Modelo híbrido PSO-SVM y regresión simbólica para la predicción de la demanda de agua agrícola

Por qué el uso del agua en la agricultura importa para todos

En regiones secas de todo el mundo, los mismos ríos y acuíferos deben abastecer agua a ciudades, industrias y a los cultivos que nos alimentan. Cuando la agricultura toma demasiado, los grifos se quedan secos y los ecosistemas sufren; cuando recibe muy poco, la producción de alimentos está en riesgo. Este estudio examina de cerca la ciudad de Bayannur, en Mongolia Interior, uno de los principales centros de riego de China, para plantear una pregunta crucial: ¿cómo cambiará su demanda de agua de riego en los próximos años y qué palancas —tecnología, política o producción— son las más relevantes?

Una región seca con campos sedientos

Bayannur se sitúa en el área de riego de Hetao, en el noroeste de China, un paisaje donde suelos fértiles y clima soleado favorecen cultivos como trigo, maíz, girasol y tomate, pero solo si suficientes volúmenes de agua llegan por los canales. Entre 1990 y 2022, la agricultura consumió alrededor del 97% de toda el agua usada en la ciudad, con un promedio cercano a los 5 000 millones de metros cúbicos al año. Sin embargo, la dotación hídrica natural de la región es limitada, con precipitaciones escasas y aportes ajustados de ríos y aguas subterráneas. Ese desequilibrio hace crucial entender cómo las prácticas agrícolas, los medios de vida rurales y las políticas gubernamentales configuran en conjunto los altibajos de la demanda de riego.

Desenredando lo que empuja la demanda de agua hacia arriba y hacia abajo

Los investigadores reunieron 33 años de estadísticas oficiales sobre clima, disponibilidad de agua, producción agrícola, demografía rural, maquinaria, uso de fertilizantes, tecnología de riego y precios del agua. Primero emplearon un enfoque de aprendizaje automático que combina Optimización por Enjambre de Partículas con Máquinas de Vectores de Soporte (PSO-SVM). En términos sencillos, este método permite que un “enjambre” de modelos de prueba busque la mejor forma de predecir el uso de agua a partir de muchos factores posibles. Ajustando suavemente cada factor y observando cómo cambian las predicciones, el equipo pudo etiquetar algunas influencias como “impulsores” que aumentan la demanda y otras como “frenos” que la moderan.

La producción empuja; la tecnología y los ingresos la frenan

El análisis reveló una clara lucha por la tracción. En el lado de los impulsores, mayores rendimientos de grano y una mayor superficie efectivamente regada fueron las fuerzas más fuertes que incrementaron la demanda de agua, respaldadas por más empleo rural, mayor uso de fertilizantes y expansión de la siembra de granos. Esto refleja la realidad básica de que explotaciones más grandes y más intensivas requieren más agua. En el lado de los frenos, el factor único más poderoso fue el aumento de los ingresos rurales: a medida que los hogares agrícolas se hicieron más prósperos, se alejaron de las actividades más intensivas en agua. Una adopción más amplia de riego de alta eficiencia —como sistemas de goteo y aspersión— también redujo la necesidad de agua, al igual que precios más altos del agua de riego, límites naturales capturados por un índice de estrés hídrico y una mayor mecanización. En conjunto, estos frenos explican por qué el uso agrícola del agua en Bayannur ha tendido a disminuir desde principios de los 2000 aun cuando la producción alimentaria aumentó.

Convertir una caja negra en una ecuación legible

Los modelos de aprendizaje automático suelen ofrecer pronósticos precisos pero ocultan su funcionamiento interno, lo que dificulta su uso en debates de política. Para evitar ese problema de “caja negra”, el equipo alimentó únicamente los factores más influyentes a una segunda herramienta llamada regresión simbólica. Este método busca una ecuación comprensible por humanos que vincule unas pocas variables clave —aquí, ingreso rural, rendimiento de grano, área regada y tasa de riego eficiente— con la demanda de agua. La ecuación final reproduce casi el 88% de la variación año a año en el uso de agua de Bayannur y cuantifica cómo interactúan estas cuatro palancas de forma no lineal. Por ejemplo, ingresos más altos suelen acompañar tanto campos más productivos como prácticas de ahorro de agua, de modo que su efecto neto es moderar la demanda de agua aun cuando respaldan cosechas mejores.

Mirando hacia 2035

Armados con esta ecuación transparente, los autores proyectaron la demanda agrícola de agua de Bayannur de 2023 a 2035. Encuentran que el uso anual probablemente se mantendrá por encima de los 5 000 millones de metros cúbicos, con un pico alrededor de 2028 y luego estabilizándose. En otras palabras, la ciudad seguirá siendo una gran consumidora de agua, pero los vaivenes rápidos del pasado deberían moderarse a medida que se difundan las tecnologías de ahorro de agua y políticas como la tarificación del agua, el comercio de derechos de agua y las cuotas estrictas entren plenamente en efecto. El rango de incertidumbre del modelo —solo unos pocos puntos porcentuales por encima o por debajo de cada estimación— sugiere que las previsiones son lo suficientemente robustas para guiar la planificación.

Qué significa esto para la seguridad alimentaria y del agua

Para no especialistas, el mensaje clave es que combinaciones inteligentes de política y tecnología pueden aflojar el vínculo entre producir más alimentos y consumir cada vez más agua. En Bayannur, los sistemas de riego eficientes, mejores ingresos agrícolas y reglas de gestión firmes están gradualmente contrarrestando el patrón antiguo en el que la ampliación de las superficies cultivadas significaba automáticamente mayores extracciones de ríos y acuíferos. El marco de modelado híbrido del estudio muestra no solo cuánta agua podría usar la agricultura futura, sino también qué cambios sociales y técnicos importan más. Ese tipo de visión puede ayudar a otras regiones agrícolas secas a trazar un camino realista para alimentar a la población sin exceder sus recursos hídricos.

Cita: Lv, H., Zhao, Y., Wang, W. et al. Hybrid PSO-SVM and symbolic regression model for agricultural water demand prediction. Sci Rep 16, 5121 (2026). https://doi.org/10.1038/s41598-026-34995-8

Palabras clave: demanda de agua agrícola, eficiencia del riego, modelos de aprendizaje automático, política de recursos hídricos, regiones áridas de China