Aqualia
Connecting Waterpeople

Machine learning para predecir la respuesta de los ecosistemas acuáticos a medidas de mitigación

  • Machine learning predecir respuesta ecosistemas acuáticos medidas mitigación
  • Las complejas relaciones entre las presiones antrópicas que actúan sobre los ríos y el estado de los ecosistemas fluviales dificultan el diseño de medidas eficaces para alcanzar el buen estado requerido por la Directiva Marco del Agua.
  • Un estudio del Observatorio del Agua de la Fundación Botín y la Universidad Complutense de Madrid cuantifica la respuesta de algunos indicadores biológicos a las presiones antrópicas en la cuenca del Tajo a través de un modelo de machine learning.
  • Los resultados de la investigación están disponibles en el artículo “A machine learning model to assess the ecosystem response to water policy measures in the Tagus River Basin (Spain)” publicado en la revista Science of the Total Environment.

Sobre la Entidad

Fundación Botín
El Observatorio del Agua de la Fundación Botín es un think thank multidisciplinario se propone contribuir a la mejora de la gestión de los recursos hídricos en España y a nivel global.
Minsait
Global Omnium

Nosotros contaminamos tanto los ríos como los demás elementos de la naturaleza [...]. Admitamos entonces nuestra culpa, ya que no tenemos suficiente con los venenos presentes en la naturaleza: ¡los que produce el ser humano son muchos más numerosos!” (Historia Natural, Plinio el Viejo – 77 d. C).

Ante el estado actual de degradación de los ecosistemas acuáticos, estas palabras escritas por Plinio el Viejo hace casi 2000 años no podrían ser más actuales. Múltiples presiones antrópicas, como la contaminación puntual y difusa, la alteración del régimen hidrológico y la degradación hidromorfológica afectan el estado de los ríos.

Actualmente, solo el 40% de las masas de agua superficial de la Unión Europea (UE) alcanza el buen estado ecológico requerido por la Directiva Marco del Agua (DMA) y cada vez más parece una quimera cumplir su ambicioso objetivo para 2027.

Es necesario tomar medidas capaces de recuperar el estado de los ecosistemas de agua dulce. Intervenciones eficaces requieren un profundo conocimiento de las relaciones entre el estado ecológico y las presiones antrópicas que actúan sobre los ríos, lo cual sigue siendo un desafío para la comunidad científica y para los organismos de cuenca.

Un estudio del Observatorio del Agua de la Fundación Botín y la Universidad Complutense de Madrid, cuyos resultados se acaban de publicar en la revista científica Science of the Total Environment, ha investigado dichas relaciones en la parte española de la demarcación hidrográfica del Tajo a través de un modelo de machine learning.

La respuesta no lineal del ecosistema acuático

La no linealidad de la respuesta de los ecosistemas a las presiones antrópicas dificulta su modelización, y el reto es aún más complejo en situaciones con múltiples factores que actúan en el sistema.

Un ejemplo concreto de esta dificultad se puede observar en la definición de los límites de nutrientes en los ríos y su efecto sobre los ecosistemas fluviales. La DMA pide a los Estados Miembros establecer concentraciones máximas admisibles de nutrientes para garantizar el logro del buen estado ecológico de las masas de agua superficiales. Sin embargo, no fija umbrales específicos ni establece una metodología común para ese fin. Como consecuencia, actualmente estos umbrales varían de país a país, con diferencias en ocasiones muy marcadas entre Estados Miembros.

Hasta ahora, se han empleado diferentes métodos para cuantificar la respuesta del ecosistema a las presiones. En los últimos años, el aprendizaje automático o machine learning ha demostrado un gran potencial para modelizar los ecosistemas, superando los límites de las técnicas más tradicionales.

