La cuestión de la disponibilidad de agua se ha convertido en un tema crucial, especialmente durante el verano, cuando las sequías son cada vez más frecuentes. Prever los niveles de agua en las capas freáticas es un gran reto para la gestión sostenible de los recursos hídricos.
Un gran reto para nuestra sociedad y el medio ambiente
En este contexto, ILLUIN Technology y el BRGM (Bureau de Recherches Géologiques et Minières) han colaborado para desarrollar un enfoque innovador basado en el aprendizaje automático, con el fin de predecir la evolución de las capas freáticas y planificar mejor su gestión.
La predicción de los niveles de agua en las capas freáticas es esencial para evitar la escasez de agua y optimizar su uso, especialmente en regiones como la cuenca del Adour-Garonne, que se enfrentan a períodos de sequía prolongados. El BRGM quería explorar las posibilidades que ofrece el aprendizaje automático para mejorar la precisión de las predicciones a partir de los datos históricos de los acuíferos.
ILLUIN Technology ha aceptado este reto aportando su experiencia en ciencia de datos para crear modelos predictivos capaces de anticipar las fluctuaciones de los niveles de agua a corto y medio plazo.
Un enfoque basado en el aprendizaje automático para predecir los niveles del agua
Para responder a las necesidades del BRGM, el equipo de ILLUIN Technology, compuesto por Yonatan Deloro, Michaël Resplandy y Théo Rubenach, ha creado varios modelos estadísticos de regresión. Estos modelos se han probado en varios acuíferos de la cuenca del Adour-Garonne, con el objetivo de predecir los niveles de agua durante un periodo de 3 a 6 meses.
La innovación de este enfoque reside en su flexibilidad. Se han probado dos tipos de modelos:
-
-
- Modelo local: un modelo específico para cada acuífero, que aprende a partir de los datos históricos de ese punto de seguimiento únicamente.
- Modelo global: Modelo basado en datos de varios acuíferos que comparten características hidrogeológicas similares, útil cuando no se dispone de datos históricos suficientes.
-
Resultados prometedores: predicciones precisas a pesar de los datos limitados
Las conclusiones de este proyecto son especialmente alentadoras:
-
-
- Modelo local: cuando se dispone de datos históricos suficientes (varios años), el modelo local ofrece resultados muy precisos, ya que se adapta a las características específicas del acuífero.
- Modelo global: A falta de un historial de datos extenso, el modelo global ha demostrado ser extremadamente eficaz. Permite reducir hasta un 75 % el error medio (RMSE) en comparación con un modelo local basado en solo dos años de historial.
-
Este enfoque permite obtener predicciones fiables incluso para acuíferos con pocos datos, lo que supone un avance decisivo para la gestión de las capas freáticas.
Continuación: Comparar y perfeccionar los modelos
El siguiente paso de este proyecto es comparar el rendimiento de los modelos desarrollados con los enfoques tradicionales utilizados por el BRGM. El objetivo es validar que estos modelos basados en el aprendizaje automático pueden ofrecer predicciones más rápidas y precisas, al tiempo que requieren menos trabajo de modelización por parte de los expertos en hidrogeología.
Una de las grandes ventajas de este método es que no requiere un esfuerzo específico de modelización por parte de los expertos en la materia, lo que facilita su adopción y uso a gran escala.
Conclusión: un avance tecnológico para la gestión de los recursos hídricos.
En colaboración con el BRGM, ILLUIN Technology contribuye activamente a la transición ecológica ofreciendo soluciones tecnológicas innovadoras para la gestión sostenible de los recursos hídricos. Gracias al aprendizaje automático, ahora es posible predecir con mayor precisión los niveles de agua en las capas freáticas, incluso cuando los datos disponibles son limitados.
Este avance permite no solo optimizar la gestión de los recursos hídricos, sino también anticipar mejor los periodos de sequía, reduciendo así los riesgos medioambientales y económicos asociados.
