Héctor Aguilera Alonso, 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, un emulador de deep learning para predecir la piezometría en la cuenca del Duero.
La intervención se situó en un punto intermedio entre la visión estratégica de Jorge Molinero y la experiencia nacional danesa presentada por Julian Koch. Aguilera respondió de forma clara a la pregunta de si España puede llegar a desarrollar productos de escala nacional: sí, puede hacerlo, siempre que combine capas de información disponibles, redes de observación, conocimiento hidrogeológico y recursos computacionales de supercomputación.
El caso piloto del Duero se plantea con tres objetivos: construir un modelo espacio-temporal de predicción piezométrica a escala de cuenca, diseñar una arquitectura transferible a otras demarcaciones y realizar primeras pruebas con escenarios de cambio climático. Para ello, el modelo trabaja con capas ráster de información estática —geología, permeabilidades, masas de agua subterránea, capas geográficas del portal MiraMeDuero— y variables dinámicas como precipitación, temperatura, evapotranspiración y usos del suelo.
La arquitectura seleccionada es un transformer espacio-temporal, una red neuronal profunda capaz de detectar patrones en dominios continuos mediante mecanismos de atención
Como referencia de niveles piezométricos se utilizó la salida del modelo hidrológico europeo TSMP, cuyo componente subterráneo se resuelve con ParFlow. Dado que se trata de un producto de escala continental, el equipo aplicó una corrección regional mediante kriging espacio-temporal sobre los residuos entre observaciones de la red piezométrica del Duero y simulaciones del modelo europeo. Esta corrección permitió generar series ajustadas y una capa adicional de incertidumbre.
La arquitectura seleccionada es un transformer espacio-temporal, una red neuronal profunda capaz de detectar patrones en dominios continuos mediante mecanismos de atención. El modelo se entrenó para el periodo 2013-2022 y predice variaciones de nivel piezométrico como proxy del almacenamiento. Los resultados mostraron un coeficiente de determinación del orden de 0,6 en validación y test, un rendimiento razonable para un primer piloto a esta escala.
Aguilera mostró también una aplicación a escenarios climáticos 2013-2040 de Adapteca, combinando tres modelos climáticos para los escenarios RCP 4.5 y RCP 8.5. Los resultados apuntan a una disminución progresiva del almacenamiento subterráneo, más intensa en el escenario de emisiones más alto. Entre los próximos pasos figuran incorporar demandas distribuidas para analizar escenarios de gestión, integrar la red piezométrica automatizada, cuantificar incertidumbre por zonas y probar el despliegue operacional en otras cuencas. La ponencia confirma que la IA aplicada al PAAS no es solo una promesa, sino un campo de pilotos concretos.
