La investigación está financiada por el Ministerio de Ciencia, Innovación y Universidades a través del proyecto de Retos de Investigación 2018 de título ‘Desarrollo de metodologías de machine learning para la optimización de campañas de prospección hidrogeológica’ y en ella ha participado el geólogo de la UAH, Miguel Martín-Loeches eligiendo, definiendo y desarrollando las capas temáticas que son procesadas por los algoritmos de machine learning a través del programa MLmapper que inicialmente fue desarrollado por uno de los miembros del equipo y que se encuentra en proceso continuo de mejora como uno de los objetivos del proyecto.

Como explica el profesor Martín-Loeches, ‘estas capas temáticas son los mapas de las variables explicativas de la presencia o de la ausencia de agua subterránea en el territorio que se estudia. La pendiente del terreno, la densidad del drenaje de las aguas superficiales, la presencia de arcillas en el suelo, la precipitación o la litología son algunos ejemplos’.

La forma más habitual de operar consiste en superponer estos mapas previamente rasterizados y clasificados por un experto (cuya experiencia otorga un valor numérico de mayor potencial hidrogeológico a cada rango de valores de cada variable) con un criterio matemático sencillo. Esto se hace en una plataforma de un sistema de información geográfica y se obtiene un valor final en cada pixel, se transforma en un mapa que refleja el éxito potencial en las captaciones.

Pero ‘con el machine learning es diferente. No necesitamos la clasificación de los mapas temáticos que realiza el experto ya que se puede operar desde la oficina o el despacho, sin criterio previo. No necesitamos decirle a la máquina que el pixel del mapa de pendientes donde la pendiente está por debajo de 5 grados es bueno por otorgar potencial de obtener agua subterránea ya que lo que llueve sobre él tiene más posibilidades de infiltrarse’ explica el profesor.

Para operar con inteligencia artificial esta técnica necesita, además, de los mapas con las variables explicativas, información en mapas de la localización de pozos ya realizados y su resultado (positivo o negativo). Los algoritmos de machine learning buscan los patrones de estas variables explicativas que conducen a un resultado u otro.  Si el proceso de validación arroja resultados satisfactorios, es posible extrapolar estos patrones a zonas en las que se carece de información. De esta forma, se puede predecir si las condiciones hidrogeológicas son favorables o no en dichas regiones. En otras palabras, como explica el experto ‘allí donde se encuentra la mejor combinación de las variables, la máquina otorga un valor de potencial hidrogeológico y construye el mapa. Mientras mayor sea el número de datos (pozos) a través de los cuales construir artificialmente estos patrones, mejor’.

Esta técnica está ayudando a los países en vías de desarrollo a buscar agua ya que la construcción de un pozo requiere esfuerzo y dinero, de manera que esta herramienta puede ayudar a optimizar recursos. Un técnico local de una población de Burkina, por ejemplo, puede con ayuda de un mapa configurado con esta técnica, decidir si hacer o no un pozo. De hecho, ya se está empleando en zonas de Mali, y se está preparando una cartografía para una amplia región de la República Democrática del Congo.

‘Más allá de esta situación simple, técnicos de países en desarrollo con conocimientos básicos de imágenes de satélite, cartografía y SIG, pueden configurar un mapa de potencial hidrogeológico de cualquier región, siempre y cuando cuenten con la información previa necesaria. Las imágenes de satélite y algunos SIG pueden descargarse gratuitamente. No obstante, existen factores sociales que todavía no pueden procesarse con fiabilidad por los ordenadores y que pesan mucho sobre la decisión final de ubicación de una captación de agua.  En el terreno, hoy, el uso de estos mapas de potencial hidrogeológico realizados con ayuda de la inteligencia artificial constituye una herramienta más. Su mejora es constante y pronto se llagará a una cartografía de gran calidad’ concluye el profesor Martín-Loeches. 

Publicado en: Reportaje