Detección pixel a pixel mediante teledetección y aprendizaje automático explicable para la exploración de hidrógeno natural en la parte sureste de la Cuenca Precaspiana, oeste de Kazajistán

Por qué importa el hidrógeno oculto

El hidrógeno suele presentarse como un combustible limpio del futuro, pero la mayor parte se produce hoy con un coste energético y económico considerable. Hay, no obstante, una historia más discreta que ocurre bajo nuestros pies: la Tierra podría estar generando de forma natural grandes cantidades de gas hidrógeno. Este artículo explora cómo los científicos pueden detectar desde el espacio pistas superficiales sutiles y usar inteligencia artificial transparente y explicable para acotar dónde podría ocultarse hidrógeno natural en las rocas del oeste de Kazajistán.

Una nueva clase de búsqueda de tesoros energéticos

A diferencia del petróleo y el gas, el hidrógeno natural es ligero, se filtra con facilidad y deja solo huellas superficiales débiles. Herramientas clásicas como los sondeos sísmicos o las medidas gravimétricas tienen dificultades para detectarlo directamente. Sin embargo, en varias regiones del mundo el hidrógeno se ha vinculado a ciertos tipos de roca, fallas profundas y extrañas depresiones superficiales redondeadas apodadas «círculos de hadas». La Cuenca Precaspiana del oeste de Kazajistán ya alberga gigantescos yacimientos petrolíferos, gruesas capas de sal que actúan como buenos sellos y tipos de roca conocidos por generar hidrógeno. Esa receta geológica sugiere que la zona también podría almacenar bolsillos de hidrógeno producido naturalmente, si conseguimos aprender a localizarlos de forma eficiente y económica.

Ver gas invisible desde el espacio

Los investigadores recurrieron a los satélites Sentinel-2 de la Agencia Espacial Europea, que registran la luz solar reflejada por la Tierra en varios colores, incluidos longitudes de onda sensibles a la vegetación, la humedad del suelo y los minerales superficiales. Cada imagen satelital está compuesta por pequeños cuadrados, o píxeles, de 10 metros de lado; más o menos el tamaño de un pequeño solar. Para cada píxel en la región de Atyrau, en el oeste de Kazajistán, el equipo calculó un conjunto de características numéricas: bandas de color crudas, índices simples que señalan la salud de la vegetación y el agua superficial, y medidas de textura que capturan cuán rugoso o uniforme aparece el terreno. Estos ingredientes formaron una descripción de 22 variables de las condiciones superficiales de cada píxel, sin necesidad de perforaciones ni muestreos locales.

Enseñar a las máquinas a reconocer patrones sutiles

Para conectar esas firmas superficiales con posibles emanaciones de hidrógeno, el equipo empleó cuatro métodos de aprendizaje automático bien conocidos que destacan en tareas de clasificación. Entrenaron estos modelos con millones de píxeles etiquetados por expertos como probablemente relacionados con hidrógeno o no, basándose en sondeos de campo previos e información geológica. En lugar de dar una respuesta dicotómica para cada píxel, los modelos generaron una probabilidad de presencia de hidrógeno. Se aplicó un umbral estricto para que solo se señalasen píxeles con alta confianza. Para aumentar la fiabilidad, los investigadores conservaron únicamente las ubicaciones donde al menos tres de los cuatro modelos coincidían y luego agruparon píxeles vecinos en conglomerados que podrían representar zonas susceptibles reales de hidrógeno en lugar de puntos aislados de ruido.

Abrir la «caja negra» de la inteligencia artificial

Una de las principales preocupaciones con el aprendizaje automático en geociencias es la confianza: si un modelo indica «este lugar parece prometedor», los expertos quieren saber por qué. Por ello, el estudio incorporó explicabilidad directamente en el flujo de trabajo. Usando una técnica llamada SHAP, los autores cuantificaron cuánto cada característica espectral empujaba a un píxel hacia o en contra de una predicción de hidrógeno. A través de los distintos modelos surgieron patrones similares. Las bandas en el infrarrojo cercano y el infrarrojo de onda corta —sensibles al estrés de la vegetación, costras minerales secas y superficies ricas en sal— fueron consistentemente las más influyentes. Cuando estos mapas de importancia de características se superpusieron a secciones geológicas y fallas conocidas, muchas regiones de alta puntuación coincidían con vías de migración plausibles y anomalías superficiales, aportando credibilidad física a las decisiones de la máquina.

De la detección general a la presencia en campo

Los mapas resultantes no son una prueba directa de reservorios ocultos de hidrógeno, pero constituyen una potente herramienta de cribado. Los modelos tienden a ser generosos al señalar sitios potenciales, capturando la mayoría de los píxeles que parecen asociados al hidrógeno pero generando también numerosas falsas alarmas. Para la exploración en fases tempranas, este compromiso es aceptable: el objetivo es reducir una vasta región fronteriza a un conjunto manejable de objetivos para campañas de campo. En Atyrau, el enfoque destaca un puñado de conglomerados coherentes, algunos alineados con fallas profundas y «ventanas» de sal, donde el gas podría ascender plausiblemente desde el subsuelo. Al combinar datos satelitales, aprendizaje automático pixel a pixel y explicaciones claras de qué impulsa cada predicción, el estudio ofrece una hoja de ruta interpretable y de bajo coste para prospectar hidrógeno natural en Kazajistán y otras cuencas poco exploradas del mundo.

Cita: Wayo, D.D.K., Goliatt, L., Hazlett, R. et al. Integrated pixel-wise remote sensing and explainable machine learning for natural hydrogen exploration in southeastern part of Pricaspian Basin, Western Kazakhstan. Sci Rep 16, 11085 (2026). https://doi.org/10.1038/s41598-026-41845-0

Palabras clave: hidrógeno natural, teledetección, aprendizaje automático, Kazajistán, exploración energética