Interpretación de los impulsores asociados a la ocurrencia de inundaciones mediante inteligencia artificial explicable

Abderraman Róger de Amorim Brandão; Wagner Wilson Bortoletto

DOI: 10.22167/2675-6528-202602619

Artículo derivado del Trabajo de Conclusión de Curso (TCC), con contenido basado en el trabajo original del alumno y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege para síntesis y organización textual.

Resumen

Los eventos de inundación en Brasil se han intensificado, pero sus factores aún son difíciles de generalizar debido a los contrastes regionales y las interacciones no lineales. El estudio caracterizó la distribución espacio-temporal de eventos de inundación en cuencas hidrográficas brasileñas y evaluó la capacidad de un modelo Random Forest (RF) para detectar días asociados a estos eventos basándose en condiciones hidrometeorológicas antecedentes. La investigación abarcó 735 cuencas en el período de 1980 a 2010. Los eventos se identificaron en series diarias de caudal, utilizando un umbral específico por cuenca (percentil 50 de las máximas anuales) y un intervalo mínimo de 10 días entre picos. El modelo RF se entrenó con predictores dinámicos y se interpretó con TreeSHAP. Los resultados indicaron diferencias estacionales entre los biomas, con mayor concentración de los eventos en ciertos meses en la Amazonía, Cerrado, Caatinga y Mata Atlántica, y una distribución más uniforme en el Pampa. En el conjunto de prueba, el modelo alcanzó PR-AUC de 0,41, ROC-AUC de 0,96, F1 de 0,35 y una precisión balanceada de 0,86. Los análisis de SHAP destacaron el balance hídrico climático acumulado (P – ETP) y la precipitación acumulada en ventanas de 14 a 60 días como los principales predictores. Estos patrones fueron compatibles con la influencia de las condiciones antecedentes, pero no establecieron relaciones causales.

Palabras clave: Condiciones antecedentes; Hidrología de grandes muestras; Random Forest; Simulación hidrológica; XAI.

1. Introducción

En Brasil, eventos hidrológicos extremos, como las inundaciones, se han vuelto más frecuentes e intensos en las últimas décadas, afectando a diferentes regiones del país. En la Amazonía, por ejemplo, se ha observado la ampliación de las áreas inundables (Fleischmann et al., 2023; Silva et al., 2023), mientras que el Sur registró inundaciones extremas en 2023 y 2024 (Alvalá et al., 2024; Collischonn et al., 2025), con 340 municipios en situación de emergencia (ANA, 2024). Ocurrencias similares fueron documentadas en el Nordeste (Seigerman et al., 2024; Santos et al., 2024), en el Centro-Oeste (Marengo et al., 2022) y en el Sudeste. En el estado de São Paulo, se registraron, en promedio, 73 eventos por año en la década de 2010 (Brandão et al., 2026).

La intensificación de estos eventos hidrológicos extremos impone desafíos significativos, especialmente en un país con gran dependencia de los recursos hídricos, donde el 49% de la electricidad es de origen hidroeléctrico, la irrigación representa el 50% de las extracciones de agua y el suministro urbano, el 23,34% (ANA, 2024). A escala global, los desastres asociados al tiempo, al clima y al agua causaron más de dos millones de muertes y pérdidas de US$ 3,64 billones entre 1970 y 2019, con las inundaciones representando el 44% de estos eventos (WMO, 2021). En Brasil, las pérdidas reportadas en este período sumaron US$ 41,7 mil millones (WMO, 2021). Más recientemente, entre 2020 y 2024, se reportaron 771.750 personas afectadas por inundaciones, con daños materiales de R$ 3,68 mil millones y perjuicios públicos y privados que superan los R$ 9 mil millones (Brasil, 2026). Estos datos refuerzan la urgencia de comprender los factores asociados a las inundaciones.

La ocurrencia de inundaciones resulta de la compleja interacción entre procesos atmosféricos y características físicas de las cuencas hidrográficas (Sharma et al., 2018; Livneh et al., 2024). El análisis aislado de la precipitación, por sí solo, es frecuentemente insuficiente para representar la contribución de las condiciones antecedentes y de las interacciones no lineales que modulan la respuesta hidrológica de las cuencas. La dificultad en generalizar los impulsores de inundación a escala nacional, debido a los fuertes contrastes regionales y a las interacciones no lineales entre clima y respuesta hidrológica, representa una laguna importante en el conocimiento y en la capacidad predictiva.

