El color que observamos en una masa de agua (un río, un lago, un océano o incluso un vaso de agua) es el resultado de la interacción de la luz con las sustancias disueltas y las partículas suspendidas en ella. Estas sustancias absorben y dispersan diferentes longitudes de onda de la luz, lo que da como resultado el color que percibimos. En este sentido, se pueden diferenciar dos tipos principales de color en el agua:
-
Color aparente: Es el color que se observa a simple vista en una muestra de agua. Incluye el efecto de las partículas en suspensión, como sedimentos, arcillas, algas, y también el de las sustancias disueltas. Es lo que se ve en un río turbio o un lago verdoso.
-
Color verdadero: Este se mide después de eliminar todas las partículas en suspensión (por filtración o centrifugación). Representa el color debido únicamente a las sustancias disueltas en el agua, como materia orgánica disuelta coloreada (CDOM), ácidos húmicos y fúlvicos, e iones metálicos. El agua pura, por ejemplo, tiene un ligero tono azul intrínseco debido a la absorción de luz roja por las moléculas de agua.
Sin embargo, la identificación y medición del color del agua son procesos complejos debido a la variedad de componentes que contribuyen al color, la influencia de factores ambientales y las limitaciones inherentes a los métodos de medición, tanto visuales como instrumentales y remotos. Un resumen de estas problemáticas se muestra a continuación:
Tabla 1
Problemas al identificar o medir el color del agua
Nota. Construcción de la investigadora
Estos desafíos son precisamente los que la inteligencia artificial busca abordar, mejorando la precisión, la automatización y la capacidad predictiva en este campo. Por ello, la presente investigación explorará la intersección entre el color del agua y la IA a través de la revisión de literatura reciente, donde se identificarán estudios clave publicados en portales de revistas científicas y académicas.
Resultados
A continuación se identifican tres estudios que utilizan el color del agua como un indicador importante para analizar y monitorear los cuerpos de agua.
En el primer estudio se desarrolló un sistema que discrimina la calidad del agua a partir de imágenes de color del agua usando redes neuronales artificiales y el algoritmo de optimización Levenberg-Marquardt, logrando alta precisión en la identificación automática de la calidad del agua a través del análisis de color en imágenes (Ni, Xie, Yang, & Chen, 2021). En cambio, en el segundo, se evaluaron modelos de inteligencia artificial (redes neuronales, programación genética, sistemas neuro-difusos) para predecir la concentración de ficocianina, un pigmento relacionado con la calidad y color del agua, usando variables como temperatura, pH, conductividad y oxígeno disuelto. El modelo ANFIS-SC mostró la mayor precisión (Heddam, Sanikhani, & Kisi, 2019). Ver Tabla 2
Tabla 2
Comparación entre investigaciones
Nota. Construcción de la investigadora con datos de artículos consultados
Sin embargo, un tercer estudio indica que se utilizaron herramientas de aprendizaje profundo mediante redes neuronales convolucionales (CNN) y AlexNet con aprendizaje de transferencia para detectar, categorizar y cuantificar automáticamente el valor de color aceptable e inaceptable del efluente textil (Yusoff, Chew, Chong, & Wan, 2024).
Reflexiones
Las investigaciones recientes demuestran que la inteligencia artificial, especialmente las redes neuronales son herramientas eficaces para analizar el color del agua y predecir variables asociadas a la calidad, como la concentración de pigmentos. Además, los avances en el procesamiento de imágenes a color mediante IA abren nuevas posibilidades para la automatización y mejora de la precisión en el monitoreo ambiental. Se recomienda realizar nuevos estudios que integren análisis de imágenes de color del agua con variables físico-químicas, empleando modelos híbridos de IA para mejorar la detección temprana de cambios en la calidad del agua y su impacto ambiental.
Referencias
- Ni, Y., Xie, N., Yang, G., & Chen, W. (2021). Development of Water Quality Discrimination System for Water Color Image Based on LM Neural Network Optimization Algorithm. 2021 International Conference on Aviation Safety and Information Technology. https://doi.org/10.1145/3510858.3511012.
- Heddam, S., Sanikhani, H., & Kisi, O. (2019). Application of artificial intelligence to estimate phycocyanin pigment concentration using water quality data: a comparative study. Applied Water Science, 9. https://doi.org/10.1007/s13201-019-1044-3.
- Yusoff, N. H. M., Chew, W. J., Chong, C. H., & Wan, Y. K. (2024). Artificial intelligence in color classification of 3D-printed enhanced adsorbent in textile wastewater. Journal of Water Process Engineering, 65, 105776. https://doi.org/10.1016/j.jwpe.2024.105776
