Modela la curva de déficit de OD en tu río con la calculadora clásica Streeter-Phelps
Abrir Calculadora Streeter-PhelpsLa inteligencia artificial no reemplaza el juicio del experto en calidad del agua, pero puede hacer más rápido, más sistemático y más escalable el trabajo de análisis y predicción. Este artículo presenta cinco herramientas concretas, con guía práctica de aplicación para el contexto colombiano.
Google Earth Engine (GEE) es una plataforma cloud que da acceso gratuito a décadas de imágenes satelitales (Landsat, Sentinel, MODIS) y permite procesarlas con Python o JavaScript sin necesidad de descargar los datos.
Para calidad del agua: con las bandas de Sentinel-2 (visible e infrarrojo) se pueden estimar índices de turbidez, presencia de cianobacterias (NDCI), y el índice de color del agua en embalses y ríos amplios. Organizaciones como el IDEAM ya usan técnicas similares para monitoreo de embalses estratégicos.
Dónde empezar: earthengine.google.com - requiere cuenta Google, gratuito para investigación y gobierno.
Limitación: solo aplica a cuerpos de agua suficientemente anchos (>30-60 m, resolución de Sentinel-2 10 m). No es útil para quebradas pequeñas.
Con datos históricos de monitoreo (temperatura, conductividad, caudal, pH) es posible entrenar un modelo de regresión en Python para predecir OD o DBO5. La biblioteca scikit-learn hace esto accesible con pocas líneas de código:
Random Forest y XGBoost: los modelos más robustos para datos ambientales tabulares. Manejan bien valores faltantes y variables correlacionadas.
Aplicación práctica: llenar vacíos en series de OD a partir de temperatura y conductividad medidas continuamente (mucho más barato que medir OD continuamente con sonda).
Limitación: requiere al menos 2-3 años de datos históricos con buena cobertura temporal.
SWAT+ es un modelo hidrológico y de calidad del agua para cuencas, ampliamente usado para simular cargas difusas de N y P. SWAT-CUP (Calibration and Uncertainty Programs) automatiza la calibración del modelo con algoritmos SUFI-2, GLUE, PSO y ParaSol.
En Colombia, varios grupos de investigación (UNAL, Uniandes) han aplicado SWAT para cuencas andinas. La combinación SWAT + QUAL2K permite el análisis completo: cargas difusas de la cuenca (SWAT) + calidad del cauce receptor (QUAL2K).
Disponible en: swat.tamu.edu (gratuito). Curva de aprendizaje: alta. Requiere datos SIG, suelos y uso del suelo.
Las redes LSTM (Long Short-Term Memory) son especialmente útiles para predecir series temporales de calidad del agua porque capturan patrones de largo plazo (estacionalidad, efectos de sequía).
Implementación con TensorFlow/Keras (Python, gratuito). Entrada típica: series temporales de caudal, temperatura, precipitación. Salida: predicción de OD o conductividad.
Caso de uso: sistema de alerta temprana de eventos de contaminación en ríos con monitoreo continuo.
Limitación: requiere muchos datos (> 1-2 años de datos sub-diarios). Difícil de interpretar (caja negra).
Combinar sensores de bajo costo (OD, pH, conductividad, turbidez) con plataformas IoT como ThingsBoard o InfluxDB permite monitoreo continuo y detección automática de anomalías. Algoritmos de detección de outliers (Isolation Forest, DBSCAN) identifican eventos atípicos que podrían indicar vertimientos no autorizados.
Aplicación en Colombia: algunos operadores de acueductos y sistemas de riego ya usan sensores IoT para monitoreo de calidad en captaciones.
Costo: los sensores multisonda de calidad del agua de bajo costo han bajado de precio significativamente en los últimos 5 años (USD 500-2000 por sonda vs. USD 5000-15000 para equipos de laboratorio de campo).
Pon en práctica lo que acabas de leer con el motor de predicción QUAL2K completo
Prueba la herramienta QUAL2K gratis