Hoy, 22 de marzo, se celebra el Día Mundial del Agua para recordar y poner en valor la relevancia del agua en nuestras vidas. En las últimas décadas, numerosos estudios de organizaciones internacionales han evidenciado que un gran porcentaje de personas carecen de un suministro seguro de agua potable. Por tanto, este día tiene por objetivo concienciar a la sociedad acerca de la crisis mundial del agua en algunos territorios y, mostrar la necesidad de buscar medidas para abordar esta problemática. Todo ello queda enmarcado dentro de la Agenda 2030 como el Objetivo de Desarrollo Sostenible nº6: Agua y saneamiento para todos.
Con motivo de este día queremos hablaros de la investigación de Víctor. Como comentamos en una entrada anterior, Víctor utiliza las técnicas de machine learning para cartografiar el potencial hidrogeológico en regiones del África subsahariana. Os dejamos a continuación con algunos de sus resultados publicados recientemente en Hydrology and Earth System Science y Geocarto International.
PROBLEMÁTICA Y OBJETIVOS
El suministro de agua es crucial para el desarrollo humano. Sin agua no hay posibilidades de hidratación, de producir alimentos, ni de higiene. Todo esto se hace especialmente patente en países de baja renta, donde además existe una elevada correlación entre escolarización infantil y disponibilidad de agua potable. Por ello, las Naciones Unidas definen el acceso al agua como un derecho humano fundamental.
En regiones semiáridas, donde las precipitaciones son escasas, el acceso a una fuente de agua segura es crucial para la supervivencia. Las aguas subterráneas desempeñan un papel fundamental para el suministro de agua potable. Se estima que en los países del África subsahariana, este recurso supone la principal fuente de abastecimiento doméstico para aproximadamente el 80% de la población. Esta proporción tenderá a incrementarse en un contexto de cambio climático.
En la fotografía podemos ver una perforación y el depósito de agua localizado en la aldea de Djélibani en Mali.
Perforar un pozo profundo cuesta varios miles de euros, inversión muy importante en entornos de pobreza extrema. Además, en muchas ocasiones, menos del 30% de los pozos encuentra agua. Esto se debe principalmente al desconocimiento hidrogeológico. La consecuencia práctica es la pérdida de millones de euros de ayuda humanitaria en perforaciones infructuosas.
Por todo ello, la cartografía de potencialidad hidrogeológica (GPM, por sus siglas en inglés) constituye una herramienta de apoyo a la gestión de los recursos hídricos subterráneos cada vez más necesaria. La GPM permite identificar aquellas áreas que son más favorables para la explotación de las aguas subterráneas a partir de información que puede obtenerse a coste cero, como cartografía existente, modelos digitales de elevación e imágenes de satélite. El principal aporte de esta investigación es la utilización de técnicas de machine learning para la producción de mapas de potencialidad de recursos acuíferos en regiones remotas.
FUNDAMENTO TÉCNICO
El fundamento básico es que la presencia de agua subterránea puede inferirse parcialmente a partir de información superficial. Estará condicionada por factores como el tipo de roca, la pendiente del terreno o la cercanía a cauces superficiales, entre otros muchos. Por ejemplo, una zona formada por materiales muy permeables, situados en una zona deprimida, tendrá más posibilidades de albergar agua subterránea que un afloramiento rocoso no fracturado.
MLMapper es una herramienta de código abierto desarrollada en lenguaje Python y disponible para QGIS. Proporciona predicciones espacialmente distribuidas para una variable objetivo (presencia de agua subterránea) basadas en algoritmos de clasificación supervisada, un conjunto de variables explicativas y un conjunto de puntos de entrenamiento donde se conoce el resultado de la variable objetivo. Los algoritmos buscan aquellos patrones de variables explicativas que han conducido a perforaciones exitosas y extrapolan los resultados para localizar otras zonas de carácter similar. Lo mismo ocurre con las perforaciones infructuosas, lo que permite descartar las zonas poco favorables desde el punto de vista hidrogeológico.
MLMapper incluye algoritmos basados en árboles, máquinas de vectores de soporte e incluso redes neuronales artificiales. Las últimas mejoras incorporadas incluyen el escalado automático de variables, los procedimientos de validación cruzada y la eliminación recursiva de variables (procedimiento que elimina aquellas variables que no son útiles en las predicciones).
APLICACIONES PRÁCTICAS
Esta metodología se ha aplicado con éxito en las regiones de Bamako y Koulikoro (Malí) y la región de Ouaddai (Chad). Las bases de datos fueron proporcionadas por la Dirección Nacional de Hidráulica de Malí y el Gobierno de la República del Chad, con el que se colabora activamente en la elaboración de la cartografía hidrogeológica oficial.
Los resultados son evaluados mediante métricas de aprendizaje automático, y se comparan además con conjuntos de datos independientes como el caudal de los pozos conocidos. La aplicación de este método en Malí y Chad ha proporcionado tasas de éxito de entre el 85% y 90%. Esto demuestra que la metodología es susceptible de ser utilizada en otras regiones. Además, su versatilidad hace que pueda utilizarse para predecir cualquier otro tipo de variable espacialmente distribuida. Y es eso lo que manifiestan los trabajos realizados para cartografiar la presencia de ecosistemas acuáticos dependientes de aguas subterráneas en Colombia.
IMPORTANCIA DEL AGUA
Esperamos que os haya gustado esta entrada y que hayaís podido aprender (aunque sea un poco) sobre las investigaciones que se están llevando a cabo con el fin de mejorar el acceso al agua potable en regiones desfavorecidas.
Por si queréis leer más, os dejamos aquí abajo las referencias de los artículos científicos así como la nota de prensa publicada hoy por la unidad de Cultura Científica de la UCM.
¡Nos vemos pronto!
Referencias:
⦿ Gómez-Escalonilla, V., Martínez-Santos, P., and Martín-Loeches, M. (2022): Preprocessing approaches in machine-learning-based groundwater potential mapping: an application to the Koulikoro and Bamako regions, Mali, Hydrol. Earth Syst. Sci., 26, 221–243, DOI: 10.5194/hess-26-221-2022.
⦿ Gómez-Escalonilla Víctor, Vogt Marie-Louise, Destro Elisa, Isseini Moussa, Origgi Giaime, Djoret Daira, Martínez-Santos Pedro & Holecz Francesco (2021): Delineation of groundwater potential zones by means of ensemble tree supervised classification methods in the Eastern Lake Chad basin, Geocarto International, DOI: 10.1080/10106049.2021.2007298
⦿ Nota de prensa: La inteligencia artificial localiza el agua “invisible» en Mali y Chad