Investigadores de la Universidad Complutense de Madrid (UCM) han desarrollado un dispositivo de bajo coste capaz de integrar algoritmos de shallow learning para anticipar floraciones de cianobacterias en aguas superficiales. El trabajo, publicado en la revista Water Research, demuestra que la inteligencia artificial puede aplicarse de manera práctica en entornos hídricos, abriendo nuevas posibilidades para los sistemas de alerta temprana.
.jpg)
Placa de desarrollo del microcontrolador ESP32, utilizada para el trabajo. Fuente: Sandubete-López, J. et al.
Inteligencia artificial en campo y con bajo coste
El modelo propuesto se basa en el aprendizaje automático de bajo nivel, optimizado para funcionar en microcontroladores de reducido consumo energético y coste económico. Esta arquitectura permite que el dispositivo procese los datos directamente en campo, sin necesidad de grandes servidores ni infraestructuras complejas.
La investigación señala que, con esta tecnología, es posible anticipar episodios de proliferación con suficiente antelación para que los gestores adopten medidas preventivas. Además, la naturaleza compacta y asequible del dispositivo facilita su implantación en diferentes cuerpos de agua, lo que lo convierte en una herramienta accesible también para operadores con recursos limitados.
Esquema conceptual del marco propuesto. Fuente: Sandubete-López, J. et al.
Implicaciones para la gestión del agua
La integración de algoritmos de inteligencia artificial en dispositivos de bajo coste marca un punto de inflexión en la digitalización del ciclo del agua. Frente a la creciente amenaza que suponen las floraciones de cianobacterias —con consecuencias en la calidad, el abastecimiento y el uso recreativo de las masas de agua—, esta solución ofrece a utilities y administraciones la posibilidad de pasar de un enfoque reactivo a uno predictivo, incorporando la predicción automática directamente en infraestructuras existentes, incluso en regiones con recursos técnicos limitados o con conectividad reducida.
Si bien aún es necesario validar el sistema en distintos escenarios hidrológicos y climáticos para confirmar su aplicabilidad a gran escala, los autores destacan que el modelo ofrece predicciones fiables de floraciones de cianobacterias a medio plazo y que su integración en un dispositivo de bajo coste constituye una alternativa realista para mejorar los sistemas de monitoreo en tiempo real.