En este contexto, el aprendizaje automático (ML) emerge como una herramienta prometedora para representar relaciones complejas entre múltiples predictores y apoyar la investigación de los patrones asociados a los extremos (Reichstein et al., 2019; Nearing et al., 2024). Sin embargo, los modelos de ML, como los conjuntos de árboles, pueden presentar decisiones difíciles de inspeccionar (Baehrens et al., 2010; Lundberg & Lee, 2017). La inteligencia artificial explicable (XAI), a través de técnicas como SHapley Additive exPlanations (SHAP), permite interpretaciones locales y globales de las predicciones (Lundberg & Lee, 2017), ayudando a relacionar las características de entrada con las salidas del modelo de forma más transparente y a dialogar con el conocimiento físico. Este enfoque es fundamental para superar las limitaciones de los modelos tradicionales basados en la física, que, a pesar de estar bien fundamentados, no siempre producen predicciones precisas y son computacionalmente intensivos y de difícil generalización (Nearing et al., 2021; Zounemat-Kermani et al., 2021).

Ante la creciente frecuencia e impacto de las inundaciones en Brasil y la complejidad de sus impulsores, este estudio se justifica por la necesidad de profundizar la comprensión de los patrones espacio-temporales de estos eventos y por la aplicación de métodos avanzados de aprendizaje automático y XAI para identificar sus predictores. El objetivo de este estudio fue caracterizar la distribución espacio-temporal de los eventos de inundación fluvial, definidos por un criterio de excedencia de caudal, en cuencas hidrográficas brasileñas. También se evaluó la capacidad de un modelo Random Forest (RF) para detectar días asociados a estos eventos a partir de variables hidrometeorológicas. Por último, se buscó identificar, mediante SHAP, los predictores que más contribuyeron a las clasificaciones, con énfasis en la interpretación hidrológica de los patrones aprendidos.

2. Material y Métodos

La metodología de este estudio se estructuró en tres etapas principales: organización de los datos e identificación de los eventos de inundación, desarrollo del modelo de aprendizaje automático y, finalmente, la evaluación e interpretación de los resultados. Este flujo guió la investigación desde la preparación de la base de datos hasta el análisis final del modelo.

El estudio abarcó 735 cuencas hidrográficas brasileñas, distribuidas en diferentes biomas y condiciones hidroclimáticas, con predominio del clima tropical A (Beck et al., 2018). El conjunto de datos CABra — Catchment Attributes for Brazil (Almagro et al., 2021) proporcionó series diarias de caudal de la Agencia Nacional de Aguas y Saneamiento Básico (ANA) e información hidroclimática de diversas fuentes, incluyendo atributos físicos e hidrológicos, para el período de 1980 a 2010.

Los eventos de inundación fluvial se identificaron a partir de las series diarias de caudal. Un evento se definió cuando el caudal diario superó un umbral específico para cada cuenca, establecido como el percentil 50 de las máximas anuales (Brunner et al., 2020; Götte & Brunner, 2024). Se adoptó un intervalo mínimo de diez días entre picos sucesivos para la separación de los eventos (Diederen et al., 2019). Para el clasificador diario, los días de evento se etiquetaron como 1 y los demás como 0.

El desarrollo del modelo de aprendizaje automático utilizó un clasificador Random Forest (RF) (Breiman, 2001; James et al., 2023). El modelo se construyó con 39 predictores hidroclimáticos dinámicos, calculados para representar las condiciones antecedentes a las inundaciones. Estos predictores incluyeron precipitaciones acumuladas en diferentes ventanas temporales, sumatorias de evapotranspiración real y potencial, balance hídrico climático diario y sus acumulaciones, además de promedios móviles de temperatura, humedad, velocidad del viento y radiación solar. El mes y el día del año se incluyeron para la estacionalidad.

De los 39 predictores iniciales, se excluyeron 15 con las menores contribuciones globales, medidas por la media de los valores absolutos de SHAP en un modelo exploratorio, resultando en 24 variables para el modelo final. Los hiperparámetros del RF se evaluaron mediante RandomizedSearchCV (Bergstra & Bengio, 2012), probando 50 configuraciones aleatorias con validación cruzada en tres particiones y agrupamiento por cuenca (GroupKFold). La precisión media (AP) fue el criterio de selección.

