Net con atención de transformer reportó un 95,5 %. Esos números son reales. Los cité en un pitch temprano. Lo que no dije en voz alta, porque aún no lo entendía, es que esas precisiones se miden sobre escenas de referencia cuidadosamente seleccionadas, y que los conjuntos de entrenamiento de desastres de los que aprenden están deliberadamente sesgados.

Están sesgados por una razón humanitaria. No detectar una inundación real puede matar personas, así que las etiquetas y las funciones de pérdida penalizan una inundación no detectada mucho más severamente que una falsa alarma. El resultado es una generación de clasificadores que son sistemáticamente propensos a dispararse — cuando la señal es marginal, se inclinan hacia "inundación". Ese es exactamente el sesgo correcto para un sistema humanitario de alerta temprana y exactamente el sesgo equivocado para autorizar un pago de 2 millones de dólares, donde una falsa alarma no es un error de redondeo. Es una transferencia bancaria.

La demostración que marcó una montaña como inundada

Construimos primero lo obvio. Un clasificador de un solo fotograma, liderado por radar para poder ver a través de las nubes, ajustado a fondo, que se demostró impecable en las escenas que habíamos elegido. Estaba orgulloso de él. Luego, un colega que de verdad entendía la geometría del radar lo ejecutó sobre una región de prueba montañosa, y encendió una ladera como inundada con alta confianza. No una decisión marginal — una segura. Había encontrado una sombra de radar, el mismo tipo de mancha oscura que me había inquietado en aquel fotograma de medianoche, y la llamó agua.

Todavía pienso en el correo imaginario que esa escena habría generado si hubiera sido un disparador en vivo. Un actuario, a tres husos horarios de distancia, mirando nuestra determinación automatizada de que una colina estaba bajo dos metros de agua, respondiendo con la única pregunta que importa: ¿estás seguro de que eso es agua y no una sombra? Y nuestro sistema sin más respuesta que una puntuación de confianza a la que no tenía derecho.

Un número de confianza no es una prueba. Es una opinión con decimales.

Ese fue el fracaso que pagó por todo lo que vino después. Porque la lección no fue "ajusta el modelo con más dureza". La lección fue que ningún fotograma único y ningún sensor único puede cargar con la prueba, y yo había estado intentando ganar una discusión que la física ya había perdido.

El radar se vende como la cura — al fin y al cabo, ve a través de las nubes, algo que los sensores ópticos no pueden. Pero la retrodispersión del radar cae sobre el agua en calma y sobre la sombra del terreno, la inversión por relieve y el escorzo en terreno abrupto. Tiene sus propios falsos positivos en suelo árido, sobre ciclos de congelación-deshielo, en cultivos industriales y, peor de todo, en las ciudades, donde el doble rebote de la señal contra los edificios puede enmascarar por completo el agua estancada. El propio producto global de inundaciones casi en tiempo real de la NASA lo demuestra a escala planetaria: su composición de un día tiene tantos falsos positivos que la NASA se niega a publicarla en su visor público Worldview. Solo las composiciones de dos y tres días — las que usan el tiempo, no una sola mirada — se consideran operativas. Los embalses nuevos se leen como inundaciones en esos productos hasta durante tres años, hasta que la máscara de agua permanente se pone al día.

El patrón estaba ahí todo el tiempo. La solución a los falsos positivos nunca fue una imagen más nítida. Fue una segunda mirada, y una tercera — la misma escena a lo largo del tiempo.

¿Qué separa realmente una inundación de una sombra?

Lo que separa una inundación de una sombra no es cómo se ve en un fotograma. Es cómo se comporta a lo largo de muchos. La sombra de radar de una montaña está en el mismo lugar en cada una de las pasadas, durante todo el año — es geometría, no clima. El agua de inundación aparece contra una línea base seca y luego retrocede. Una sombra de nubes desaparece al siguiente día despejado. La señal discriminante vive en la pila temporal, no en el píxel.

