IA predictiva identifica zonas de riesgo en aguas subterráneas para mejorar la vigilancia.

MadridInvestigadores han mejorado la manera en que monitoreamos la calidad del agua subterránea mediante una nueva herramienta de aprendizaje automático. Esta herramienta ayuda a identificar áreas de alto riesgo para la contaminación del agua subterránea, incluso con datos limitados. Se está utilizando inicialmente en Arizona y Carolina del Norte, pero puede adaptarse para otras regiones. El agua subterránea puede contener sustancias dañinas como arsénico y plomo, por lo que su monitoreo es crucial. Las pruebas del agua subterránea pueden ser costosas y complicadas, razón por la cual este nuevo enfoque es tan necesario.

El modelo de aprendizaje automático analiza un extenso conjunto de registros de la calidad del agua subterránea de los últimos 140 años. Incluye más de 20 millones de datos que abarcan más de 50 parámetros de calidad del agua. Con esta información, la IA puede predecir la presencia y el nivel de diversos contaminantes inorgánicos, incluso cuando solo se dispone de algunos parámetros. Los resultados iniciales muestran una discrepancia entre los datos actuales y las predicciones de la IA sobre qué sitios cumplen con los estándares de seguridad. Por ejemplo, los datos de campo sugieren que el 75-80% de las ubicaciones pasan las pruebas de seguridad, pero la IA predice que solo el 15-55% de ellos podrían ser realmente seguros.

El modelo facilita la asignación de recursos y se enfoca en las áreas más vulnerables al considerar los siguientes factores:

• Correlación con datos geológicos y medioambientales
• Patrones históricos de aparición de contaminantes específicos
• Elementos beneficiosos para la agricultura pero perjudiciales en otros contextos

Lea también:

14 de noviembre de 2024 · 21:13

Estudio revela el papel de la IA en mejorar la precisión diagnóstica de los médicos

Este enfoque está diseñado para ayudar a las agencias estatales y gobiernos locales a dirigir recursos hacia las áreas que más los necesitan, haciendo que las pruebas y el tratamiento del agua sean más efectivos. Al actualizar continuamente el modelo con diferentes datos de todo EE. UU. y nueva información ambiental, los investigadores buscan aumentar su precisión con el tiempo.

El estudio investiga cómo el modelo puede seguir los niveles de fósforo, que son cruciales para la agricultura pero también pueden ser perjudiciales para el medio ambiente. El objetivo principal es que el modelo ayude a gestionar el uso de fósforo en diferentes ecosistemas. Al mejorar esta herramienta de inteligencia artificial, los científicos buscan hacer que el agua sea más segura en todo el mundo, promoviendo así una mejor salud ambiental y pública. Los investigadores esperan que esto conduzca a un mejor monitoreo de los nuevos contaminantes.