La configuración final del modelo RF se compuso de 603 árboles, criterio de entropía, profundidad máxima de 40, raíz cuadrada del número de atributos por división, mínimo de 11 muestras por hoja y 20 muestras para división de nodo, con ponderación `balanced_subsample` y muestreo `bootstrap`. Para lidiar con el desbalanceo de clases, el conjunto de entrenamiento incluyó todos los ejemplos positivos y un muestreo aleatorio de negativos por cuenca, limitado a hasta 20 negativos por positivo, una estrategia de `undersample`.

La separación entre los conjuntos de entrenamiento y prueba se realizó por cuenca hidrográfica, utilizando el método GroupShuffleSplit. Se destinaron 588 cuencas (80%) para el desarrollo del modelo y 147 cuencas (20%) para la evaluación en cuencas no utilizadas en el entrenamiento, evitando que días de una misma cuenca aparecieran simultáneamente en los dos conjuntos.

La contribución de los predictores se interpretó con SHapley Additive exPlanations (SHAP), un enfoque de inteligencia artificial explicable (Lundberg & Lee, 2017; Lundberg et al., 2020). Se utilizó TreeSHAP para calcular los valores de Shapley, empleando el enfoque `tree-path-dependent`. Los valores de SHAP se calcularon a partir de una muestra estratificada de las 147 cuencas de prueba, con hasta 200 días de evento y 400 días sin evento por cuenca, y un límite global de 5.000 observaciones. La importancia global de cada predictor se calculó mediante la media de sus valores absolutos de SHAP.

El rendimiento del clasificador se evaluó en el conjunto de prueba mediante métricas apropiadas para la clasificación binaria en un contexto desequilibrado: ROC-AUC, PR-AUC, puntuación F1 y precisión balanceada (BA). La PR-AUC fue la métrica principal debido a la baja prevalencia de días positivos (Saito & Rehmsmeier, 2015). Las métricas dependientes del umbral se calcularon con un valor de 0,5 para la conversión de probabilidades en clases binarias. La precisión, sensibilidad, puntuación F1 y precisión balanceada se definieron según sus formulaciones estándar en problemas de clasificación.

3. Resultados y Discusión

La investigación de los patrones de inundación fluvial en cuencas hidrográficas brasileñas reveló una dinámica compleja, influenciada por factores espacio-temporales y condiciones hidrometeorológicas antecedentes. El análisis inicial de los eventos de inundación, identificados por un umbral de caudal diario excedente, demostró una naturaleza episódica. Se observó que la mayoría de los años en el período de 1980 a 2010 presentó recuentos de eventos bajos o moderados, alrededor de 5.000 ocurrencias, siendo puntuados por años pico con aproximadamente 20.000 registros en algunos biomas. Esta variabilidad temporal subraya la no estacionariedad de los eventos extremos, un aspecto crucial para la planificación y la gestión de recursos hídricos en Brasil.

La distribución espacial de los eventos de inundación evidenció la heterogeneidad de la red de monitoreo y las características intrínsecas de cada bioma. La Mata Atlántica y el Cerrado concentraron el mayor número de cuencas en la muestra, con 371 y 219 cuencas, respectivamente, seguidos por la Amazonía (78 cuencas) y la Caatinga (50 cuencas). El Pampa, con 16 cuencas, y el Pantanal, con solo una, presentaron menor representación. Esta disparidad en la cobertura de datos es un factor importante a considerar en la interpretación de los resultados, ya que puede limitar la generalización de los patrones a biomas menos representados, como el Pantanal.

La estacionalidad de los eventos de inundación mostró patrones distintos entre los biomas. En la Amazonía, Cerrado, Caatinga y Mata Atlántica, los eventos se concentraron en los meses de diciembre a abril o mayo, con una reducción notable durante el período de invierno. Este comportamiento es consistente con las diferencias regionales en la estacionalidad de las crecidas, según lo señalado por Bartiko et al. (2019). En contraste, el Pampa exhibió una distribución más uniforme de los eventos a lo largo del año, lo que se alinea con la ausencia de una estación seca bien definida en esta región. En el Cerrado, la frecuencia de eventos disminuyó más rápidamente a lo largo del año, lo que puede atribuirse tanto a la mayor profundidad del basamento rocoso como a la fuerte concentración estacional de las precipitaciones.

