Descodificar el agua
Desde el deshielo de los glaciares hasta las pautas de las precipitaciones y las tasas de evaporación, los especialistas del OIEA en hidrología isotópica recopilan, analizan y comparten datos para comprender mejor las fuentes, la historia y el movimiento de las aguas. Nuevas herramientas y métodos permiten a los investigadores analizar los datos sobre el agua con mayor precisión que nunca, lo cual genera información crítica para la gestión eficaz de los recursos hídricos, la elaboración de modelos climáticos y la formulación de políticas ambientales.
“Los datos sobre el agua conforman la espina dorsal de las políticas acertadas y las inversiones fundamentadas”, sostiene Celeste Saulo, Secretaria General de la Organización Meteorológica Mundial. “Sin datos, estamos ciegos. Los sistemas de alerta temprana de inundación y sequía, así como el diseño de infraestructuras hídricas como embalses, planes de riego y sistemas de drenaje, dependen de los datos. La hidrología isotópica añade una perspectiva singular en la medida en que rastrea las fuentes de agua y las rutas de flujo para ayudarnos a gestionar de forma sostenible los recursos hídricos compartidos”.
Inteligencia artificial
A medida que se amplían las redes mundiales de datos sobre el agua, la hidrología isotópica se adentra con rapidez en el terreno de los macrodatos. Los modelos de inteligencia artificial (IA) y aprendizaje automático revelan nuevas dimensiones de la investigación sobre el agua que mejoran las previsiones y colman lagunas de datos.
En un estudio del OIEA que se servía de la IA para analizar datos isotópicos de 1257 lagos de 91 países se demostró que la evaporación consume cerca del 20 % del agua que entra en ellos y que en cerca del 10 % de los casos los lagos presentan un grado extremo de pérdida por evaporación que supera el 40 % de la entrada total. Ello supone que muchos lagos no pueden contrarrestar la evaporación, con lo cual están en peligro de desaparecer con el paso del tiempo. “Nos servimos de la inteligencia artificial para determinar los principales factores causantes de evaporación”, afirma Yuliya Vystavna, especialista del OIEA en hidrología isotópica y primera autora del estudio. “Dependiendo del tipo de clima (tropical, árido, templado, continental o frío), la evaporación se debe a distintos factores”. El estudio se sirvió de modelos de IA para determinar qué lagos corrían mayor peligro de desaparecer.
En otro estudio del OIEA se emplearon modelos de aprendizaje automático para identificar los factores que determinan la dinámica del agua y calcular la “fracción de agua joven” (agua que tiene menos de tres meses de edad) en 45 cuencas fluviales de todo el mundo. La fracción de agua joven indica la manera en la que el agua se almacena y se libera en el medio ambiente, lo cual revela las pautas de retención y flujo. De ese modo puede comprenderse mejor la reacción de los ríos a las variaciones meteorológicas y de las tierras, lo cual permite a las comunidades prepararse mejor para las inundaciones y las sequías y gestionar sus recursos hídricos con mayor eficacia. “Comprendiendo esta dinámica podemos adaptarnos mejor a los desafíos derivados de las variaciones climáticas y la evolución de las pautas de uso de las tierras velando por que los ríos no dejen de prestar servicios esenciales a los ecosistemas y las sociedades humanas”, sostiene Tzanka Kokalova-Wheldon, Directora de la División de Ciencias Físicas y Químicas del OIEA.
Los expertos creen que el uso de IA y del aprendizaje automático para analizar datos sobre el agua puede contribuir a mejorar considerablemente los procesos de adopción de decisiones y gestión sostenible de los recursos hídricos. Para promover esta iniciativa, el OIEA, la Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura y el Centro Internacional de Física Teórica elaboraron recientemente un marco para la integración de la IA con los datos hidrológicos e isotópicos.
Niveles actuales de tritio en la precipitación. La sigla TU se refiere a la actividad de tritio expresada en unidades de tritio. (Gráfico: OIEA)
Cartografía de alta resolución de la presencia de tritio
El tritio, isótopo radiactivo natural del hidrógeno que está presente en el agua y tiene un período de semidesintegración de unos 12,3 años, es valioso para detectar las aguas subterráneas repuestas recientemente y determinar su vulnerabilidad a la contaminación. Cartografiando la aparición de esta forma de hidrógeno rastreable en la lluvia y la nieve, los investigadores pueden obtener información sobre los movimientos y fuentes de agua recientes. Partiendo de datos recopilados durante el último decenio, el OIEA ha elaborado mapas de la distribución de tritio en la precipitación para optimizar el muestreo, determinar los déficits de datos atmosféricos y facilitar la investigación sobre la vulnerabilidad de los acuíferos.
Los científicos utilizan los mapas para comparar los niveles de tritio en la precipitación y las aguas subterráneas a fin de determinar la velocidad a la que la precipitación llega a los acuíferos e interactúa con ellos. La coincidencia de la cantidad de tritio presente en las aguas subterráneas con la presente en las precipitaciones puede ser señal de una recarga rápida, lo cual supone que el abastecimiento del acuífero es bueno, aunque también vulnerable a la contaminación, pues es fácil que los contaminantes sigan el mismo camino. El hecho de que la cantidad de tritio presente en las aguas subterráneas sea muy inferior a la presente en la precipitación local puede ser indicio de que el agua ha permanecido almacenada de forma segura bajo tierra y protegida de la contaminación durante decenios o períodos más extensos.
