La inteligencia artificial (IA) está revolucionando numerosos sectores, y la gestión del agua no es una excepción. Si bien es cierto que se ha destacado su potencial para mejorar la eficiencia en el suministro, la gestión de cuencas y la respuesta a emergencias, su impacto en la calidad del agua es igualmente significativo y merece una atención especial (Richards, Tzachor, Avin, 2023). Algunas de las tendencias actuales se describen a continuación:
Tendencias actuales
Avances en sensores inteligentes y IoT
Las soluciones inteligentes para el control de la contaminación del agua son cada vez más importantes gracias a la innovación en sensores, comunicación y tecnología de internet de las cosas (IoT).
La integración entre sensores inteligentes con plataformas IoT permite la recopilación continua de datos sobre parámetros como pH, turbidez, oxígeno disuelto y metales pesados. Estos datos se transmiten a sistemas basados en la nube para su análisis mediante técnicas de big data. Un ejemplo de ello, el estudio realizado con un análisis de 16 parámetros de calidad del agua de 42 secciones de la corriente principal y los principales afluentes del río Xiang, provincia de Hunan, China, de 2005 a 2016 (Zeng, Zhou, Cao, Hu, Luo, & Pan, 2023).
Aplicación de algoritmos de aprendizaje Automático (Machine Learning)
El uso de algoritmos de aprendizaje automático, como redes neuronales y modelos de regresión, han permitido predecir parámetros de calidad del agua, como la concentración de contaminantes, en tiempo real. Estos modelos se entrenan con grandes volúmenes de datos históricos y en tiempo real, lo que mejora su precisión.
Un estudio reciente utilizó la clorofila como un parámetro crucial de la calidad del agua empleado habitualmente para evaluar la biomasa. Los valores elevados de clorofila indican eutrofización en una masa de agua, cuerpo de agua, a menudo asociada con el aumento de la entrada de contaminantes, la disminución del oxígeno disuelto y la aparición de floraciones tóxicas de cianobacterias (Yan, Zhang, Du, W., Meng, Xu, & Zhao, 2024). Sin embargo, desde Brasil se utilizó un conjunto de datos de calidad del agua de las 22 cuencas hidrográficas del Estado de São Paulo. La concordancia general entre los valores de resiliencia medidos y simulados es satisfactoria y, por lo tanto, puede ser utilizada por planificadores y responsables de la toma de decisiones para mejorar la gestión del agua (Imani,Hasan, Bittencourt, McClymont, & Kapelan, 2021).
Análisis de Imágenes Satelitales y Drones
La inteligencia artificial se utiliza para procesar imágenes satelitales y de drones, identificando fuentes de contaminación, como derrames de petróleo o floraciones de algas nocivas. Esto permite una respuesta rápida y eficiente frente al monitoreo de grandes extensiones de agua para identificar patrones de contaminación. Esta tecnología es especialmente útil en áreas remotas o de difícil acceso, donde el monitoreo tradicional es costoso o inviable. Kaplan, Yalcinkaya, Altıok, Pietrelli, Nastro, Lovecchio, Ieropoulos & Tsipa (2024) indican:
Desde el exitoso lanzamiento de Landsat-1 en 1972, las tecnologías de teledetección han revolucionado la vigilancia de la calidad del agua aprovechando las propiedades espectrales, espaciales y temporales de la luz reflejada por las masas de agua. Estas tecnologías utilizan una variedad de sensores montados en satélites y aeronaves para medir la radiación a través de diferentes longitudes de onda, lo que permite la detección de contaminantes químicos, biológicos y físicos en el agua.
Modelos de Simulación Basados en IA
Los modelos de simulación, como los sistemas de dinámica de fluidos computacional, se han mejorado con IA para predecir el comportamiento de contaminantes en cuerpos de agua. Esto es especialmente útil en la gestión de cuencas hidrográficas. Estos modelos permiten a los gestores del agua planificar estrategias de mitigación y tomar decisiones informadas basadas en escenarios futuros. Geetha, Bonthula, Al-Maadeed, Al-Lohedan, Rajabathar, Arokiyaraj & Sadasivuni (2023) comentan:
Los modelos de inteligencia artificial examinan la arquitectura para la gestión de dispositivos y el seguimiento de las tendencias de la calidad del agua. El despliegue de algoritmos de IA puede automatizar la recogida, el procesamiento y el análisis de datos, minimizando la dependencia del trabajo manual y aumentando la eficacia de las iniciativas de vigilancia. Además, de predecir tendencias en la calidad del agua y emitir alertas tempranas sobre posibles casos de contaminación son algunas de las capacidades de los modelos de IA, que ayudan a las autoridades a adoptar medidas preventivas para frenar la contaminación
Plataformas de Visualización de Datos en Tiempo Real
Las herramientas de visualización basadas en IA permiten a los gestores del agua monitorear y analizar datos de calidad del agua de manera intuitiva, facilitando la toma de decisiones. Estas plataformas facilitan la comunicación entre científicos, gestores del agua y el público en general, promoviendo la transparencia y la participación ciudadana
Las plataformas de visualización de datos, impulsadas por IA, permiten a los usuarios interpretar grandes volúmenes de información de manera intuitiva. Estas herramientas incluyen mapas interactivos, gráficos en tiempo real y paneles de control personalizados.
Desafíos emergentes
Calidad y Disponibilidad de Datos
Aunque el big data ofrece grandes oportunidades, la calidad de los datos recopilados puede ser inconsistente debido a errores en los sensores o falta de calibración. Además, en regiones con infraestructura limitada, la recopilación de datos es un desafío.
