Daniela Cortés Toto es Doctora en Matemáticas, miembro del Sistema Nacional de Investigadores e Investigadoras del CONAHCYT con el nivel 1. Actualmente es profesora de tiempo completo del Departamento de Actuaría Física y Matemáticas de la Universidad de las Américas Puebla y es parte del núcleo académico del Doctorado en Ciencias del Agua que oferta la Escuela de Ingeniería de la misma universidad. Realiza investigación enfocada en temas de estadística, pronósticos de series de tiempo y ciencias del agua.
Contacto: daniela.cortes@udlap.mx.
Un viernes por la tarde sales de tu trabajo y te diriges a tu casa para descansar después de tu jornada laboral. Al llegar dejas tus cosas y avanzas hacia la cocina para prepararte una bebida refrescante o alguna botana antes de decidir qué cenarás más tarde; antes de llegar a tu destino te detienes para lavar tus manos y más tarde te dispones a disfrutar de tus alimentos mientras escuchas algún podcast o ves algún contenido interesante en cualquiera de las plataformas de streaming con las que cuentas en tu hogar.
Esta situación puede parecernos completamente común un día cualquiera, sin embargo, detrás de estas sencillas acciones hay varias situaciones entorno al consumo de agua que tuvieron que ocurrir para que pudieras disfrutar de tu tarde de relajación.
Estamos tan acostumbrados a gozar del privilegio de contar con agua potabilizada y para consumo humano que lo vivimos como algo obvio y cotidiano, cuando la realidad es que este recurso es finito y cada vez más escaso. De acuerdo con la CONAGUA, en México el 76% de agua se utiliza para agricultura (por ejemplo, en riego de cultivos), 14% en abastecimiento público (red de agua potable), 5% en las plantas termoeléctricas (producción de electricidad) y 5% en la industria (uso de agua por parte de las industrias para autoabastecerse). Entonces, es bastante claro que una sociedad altamente consumista como la nuestra requiere una gran demanda de agua.
Para lograr satisfacer esta fuerte demanda de agua se requiere llevar a cabo acciones variadas, esto lo vuelve una tarea no tan sencilla, pues hay un gran número de variables que intervienen en esta situación: el crecimiento poblacional, los problemas de sequías en distintas zonas del país, las características geográficas, demográficas y geofísicas de cada zona. Todo esto implica un gran esfuerzo en la recolección y manejo de información variada y en grandes cantidades.
Intentar abordar el problema del desabasto de agua es una tarea titánica, desde cualquier área en la cual se dirija el esfuerzo, sin embargo, esta labor puede verse apoyada enormemente mediante una herramienta que cada día se vuelve vital en nuestra vida cotidiana y va creciendo a pasos acelerados: la Inteligencia Artificial (IA).
La mayoría de los métodos de IA son herramientas que llevan varios años siendo utilizadas para resolver otros problemas que comparten junto con el problema del agua el manejo de datos complicados. Kwok-wing Chau (2006) desde casi dos décadas atrás exploraba la integración de la IA en la modelación de la calidad del agua mediante el uso de métodos y algoritmos que utilizan redes neuronales artificiales, algoritmos genéticos, sistemas de inferencia difusa entre otros.
Actualmente las investigaciones referentes al uso de IA en la problemática del agua han continuado avanzando, como se presenta en Gulzar Alam et al. (2022), quienes proporcionan un análisis crítico de diferentes herramientas de IA utilizadas para evaluar el desempeño del proceso de adsorción empleado para la eliminación de metales, colorantes, compuestos orgánicos, nutrientes, productos farmacéuticos, medicamentos, pesticidas y productos de cuidado personal del agua. En su trabajo, describen las variables de entrada que afectan el rendimiento del proceso y discuten los parámetros que evalúan la eficiencia de los modelos de IA. Finalmente, destacan los importantes desafíos en las aplicaciones generalizadas de la IA en el tratamiento del agua y brindan recomendaciones para futuras investigaciones. Otro ejemplo es el de Tiyasha et al. (2020), quienes reportan un estudio del estado del arte de varios modelos de IA implementados para la simulación de calidad del agua de ríos durante las últimas dos décadas (2000-2020), después de revisar más de 200 artículos de investigación de las revistas de Web of Science* presentan modelos con un largo recorrido en IA por sus bondades en resolver problemas que involucran datos no lineales, poco robustos, con propiedades vagas debido a los múltiples cambios naturales impredecibles que se presentan en este tipo de problemáticas.
Finalmente, compañías en soluciones tecnológicas tales como Arkkosotf, plantean algunos ejemplos en los que la IA puede ayudar a mejorar el uso, la conciencia y el ahorro del agua:
Monitoreo de la calidad de agua: sensores que puedan medir la calidad del agua y enviar estos datos a plataformas centralizadas para su análisis.
Riego inteligente: los sistemas de riegos pueden ser inteligentes al usar sensores para medir factores como humedad del suelo y temperatura entre otros, con la finalidad de ajustar automáticamente la cantidad de agua que se debe aplicar en función de las necesidades de los cultivos. Logrando así una mayor eficiencia del agua.
Análisis de datos: analizar grandes cantidades datos sobre el uso del agua y las condiciones climáticas para identificar patrones y tendencias en el consumo de agua y tomar decisiones informadas sobre su gestión.
Sensibilización al público: desarrollo de aplicaciones móviles para educar a los usuarios sobre la huella hídrica que implican sus actividades diarias y el consumo de productos habituales.
Gestión de recursos hídricos: desarrollo de sistemas de gestión de cuencas hidrográficas mediante modelos de simulación, para prever el impacto de las actividades humanas en la calidad y cantidad del agua y desarrollar estrategias para minimizar dicho impacto.
Tratamiento de aguas residuales: los sistemas de tratamiento pueden utilizar IA para optimizar procesos de eliminación de contaminantes y reducir costos de operación.
*Web of Science es un servicio en línea de información científica, suministrado por Clarivate Analytics (antes, de Thomson Reuters) que facilita el acceso a un conjunto de bases de datos en las que aparecen citas de artículos de revistas científicas, libros y otros tipos de material impreso que abarcan todos los campos del conocimiento académico.
Gulzar Alam, Ihsanullah Ihsanullah, Mu. Naushad and Mika Sillanpää. Applications of artificial intelligence in water treatment for optimization and automation of adsorption processes: Recent advances and prospects. Chemical Engineering Journal. 427: 130011. 2022.
INEGI. Cuéntame de México. https://cuentame.inegi.org.mx/territorio/agua/usos.aspx?tema=T
Kwok-wing Chau. A review on integration of artificial intelligence into water quality modelling. Marine Pollution Bulletin. 7: 726-733. 2006.
Tiyasha, Tran Minh Tung and Zaher Mundher Yaseen. A survey on river water quality modelling using artificial intelligence models: 2000–2020. Journal of Hydrology. 585: 124670. 2020.
Valerio Mauricio. Inteligencia Artificial: aliada en la conservación del agua. Arkkosoft. 2023. https://arkkosoft.com/inteligencia-artificial-aliada-en-la-conservacion-del-agua/