Aqualia
Connecting Waterpeople
Aigües Segarra Garrigues
DAM-Aguas
ACCIONA
SCRATS
Saleplas
Minsait
Cibernos
AECID
IAPsolutions
Likitech
EMALSA
s::can Iberia Sistemas de Medición
BELGICAST by TALIS
FENACORE
Insituform
Global Omnium
Smagua
Baseform
Kamstrup
Molecor
ESAMUR
Idrica
ISMedioambiente
Bentley Systems
UNOPS
Red Control
TecnoConverting
ITC Dosing Pumps
Aqualia
VisualNAcert
Ingeteam
Agencia Vasca del Agua
AGENDA 21500
Barmatec
Mancomunidad de los Canales del Taibilla
NaanDanJain Ibérica
Innovyze, an Autodesk company
Regaber
Hidroconta
Aganova
Laboratorios Tecnológicos de Levante
CAF
biv Innova
Fundación Biodiversidad
Miya Water
Fundación Botín
Sacyr Agua
Cajamar Innova
Redexia network
Xylem Water Solutions España
Fundación CONAMA
TEDAGUA
Consorcio de Aguas de Asturias
Terranova
Ulbios
NOVAGRIC
GS Inima Environment
AZUD
FLOVAC
Fundación We Are Water
Rädlinger primus line GmbH
Asociación de Ciencias Ambientales
Isle Utilities
ADECAGUA
Filtralite
Hach
Confederación Hidrográfica del Segura
Grundfos
Elmasa Tecnología del Agua
LACROIX
Gestagua
Centro Nacional de Tecnología de Regadíos (CENTER)
DuPont Water Solutions
Saint Gobain PAM
Vector Motor Control
Elliot Cloud
Schneider Electric
STF
IIAMA
Blue Gold
BACCARA
EPG Salinas
SEAS, Estudios Superiores Abiertos
J. Huesa Water Technology
Control Techniques
Prefabricados Delta
Lama Sistemas de Filtrado
ICEX España Exportación e Inversiones
HANNA instruments
Grupo Mejoras
Almar Water Solutions
ABB
Catalan Water Partnership
UPM Water

La búsqueda del agua subterránea usando inteligencia artificial

  • búsqueda agua subterránea usando inteligencia artificial

Publicado en:

Portada iAgua Magazine

Sobre el blog

Víctor Gómez-Escalonilla Canales
Profesor ayudante en el Dpto. Geodinámica, Estratigrafía y Paleontología de la UCM.

Blog asociado a:

Molecor

La Agenda 2030 sobre el Desarrollo Sostenible tiene como objetivo número 6 "Garantizar la disponibilidad de agua y su gestión sostenible y el saneamiento para todos". En África subsahariana, el agua subterránea desempeña un papel fundamental para el suministro de agua potable, ya que cerca del 80% de la población usa como principal fuente de abastecimiento los recursos hídricos subterráneos. Esta dependencia, sin embargo, no se encuentra ligada a una infraestructura de captación adecuada en muchos casos. En algunas regiones, menos del 30% de los pozos encuentran agua en cantidad y calidad suficiente. Esto se debe principalmente al desconocimiento hidrogeológico y al mal emplazamiento de los pozos o sondeos de abastecimiento, y la consecuencia práctica es la pérdida de millones de euros de ayuda humanitaria en perforaciones infructuosas.

En los últimos años, los sistemas de información geográfica y las técnicas de aprendizaje automático o inteligencia artificial (machine learning) se han empleado en las cartografías de potencialidad hidrogeológica. La potencialidad hidrogeológica constituye una herramienta de apoyo a la gestión de los recursos hídricos subterráneos cada vez más necesaria. Permite identificar aquellas áreas que son más favorables para la explotación de las aguas subterráneas a partir de información que puede obtenerse a coste cero, como cartografía existente, modelos digitales de elevación e imágenes de satélite.

Los algoritmos de machine learning buscan los patrones de las variables explicativas que conducen a la presencia de pozos exitosos

Para llevar a cabo las cartografías de potencial de aguas subterráneas, necesitamos dos tipos de fuentes de datos: 1) una base de datos de puntos de agua con información sobre los pozos ya existentes y sus características; y 2) variables explicativas como el tipo de roca, la precipitación de la zona o las características del terreno que pueden condicionar la presencia de pozos exitosos. Por ejemplo, aquellas zonas que presenten una mayor precipitación, un tipo de roca más permeable y morfologías del terreno más suavizadas tenderán a tener un potencial más alto. Mientras que aquellas regiones caracterizadas por escasas precipitaciones sobre terrenos escarpados formados por rocas impermeables presentarán, por lo general, un potencial de aguas subterráneas más bajo.

Los algoritmos de machine learning buscan los patrones de las variables explicativas que conducen a la presencia de pozos exitosos, es decir, zonas con aguas subterráneas en calidad y cantidad suficiente. Para ello, utilizamos el software MLMapper, desarrollado junto a otros investigadores de la Universidad Complutense de Madrid y de la Universidad de Neuchâtel (Suiza). Esta herramienta, programada en lenguaje Python, incluye diecinueve algoritmos de clasificación supervisada (Artificial Neural Networks, Random Forest y K-Nearest Neighbors, entre otros). Además, incluye la posibilidad de realizar análisis de multicolinealidad entre variables, procesos de optimización del número de factores condicionantes y procesos de optimización de los hiperparámetros de los propios algoritmos.

La fase de validación de los resultados nos permite evaluar la capacidad predictiva de los modelos y, en caso de que estos sean positivos, podemos predecir si las condiciones hidrogeológicas son favorables o no en zonas en las que carecemos de dicha información. En otras palabras, buscamos las zonas en las que si perforásemos un pozo tendríamos más posibilidades de éxito.

Hasta ahora, los resultados obtenidos en las aplicaciones realizadas en las regiones de Koulikoro (Mali) y Ouaddaï (Chad) rozan tasas de éxito del 90%. Estos resultados, junto con las verificaciones llevadas a cabo en el terreno, confirman la capacidad de la inteligencia artificial para encontrar las mejores zonas para perforar nuevas captaciones de agua subterránea. Por ello, el producto final de estas investigaciones —los mapas de potencialidad hidrogeológica— podrían ser usados por los organismos competentes para elaborar planes de perforación de pozos más eficientes en un futuro.

Redacción iAgua