Antonio Collados Lara, científico titular del IGME-CSIC, presentó en la Jornada Técnica sobre el Estado de Implantación del Plan de Acción de las Aguas Subterráneas: Inteligencia Artificial y Aguas Subterráneas, celebrada el 20 de mayo de 2026 en la ETS de Ingenieros de Minas y Energía de la UPM, varios casos de aplicación de inteligencia artificial a la modelización de aguas subterráneas y ecosistemas asociados.
La ponencia ofreció una perspectiva práctica, apoyada en cuatro ejemplos. Los dos primeros se centraron en niveles piezométricos. En el primero, el equipo aplicó redes neuronales artificiales para predecir niveles en un acuífero kárstico libre, utilizando datos de 51 piezómetros y variables climáticas como precipitación y precipitación efectiva. La metodología incluyó procesamiento geoestadístico para completar series, análisis de tiempos de respuesta y un test de predicción reservado al último año de cada serie. Como era esperable, el error aumentó con el horizonte temporal, pero los resultados mostraron la viabilidad del enfoque.
El segundo ejemplo abordó una modelización híbrida. En este caso, un modelo de flujo MODFLOW alimentado por un modelo de lluvia-escorrentía generaba niveles piezométricos simulados, que después se utilizaban como variable explicativa en una red neuronal artificial. El objetivo era corregir o mejorar la simulación tradicional. En el piezómetro de prueba, el error cuadrático medio se redujo de ocho a cinco, lo que muestra el potencial de combinar modelos físicos e inteligencia artificial.
La ponencia conectó directamente con uno de los grandes mensajes de la jornada: la IA no puede compensar datos deficientes
La segunda parte de la intervención se orientó a ecosistemas dependientes, en particular humedales. Collados presentó un trabajo sobre las Lagunas de Ruidera, donde se reconstruyó el área inundada entre 1984 y 2015 a partir de imágenes Landsat. Las variables explicativas incluyeron precipitación, temperatura, evapotranspiración, precipitación efectiva y descarga del acuífero al humedal obtenida de un modelo de diferencias finitas. Al comparar regresión múltiple y redes neuronales, las diferencias fueron moderadas en completado y predicción a corto plazo, pero las redes neuronales mostraron mayor capacidad en escenarios futuros al capturar relaciones no lineales.
El cuarto caso, todavía incipiente, se enmarca en el programa Momentum del CSIC y busca estimar el área inundada en los humedales Ramsar de España mediante Landsat, Sentinel-1 y gradient boosting. El método utiliza índices de agua, bandas radar y modelos de pendiente para reducir falsos positivos en orografías complejas, como se mostró en Aigüestortes i Estany de Sant Maurici.
La ponencia conectó directamente con uno de los grandes mensajes de la jornada: la IA no puede compensar datos deficientes. Collados fue explícito en el debate posterior: un modelo de inteligencia artificial no puede ser mejor que sus datos. La utilidad de estas técnicas depende de redes representativas, series fiables, física del sistema y criterio hidrogeológico.
