Identificación del origen de eventos de contaminación súbita del agua en el río Dongliao mediante un marco híbrido de aprendizaje automático

Por qué la contaminación súbita de ríos importa a todos

Cuando un vertido de una fábrica o la rotura de una tubería introduce un pulso de contaminación en un río, las comunidades río abajo pueden tener solo horas para proteger tomas de agua potable y ecosistemas. Saber exactamente de dónde procedió la contaminación, qué intensidad tuvo y cuánto duró es esencial para responsabilizar a los actores adecuados y responder con eficacia. Este estudio se centra en el río Dongliao, en China, y muestra cómo la combinación de simulaciones basadas en la física con aprendizaje automático moderno puede localizar fuentes contaminantes ocultas con rapidez y con una estimación realista de la incertidumbre, incluso cuando los datos de campo son ruidosos o escasos.

Siguiendo un vertido por un río real

Los investigadores examinaron un tramo de casi 30 kilómetros del río Dongliao, bordeado por parques industriales que podrían provocar incidentes de contaminación súbita. Simularon escenarios de emergencia en los que una única descarga breve de contaminantes —medida mediante indicadores comunes de calidad del agua como demanda química de oxígeno, amonio y fósforo— entra al río desde una de las riberas. Se colocaron cinco estaciones de monitorización virtual río abajo para registrar cómo viaja la onda de contaminación y cómo cambia su concentración máxima a lo largo del trayecto. Dado que los accidentes reales son poco frecuentes y a menudo están mal monitorizados, el equipo se apoyó en un modelo informático detallado del flujo del río y del transporte de contaminantes para crear muchos eventos “qué pasaría si” realistas.

Convertir simulaciones pesadas en un sustituto rápido

Los modelos tradicionales de ríos resuelven ecuaciones complejas que describen cómo se mueve el agua y cómo se dispersan y diluyen los contaminantes. Estas herramientas son potentes pero lentas: una sola simulación de alta fidelidad del tramo del Dongliao puede tardar alrededor de una hora, demasiado tiempo para decisiones de emergencia rápidas o para explorar miles de escenarios de vertido posibles. Para superar esto, los autores construyeron un modelo sustituto ligero usando aprendizaje automático. Generaron 180 eventos sintéticos de vertido con el modelo basado en la física y usaron estos datos como entrenamiento para tres algoritmos. Un enfoque de red neuronal conocido como memoria a largo y corto plazo (LSTM) superó claramente a los demás candidatos, reproduciendo con fidelidad las predicciones del modelo original sobre los picos de contaminación en todos los puntos de monitorización y pudiendo ejecutarse casi al instante.

Buscando la fuente oculta

Con el sustituto rápido disponible, el equipo abordó el problema inverso: dados los niveles de contaminación medidos río abajo, ¿podemos inferir dónde ocurrió el vertido y qué intensidad tuvo? Primero usaron una estrategia determinista, que busca una única mejor solución. Aquí, un método de búsqueda inspirado en la naturaleza, basado en los patrones de caza cooperativa de las ballenas jorobadas —el algoritmo de optimización de ballenas— probó muchas combinaciones posibles de ubicación, intensidad y duración de la fuente. Para cada prueba, el sustituto LSTM predijo las concentraciones río abajo, que se compararon con las “observaciones” sintéticas. Esta combinación whale-LSTM superó en general a otros dos métodos de búsqueda populares en precisión y rapidez, reduciendo los errores típicos en parámetros clave de la fuente a solo unos pocos porcentajes bajo condiciones ideales sin ruido.

Incorporar la incertidumbre por el ruido del mundo real

Las mediciones reales nunca son perfectas: los instrumentos cometen errores, las condiciones cambian y los modelos son aproximaciones. Por eso los investigadores desarrollaron un segundo sistema probabilístico que no busca una única respuesta, sino un abanico completo de escenarios de vertido plausibles y la probabilidad de cada uno. Integraron el motor whale-LSTM dentro de un marco bayesiano, que trata las características desconocidas de la fuente como variables con distribuciones de probabilidad. El algoritmo modificado permite que la búsqueda acepte ocasionalmente soluciones algo peores para explorar más ampliamente, y luego utiliza herramientas estadísticas para resumir dónde se concentró la búsqueda. El resultado son curvas de probabilidad para cada parámetro de la fuente, como la distancia desde el límite aguas arriba o la intensidad del contaminante, junto con rangos que recogen los valores más creíbles.

Qué significa esto para la protección de los ríos

Cuando el equipo introdujo ruido de medición similar al que podrían experimentar los sensores de campo, quedaron claras las limitaciones del enfoque determinista: algunos parámetros derivaron lejos de sus valores reales. El método probabilístico, en contraste, se mantuvo estable, manteniendo típicamente los errores por debajo del 7% para la mayoría de las características del vertido y proporcionando rangos de incertidumbre claros alrededor de cada estimación. De manera crucial, todo el análisis probabilístico de un vertido puede completarse en pocos minutos en hardware ordinario. Para los gestores de emergencias, esto significa que pueden inferir rápidamente de dónde procedió probablemente un pulso súbito de contaminante y cuán severo fue, a la vez que ven cuánta confianza cabe asignar a esas inferencias. El marco ofrece un camino práctico hacia sistemas de alerta temprana inteligentes que combinan física, datos y probabilidad para proteger las aguas superficiales.

Cita: Wang, Y., Wang, Y., Shi, P. et al. Source identification of sudden water pollution events in the Dongliao River using a hybrid machine learning framework. Sci Rep 16, 11976 (2026). https://doi.org/10.1038/s41598-026-41724-8

Palabras clave: contaminación de ríos, identificación de la fuente, aprendizaje automático, inversión bayesiana, monitorización de la calidad del agua