Un marco acoplado de reducción-reconstrucción espacial y LSTM (SRR-LSTM) para la predicción del nivel freático en grandes distritos de riego

Por qué a agricultores y ciudades les debería importar el agua oculta

En muchas regiones áridas, el agua que mantiene los cultivos y los grifos no proviene de ríos o embalses visibles, sino de vastas reservas subterráneas llamadas acuíferos. A medida que se expande el riego y se intensifican las sequías, estos depósitos ocultos se están agotando más rápido de lo que se recargan. Gestionarlos con prudencia exige herramientas que puedan predecir cómo cambiarán los niveles de agua subterránea a lo largo de grandes distritos agrícolas, mes a mes y parcela a parcela, sin necesitar superordenadores ni décadas de mediciones. Este estudio presenta una nueva forma de hacer exactamente eso para un importante distrito de riego en el noreste de China.

Un paisaje sediento bajo presión

La investigación se centra en el Distrito de Riego Taobei, una región agrícola de 1.904 kilómetros cuadrados en las llanuras de la cuenca del río Tao’er. La zona tiene un clima semiárido: la mayor parte de sus modestos aportes de lluvia llega en apenas unos meses de verano, mientras que la evaporación es alta. Desde principios de los años noventa, la superficie regada—especialmente los arrozales, muy demandantes de agua—se ha expandido de forma drástica, justo cuando una serie de años secos redujeron los caudales fluviales. Como resultado, el agua subterránea en ocasiones ha suministrado más del 90 por ciento del agua de riego. La consecuencia es un amplio y profundo “cono” de descenso del nivel freático centrado en los arrozales, con niveles piezométricos ahora más de 7–10 metros por debajo de décadas pasadas e incluso por debajo del lecho del río, invirtiendo el intercambio natural río–acuífero y estresando los ecosistemas locales.

De la física lenta a modelos inteligentes más rápidos

Los científicos llevan tiempo usando modelos informáticos basados en la física, como MODFLOW, para simular el comportamiento de las aguas subterráneas. Estos modelos resuelven las ecuaciones que describen cómo se mueve el agua en el subsuelo, celda de malla por celda de malla. Son precisos pero lentos, sobre todo al explorar muchas combinaciones de clima, caudal fluvial y políticas de bombeo. Los modelos de aprendizaje automático y profundo pueden ser mucho más rápidos, pero intentos previos a menudo trataban una región completa con un único modelo o se basaban en apenas unos pozos, lo que dificulta captar cómo se comporta de forma distinta el agua subterránea cerca de ríos, bajo ciudades o debajo de distintos cultivos. El reto es conservar suficiente realismo físico y detalle espacial mientras se reduce el tiempo de cálculo a algo útil para la gestión real.

Una forma inteligente de agrupar el territorio

Los autores proponen un marco de “reducción–reconstrucción espacial”, abreviado SRR-LSTM, que combina un método clásico de agrupamiento con una red de aprendizaje profundo moderna. Primero, ejecutan un modelo superficie–subsuelo detallado existente (SWAT-MODFLOW) bajo 16 escenarios que mezclan diferentes futuros climáticos e intensidades de bombeo, generando largas series históricas de niveles freáticos para cada cuadrícula de 1 kilómetro en el distrito. A continuación, agrupan las cuadrículas en clústeres con rasgos similares—como uso del suelo, elevación, espesor del acuífero y la amplitud de las fluctuaciones del nivel freático—usando un método llamado K-means. Para cada clúster seleccionan una cuadrícula “de control” representativa y entrenan una red neuronal Long Short-Term Memory (LSTM) para predecir el nivel freático de esa cuadrícula a partir de la lluvia mensual, la evapotranspiración, el caudal del río, el bombeo y el nivel del mes anterior.

Reconstruir un mapa detallado a partir de unos pocos modelos inteligentes

Una vez entrenados estos modelos de las cuadrículas de control, el marco prueba qué tan bien predice cada modelo los niveles freáticos en todas las cuadrículas del distrito, construyendo un mapa de precisión. Cada cuadrícula se asigna entonces al modelo que mejor la predice, y se añaden más cuadrículas de control donde la precisión es baja, por ejemplo en el borde exterior del cono de abatimiento y cerca del río. Esta reasignación “guiada por la precisión” talla efectivamente el distrito en zonas donde un modelo compartido funciona bien. En la configuración final, nueve modelos LSTM trabajando en paralelo pueden reproducir el mapa freático de alta resolución cada mes. En comparación con tres esquemas alternativos y con el modelo físico detallado, SRR-LSTM alcanza puntuaciones de Eficiencia de Nash–Sutcliffe por encima de 0,9 para el 96 por ciento de las cuadrículas—mucho más que el rango de 11–49 por ciento de los esquemas más simples—mientras reduce el tiempo de cálculo en alrededor de un 80 por ciento.

Ver qué fuerzas importan más

Para abrir la caja negra del aprendizaje profundo, el equipo utiliza una herramienta de explicación llamada SHAP, que revela cuánto contribuye cada entrada—lluvia, bombeo, caudal del río, etc.—a las predicciones en distintos lugares. En el corazón del área de riego, el bombeo intensivo pesa más que la lluvia en la conformación de las tendencias freáticas, explicando la persistencia y expansión del cono de abatimiento bajo los arrozales. En contraste, en las tierras de cultivo aguas arriba y más alejadas del cono, la lluvia desempeña un papel mayor. El caudal del río muestra un impacto positivo fuerte cerca del cauce, especialmente aguas arriba: cuando los caudales superan ciertos umbrales, la filtración desde el río aporta recarga apreciable al acuífero. Sin embargo, este beneficio se nivela con caudales altos, y en los tramos aguas abajo los caudales debilitados limitan el potencial de recarga. El análisis también muestra que cuando el bombeo es intenso, un mismo caudal fluvial produce más recarga porque el nivel freático está más bajo, acentuando el gradiente desde el río hacia el acuífero.

Qué implica esto para gestionar el agua oculta

Para el público no especializado, el mensaje principal es que ahora podemos predecir los cambios del agua subterránea en grandes regiones agrícolas con detalle espacial fino y velocidad práctica, incluso bajo muchos climas futuros y políticas de bombeo posibles. Al agrupar áreas que se comportan de forma similar y dotar a cada grupo de su propio modelo de aprendizaje profundo a medida, el marco SRR-LSTM preserva las diferencias locales que importan para la gestión—como dónde reducir el bombeo tendrá el mayor efecto, o cuánta agua adicional del río se necesita antes de que la recarga realmente comience. Al mismo tiempo, herramientas como SHAP convierten las redes neuronales complejas en ayudas a la decisión que aclaran qué palancas—la lluvia, las operaciones del río o la extracción subterránea—controlan con más fuerza los niveles freáticos en cada parte del paisaje. En conjunto, estos avances pueden ayudar a los distritos de riego a diseñar estrategias más dirigidas y sostenibles para proteger el agua invisible que sustenta la producción de alimentos y los medios de vida rurales.

Cita: Wei, H., Wei, G., Yu, B. et al. A coupled spatial reduction-reconstruction and LSTM framework (SRR-LSTM) for groundwater level prediction in large irrigation districts. Sci Rep 16, 7450 (2026). https://doi.org/10.1038/s41598-026-37618-4

Palabras clave: aguas subterráneas, riego, aprendizaje automático, LSTM, gestión del agua