Evaluación del impacto de la extracción de aguas subterráneas y las grietas en presas de hormigón sobre la intrusión de agua salada mediante modelado numérico y machine learning interpretable

Por qué el agua del mar puede amenazar nuestras aguas ocultas

Para muchas comunidades costeras, el agua potable más fiable no procede de ríos o embalses, sino de capas subterráneas de arena y grava que almacenan agua dulce. Cuando se extrae demasiada agua de estos acuíferos, o cuando las estructuras protectoras fallan, el agua de mar puede filtrarse tierra adentro por vía subterránea y convertir reservas dulces en saladas. Este artículo explora cómo se comporta ese frente oculto de agua salada cuando se bombea el acuífero y cuando una presa subterránea de hormigón desarrolla grietas, y muestra cómo los modelos informáticos modernos y las herramientas de machine learning pueden ayudar a los gestores a proteger los acuíferos costeros.

El silencioso avance del agua salada bajo tierra

A lo largo de una costa, el flujo de agua dulce hacia el mar empuja de forma natural una cuña de agua salada más densa. Si aumenta el bombeo desde pozos o disminuye la recarga natural, ese equilibrio se altera y la cuña salina puede avanzar tierra adentro, llegando eventualmente a pozos y tomas de riego. Los ingenieros a veces construyen presas subterráneas o muros de corte por debajo de la superficie para frenar este avance, estrechando el camino por el que el agua de mar puede moverse. Pero en la práctica, estas barreras de hormigón pueden agrietarse o fabricarse con aberturas deliberadas, permitiendo que parte del agua salada se filtre. Entender cómo responde la longitud de la cuña salina al bombeo y a tales fracturas es vital, pero difícil de comprobar directamente en campo.

De la física detallada a atajos inteligentes

Los autores partieron de un conjunto existente de 438 simulaciones informáticas cuidadosamente diseñadas de un acuífero costero en pendiente, creadas con un modelo de aguas subterráneas que sigue tanto el flujo de agua como el transporte de sal. En esas simulaciones variaron ocho factores clave, todos expresados como razones adimensionales: el contraste de densidad entre agua dulce y salada, la altura y el ancho de la fractura en la presa subterránea, la altura de la presa y la distancia hasta la costa, la profundidad y la distancia del pozo respecto a la presa, y la tasa de bombeo. Para cada escenario, el modelo produjo la longitud relativa de la cuña salina respecto a la profundidad del acuífero, una medida compacta de hasta qué punto el agua de mar llegó tierra adentro. Este gran conjunto de datos sintéticos sirvió como terreno de entrenamiento para una batería de modelos de machine learning.

Enseñar a las máquinas a predecir la cuña salina

Se probaron seis enfoques de aprendizaje diferentes, que iban desde una regresión lineal sencilla hasta técnicas más flexibles como árboles de decisión, bosques aleatorios y un método avanzado llamado gradient boosting extremo. Antes de entrenar esos modelos, el equipo comprobó los datos en busca de redundancias y anomalías estadísticas, usando pruebas estándar para ver qué entradas tenían influencia real y si algunas estaban demasiado correlacionadas. Luego emplearon una estrategia de búsqueda automatizada para ajustar los parámetros internos de cada modelo y evaluaron el rendimiento con una validación cruzada rigurosa. El claro vencedor fue la familia de modelos ensemble, y en especial el enfoque de gradient boosting, que reprodujo las longitudes de la cuña simuladas con errores tan pequeños que resultan prácticamente despreciables.

Abrir la caja negra de las predicciones

Las predicciones precisas por sí solas no bastan para los gestores del agua, que también necesitan entender qué palancas son las más importantes. Para hacer el modelo de mejor rendimiento más transparente, los autores utilizaron herramientas que explican cómo cada entrada empuja una predicción determinada hacia arriba o hacia abajo. Estas explicaciones mostraron que la tasa de bombeo del pozo es el control dominante sobre la longitud de la cuña: un bombeo mayor arrastra el agua salada más tierra adentro. A continuación quedó la altura de la fractura en la presa, seguida de su anchura y de la distancia entre el pozo y la presa. Otros factores, como la altura total de la presa o su ubicación exacta respecto a la costa, también desempeñaron un papel pero fueron menos influyentes dentro de los rangos probados. El equipo confirmó además que su modelo podía reproducir un conjunto separado de simulaciones detalladas para un acuífero costero real en Chipre, lo que da confianza de que puede funcionar más allá de los casos originales de entrenamiento.

Convertir la ciencia compleja en herramientas útiles

Para hacer estos conocimientos accesibles, los autores empaquetaron el modelo entrenado en sencillas interfaces de escritorio y web. En lugar de ejecutar pesadas simulaciones basadas en física, un gestor puede ahora introducir un puñado de razones adimensionales—que representan el bombeo del pozo, la geometría de la presa y el tamaño de la fractura—y obtener al instante una estimación de hasta dónde es probable que llegue la cuña salina. En efecto, el estudio muestra que un modelo basado en datos, cuidadosamente entrenado, puede sustituir a cálculos numéricos mucho más exigentes, conservando al mismo tiempo la fidelidad con la física subyacente.

Qué significa esto para los usuarios de agua costera

El trabajo demuestra que el avance tierra adentro del agua de mar puede predecirse rápida y fiablemente usando machine learning entrenado con simulaciones de alta calidad. Para un público general, el mensaje clave es sencillo: cuánto bombeamos el agua subterránea costera y qué tan bien diseñamos y mantenemos las barreras subterráneas tiene un impacto directo en si los pozos permanecen frescos o se vuelven salinos. Al resaltar qué decisiones de diseño y condiciones operativas importan más, y al empaquetar ese conocimiento en software fácil de usar, este estudio ofrece una ayuda práctica para proteger el escaso agua dulce en las regiones costeras bajo creciente presión.

Cita: Armanuos, A.M., Zeleňáková, M. & Elshaarawy, M.K. Assessing the impact of groundwater abstraction and concrete dam fractures on saltwater intrusion using numerical modeling and interpretable machine learning. Sci Rep 16, 8940 (2026). https://doi.org/10.1038/s41598-025-27998-4

Palabras clave: intrusión de agua salina, acuífero costero, bombeo de aguas subterráneas, presa subterránea, machine learning