El análisis de los caudales máximos reveló que la Amazonía presentó una mayor dispersión de valores, mientras que el Pantanal, con su única cuenca en la muestra, registró picos elevados. Es fundamental considerar que estas diferencias en los caudales máximos están influenciadas por el área de drenaje y el tamaño de los ríos, y no necesariamente indican variaciones en la intensidad relativa de las crecidas entre los biomas. La interpretación de estos datos debe, por lo tanto, tener en cuenta las características geomorfológicas e hidrológicas de cada cuenca, que modulan la respuesta hidrológica a los eventos de precipitación.

En cuanto a la capacidad predictiva del modelo Random Forest (RF) para detectar días asociados a eventos de inundación, el rendimiento global en el conjunto de prueba externo fue evaluado por métricas específicas para problemas de clasificación binaria desequilibrada. La prevalencia de días positivos en el conjunto de prueba fue del 1,49%, lo que indica la rareza de los eventos. En este escenario, el área bajo la curva Precisión-Sensibilidad (PR-AUC) alcanzó 0,41, un valor aproximadamente 27,4 veces superior a la línea de base aleatoria, lo que demuestra la relevancia del modelo para clases raras (Saito & Rehmsmeier, 2015).

Complementariamente, el área bajo la curva Receiver Operating Characteristic (ROC-AUC) fue de 0,96, lo que sugiere una buena capacidad de ordenación relativa de las clases por el modelo. Sin embargo, la puntuación F1 de 0,35 y la precisión balanceada de 0,86, calculadas con un umbral de 0,5, indican que, si bien el modelo es eficaz en la discriminación, el equilibrio entre precisión y sensibilidad aún presenta limitaciones en este umbral. Esta diferencia en el rendimiento es esperada, dada la naturaleza altamente desequilibrada y temporalmente explícita del problema de clasificación de inundaciones, en comparación con estudios de susceptibilidad espacial que frecuentemente utilizan muestras balanceadas.

En términos comparativos, el PR-AUC de 0,41 obtenido en este estudio se sitúa en el límite inferior de los valores reportados en otras aplicaciones de modelos RF para la clasificación de áreas inundables o susceptibilidad a inundaciones. Por ejemplo, estudios en Kunming (Ren et al., 2024), Salzburgo (Nachappa et al., 2020), cuenca del Peneus (Tepetidis et al., 2025) y Amazonía oriental brasileña (Amaral et al., 2024) reportaron valores de AUC entre 0,87 y 0,99. Sin embargo, esta comparación debe hacerse con cautela, ya que la mayoría de estos trabajos se centraron en la clasificación espacial de puntos o píxeles inundados, frecuentemente con muestras balanceadas, a diferencia del presente estudio que aborda la detección de eventos raros en un contexto temporal.

La variabilidad espacial del rendimiento del modelo, medida por el PR-AUC por cuenca, fue predominantemente moderada, con la mayoría de los valores concentrados entre 0,3 y 0,6. Se observó que algunos de los valores más altos de PR-AUC ocurrieron en el Nordeste, mientras que rendimientos intermedios y bajos se distribuyeron por otras regiones. La relación entre la tasa de eventos por cuenca y el PR-AUC reveló una tendencia positiva: las cuencas con mayor frecuencia de eventos tendieron a presentar valores más altos de PR-AUC. En contrapartida, las cuencas con eventos muy raros exhibieron mayor dispersión y valores más bajos de la métrica, reflejando la dificultad intrínseca del aprendizaje en clases minoritarias y la mayor inestabilidad de la métrica en este contexto.

La interpretación de la contribución de los predictores a través de SHapley Additive exPlanations (SHAP) fue crucial para comprender el comportamiento del modelo. Los análisis de importancia global destacaron que las mayores contribuciones estuvieron asociadas a predictores acumulados en ventanas de 14 a 60 días. En particular, el balance hídrico climático acumulado (P – ETP) y la precipitación acumulada fueron los predictores más influyentes. El balance hídrico climático, que representa la diferencia entre la precipitación y la demanda evaporativa potencial, actúa como un indicador indirecto de las condiciones antecedentes, aunque no mide directamente la humedad del suelo ni el almacenamiento de agua en la cuenca.

