Modelado por aprendizaje automático de un índice ambiental no lineal con análisis de sensibilidad para la evaluación de aguas subterráneas

Por qué importa el agua bajo nuestros pies

En muchas zonas áridas del mundo, incluida la región sur de Irán, la población depende del agua subterránea como su principal fuente de agua potable y para riego. Pero este recurso oculto puede volverse lentamente demasiado salino o contaminado sin señales obvias en la superficie. Este estudio analiza el acuífero de Marvdasht, que abastece a una ciudad y a cientos de aldeas, y muestra cómo las herramientas modernas de datos pueden rastrear dónde el agua aún es segura para beber, dónde se está deteriorando y qué componentes del agua son los más relevantes.

Convertir muchas mediciones en una sola puntuación clara

El agua subterránea contiene una mezcla de minerales disueltos y sales, como sodio, calcio, magnesio, cloruro y sulfato. Cada uno de estos afecta la salud y la corrosión de las tuberías de manera diferente, y leer largas tablas de números procedentes de docenas de pozos se vuelve rápidamente abrumador. Para simplificarlo, los investigadores utilizaron un Índice de Calidad del Agua Subterránea (GWQI, por sus siglas en inglés). Este índice combina 11 propiedades del agua que se miden de forma rutinaria en una única puntuación, empleando las directrices de la Organización Mundial de la Salud como referencia. Las puntuaciones bajas indican agua excelente, mientras que las altas señalan agua demasiado salina o de otro modo no apta para el consumo humano.

Lo que revelan los pozos sobre el acuífero

Con datos de 70 pozos recogidos a lo largo de una década, el equipo encontró que gran parte del acuífero de Marvdasht ya está sometido a estrés. Solo alrededor de una cuarta parte de las muestras presentaron niveles bajos de sólidos disueltos totales, una medida del contenido salino global, considerados buenos para el consumo. Todas las muestras se ubicaron en las categorías de agua “dura” o “muy dura”, lo que indica niveles altos de calcio y magnesio. La parte norte del acuífero, recargada por una presa y que discurre por calizas, aún muestra mayormente agua buena a excelente. Sin embargo, a medida que el agua se desplaza hacia el sur, disuelve más sales de rocas ricas en yeso y se mezcla con retornos agrícolas y urbanos, volviéndose sensiblemente más salina y menos apta para uso doméstico.

Encontrar los ingredientes más importantes en el agua

No todos los químicos presentes en el agua subterránea tienen el mismo impacto en su seguridad. El estudio empleó un análisis de sensibilidad para plantear una pregunta sencilla: si se elimina un componente del índice, ¿cuánto cambia la puntuación global? La respuesta fue clara. Los sólidos disueltos totales y la conductividad eléctrica, ambas medidas de salinidad, provocaron los mayores desplazamientos en el índice de calidad del agua subterránea. El cloruro, el sodio y la dureza del agua también fueron factores determinantes. En contraste, propiedades como el potasio y el bicarbonato desempeñaron solo un papel menor. Esto implica que, en este acuífero, el aumento de la salinidad y de iones relacionados son las principales señales de advertencia de que el agua subterránea deja de ser apta para el consumo.

Enseñar a las computadoras a predecir la calidad del agua

Calcular un índice para cada nueva muestra y actualizar mapas detallados manualmente puede ser lento y caro. Para acelerar el proceso, los investigadores entrenaron tres tipos de modelos informáticos —redes neuronales artificiales, máquinas de vectores de soporte y bosques aleatorios— utilizando los datos existentes de química del agua. Una vez entrenados, estos modelos pueden estimar el índice de calidad del agua subterránea directamente a partir de los iones y sales medidos, incluso en ubicaciones o momentos donde el índice aún no se ha calculado. Entre los tres, el modelo de red neuronal destacó: reprodujo el índice con precisión extremadamente alta y error bajo, captando la manera compleja y no lineal en que diferentes químicos se combinan para afectar la calidad global.

Qué significa esto para la población y las políticas

Para residentes y responsables de la toma de decisiones, el mensaje es de doble filo. Por un lado, amplias zonas en las partes sur y sureste del acuífero de Marvdasht ya presentan aguas subterráneas demasiado salinas y duras para un consumo seguro, y la tendencia está estrechamente ligada tanto a la geología local como a las actividades humanas. Por otro lado, el estudio demuestra que, combinando un índice simple y fácil de entender con aprendizaje automático y mapas digitales, es posible monitorizar estos cambios de forma eficiente y localizar las zonas de alto riesgo. En términos prácticos, este enfoque ofrece un sistema de alerta temprana rentable para gestionar pozos, limitar la contaminación y planificar suministros alternativos en regiones áridas donde cada gota de agua limpia cuenta.

Cita: Azma, A., Liu, Y. & Alemu, E.T. Machine learning modelling of a nonlinear environmental index with sensitivity analysis for groundwater assessment. Sci Rep 16, 14595 (2026). https://doi.org/10.1038/s41598-026-44906-6

Palabras clave: calidad del agua subterránea, salinidad del agua, aprendizaje automático, recursos hídricos, monitoreo de acuíferos