Conectando puntos: el modelo de machine learning

En general, un modelo de machine learning identifica y caracteriza mediante algoritmos las relaciones entre variables explicativas o independientes y una variable dependiente o de respuesta. En este estudio, las variables explicativas son las presiones antrópicas que actúan sobre los ríos. Hemos seleccionado variables que pertenecen a diferentes categorías de presiones para incluir los efectos de los vertidos urbanos, de los usos del suelo, de la degradación hidromorfológica y de la alteración del régimen hidrológico. Las variables de respuesta son los índices de calidad biológica de macroinvertebrados (IBMWP) y de diatomeas (IPS), muestreados en la red oficial de control del estado de las masas de agua superficiales (Red CEMAS). Como técnica de machine learning, se han usado dos algoritmos: Random Forest y Gradient Boosted Regression Tree. La calidad de modelización ha resultado ser satisfactoria y entre las variables más importantes del modelo hemos identificado los usos del suelo, la concentración de nutrientes y el índice de calidad del bosque de ribera (QBR).

La combinación más prometedora: límites de nutrientes más restrictivos y restauración del hábitat de ribera

Una vez entrenado el modelo, se ha usado para predecir el valor de los índices de calidad biológica en diferentes escenarios de concentración de nutrientes (amonio, nitrato y fosfato) y valores del índice QBR. En particular, se han considerado los límites de nutrientes fijados por la legislación española para asegurar en buen estado (Real Decreto 817/2015), así como los percentiles 25 y 50 de los límites establecidos por otras legislaciones europeas. Como escenario más restrictivo, se ha considerado el percentil 75 de la distribución de la concentración de nutrientes en las masas de agua en buen estado ecológico de la cuenca del Tajo. Para cada escenario de concentración de nutrientes, el valor del índice QBR toma dos valores: el valor medido en 2018 y el valor que representa la condición de referencia del ecotipo de cada masa de agua considerada.

La figura 1 nos muestra cómo varía el índice de calidad biológica IBMWP para los diferentes escenarios analizados en una estación localizada en el arroyo del Guajaraz, un afluente izquierdo del río Tajo. Se puede observar cómo los límites de nutrientes establecidos por la legislación española llevan a un índice IBMWP muy bajo. A medida que los límites de concentración de nutrientes se hacen más restrictivos, el índice de calidad biológica mejora. Además, a paridad de concentración de nutrientes, si se impone un alto índice de calidad del hábitat de ribera, el valor de los índices de calidad biológica aumenta hasta llegar al buen estado ecológico en el último escenario.

Figura 1: Clasificación del estado del índice IBMWP en la estación TA12151 para diferentes escenarios de concentración de nutrientes y valores del índice de Calidad del Bosque de Ribera (QBR). Fuente: adaptado de Valerio et al., 2020

Estos resultados son extensibles a toda la cuenca. En particular, nuestro modelo revela que el cumplimento de los límites de nutrientes definidos por la legislación española garantizaría valores de índices biológicos compatibles con el buen estado ecológico en solo el 60% de las masas de agua analizadas. Esta situación probablemente se debe a que los límites de concentración de nutrientes en España se encuentran entre los menos restrictivos de la UE.

En el escenario más favorable, que combina la concentración de nutrientes más restrictiva con un alto índice QBR, el número de masas de agua en mal estado se reduciría aproximadamente de un tercio con respecto a la situación de referencia (el año 2018), llegando hasta un 85% de masas de agua que alcanzan el buen estado de los indicadores biológicos.

Los resultados sugieren que la imposición de límites de nutrientes más restrictivos y la restauración del hábitat de ribera son unas medidas prioritarias para cumplir el objetivo de la DMA en los ríos de la parte española de la demarcación del Tajo.

Acceso al artículo científico:

  • Accede al artículo completo a través del siguiente enlace, válido hasta el 22 de Octubre 2020, aquí.
  • Después de esa fecha, póngase en contacto con Carlotta Valerio.
Redacción iAgua

La redacción recomienda

05/06/2020 · Tratamiento del Agua · 94 1

Calidad de las aguas superficiales continentales