Les inundacions repentines són les més freqüents, ja que representen aproximadament el 85% de totes les inundacions del món, i causen milers de morts cada any. En poques hores, l'aigua d'un riu pot pujar i baixar, de manera que els models que només treballen amb dades diàries se'n deixen justament els pics més perillosos.
L'equip de Chaopeng Shen, a la Universitat Estatal de Pennsilvània (Penn State), ha adaptat la difusió, el mètode que fan servir molts generadors d'imatges: s'afegeix soroll a unes dades completes i el model aprèn a treure'l. L'estudi, publicat a la revista revisada per parells *Water Resources Research* el 21 de juliol de 2026 (DOI 10.1029/2025WR042720) i divulgat per la universitat aquesta setmana, l'ha entrenat amb registres horaris de 1990 a 2003 de 516 conques dels Estats Units continentals i l'ha provat amb dades de 2009 a 2014 que no havia vist.
Segons els autors, el model supera els enfocaments d'aprenentatge profund horaris existents, sobretot en els períodes de cabal alt. Com que és probabilístic, no dona una sola xifra sinó un ventall de resultats, i pot incorporar mesures dels aforaments gairebé en temps real sense tornar-lo a entrenar, una tècnica que anomenen *inpainting*, la mateixa que serveix per omplir parts d'una imatge. Els treballs els han finançat l'Administració Nacional Oceànica i Atmosfèrica (NOAA) i el Departament de Recursos Hídrics de Califòrnia.
El resultat és una millora metodològica, no un sistema d'alerta operatiu. La nota no dona xifres concretes de millora i el model s'ha provat només en conques nord-americanes i en un període d'anys concret, de manera que caldrà comprovar que funciona en altres climes i amb dades en directe abans que serveixi per avisar la població.