Integración de Sistemas Heterogéneos
La integración de datos provenientes de diferentes fuentes (sensores, satélites, drones) y formatos es un desafío técnico que requiere soluciones de interoperabilidad y estandarización.
Privacidad y Seguridad de los Datos
El uso de plataformas basadas en la nube para almacenar y procesar datos de calidad del agua plantea preocupaciones sobre la privacidad y la seguridad de la información, especialmente en contextos gubernamentales o industriales. En este sentido emerge la vulnerabilidad a ciberataques en sistemas de monitoreo.
Sesgos en los Modelos de IA
Los modelos de IA pueden generar predicciones sesgadas si los datos de entrenamiento no son representativos de todas las condiciones posibles. Esto puede llevar a decisiones erróneas en la gestión del agua.
Costos de Implementación y Mantenimiento
La implementación de sistemas avanzados de monitoreo basados en IA y big data requiere una inversión significativa en infraestructura y personal capacitado, lo que puede ser un obstáculo para los países en desarrollo.
Infraestructura tecnológica
La implementación de soluciones de IA requiere una infraestructura tecnológica robusta y actualizada, lo que puede representar un desafío para algunas regiones.
Relevancia y potencial impacto
Mejora en la Gestión de Recursos Hídricos
La IA y el big data permiten una gestión más eficiente de los recursos hídricos, optimizando el uso del agua y reduciendo el desperdicio. Esto es crucial en regiones con escasez de agua.
Detección Temprana de Contaminantes
La capacidad de detectar contaminantes en tiempo real puede prevenir brotes de enfermedades relacionadas con el agua y proteger los ecosistemas acuáticos
Reducción de Costos Operativos
La automatización del monitoreo reduce la necesidad de muestreo manual y análisis de laboratorio, lo que disminuye los costos operativos a largo plazo
Cumplimiento Normativo
Las herramientas basadas en IA facilitan el cumplimiento de normativas ambientales al proporcionar datos precisos y reportes automatizados
Impacto en la Salud Pública
El monitoreo continuo de la calidad del agua contribuye a garantizar el suministro de agua potable, reduciendo el riesgo de enfermedades transmitidas por el agua y mejorando la calidad de vida.
Precisión
Mejora en la toma de decisiones
¿Qué pasa en Venezuela?
En Venezuela, el uso de inteligencia artificial (IA) y big data para el monitoreo de la calidad del agua es un campo poco investigado, aún no está desarrollado ni implementado a gran escala. Sin embargo, existen algunos ejemplos puntuales de los esfuerzos y proyectos que han comenzado a explorar estas tecnologías, aunque en menor medida en comparación con países como China, Brasil o Estados Unidos. Los avances son percibidos desde los trabajos de grado desde las universidades autónomas. Tales son los casos de: Lara (1991) y Reyes (2020).
Referencias
- Zeng, Y., Zhou, Y., Cao, W., Hu, D., Luo, Y., & Pan, H. (2023). Big data analysis of water quality monitoring results from the Xiang River and an impact analysis of pollution management policies. Mathematical Biosciences and Engineering, 20(5), 9443–9469. https://doi.org/10.3934/mbe.2023415
- Yan, X., Zhang, T., Du, W., Meng, Q., Xu, X., & Zhao, X. (2024). A comprehensive review of machine learning for water quality prediction over the past five years. Journal of Marine Science and Engineering, 12(1), 159. https://doi.org/10.3390/jmse12010159
- Kaplan, G., Yalcinkaya, F., Altıok, E., Pietrelli, A., Nastro, R. A., Lovecchio, N., Ieropoulos, I. A., & Tsipa, A. (2024). The role of remote sensing in the evolution of water pollution detection and monitoring: A comprehensive review. Physics and Chemistry of the Earth, 136, 103712. https://doi.org/10.1016/j.pce.2024.103712
- Geetha, M., Bonthula, S., Al-Maadeed, S., Al-Lohedan, H., Rajabathar, J. R., Arokiyaraj, S., & Sadasivuni, K. K. (2023). Research Trends in Smart Cost-Effective Water Quality Monitoring and Modeling: Special Focus on Artificial Intelligence. Water, 15(18), 3293. https://doi.org/10.3390/w15183293
- Imani, M., Hasan, M. M., Bittencourt, L. F., McClymont, K., & Kapelan, Z. (2021). A novel machine learning application: Water quality resilience prediction model. Science of The Total Environment, 768, 144459. https://doi.org/10.1016/j.scitotenv.2020.144459
- Lara, C. (1991). Calibración de modelos matemáticos de parámetros fisicoquímicos de calidad de agua del Lago de Valencia, utilizando imágenes satelitales (Trabajo especial de grado). Universidad de Carabobo. http://mriuc.bc.uc.edu.ve/bitstream/handle/123456789/8460/clara.pdf?sequence=1
- Reyes, (2020). Caracterización hidrogeológica de la subcuenca Montalbán mediante el análisis multicriterio de imágenes satelitales y la interpretación de datos geoeléctricos (Trabajo especial de grado). Universidad Centra de Venezuela.
- Richards, CE, Tzachor, A., Avin, S. (2023). Recompensas, riesgos y despliegue responsable de la inteligencia artificial en los sistemas hídricos. Nat Water 1 , 422–432. https://doi.org/10.1038/s44221-023-00069-6.
