El agua subterránea es un recurso esencial para el consumo humano, la agricultura y la industria, tanto en México como en todo el mundo. Determinar su almacenamiento y volumen aproximado es crucial, especialmente en áreas donde la falta de información impide el uso de métodos tradicionales. En México, las mediciones del nivel de agua subterránea, aunque ampliamente utilizadas en estudios hidrológicos, son insuficientes para ofrecer una estimación cuantitativa sobre el vital recurso.
Esta falta de datos precisos y accesibles motivó la investigación desarrollada en el Centro de Investigación en Ciencias de Información Geoespacial (CentroGeo) desarrollada por la estudiante del Doctorado, Aura Ramos Lora, en dirección de Daniela Moctezuma, profesora de CentroGeo y Cesaré Ovando del Instituto Potosino de Investigación Científica y Tecnológica (Ipicyt), ambos Centros Públicos de Investigación, adscritos a la Secihti.
Dicha investigación tuvo como objetivo explorar alternativas en el campo de la percepción remota, machine learning y las ciencias climáticas. A partir del análisis preliminar, se identificaron variables que cuantifican el almacenamiento de agua subterránea y variables meteorológicas que podrían ayudar a predecirla. Estos repositorios cuentan con registros históricos de al menos 20 años y reúnen un gran volumen de datos, lo que permite aprovechar su potencial mediante modelos de inteligencia artificial, bajo la premisa de que la abundancia y continuidad de los datos son fundamentales para el aprendizaje automático.
Hoy en día, la inteligencia artificial y las redes neuronales profundas han sido utilizadas exitosamente en múltiples campos, cambiando positivamente la vida de las personas. Sin embargo, aún existe un amplio margen para proponer y explorar los beneficios de estas tecnologías en México. A pesar de nuestro rezago en datos hidrogeológicos históricos de campo, la combinación de inteligencia artificial con avances tecnológicos podría compensar esta deficiencia y ofrecer soluciones para la gestión del agua.
En este estudio se utilizaron datos de diversos productos satelitales y reanálisis climáticos reconocidos a nivel internacional. CHIRPS proporciona estimaciones de precipitación, combinando imágenes satelitales con datos de estaciones en tierra. GLEAM ofrece información sobre la evaporación, a partir de observaciones remotas y modelos de balance hídrico. ERA, desarrollado por el Centro Europeo de Predicción Meteorológica, es un conjunto de reanálisis utilizado para obtener registros de temperatura. Finalmente, GRACE permite estimar los cambios en el almacenamiento total de agua, a partir de mediciones del campo gravitacional realizadas por una misión conjunta de la NASA y el Centro Aeroespacial Alemán, en operación desde 2002. Esta variable es clave, ya que a partir de ella se puede derivar el almacenamiento de agua subterránea (GWS, por sus siglas en inglés de Ground Water Storage), una vez que se restan los componentes superficiales obtenidos mediante productos complementarios como GLDAS.
Redes neuronales artificiales
Utilizando estos datos, se probaron cinco arquitecturas de redes neuronales artificiales, utilizando inicialmente tres tipos distintos de variables climáticas para predecir el cambio en el GWS. Entre ellas están las MLP (Multilayer perceptron), CNN (Convolutional Neural Network), LSTM (Long short term memory network) y la RCNN (Recurrent Convolutional Neural Network). Cada una de estos tipos de red se probaron tratando de aprovechar al máximo las ventajas que cada una posee, por ejemplo, las MLP es un tipo de red muy simple y fácil de implementar que puede proporcionar buenos resultados. La CNN es ideal para trabajar con imágenes ya que emplea la información espacial de la misma. La LSTM aprovecha la información temporal de los datos, y finalmente la RCNN, combina las ventajas de estas dos últimas.
Estas arquitecturas lograron captar las tendencias del GWS, obteniendo en su mayoría correlaciones por encima del 90 por ciento de precisión. Específicamente, las Redes Neuronales Convolucionales Recurrentes (CRNN), integraron múltiples variables de evaporación y aprendieron de la secuencia temporal de sus características geográficas para lograr una estimación muy aproximada del GWS. Los resultados fueron validados contra un conjunto de datos de prueba reservado para este fin, es decir, los modelos fueron entrenados con un conjunto de datos diferente que con el que se probó, esto se hace para medir la capacidad de generalización que el modelo generó.
Como principales hallazgos tenemos que, la estimación del Volumen de Agua Subterránea con CNN, basada en variables climáticas, demostró ser altamente efectiva. Además, esta investigación ha demostrado que con las arquitecturas de IA, la procedencia heterogénea de las variables utilizadas no es una limitante. Al contrario, si los datos son consistentes en cuanto a su origen y resolución, la red puede aprender patrones importantes y evitar errores recurrentes que se suelen encontrar en capturas de campo, que están más expuestas a la variabilidad humana.
Finalmente, si bien la CNN ha demostrado ser una herramienta eficaz, la arquitectura CRNN se destacó al predecir 30 días de datos con 36 valores de resolución por día, obteniendo una correlación cercana al 100 por ciento. Estos resultados subrayan no sólo el potencial de las CRNN para capturar de manera simultánea tanto patrones espaciales como temporales, sino también su capacidad para predecir el GWS con gran precisión a largo plazo.
