Predicción de cambios en el nivel freático mediante técnicas de aprendizaje automático en el área de Tazerbo, cuenca de Al Kufra, sureste de Libia

Por qué importa el agua subterránea futura aquí

En algunas de las zonas más áridas del planeta, el agua subterránea es lo único que mantiene en funcionamiento a las granjas, poblaciones e industrias. En el sureste de Libia, enormes campos de pozos extraen un acuífero profundo del desierto para mandar agua hacia el norte, a las ciudades costeras. Este artículo explica cómo los científicos utilizaron herramientas informáticas modernas para mirar hacia adelante y evaluar cómo podrían cambiar estas reservas ocultas durante las próximas dos décadas bajo distintos planes de bombeo, ayudando a los responsables a evitar escaseces y daños al terreno.

El acuífero del desierto tras la arteria hídrica de Libia

El estudio se centra en el campo de pozos de Tazerbo en la cuenca de Al Kufra, una de las fuentes clave para el Proyecto del Río Artificial de Libia, que conduce aguas fósiles del Sahara hasta ciudades distantes. La región recibe muy poca lluvia y sufre calor extremo, por lo que el profundo Acuífero de Areniscas Nubianas actúa como una cuenta bancaria de agua antigua. Desde que comenzó el bombeo a gran escala en 2004, más de un centenar de pozos de producción han extraído en ocasiones hasta aproximadamente un millón de metros cúbicos de agua por día. Este uso intensivo ya ha rebajado los niveles freáticos hasta 16 metros en partes del campo y ha contribuido a la subsidencia del terreno, lo que genera preocupación sobre cuánto podrá mantenerse este suministro.

Convertir los registros de pozos en un problema de aprendizaje

Para explorar el futuro del acuífero, los investigadores recopilaron veinte años de mediciones anuales de nivel freático de catorce pozos de monitoreo alrededor de Tazerbo, junto con registros de cuánto agua se bombeó cada día. También reunieron información básica sobre los pozos y el acuífero, como el espesor de las rocas y la facilidad con la que el agua se mueve a través de ellas. En lugar de intentar modelar cada detalle físico del flujo subterráneo, trataron el problema como una serie temporal: ¿cómo responde el nivel de agua en un pozo, a lo largo del tiempo, a niveles pasados y a cambios en el bombeo? Este planteamiento encaja bien con métodos de aprendizaje automático capaces de descubrir patrones en los datos sin necesitar que se especifique de antemano cada proceso físico.

Cómo la máquina aprende a anticipar

El equipo probó varias herramientas estadísticas avanzadas y de aprendizaje automático, incluyendo tipos de regresión por procesos Gaussianos y una red neuronal recurrente llamada Long Short-Term Memory. Evaluaron qué tan bien cada método podía reproducir niveles de agua conocidos usando métricas estándar como la concordancia entre valores predichos y observados y el tamaño de los errores habituales. La ganadora fue un tipo especial de red neuronal para series temporales conocida como modelo autorregresivo no lineal con variables exógenas, o NARX, que incorpora tanto niveles de agua pasados como volúmenes de bombeo. Con una estructura relativamente sencilla, esta red consiguió ajustar la historia de los catorce pozos con gran precisión. Un análisis de sensibilidad detallado mostró que el modelo utilizó distintas combinaciones de entradas en diferentes pozos, lo que sugiere que capturaba patrones causales relevantes en lugar de limitarse a memorizar los datos.

Dos futuros diferentes para un mismo acuífero

Una vez entrenado y validado, el modelo NARX se empleó para proyectar hasta 2030 y 2040 bajo dos planes de bombeo. En el primer plan se mantiene la tasa de extracción reducida actual, de unos 255.000 metros cúbicos por día. En ese caso, el modelo proyecta un descenso adicional relativamente moderado, principalmente en la parte norte del campo: alrededor de 2 metros de descenso extra para 2030 respecto a 2024, y aproximadamente otros 1,6 metros para 2040. Algunos pozos del sur podrían incluso mostrar una ligera recuperación, probablemente reflejando la estructura local del acuífero. En marcado contraste, el segundo plan supone un aumento del bombeo hasta 400.000 metros cúbicos por día.

Qué significan los resultados para los gestores del agua

Bajo el plan de bombeo más elevado, el modelo predice descensos muy grandes en los niveles freáticos, que superan los 50 metros en las partes sureste y suroeste del campo de pozos hacia 2030 y permanecen fuertemente deprimidos en 2040. La experiencia previa en Tazerbo ya muestra que el bombeo agresivo puede desencadenar caídas bruscas, que en parte son reversibles cuando se reduce la extracción. Las nuevas previsiones apoyan este panorama y subrayan lo sensible que es el acuífero al uso prolongado excesivo. Para un lector no especializado, el mensaje es claro: mantener las extracciones más cercanas a los niveles reducidos actuales ayuda a alargar la vida de esta reserva finita de agua durante más años, mientras que volver a aumentar el bombeo arriesga descensos pronunciados, subsidencia y mayor estrés para las comunidades que dependen de esta agua oculta. El estudio muestra que herramientas de aprendizaje automático calibradas con cuidado pueden convertirse en guías prácticas para planificar un uso sostenible del agua en algunas de las regiones con mayor escasez hídrica del mundo.

Cita: El Fallah, O.A., Abou El-Magd, L.M., El Kammar, M.M. et al. Forecasting groundwater level changes using machine learning techniques in Tazerbo area, Al Kufra Basin, southeast Libya. Sci Rep 16, 15383 (2026). https://doi.org/10.1038/s41598-026-37337-w

Palabras clave: predicción de aguas subterráneas, aprendizaje automático, acuífero de Libia, gestión del agua, red neuronal NARX