Predicción del índice de calidad del agua mediante un modelo de aprendizaje automático robusto usando índices relacionados con el oxígeno para el monitoreo de la calidad del agua de ríos

Por qué el oxígeno de los ríos importa para todos

Los ríos limpios no son solo paisajes agradables; son fuentes de agua potable, ejes para el riego y hábitats para peces y vida silvestre. Sin embargo, muchos ríos del mundo se están asfixiando lentamente a medida que la contaminación elimina el oxígeno del agua. Este estudio presenta una manera nueva y más inteligente de vigilar la salud de los ríos usando un conjunto reducido de mediciones relacionadas con el oxígeno y aprendizaje automático para predecir una puntuación de calidad del agua fácil de entender. El objetivo es ofrecer a las comunidades y a los responsables de la toma de decisiones una herramienta rápida y fiable para detectar problemas antes de que los ríos lleguen a un punto crítico.

Una puntuación simple para un río complejo

Los científicos del agua suelen condensar docenas de mediciones químicas y biológicas en un único Índice de Calidad del Agua, o WQI. Esta puntuación permite a los no especialistas ver de un vistazo si el agua es excelente, buena, moderada o mala. Sin embargo, muchas versiones del WQI tratan el oxígeno solo de forma indirecta o no explotan por completo lo central que es el oxígeno para la vida acuática. El oxígeno nos indica si los peces pueden respirar, si los microbios están descomponiendo materia orgánica y si un río puede recuperarse tras un episodio de contaminación. Los autores sostienen que un índice más inteligente debería apoyarse fuertemente en la información relacionada con el oxígeno, que se mide ampliamente y está directamente vinculada a la supervivencia de los ecosistemas fluviales.

Vigilando tres ríos muy diferentes

Para probar esta idea, los investigadores se centraron en tres ríos contrastantes en Irán. Uno atraviesa una cuenca cálida y semiárida con grandes variaciones de temperatura; otro corre frío y rápido desde una región montañosa junto al Mar Caspio; el tercero desemboca en la ambientalmente estresada Laguna de Urmia. En conjunto abarcan tramos claros y bien oxigenados así como tramos más turbios y estresados afectados por agricultura, ciudades e industria. En decenas de estaciones a lo largo de estos ríos, los equipos midieron propiedades de campo básicas como temperatura, oxígeno disuelto, acidez y conductividad eléctrica, y recogieron muestras para analizar en laboratorio contaminación orgánica, sedimento en suspensión, nutrientes y bacterias.

Enseñando a un “Supermodelo” a leer el agua

A partir de este rico conjunto de datos, los autores construyeron lo que denominan un “Supermodelo” usando una técnica de aprendizaje automático conocida como Support Vector Regression. En lugar de alimentar al algoritmo con todos los químicos disponibles, se concentraron en un pequeño conjunto de indicadores relacionados con el oxígeno: oxígeno disuelto, demanda bioquímica de oxígeno, demanda química de oxígeno y temperatura del agua. Estas medidas capturan cuánto oxígeno hay en el agua, con qué rapidez se consume por la contaminación orgánica y química, y cómo la temperatura acelera o frena estos procesos. El modelo fue entrenado para predecir un nuevo índice de calidad del agua basado en el oxígeno, WQIOIs, que refleja las puntuaciones tradicionales del WQI pero se impulsa principalmente por estas señales nucleares de oxígeno.

Comprobando exactitud, generalidad y confianza

El equipo planteó entonces tres preguntas clave: ¿qué tan preciso es el modelo, qué tan general es y podemos entender sus decisiones? Primero, demostraron que el modelo predice los WQIOIs de manera extremadamente precisa, con más del 95% de la variación explicada y errores medios muy pequeños. Segundo, al probarse en ríos que nunca había “visto” durante el entrenamiento, el modelo aún coincidió estrechamente con un índice convencional más complejo que usa muchas medidas adicionales. Esto sugiere que unos pocos indicadores de oxígeno escogidos con cuidado pueden sustituir a un análisis de laboratorio completo. Tercero, los autores emplearon un método de interpretabilidad llamado SHAP para asomarse a la lógica interna del modelo. El análisis confirmó que un alto oxígeno disuelto aumenta fuertemente la puntuación de calidad, mientras que la alta temperatura y la intensa contaminación orgánica la reducen, reflejando el entendimiento ecológico bien establecido en lugar de rarezas ocultas en los datos.

De los números a alertas en tiempo real

Más allá de las pruebas técnicas, el estudio explora cómo podría funcionar esta herramienta en la práctica. Al agrupar las condiciones fluviales en categorías como «Frío y Saludable» o «Caliente y Agotado de Oxígeno», los gestores pueden ver cuándo un río entra en un estado de riesgo, por ejemplo durante los caudales bajos de verano cuando el agua cálida retiene menos oxígeno. El modelo también prioriza muestras de modo que un pequeño número de lecturas puede señalar la mayoría de los sitios realmente afectados, algo vital cuando los presupuestos y el personal son limitados. Dado que las mediciones requeridas son baratas y ampliamente disponibles, el mismo marco puede integrarse en paneles sencillos o sistemas de alerta temprana en muchas regiones, incluidas aquellas con capacidad de laboratorio limitada.

Qué significa esto para los ríos y la gente

En términos cotidianos, el estudio muestra que podemos evaluar la salud de un río con gran precisión observando cómo respira. Un conjunto compacto de pruebas relacionadas con el oxígeno, interpretadas mediante un modelo de aprendizaje automático cuidadosamente entrenado, puede igualar el desempeño de esquemas de monitoreo mucho más complicados y costosos. Eso implica un seguimiento de la contaminación más rápido y asequible, una mejor programación de inspecciones y labores de limpieza, y una comunicación más clara al público sobre cuándo un río es seguro para peces, agricultura o recreación. A medida que modelos similares se difundan y adapten a otras regiones, podrían convertirse en la columna vertebral de la protección fluvial basada en datos y en tiempo real en todo el mundo.

Cita: Arzhangi, A., Partani, S. Water quality index prediction via a robust machine learning model using oxygen-related indices for river water quality monitoring. Sci Rep 16, 6102 (2026). https://doi.org/10.1038/s41598-026-36156-3

Palabras clave: calidad del agua de ríos, oxígeno disuelto, índice de calidad del agua, aprendizaje automático, monitoreo ambiental