Así que dejamos de preguntar "¿es este píxel agua?" y empezamos a preguntar "¿cambió este lugar de una manera que solo una inundación explica, frente a todo lo que sabemos sobre cómo luce normalmente?" Ese replanteamiento es toda la arquitectura de lo que terminamos construyendo, y es la razón por la que nos apoyamos en múltiples sensores en lugar de apostar por uno solo. Un fotograma de radar para ver a través de las nubes de tormenta. Fotogramas ópticos antes y después para establecer la línea base seca y confirmar el retroceso. Un modelo de terreno para descartar la geometría que finge agua en ambos. Se ha demostrado que fusionar radar y óptica multiespectral mejora la detección en áreas afectadas por nubes y sombras en más de un 23 % frente a los métodos de un solo sensor — no porque los sensores sean individualmente mejores, sino porque el modo de fallo de cada uno es algo que los demás sí pueden ver a través.

Esta es la capa que construimos en Veriprajna: un sistema de verificación satelital de inundaciones que separa las sombras del agua usando fusión temporal SAR-óptica, y produce un rastro de evidencia de grado forense para cada evento disparador — no un veredicto, sino un argumento que puedes entregar a un actuario o a un tribunal.

La advertencia honesta de ingeniería, la que querría que un comprador escuchara antes de firmar nada: los datos gratuitos tienen un reloj. La constelación restaurada de dos satélites Sentinel-1 ofrece una revisita de seis días. Un pico de inundación que sube y drena entre pasadas puede pasarse por alto con datos que son gratuitos pero lentos. Así que parte del oficio es saber cuándo los datos gratuitos de Sentinel bastan y cuándo un evento exige encargar la captura a un satélite de radar comercial — lo que cuesta entre mil y cinco mil dólares por escena, según la resolución y la urgencia. Esa disyuntiva es un juicio por evento, no un nivel de suscripción.

¿Por qué no simplemente comprar el informe de inundación?

Tuvimos una discusión interna real sobre si algo de esto valía la pena construir. El argumento en contra era sencillo: hay empresas que ya venden informes de inundaciones. ¿Por qué no revenderlos?

Es una objeción justa, y los proveedores son genuinamente buenos. ICEYE posee la mayor constelación de radar comercial del mundo — más de 60 satélites — y durante el huracán Helene empujó más de 150 imágenes a través de las nubes de tormenta y cartografió más de 80.000 edificios en Florida. Eso es extraordinario. Pero estás comprando su producto, no construyendo una capacidad de inteligencia, y la verificación forense por evento a escala de cartera choca rápido con sus precios. Floodbase, respaldada por Munich Re y asociada con la constelación de radar Capella, ha construido una genuina solución paramétrica de extremo a extremo — diseño de disparadores, tarificación, certificación de pagos. Pero obtienes su metodología, ajustada a sus alianzas de sensores, no un sistema moldeado a tu cartera de negocios específica.

Y el estándar de oro gratuito tiene su propio techo. El Servicio de Gestión de Emergencias Copernicus de Europa es el sistema en el que un continente confía para la cartografía de desastres. Sin embargo, su nivel de servicio de cartografía rápida funciona de 8 a. m. a 8 p. m. hora de Bruselas, solo en días laborables. Vuelvo una y otra vez a Valencia, octubre de 2024 — la lluvia de un año en ocho horas, más de 227 muertos. Copernicus tardó de tres a cuatro días en publicar la extensión de la inundación. Cuando llegó, confirmó 15.633 hectáreas y aproximadamente 190.000 personas afectadas. El retraso no fue un fallo. Las críticas primeras 24 horas cayeron de noche y ya avanzada la tarde, fuera del horario de servicio. El sistema de inteligencia de inundaciones del continente estaba, en la práctica, cerrado durante las horas en que más se necesitaba.

Así que la discusión se resolvió sola. Los proveedores son excelentes en aquello para lo que están construidos. Ninguno de ellos está construido para ser una capa de verificación neutral respecto al proveedor que fusione los sensores que el evento realmente requiera y te entregue evidencia defendible para tu disparador. Esa brecha era la empresa.

El fracaso que duele más: la inundación que no paga

Durante mucho tiempo pensé en este trabajo como un problema de falsos positivos — evitar que el sistema pagara por inundaciones que no ocurrieron. Luego leí sobre Nagaland.

Un esquema de seguro paramétrico de inundaciones en Nagaland, India, no se activó a pesar de las fuertes lluvias y de una inundación confirmada sobre el terreno. El umbral derivado del satélite se había fijado demasiado alto respecto a la realidad en el terreno. La gente estaba inundada. La póliza debía pagar. No lo hizo. Ese es el otro modo de fallo, y en términos humanos es el peor.