Este patrón de importancia de los predictores es compatible con la literatura hidrológica, que enfatiza la contribución conjunta de la precipitación y las condiciones antecedentes para la generación de crecidas (Sharma et al., 2018; Livneh et al., 2024). La aridez de la cuenca también ha sido reconocida como un parámetro central en la modulación de los procesos hidrológicos (Almagro et al., 2024; Brandão et al., 2025; Correa et al., 2025). Los resultados obtenidos refinan esta interpretación al evidenciar que la “memoria de la cuenca”, representada por variables hidrometeorológicas acumuladas en diferentes ventanas temporales, es un componente significativo en la predicción de inundaciones.

Las variables termoclimáticas, como la temperatura mínima media en 30 días, presentaron una relación menos monótona con los valores SHAP, sugiriendo que su influencia es más indirecta, reflejando efectos de estacionalidad, precipitación y evapotranspiración, así como diferencias regionales. Esto indica que, mientras la precipitación y el balance hídrico ejercen una influencia más directa en la ocurrencia de inundaciones, las variables termoclimáticas actúan principalmente como condicionantes estacionales y regionales, modulando la respuesta hidrológica de las cuencas.

La distribución espacial de la importancia local de los predictores también reveló contrastes regionales. Las acumulaciones de 30 y 60 días de precipitación y de P – ETP fueron más importantes en el Nordeste, Centro-Este y Sudeste. En contraste, las acumulaciones de 7 y 14 días de precipitación y P – ETP tuvieron mayor relevancia en partes del Sur y Sudeste. La temperatura mínima media en 30 días, por su parte, demostró una mayor contribución en la región Sur. Estos patrones regionales destacan la complejidad de los impulsores de inundaciones y la necesidad de enfoques adaptados a las especificidades de cada región brasileña.

Los gráficos de dependencia de SHAP para las variables más importantes revelaron relaciones no lineales entre los valores de los predictores y sus contribuciones a la salida del modelo. Valores bajos de P – ETP y de precipitación acumulada en ventanas de 7, 14, 30 y 60 días se asociaron generalmente con valores SHAP negativos, lo que significa que redujeron la probabilidad prevista de ocurrencia de eventos. A medida que estos acumulados aumentaron, las contribuciones tendieron a volverse positivas, elevando la probabilidad de inundación. Esta transición en la señal de la contribución, donde SHAP es igual a cero, representa un cambio en la influencia del predictor en relación con la referencia del modelo, y no un umbral físico de inundación.

Este comportamiento es hidrológicamente coherente, ya que las inundaciones son el resultado tanto de la lluvia reciente como de las condiciones previas de humedad del suelo en la cuenca. La separación visual entre los puntos clasificados como eventos (concentrados en regiones con SHAP positivo) y no eventos (más frecuentes en rangos con SHAP negativo) refuerza el alto poder discriminatorio de estas variables, especialmente para los acumulados de 30 y 60 días de P – ETP y precipitación. Esto sugiere que el modelo RF utiliza eficazmente la memoria hidrológica en escalas de semanas a meses para identificar patrones asociados a la ocurrencia de inundaciones.

A pesar de la relevancia de los patrones identificados, deben considerarse algunas limitaciones. La definición de los eventos de inundación, basada en el percentil 50 de las máximas anuales, influye en los resultados, aunque estudios anteriores indican que la elección de los umbrales afecta más a los valores absolutos que a los patrones relativos dominantes (Brunner y Chartier-Rescan, 2024; Götte y Brunner, 2024). La ausencia de atributos estáticos en el modelo final limita la representación directa de los controles estructurales de las cuencas, lo que podría enriquecer la comprensión de los procesos hidrológicos.

La estrategia de balanceo, que utilizó todos los ejemplos positivos y una muestra aleatoria de ejemplos negativos por cuenca, fue adecuada para reducir la fuga de información entre cuencas, pero no eliminó por completo los desafíos asociados con la fuerte heterogeneidad espacial del rendimiento y la baja prevalencia de eventos en algunas cuencas de prueba. Además, la interpretación basada en SHAP, aunque útil para describir el comportamiento del modelo, no debe interpretarse como evidencia causal directa, ya que las correlaciones entre predictores pueden influir en la distribución de las contribuciones.

No se realizaron pruebas formales de autocorrelación temporal o espacial, lo que significa que la posible dependencia entre días consecutivos y entre cuencas vecinas o hidrológicamente conectadas sigue siendo una limitación. La heterogeneidad de la muestra, especialmente la presencia de una sola cuenca en el Pantanal, limita la extrapolación de los patrones observados a todo el territorio de cada bioma. Estos aspectos resaltan la necesidad de investigaciones futuras que aborden estas dependencias, incorporen atributos estáticos y evalúen horizontes explícitos de predicción.

