Ciencia de datos en la gestión de los recursos hídricos

 IDAEA es un instituto de ciencias ambientales dedicado a los retos futuros ligados al cambio climático y escasez de agua. 

El Departamento de Geociencias investiga los procesos hidráulicos, químicos, térmicos y mecánicos asociados a la hidrogeología. Participa en el desarrollo de modelos numéricos y matemáticos y técnicas de modelado para procesos complejos. En este sentido ha desarrollado múltiples aplicaciones innovadoras para una gestión eficiente de datos.

Entre ellas, destacan una aplicación para crear cortes geológicos a partir de datos de sondeos; el uso de inteligencia artificial para predecir los niveles de ríos, acuíferos, y ámbitos físicos similares; un programa para el cálculo de los parámetros hidráulicos a partir de datos hidrogeológicos combinado con la integración de redes neuronales; además de otras aplicaciones geoespaciales basadas en el uso de la inteligencia artificial, el big data y el procesamiento y tratamiento avanzado de datos masivos.

Estas metodologías surgen de la necesidad de gestionar adecuadamente la ingesta cantidad de datos que supone la actual digitalización del sector, tendencia creciente los últimos años. A esta problemática debe sumarse la necesidad de una gestión eficiente e inmediata que puede alcanzarse con estas aplicaciones de carácter open-access.

Entidad responsable

El Instituto de Evaluación Ambiental e Investigación del Agua (IDAEA) es un instituto de ciencias ambientales del Consejo Superior de Investigaciones Científicas (CSIC) fundado el año 2008 en Barcelona y dedicado al estudio de la huella humana en la biosfera.

https://www.idaea.csic.es

El trabajo de IDAEA-CSIC se centra en dos de los desafíos ambientales de nuestro tiempo: la preservación de la calidad y disponibilidad del agua y la calidad del aire, guiada por el principio de que nuestra comprensión científica de las amenazas actuales a los ecosistemas globales se aborda mejor desde una perspectiva holística.

El Instituto se destaca en el análisis de contaminantes orgánicos e inorgánicos y su impacto en los ecosistemas, el estudio, modelización y gestión de los recursos hídricos, el desarrollo de algoritmos en distintos ámbitos científicos y el estudio de partículas inhalables y gases tóxicos. 

Explicación detallada

Una gestión responsable y eficiente del recurso hídrico requiere de conocimiento para afrontar las posibles afecciones y problemáticas relacionadas con el agua.

Es importante integrar el conocimiento conceptual de las masas de agua. Para ello se necesita; i) conocer el sistema (modelo conceptual), generalmente con trabajo de campo y la georreferenciación usando sistemas de información geográfica (GIS); ii) una red de monitoreo que aporte información sobre el estado del recurso y valide el modelo conceptual.

Los grandes volúmenes de datos deben recogerse y almacenarse de modo eficiente para poder ser consultados. 

Con el fin de relacionar los modelos conceptuales con el tratamiento de los datos generados por el monitoreo aparecen una serie de plataformas y aplicaciones para conseguir transferir datos, integrarlos en sistemas de bases de datos con el fin de realizar un análisis e interpretación correctos y hacer una gestión más eficiente.

Creación de secciones geológicas: “Geopropy Tool”

Permite la creación de cortes geológicos tridimensionales mediante un código abierto en Python. Los perfiles se generan a partir de datos sondeos.

Herramienta de predicción de niveles de agua

Esta herramienta utilizando machine learning es capaz de mostrar las relaciones entre variables en una determinada serie temporal dentro de un modelo hidrológico. En algunos modelos hidrológicos se consigue a partir del monitoreo en tiempo real, después de una afección aguas arriba (episodios de lluvias, exceso de extracciones…) predecir el comportamiento a corto plazo aguas abajo.

Herramientas de cálculo de parámetros hidráulicos

Con la granulometría se puede determinar la permeabilidad del terreno a partir de una serie de fórmulas analíticas. Mediante inteligencia artificial (redes neuronales) es posible identificar que fórmula describe de manera más acurada la realidad en cada caso. Los parámetros hidráulicos se predicen a partir de datos “baratos” de manera eficiente con la complementación de fórmulas empíricas y redes neuronales

Indicadores hidroquímicos 

El uso del machine learning se utiliza para encontrar los componentes químicos indicadores de un determinado grupo de compuestos muy específicos o de elevado coste analítico.

Modelos geoespaciales

Se generan cartografías geoespaciales no basadas en los procesos físicos. Un ejemplo es su aplicación en los Andes, se determinó de manera continua una determinación de la composición isotópica del agua de lluvia en todo el territorio con el fin de evaluar de forma concisa la recarga del acuífero sin medidas directas de la misma, en una situación de gestión compleja.

Los datos meteorológicos aportan datos de los volúmenes y precipitaciones. Los datos isotópicos son recopilados de distintas analíticas y campañas realizadas en el territorio que, habitualmente no se obtienen de forma sistemática y/o continuada. Se generan dos modelos que son integrados en uno. El primero representa la distribución meteorológica que se sobrepone al momento y valor de las analíticas. El modelo integrado permite hacer los cálculos de la isotopía de las aguas que están recargando los acuíferos. 

Gestión de grandes volúmenes de datos

Para tratar un gran volumen de datos se necesitan plataformas especiales de gestión de bases de datos y hardware de cálculo y procesamiento de datos.

IDAEA ha aplicado esta metodología en interferometría de radar para mesurar deformaciones del terreno. Las imágenes que se generan contienen millones de pixeles, generando centenares de imágenes. Para tratar este volumen de datos, se filtran los datos y luego se procesan cuantifican e interpretan los datos. Para poder realizar esta tarea se requiere un sistema más capacitado que Excel o una base de datos y de un hardware con mayor capacidad de cálculo.