Enfoques geoquímicos y de aprendizaje automático para la predicción de flúor en aguas subterráneas en el Distrito de Karaga, norte de Ghana

Por qué esto importa para el agua potable cotidiana

En muchas comunidades rurales, el vaso de agua más claro de un pozo puede contener silenciosamente suficiente flúor como para dañar los dientes, debilitar los huesos y perjudicar la salud a largo plazo. Este estudio se centra en el Distrito de Karaga, en el norte de Ghana, un lugar donde los niños a menudo dependen del agua subterránea para cada bebida. Los investigadores se propusieron responder dos preguntas urgentes: ¿dónde es más peligroso el flúor en las aguas subterráneas, y podemos predecir esos puntos críticos usando mediciones de campo sencillas y herramientas modernas de datos?

Química oculta bajo un paisaje seco

Karaga se asienta sobre gruesas capas de areniscas y lutitas antiguas que actúan como grandes esponjas, almacenando el agua de lluvia bajo tierra. Estas rocas también contienen minerales portadores de flúor. A medida que el agua se infiltra lentamente, disuelve partes de la roca y va incorporando flúor en el proceso. El equipo recogió 34 muestras de aguas subterráneas de perforaciones comunitarias y las combinó con 152 muestras más antiguas de distritos cercanos. Encontraron que los niveles de flúor iban desde muy bajos hasta más de cuatro veces el límite seguro de la Organización Mundial de la Salud, con aproximadamente una de cada seis muestras superando esa guía. La mayor parte del agua pertenecía a un tipo “blando, salado” rico en sodio y bicarbonato, pero los peores niveles de flúor aparecieron donde el agua era a la vez salina y rica en cloruro, lo que apunta a una concentración adicional por evaporación y disolución de minerales salinos.

Cómo la mezcla roca‑agua aumenta el flúor

Mediante análisis químicos detallados y modelos informáticos, los investigadores trazaron cómo distintos componentes del agua actúan conjuntamente para liberar flúor de las rocas. Un pH alto (agua más alcalina), calcio bajo y una mayor concentración de sólidos disueltos totales favorecen que el flúor permanezca en solución en lugar de quedar atrapado en minerales. Todas las muestras mostraron tendencia química a disolver el mineral fluorita, confirmando que el ambiente subterráneo está predispuesto a liberar flúor. Los patrones en los datos indicaron que las aguas ricas en sodio y salinas —especialmente las influenciadas por capas de evaporitas— tienden a eliminar calcio y aumentar el contenido mineral total, creando condiciones ideales para que el flúor se acumule a lo largo de largos recorridos subterráneos.

Dejar que los datos aprendan las condiciones de riesgo

Dado que la química es compleja y no lineal, el equipo recurrió al aprendizaje automático —métodos informáticos que aprenden patrones a partir de datos— para predecir los niveles de flúor sin introducir directamente las mediciones de flúor. En su lugar, usaron únicamente entradas “a ciegas al flúor” como pH, conductividad eléctrica, iones principales y salidas seleccionadas de modelos geoquímicos. Tras probar varios algoritmos, un modelo basado en redes neuronales fue el que mejor funcionó, explicando una parte considerable de la variación en el flúor. En todos los modelos emergió el mismo mensaje: la salinidad global (sólidos disueltos totales e intensidad iónica) y el pH importaban más que cualquier ion individual. En otras palabras, la “fuerza” general y la alcalinidad del agua son pistas mejores para el peligro por flúor que los valores crudos de sodio o calcio por sí solos.

Un marcador simple para el cribado de campo

A partir de estas ideas, los investigadores construyeron un “Índice de Movilidad”: una puntuación única que estima qué tan propensa es una muestra de agua a movilizar flúor, nuevamente sin usar ninguna medida de flúor en su construcción. El índice combina cuatro componentes: una señal de meteorización de la roca, la distancia del agua a la formación de fluorita, el pH y cuán activo sería el flúor si estuviera presente. Cada componente se escala y pondera de modo que las puntuaciones altas indiquen mayor probabilidad de flúor inseguro. Al contrastarlo con datos reales de flúor, este índice hizo un excelente trabajo separando pozos seguros de los inseguros. De manera crucial, puede calcularse con mediciones estándar de campo y análisis rutinarios de laboratorio, lo que lo hace realista para los responsables del agua a nivel distrital y para grupos comunitarios.

Qué significa esto para las comunidades y la política

Para los habitantes de Karaga y regiones similares, el estudio muestra que los niveles peligrosos de flúor no son aleatorios; están vinculados a tipos de roca identificables, aguas salinas y alcalinas y ciertos patrones de química del agua. Al combinar la hidrogeología clásica con el aprendizaje automático moderno, los autores ofrecen una herramienta práctica de alerta temprana que puede señalar pozos de alto riesgo antes de que las personas enfermen. Las autoridades locales pueden priorizar pruebas y tratamientos en las comunidades cuyas aguas obtengan las puntuaciones más altas en el Índice de Movilidad, mezclar fuentes más seguras cuando sea posible y elegir métodos de defluoridación que se ajusten a la química local. Más allá de Ghana, el mismo marco puede adaptarse a otras regiones propensas al flúor, ayudando a convertir la química subterránea invisible en orientaciones prácticas para un agua potable segura.

Cita: Sunkari, E.D., Abdul-Wahab, D., Gutiérrez, M. et al. Geochemical and machine learning approaches to groundwater fluoride prediction in Karaga District, Northern Ghana. Sci Rep 16, 10610 (2026). https://doi.org/10.1038/s41598-026-45867-6

Palabras clave: flúor en aguas subterráneas, Distrito de Karaga Ghana, aprendizaje automático, modelado geoquímico, riesgo para el agua potable