En resumen, este estudio caracterizó la distribución espacio-temporal de los eventos de inundación fluvial en Brasil y demostró la capacidad del modelo Random Forest para detectarlos basándose en condiciones hidrometeorológicas antecedentes. Los resultados indicaron diferencias estacionales entre los biomas y destacaron el balance hídrico climático acumulado y la precipitación acumulada en ventanas de 14 a 60 días como los predictores más importantes. Estos hallazgos son consistentes con la influencia de la memoria hidrológica de la cuenca en las clasificaciones, proporcionando una comprensión valiosa de los patrones asociados a las inundaciones, a pesar de las limitaciones inherentes a la complejidad del sistema hidrológico y a la naturaleza de los datos.

4. Conclusión

El presente estudio buscó caracterizar la distribución espacio-temporal de eventos de inundación fluvial en cuencas hidrográficas brasileñas y evaluar la capacidad de un modelo Random Forest (RF) de detectarlos a partir de variables hidrometeorológicas, además de identificar los predictores más relevantes por medio de SHAP. Se verificó que los eventos de inundación presentaron una naturaleza episódica y patrones estacionales distintos entre los biomas, con mayor concentración en ciertos meses en la Amazonía, Cerrado, Caatinga y Mata Atlántica, y una distribución más uniforme en el Pampa. El modelo RF demostró buena capacidad discriminativa en el conjunto de prueba, con PR-AUC de 0,41 y ROC-AUC de 0,96, indicando su relevancia para la detección de clases raras. Los análisis de SHAP destacaron el balance hídrico climático acumulado (P – ETP) y la precipitación acumulada en ventanas de 14 a 60 días como los predictores más influyentes, revelando relaciones no lineales e hidrológicamente coherentes que enfatizan la memoria de la cuenca. La principal contribución reside en la comprensión profunda de los patrones asociados a las inundaciones a escala nacional y en la demostración de la aplicabilidad de métodos de inteligencia artificial explicable para interpretar la influencia de las condiciones antecedentes.

A pesar de los avances, el estudio presentó limitaciones, como la dependencia de los resultados de la definición del umbral de inundación y la ausencia de atributos estáticos en el modelo final, que podrían representar controles estructurales de las cuencas. La fuerte heterogeneidad espacial del desempeño del modelo y la baja prevalencia de eventos en algunas cuencas de prueba también impusieron desafíos, y la interpretación basada en SHAP no debe considerarse evidencia causal directa. Para estudios futuros, se sugiere la evaluación de autocorrelación temporal y espacial, la incorporación de atributos estáticos y la exploración de diferentes definiciones de eventos y horizontes de predicción. Se recomienda además la comparación del modelo RF con redes Long Short-Term Memory (LSTM) para evaluar la ganancia de la representación secuencial, manteniendo la consistencia de los datos y métricas de evaluación.

Referencias Bibliográficas

Agência Nacional De Águas E Saneamento Básico – ANA (Brasil). Conjuntura dos recursos hídricos no Brasil 2024

Alvalá, S. R. C., Ribeiro, D. F., Marengo, J. A., Seluchi, M. E., Gonçalves, D. A., da Silva, L. A., … & Saito, S. M. (2024). Analysis of the hydrological disaster occurred in the state of Rio Grande do Sul, Brazil in September 2023: vulnerabilities and risk management capabilities. International Journal of Disaster Risk Reduction, 110, 104645.

Collischonn, W., Fan, F. M., Possantti, I., Dornelles, F., Paiva, R., Medeiros, M. S., … & Piccilli, D. G. A. (2025). The exceptional hydrological disaster of April-May 2024 in southern Brazil. RBRH, 30, e1.

Fleischmann, A. S., Papa, F., Hamilton, S. K., Fassoni-Andrade, A., Wongchuig, S., Espinoza, J. C., … & Collischonn, W. (2023). Increased floodplain inundation in the Amazon since 1980. Environmental Research Letters, 18(3), 034024.

Silva et al., 2023 [Referencia completa no encontrada en el documento original]

Artículo originado del Trabajo de Conclusión de Curso de la Especialización en Data Science y Analytics del MBA USP/Esalq

Para saber más sobre el curso, haz clic aquí y accede a la plataforma MBX Academy