Modelling the Water Quality of River Mara Using an Adaptive Neuro-Fuzzy Inference System (ANFIS)

Los ríos son el torrente vital de los paisajes, transportando agua que sostiene desde el pez más pequeño hasta las manadas más grandes de animales pastadores. Pero la salud de un río no se trata solo de cuánta agua fluye a través de él; se trata de lo que está disuelto o suspendido en esa agua. Los científicos miden esta salud observando ingredientes específicos, como cuánto oxígeno hay disponible para la vida acuática, cuánta materia orgánica residual se está descomponiendo y cuánto lodo o limo nubla el flujo. Estos ingredientes no permanecen iguales; cambian con las estaciones. Cuando caen lluvias intensas, estas lavan el suelo y los nutrientes hacia el río, cambiando su química. Cuando llega la estación seca, el agua se ralentiza y otros procesos toman el control. Comprender estos patrones cambiantes es crucial para la gestión de los recursos hídricos, especialmente en regiones donde los ríos cruzan fronteras y sustentan ecosistemas enteros. Sin embargo, la relación entre estos ingredientes cambiantes es a menudo desordenada e impredecible, lo que dificulta predecir cómo se comportará un río basándose únicamente en promedios simples.

En la sección de Tanzania del río Mara, una vía fluvial vital compartida con Kenia, un equipo de investigadores se propuso comprender estos complejos cambios estacionales. Recopilaron una enorme colección de datos sobre la calidad del agua que abarca dieciséis años, desde 2010 hasta 2026, tomados de doce puntos diferentes a lo largo del río. Se centraron en cuatro indicadores clave: la cantidad de lodo y limo suspendidos, el nivel de oxígeno disuelto, la cantidad de contaminación orgánica y la concentración de nitrógeno amoniacal. Al clasificar estos datos en estaciones húmedas y secas, descubrieron que el río se comporta de manera diferente según la época del año. Durante la estación húmeda, la cantidad de contaminación orgánica aumentó significamente, mientras que los niveles de oxígeno también experimentaron un incremento modesto. La cantidad de lodo suspendido se mantuvo aproximadamente igual entre estaciones, aunque varió de forma más errática cuando las lluvias fueron intensas. Los niveles de amoníaco mostraron solo un pequeñísimo aumento durante los meses húmedos. Crucialmente, los investigadores descubrieron que estos números no siguen una curva de campana limpia y predecible; en su lugar, están sesgados, con picos ocasionales que rompen el patrón de la distribución normal. Esta irregularidad significa que las herramientas matemáticas estándar a menudo tienen dificultades para dar sentido a los datos.

Para abordar esta complejidad, los investigadores recurrieron a un modelo computacional sofisticado llamado Sistema de Inferencia Neuro-Difuso Adaptativo, o ANFIS. Piense en este sistema como un observador altamente entrenado que aprende a reconocer patrones estudiando ejemplos, de la misma manera que una persona aprende a identificar un ave al ver muchas especies diferentes en lugar de memorizar una única definición de un libro de texto. Este modelo fue diseñado para manejar las relaciones desordenadas y no lineales entre los ingredientes de la calidad del agua y una puntuación general que representa el nivel de contaminación del río. El equipo dividió sus dieciséis años de datos en dos grupos: uno para enseñar al modelo y otro para probar sus predicciones. Ejecutaron el modelo por separado para la estación seca y la estación húmeda para ver si podía adaptarse a las diferentes condiciones.

Los resultados fueron alentadores. El modelo demostró ser una herramienta poderosa para comprender la salud del río, capturando con éxito las complejas interacciones entre los diferentes factores de calidad del agua. Durante la estación seca, las predicciones del modelo coincidieron con las observaciones reales con un alto grado de precisión, explicando alrededor del ochenta por ciento de las variaciones observadas en los datos reales. Funcionó de manera un poco menos eficaz, aunque todavía muy sólida, durante la estación húmeda, explicando casi el ochenta por ciento de las variaciones. El modelo no realizó predicciones perfectas, y todavía hubo algunas diferencias inexplicables, particularmente durante los meses lluviosos cuando el río es más caótico. Sin embargo, el hecho de que el modelo funcionara tan bien sin necesidad de asumir que los datos seguían un patrón de línea recta simple sugiere que este enfoque es muy adecuado para ríos que cambian rápidamente.

El estudio destaca que, si bien la calidad del agua del río Mara se ve influenciada por las lluvias estacionales y la actividad humana, estos cambios pueden rastrearse y comprenderse utilizando técnicas de modelado avanzado. Los investigadores señalaron que su trabajo se basó en cuatro mediciones específicas, y que añadir más puntos de datos, como la cantidad de lluvia o la temperatura del agua, podría hacer que los modelos futuros sean aún más precisos. También reconocieron que sus datos provinieron de diferentes fuentes a lo largo de muchos años, lo que podría introducir pequeñas inconsistencias. A pesar de estas limitaciones, el estudio demuestra que la inteligencia artificial puede servir como una guía confiable para la gestión de los ríos. Al aprender del pasado, estos modelos ofrecen una forma de anticipar futuros problemas de calidad del agua, proporcionando una imagen más clara de cómo proteger este recurso transfronterizo crítico para la fauna, la agricultura y las comunidades que dependen de él.