Esto es lo que la industria llama riesgo de base — la brecha entre lo que mide el disparador y lo que el asegurado experimenta realmente. Un falso positivo drena las reservas de una aseguradora e invita al fraude. Un falso negativo destruye la confianza del asegurado y engendra litigios. Ambos fallos atacan lo mismo: la credibilidad del propio modelo paramétrico — lo que lo hace más difícil de vender y más difícil de aprobar para los reguladores. No puedes resolver una dirección inclinándote con más fuerza hacia la otra. Endurecer el umbral para frenar los pagos falsos es exactamente cómo se fabrica un Nagaland.

El riesgo de base no se arregla eligiendo en qué dirección equivocarse. Se arregla siendo capaz de demostrar qué había realmente bajo el agua.

Por eso la salida de nuestro sistema no es un sí/no. Es un mapa de confianza por píxel con un rastro de auditoría — qué se observó, con qué sensores, en qué momentos, con qué certeza, y qué se descartó. Evidencia que sobrevive a la revisión actuarial y al escrutinio legal, porque en este negocio la decisión del disparador acabará siendo discutida por alguien que no estuvo allí.

¿Por qué la cobertura paramétrica de inundaciones es de repente el problema de todos?

La razón por la que todo esto importa más cada año es brutalmente sencilla: el agua está ganando. Las pérdidas mundiales aseguradas por catástrofes naturales alcanzaron los 129.000 millones de dólares en 2025. Y la brecha de protección — la parte de las pérdidas por catástrofes que nadie aseguró — ronda entre el 52 y el 56 % a nivel mundial. En 2024, los desastres climáticos causaron 368.000 millones de dólares en pérdidas, de los cuales 223.000 millones no estaban asegurados, una brecha del 61 %. En EE. UU., las pérdidas anuales por inundaciones en viviendas unifamiliares ascienden a 24.400 millones de dólares, y aproximadamente el 70 % de eso no está asegurado.

El seguro paramétrico existe para cerrar esa brecha, y está creciendo rápido — un mercado de 21.000 a 24.000 millones de dólares en 2026, proyectado hacia los 38.700 millones para 2030 — precisamente porque puede pagar en días en lugar de meses y llegar a personas que el seguro tradicional nunca toca. En marzo de 2026, un esquema paramétrico de inundaciones diseñado por un consorcio que incluye a AXA Climate, Swiss Re e ICEYE entró en funcionamiento en Lagos, Nigeria, cubriendo a cuatro millones de personas. Cuatro millones de personas cuyos siniestros se decidirán por la lectura de un satélite sobre dónde estaba el agua.

Esa escala es el argumento para hacer bien la verificación. Cuando el disparador cubre a cuatro millones de personas, "probablemente inundado" no es un estándar defendible. Lo que se interpone entre un programa paramétrico y una catástrofe reputacional es si alguien puede demostrar, fotograma a fotograma, que el disparador se activó sobre agua y no sobre una sombra.

La gente me pregunta si la predicción meteorológica con IA hace redundante la capa satelital — los modelos predictivos de inundaciones se están volviendo genuinamente buenos. No lo hacen. Un pronóstico te dice lo que podría pasar; un pago paramétrico exige prueba de lo que pasó. Otros preguntan si los sensores terrestres, los medidores físicos de profundidad que algunas aseguradoras usan para reducir el riesgo de base, hacen innecesarios a los satélites. Ayudan enormemente allí donde existen, pero no puedes poner un medidor en cada kilómetro de llanura aluvial de la Tierra. Los satélites son la forma en que ves los lugares que nadie instrumentó — que, durante una catástrofe, son la mayoría de los lugares.

El fotograma de medianoche con sus dos manchas oscuras sigue siendo la imagen más verdadera de este trabajo que tengo. Una era agua. Una era una sombra. Toda la disciplina se reduce a construir un sistema que pueda decirte cuál — y luego mostrar su trabajo a la persona a punto de mover el dinero. Si estás diseñando o suscribiendo un programa paramétrico de inundaciones y esa distinción te quita el sueño, este es el problema para el que construimos.

El agua no va a volverse más fácil de leer. La prueba es el producto.