Aqualia
Connecting Waterpeople

Técnicas de Machine Learning en la gestión del agua: un seminario online para conocer su potencial

5
358
  • Técnicas Machine Learning gestión agua: seminario online conocer potencial
  • Machine learning es una técnica con un gran potencial en el sector del agua.
  • Los días 3, 4 y 5 de junio el Observatorio del Agua de la Fundación Botín organiza un seminario online para ofrecer una visión de distintas aplicaciones del machine learning para la gestión del agua.
  • La modelización de los indicadores biológicos, la optimización de la demanda de agua, la predicción de inundaciones y la gestión de la contaminación serán aplicaciones tratadas en el seminario.

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.
Global Omnium
· 358
5

En los últimos años se oye cada vez más hablar de machine learning, una rama de la inteligencia artificial que ha mostrado un gran potencial en muchos campos. Un ejemplo de actualidad es su aplicación para controlar los contagios de COVID-19 en Corea del Sur.

El significado del término “machine learning” fue acuñado en 1959 por Arthur Samuel, un informático estadounidense pionero en el campo de la inteligencia artificial, quien lo define como "el campo que da a la computadora la capacidad de aprender sin ser programada explícitamente". De hecho, el machine learning -o aprendizaje automático- incluye un conjunto de técnicas que ayudan a la máquina a aprender de los datos que analiza. Tal aprendizaje puede ser supervisado y no supervisado. En el primer caso, los datos de partida están "etiquetados", es decir, ya se sabe a priori cómo será el resultado. Un ejemplo claro es la clasificación de los correos como spam: al proporcionar al ordenador una gran cantidad de correos ya ‘etiquetados’ tanto spam como no spam, aprende a reconocer las características que diferencian a las dos categorías (por ejemplo, la presencia de ciertas palabras) y, de este modo, puede decidir si un nuevo correo debe colocarse o no en la carpeta de correos no deseados. En cambio, en el aprendizaje no supervisado, se busca una estructura oculta en los datos y, por lo tanto, generalmente sirve para extraer información que aún no se conoce, pero se espera revelar del conjunto de datos con los que se trabaja. Algunos ejemplos son la identificación de nuevos grupos genéticos o la agrupación de las noticias de Google por temas.

El machine learning no sustituye el criterio del investigador, sino que es capaz de confirmar nuestras intuiciones estudiando todas las variables involucradas y analizando una gran cantidad de datos que no podrían ser analizados en poco tiempo por una sola persona.

El machine learning para gestionar mejor el agua y los ecosistemas acuáticos

El machine learning está mostrando un gran potencial para la gestión de los recursos hídricos, ya que puede ayudarnos a descubrir relaciones entre variables, permitiendo modelizar sistemas complejos, generando modelos predictivos y apoyando la toma de decisiones.

En este contexto, el Observatorio del Agua de la Fundación Botín organiza un seminario online que reunirá a varios expertos sobre el tema para analizar el potencial de aplicación de técnicas de machine learning a la hora de enfrentarse a algunos retos de la gestión del agua.

El seminario está organizado en tres sesiones virtuales. En la primera sesión se explorará cómo el machine learning puede ayudar a modelizar los ecosistemas fluviales, que sigue siendo un gran reto científico, descubriendo las relaciones entre las comunidades biológicas (usadas para evaluar el estado ecológico de las masas de agua) y las presiones que actúan en el sistema.

Las siguientes sesiones están enfocadas en la aplicación de machine learning para el apoyo en la toma de decisiones sobre el uso del agua y  el diseño de medidas de gestión. En particular, se presentarán casos de estudio donde el aprendizaje automático ha permitido predecir el riesgo de inundaciones, definir reglas para optimizar la explotación de los embalses, localizar recursos para el abastecimiento en un contexto de escasez de datos y finalmente modelizar el efecto de medidas para reducir la contaminación.

El Seminario

El seminario se celebrará los días 3, 4 y 5 de junio. Colaboran en la organización de la jornada la Cátedra UNESCO - Tecnologías apropiadas para el desarrollo humano y el Centro de Estudios e Investigación para la Gestión de Riesgos Agrarios y Medioambientales (CEIGRAM) de la Universidad Politécnica de Madrid. El programa es el siguiente:

Miércoles 3 de junio, 17-18 h: Machine learning para modelizar los indicadores biológicos.

  • Tano Gutiérrez-Cánovas (Universidad de Minho): Relaciones entre presiones antrópicas y ecosistemas en los ríos (MARS Project).
  • Rafael Muñoz-Mas (Universidad de Girona): Modelización de la idoneidad de hábitat para comunidades biológicas.

Jueves 4 de Junio, 17-18 h: Machine learning para la satisfacción de la demanda y la gestión de inundaciones.

  • Rosa F. Ropero (Universidad de Almería): Predicciones de riesgo de inundación en las Cuencas Mediterráneas Andaluzas. Proyecto SAICMA.
  • Manuel Pulido Velázquez y Héctor Macián Sorribes (Universidad Politécnica de Valencia): Optimización y gestión de embalses con técnicas de machine learning.

Viernes 5 de Junio, 12- 13.30 h: Machine learning para modelizar el efecto de medidas de gestión.

  • Carlotta Valerio (Observatorio del Agua, Universidad Complutense de Madrid): Modelizar el efecto de medidas sobre el estado del ecosistema en la cuenca del Tajo.
  • José M. Cecilia (Universidad Católica San Antonio de Murcia): Modelizar la eutrofización (caso de estudio: Mar Menor). Proyecto WaterOT.
  • Pedro Martínez Santos (Universidad Complutense de Madrid): Aplicación de técnicas de machine learning al abastecimiento de agua en entornos de cooperación al desarrollo.

Puedes encontrar más información sobre el seminario y la inscripción en el siguiente enlace.

Redacción iAgua

La redacción recomienda

05/06/2020 · Tratamiento del Agua · 88 1

Calidad de las aguas superficiales continentales