Vanessa A. Godoy, investigadora doctora del Instituto de Ingeniería del Agua y Medio Ambiente de la Universitat Politècnica de València, intervino 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, con una ponencia sobre apoyo, predicción y emulación en modelización hidrogeológica.
Su presentación aportó una mirada académica y muy pedagógica al bloque de inteligencia artificial. Godoy partió de una premisa compartida por la jornada: la hidrogeología reúne muchos de los ingredientes que hacen útil la IA, como datos incompletos, sistemas complejos, incertidumbre elevada, modelos computacionalmente costosos y necesidad de evaluar múltiples escenarios. A partir de ahí, organizó la exposición en cuatro ejemplos vinculados a distintas fases de la modelización.
El primer caso se centró en el tratamiento inicial de datos mediante imputación iterativa con random forest. El algoritmo aprende relaciones entre variables observadas —niveles piezométricos, precipitación, temperatura u otras series— y estima valores faltantes de forma iterativa. La técnica puede ser útil para completar series, aunque Godoy advirtió que también introduce incertidumbre cuando los datos disponibles son escasos y que no siempre supera a métodos estadísticos clásicos.
Su presentación aportó una mirada académica y muy pedagógica al bloque de inteligencia artificial
El segundo ejemplo abordó la estimación de parámetros en el modelo conceptual. A partir de varios modelos MODFLOW con distribuciones plausibles de conductividad hidráulica, el equipo utilizó random forest para aprender la relación entre perturbaciones en conductividades y en niveles piezométricos. El resultado aproximó zonas de alta conductividad y mostró que la IA puede ayudar a reducir incertidumbre sin reemplazar el modelo físico.
El tercer caso utilizó redes neuronales informadas por la física como motor de cálculo. La red incorporaba una función de pérdida sobre datos de monitoreo y otra que minimizaba la ecuación diferencial de flujo. Con pocos datos, pero incorporando física, la predicción se aproximó al comportamiento de MODFLOW; sin física, la predicción se degradó. El ejemplo ilustra por qué el conocimiento del proceso sigue siendo decisivo.
El cuarto ejemplo presentó modelos subrogados para las masas Requena-Utiel y Cabrillas-Malacara. Tras generar cien escenarios de bombeo y recarga con MODFLOW, el equipo entrenó distintos algoritmos y seleccionó random forest como opción más rápida y eficaz. El modelo se integró en una plataforma web que permite comparar escenarios de forma accesible para usuarios no especializados.
La conclusión de Godoy sintetizó el sentido del bloque: la IA no sustituye la modelización hidrogeológica; la hace más rápida, accesible e interactiva. En el contexto del PAAS, esta visión evita tanto la euforia tecnológica como el rechazo preventivo: la inteligencia artificial es una herramienta potente cuando se apoya en física, datos de calidad y conocimiento experto.