Espectrometría láser con óxido nitroso
La espectrometría láser con óxido nitroso es una nueva técnica que permite medir con gran precisión isótopos relacionados con los ciclos del nitrógeno (el paso del nitrógeno por el aire, el suelo, el agua y los organismos), gracias a lo cual pueden rastrearse las fuentes de contaminación. En vista de que distintas fuentes de nitrógeno (como la quema de combustibles fósiles, las emisiones agrícolas y los procesos naturales) tienen firmas isotópicas diversas, los científicos pueden detectar las fuentes de contaminación antropogénicas y naturales y distinguir entre ellas. En la India, por ejemplo, donde el uso de fertilizantes se ha triplicado en los últimos 30 años, científicos del OIEA utilizaron la técnica para estudiar los efectos de la agricultura en los sistemas hídricos. Según sus constataciones, la contaminación por nitrato se dispara en la temporada de monzones, cuando las lluvias intensas arrastran fertilizantes hasta los ríos y lagos, con lo cual empeora la calidad del agua. Rastreando los isótopos, los científicos pueden detectar las fuentes de esta contaminación, lo cual puede alentar a los agricultores y los gobiernos a adoptar prácticas más limpias para mejorar la calidad del agua y del aire.
A medida que prosigue el avance de las capacidades tecnológicas y los métodos de recopilación de datos, el OIEA se afana por explorar nuevas herramientas y enfoques en materia de análisis de los datos sobre el agua con fines de elaboración de estrategias de gestión sostenible de los recursos hídricos. “Combinando la tecnología puntera con decenios de recopilación de datos sobre el agua en todo el mundo, no estudiamos el agua sin más, sino que habilitamos a los países para que adopten decisiones fundamentadas sobre su recurso más precioso”, afirma Stefan Terzer-Wassmuth, experto del OIEA en datos geoespaciales [1].
Aplicaciones de la IA en la Predicción de la Calidad del Agua
La calidad del agua subterránea es un factor crucial para la salud humana, los ecosistemas y las actividades económicas. La IA puede utilizarse para predecir la calidad del agua subterránea a partir de datos históricos, información geológica y variables ambientales. Algunos ejemplos de aplicaciones incluyen:
Predicción de la concentración de contaminantes: Las Redes Neuronales Artificiales (RNAs) y las Máquinas de Vectores de Soporte (SVMs) pueden utilizarse para predecir la concentración de contaminantes en el agua subterránea, como nitratos, pesticidas y metales pesados, lo que permite la identificación de zonas de riesgo y la implementación de medidas de mitigación.
Evaluación del riesgo de contaminación: La IA puede ayudar a evaluar el riesgo de contaminación de acuíferos a partir de datos del uso del suelo, la presencia de actividades industriales y la vulnerabilidad del acuífero.
Aplicaciones de la IA en la Optimización de la Gestión de Recursos Hídricos
La gestión sostenible de los recursos hídricos es un desafío crucial en un mundo con una creciente demanda de agua. La IA puede ayudar a optimizar la gestión de los acuíferos mediante:
Optimización del bombeo: Los Algoritmos Genéticos (AGs) y las RNAs pueden utilizarse para optimizar las estrategias de bombeo de agua subterránea, maximizando la extracción de agua sin comprometer la sostenibilidad del acuífero.
Gestión de la recarga artificial: La IA puede ayudar a gestionar la recarga artificial de acuíferos, optimizando la ubicación y el diseño de las instalaciones de recarga para maximizar la eficiencia del proceso.
Ventajas, Limitaciones y Desafíos de la IA en Hidrogeología
Ventajas
Capacidad para analizar grandes conjuntos de datos: La IA puede procesar y analizar grandes volúmenes de datos de diversas fuentes, lo que permite una comprensión más completa de los sistemas hidrogeológicos.
Identificación de patrones complejos: Los algoritmos de IA pueden identificar patrones y relaciones complejas que no son evidentes mediante métodos tradicionales.
Realización de predicciones precisas: La IA puede realizar predicciones precisas de variables hidrogeológicas, lo que facilita la toma de decisiones en la gestión de recursos hídricos.
Limitaciones
Dependencia de la calidad de los datos: La precisión de las predicciones de la IA depende de la calidad de los datos de entrenamiento. Datos incompletos o erróneos pueden llevar a resultados inexactos.
Interpretación de los resultados: La interpretación de los resultados de los modelos de IA puede ser compleja, requiriendo un conocimiento profundo de los algoritmos utilizados y de los procesos hidrogeológicos.
Desafíos
Disponibilidad de datos: La disponibilidad de datos de alta calidad es un desafío en muchas regiones. Es necesario invertir en la recopilación de datos y en el desarrollo de bases de datos hidrogeológicas completas.
Desarrollo de modelos robustos: El desarrollo de modelos de IA robustos y generalizables requiere un conocimiento profundo de los procesos hidrogeológicos y la selección adecuada de los algoritmos de aprendizaje automático.
Perspectivas Futuras
La IA tiene un futuro prometedor en hidrogeología. Se espera que los avances en la IA, como el aprendizaje profundo y la IA explicable, impulsen nuevas aplicaciones en este campo. Algunas áreas de desarrollo futuro incluyen:
Integración de la IA con modelos numéricos: La integración de la IA con modelos numéricos tradicionales puede mejorar la precisión y la eficiencia de las simulaciones hidrogeológicas.
Desarrollo de sistemas de alerta temprana: La IA puede utilizarse para desarrollar sistemas de alerta temprana para la predicción de sequías, inundaciones y contaminación del agua subterránea.
Aplicaciones de la IA en la gestión de aguas residuales: La IA puede utilizarse para optimizar el tratamiento de aguas residuales y la reutilización del agua [2].
[1]https://www.iaea.org/es/bulletin/descodificar-el-agua
[2]https://centrogeotecnico.com/blog-geotecnia-geomecanica/aplicaciones-de-la-inteligencia-artificial-en-hidrogeologia.
