Expertos del Aula CIMNE-UPM ETSII han evaluado la eficacia del aprendizaje automático (Machine Learning, ML) y de la imagen satelital para evaluar la calidad del agua en entornos de aguas continentales. En un estudio reciente, Laura Cáceres, el Dr. Jorge Rodríguez Chueca y el Dr. David J. Vicente han comparado estos enfoques con los métodos tradicionales, analizando cómo estas tecnologías podrían mejorar la monitorización de la seguridad y reducir la necesidad de mediciones intensivas in situ.
El manuscrito, titulado «Comparative assessment of machine learning and band ratios for robust water quality assessment in inland waters«, compara enfoques de aprendizaje automático con métodos tradicionales basados en cocientes de bandas para determinar qué técnicas ofrecen la evaluación más robusta de los parámetros de calidad del agua.
Aprovechando la imagen satelital, la investigación muestra cómo las tecnologías de teledetección combinadas con IA pueden mejorar la capacidad de monitorización de las aguas continentales y, potencialmente, reducir la necesidad de mediciones de campo intensivas en recursos sin perder precisión.
Resultados de predicción mediante aprendizaje automático obtenidos en diferentes escenarios de prueba
Este enfoque innovador podría acelerar las evaluaciones de seguridad y reducir los costes de mantenimiento ante la creciente demanda de soluciones escalables para monitorizar los recursos de agua dulce, a medida que aumentan las presiones del cambio climático y de la actividad humana.
«Esta investigación representa un paso importante adelante en la aplicación de la inteligencia artificial a la monitorización ambiental«, afirma el Dr. Vicente, quien también forma parte del clúster de investigación en Aprendizaje Automático y Modelos en Ingeniería Hidroambiental de CIMNE.
Colaboración con Canal de Isabel II
La investigación se ha desarrollado en el marco de un acuerdo de colaboración entre CIMNE, la Universidad Politécnica de Madrid (UPM) y Canal de Isabel II S.A.M.P., una de las principales empresas de gestión del agua de España. La colaboración refleja la relevancia práctica de la investigación, tendiendo puentes entre la innovación académica y las aplicaciones reales en la gestión de los recursos hídricos.
El acuerdo ha proporcionado a los expertos acceso a datos operativos y conocimiento especializado, al tiempo que ha ofrecido un banco de pruebas para nuevas metodologías de monitorización. Canal de Isabel II gestiona el suministro de agua de más de seis millones de personas en la Comunidad de Madrid.
Para Laura Cáceres, estudiante de doctorado en el Aula CIMNE-UPM ETSII, la publicación es significativa porque explora «cómo las técnicas computacionales avanzadas pueden abordar retos prácticos en la monitorización ambiental». Según explica, la oportunidad de vincular su tesis doctoral y su experiencia profesional en Canal de Isabel II ha sido inestimable para abordar aplicaciones científicas y del mundo real que pueden transferirse directamente a los usuarios finales.
El análisis comparativo presentado en el artículo aporta orientación basada en evidencias para la selección y la aplicación de distintas metodologías. Los métodos tradicionales de monitorización de la calidad del agua, aunque son precisos, a menudo requieren programas de muestreo extensos que pueden ser costosos y llevar mucho tiempo. Los enfoques de teledetección ofrecen el potencial de monitorizar simultáneamente múltiples masas de agua, proporcionando una cobertura que sería poco práctica con técnicas convencionales por sí solas.
Un testimonio de la investigación del Aula CIMNE-ETSII
El Aula CIMNE-UPM ETSII, con sede en la Escuela Técnica Superior de Ingenieros Industriales (ETSII) de la Universidad Politécnica de Madrid, se centra en la aplicación de métodos numéricos y aprendizaje automático a retos de ingeniería. Más allá de la evaluación de la calidad del agua, el aula impulsa activamente investigación sobre la aplicación de modelos de aprendizaje automático a los procesos de tratamiento de aguas residuales, abordando la necesidad de sistemas de gestión más eficientes y adaptativos en la infraestructura hídrica urbana.
Dr. David J. Vicente, Laura Cáceres y Dr. Jorge Rodríguez Chueca
El clúster de investigación de CIMNE Aprendizaje Automático y Modelos en Ingeniería Hidroambiental, también vinculado a esta investigación, reúne a especialistas que trabajan en diversas aplicaciones, entre ellas la predicción de inundaciones, la monitorización de la seguridad de presas y la evaluación de la calidad del agua.
El artículo está disponible en el volumen de enero de 2026 de ‘Remote Sensing Applications: Society and Environment’, publicado por Elsevier.
