![\"A](\"https:\/\/cimne.com\/wp-content\/uploads\/2026\/02\/202602_reservoir.jpg\")
<\/p>\n<\/p>\n
Expertos del Aula CIMNE-UPM ETSII<\/strong><\/a> han evaluado la eficacia del aprendizaje autom\u00e1tico (Machine Learning<\/em>, ML)<\/strong> y de la imagen satelital<\/strong> para evaluar la calidad del agua en entornos de aguas continentales<\/strong>. En un estudio reciente, Laura C\u00e1ceres, el Dr. Jorge Rodr\u00edguez Chueca y el Dr. David J. Vicente<\/a> han comparado estos enfoques con los m\u00e9todos tradicionales, analizando c\u00f3mo estas tecnolog\u00edas podr\u00edan mejorar la monitorizaci\u00f3n de la seguridad<\/strong> y reducir la necesidad de mediciones intensivas in situ<\/em>.<\/p>\n El manuscrito, titulado \u00abComparative assessment of machine learning and band ratios for robust water quality assessment in inland waters<\/em>\u00ab, compara enfoques de aprendizaje autom\u00e1tico con m\u00e9todos tradicionales basados en cocientes de bandas para determinar qu\u00e9 t\u00e9cnicas ofrecen la evaluaci\u00f3n m\u00e1s robusta de los par\u00e1metros de calidad del agua<\/strong>.<\/p>\n Aprovechando la imagen satelital, la investigaci\u00f3n muestra c\u00f3mo las tecnolog\u00edas de teledetecci\u00f3n combinadas con IA pueden mejorar la capacidad de monitorizaci\u00f3n de las aguas continentales<\/strong> y, potencialmente, reducir la necesidad de mediciones de campo intensivas en recursos sin perder precisi\u00f3n.<\/p>\n Este enfoque innovador podr\u00eda 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<\/strong>, a medida que aumentan las presiones del cambio clim\u00e1tico y de la actividad humana.<\/p>\n \u00abEsta investigaci\u00f3n representa un paso importante adelante en la aplicaci\u00f3n de la inteligencia artificial a la monitorizaci\u00f3n ambiental<\/strong>\u00ab, afirma el Dr. Vicente, quien tambi\u00e9n forma parte del cl\u00faster de investigaci\u00f3n en Aprendizaje Autom\u00e1tico y Modelos en Ingenier\u00eda Hidroambiental<\/a> de CIMNE.<\/p>\n La investigaci\u00f3n se ha desarrollado en el marco de un acuerdo de colaboraci\u00f3n<\/strong> entre CIMNE, la Universidad Polit\u00e9cnica de Madrid (UPM) y Canal de Isabel II<\/a> S.A.M.P., una de las principales empresas de gesti\u00f3n del agua de Espa\u00f1a. La colaboraci\u00f3n refleja la relevancia pr\u00e1ctica de la investigaci\u00f3n, tendiendo puentes entre la innovaci\u00f3n acad\u00e9mica y las aplicaciones reales<\/strong> en la gesti\u00f3n de los recursos h\u00eddricos.<\/p>\n El acuerdo ha proporcionado a los expertos acceso a datos operativos y conocimiento especializado<\/strong>, al tiempo que ha ofrecido un banco de pruebas para nuevas metodolog\u00edas de monitorizaci\u00f3n. Canal de Isabel II gestiona el suministro de agua de m\u00e1s de seis millones de personas en la Comunidad de Madrid.<\/p>\n Para Laura C\u00e1ceres<\/a>, estudiante de doctorado en el Aula CIMNE-UPM ETSII, la publicaci\u00f3n es significativa porque explora \u00abc\u00f3mo las t\u00e9cnicas computacionales avanzadas pueden abordar retos pr\u00e1cticos en la monitorizaci\u00f3n ambiental\u00bb. Seg\u00fan explica, la oportunidad de vincular su tesis doctoral y su experiencia profesional en Canal de Isabel II ha sido inestimable para abordar aplicaciones cient\u00edficas y del mundo real que pueden transferirse directamente a los usuarios finales.<\/p>\n El an\u00e1lisis comparativo presentado en el art\u00edculo aporta orientaci\u00f3n basada en evidencias para la selecci\u00f3n y la aplicaci\u00f3n de distintas metodolog\u00edas<\/strong>. Los m\u00e9todos tradicionales de monitorizaci\u00f3n 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 teledetecci\u00f3n ofrecen el potencial de monitorizar simult\u00e1neamente m\u00faltiples masas de agua, proporcionando una cobertura que ser\u00eda poco pr\u00e1ctica con t\u00e9cnicas convencionales por s\u00ed solas.<\/p>\n El Aula CIMNE-UPM ETSII, con sede en la Escuela T\u00e9cnica Superior de Ingenieros Industriales (ETSII) de la Universidad Polit\u00e9cnica de Madrid, se centra en la aplicaci\u00f3n de m\u00e9todos num\u00e9ricos y aprendizaje autom\u00e1tico a retos de ingenier\u00eda. M\u00e1s all\u00e1 de la evaluaci\u00f3n de la calidad del agua, el aula impulsa activamente investigaci\u00f3n sobre la aplicaci\u00f3n de modelos de aprendizaje autom\u00e1tico a los procesos de tratamiento de aguas residuales<\/strong>, abordando la necesidad de sistemas de gesti\u00f3n m\u00e1s eficientes y adaptativos en la infraestructura h\u00eddrica urbana. <\/p>\n El cl\u00faster de investigaci\u00f3n de CIMNE Aprendizaje Autom\u00e1tico y Modelos en Ingenier\u00eda Hidroambiental<\/a>, tambi\u00e9n vinculado a esta investigaci\u00f3n, re\u00fane a especialistas que trabajan en diversas aplicaciones, entre ellas la predicci\u00f3n de inundaciones, la monitorizaci\u00f3n de la seguridad de presas y la evaluaci\u00f3n de la calidad del agua.<\/p>\n![\"Machine-learning](\"https:\/\/cimne.com\/wp-content\/uploads\/2026\/02\/202602_fig_-model_scenarios.jpg\")
Resultados de predicci\u00f3n mediante aprendizaje autom\u00e1tico obtenidos en diferentes escenarios de prueba<\/em><\/p>\nColaboraci\u00f3n con Canal de Isabel II<\/strong><\/h3>\n
Un testimonio de la investigaci\u00f3n del Aula CIMNE-ETSII<\/strong><\/h3>\n
![\"Laura](\"https:\/\/cimne.com\/wp-content\/uploads\/2026\/02\/20260202_LCaceres_JRodriguez_DVicente_CIMNE.jpg\")
Dr. David J. Vicente, Laura C\u00e1ceres y Dr. Jorge Rodr\u00edguez Chueca<\/em><\/p>\n