Evaluation of decision tree algorithms for predictive machine learning modelling of potable water quality

El agua limpia es la base de la salud humana, una necesidad básica que permite que las comunidades prosperen y las economías crezcan. Sin embargo, las fuentes de esta agua —ríos, lagos y acuíferos subterráneos— son cada vez más vulnerables a los patrones cambiantes de nuestro clima en transformación. A medida que las temperaturas aumentan y el clima se vuelve más extremo, el equilibrio químico de estos cuerpos de agua puede cambiar, introduciendo contaminantes o alterando las propiedades mismas que hacen que el agua sea segura para beber. Durante décadas, los científicos han dependido de pruebas físicas y análisis químicos para monitorear estos cambios, pero el enorme volumen de datos y la complejidad de los factores ambientales han dificultado la predicción de riesgos futuros con rapidez y precisión. En años recientes, una nueva herramienta ha surgido para ayudar: el aprendizaje automático (machine learning). Este enfoque utiliza algoritmos computacionales para encontrar patrones ocultos en grandes conjuntos de datos, lo que permite a los investigadores realizar predicciones sobre sistemas complejos sin necesidad de comprender cada una de las variables en tiempo real. Al enseñar a las computadoras a reconocer las señales de agua segura frente a agua insegura, los científicos esperan crear sistemas de alerta temprana que puedan proteger la salud pública antes de que ocurra una crisis.

En un estudio reciente, los investigadores se propuscieron probar cuál de estos métodos de aprendizaje computacional funciona mejor para predecir si el agua es segura para beber. Se centraron en un conjunto específico de mediciones químicas y físicas que definen la calidad del agua, incluyendo los niveles de acidez, el contenido mineral y la presencia de subproductos específicos creados durante el tratamiento del agua. El equipo recopiló una gran colección de muestras de agua del mundo real, cada una etiquetada como segura o insegura según los estándares de salud establecidos. Luego, introdujeron estos datos en siete tipos diferentes de algoritmos de toma de decisiones, que son esencialmente programas informáticos diseñados para clasificar la información en categorías. Estos programas variaban desde modelos de decisión simples y únicos hasta sistemas complejos que construyen cientos de diminutos árboles de decisión para llegar a una conclusión final. Los investigadores utilizaron una herramienta de software especializada para ejecutar estos modelos contra los datos del agua, probando su capacidad para identificar correctamente las muestras seguras e inseguras.

Los resultados de esta comparación fueron claros. Si bien todos los modelos computacionales ofrecieron algún nivel de precisión, un método destacó como el más fiable. El algoritmo conocido como Random Forest (Bosque Aleatorio), que funciona combinando las predicaciones de muchos árboles de decisión más pequeños, logró la tasa de éxito general más alta. Clasificó correctamente casi el 70 por ciento de las muestras de agua, una cifra que fue superior a la de cualquier otro modelo probado. Cuando los investigadores profundizaron en el rendimiento de este modelo principal, descubrieron que era particularmente bueno distinguiendo entre agua segura y agua que representaba un riesgo para la salud. El modelo mostró una fuerte capacidad para predecir la seguridad del agua, con medidas estadísticas que indicaban que era más consistente y preciso que los otros métodos, que incluían modelos basados en árboles más simples y otras variaciones de software de toma de decisiones.

El estudio también destacó los factores específicos que los modelos computacionales utilizaron para tomar sus juicios. Los datos incluyeron mediciones de pH, dureza, sólidos disueltos y diversos compuestos químicos como las cloraminas y los trihalometanos, que pueden formarse cuando los desinfectantes reaccionan con la materia orgánica en el agua. Los modelos aprendieron que cuando aparecían ciertas combinaciones de estos valores, el agua era probablemente insegura. Por ejemplo, la presencia de niveles elevados de subproductos de desinfección específicos era un fuerte indicador de que la calidad del agua se había degradado. Al identificar estos patrones, el modelo Random Forest demostró que podía actuar como un filtro poderoso, filtrando datos químicos complejos para proporcionar una respuesta clara: segura o insegura.

Esta investigación ofrece un camino práctico para los gestores del agua y los funcionarios de salud pública. En regiones donde los recursos hídricos son escasos o donde los métodos de prueba tradicionales son demasiado lentos o costosos, un modelo computacional como este podría proporcionar evaluaciones rápidas de la seguridad del agua. El estudio sugiere que, mediante el uso del enfoque Random Forest, las autoridades podrían monitorear mejor los suministros de agua, especialmente en áreas que enfrentan desafíos como el agua estancada o la acumulación de nutrientes. Si bien el modelo no es perfecto y aún deja cierto margen de error, representa un paso significativo hacia el uso de la tecnología para salvaguardar un derecho humano fundamental. Los hallazgos confirman que, entre las diversas herramientas disponibles, este tipo específico de aprendizaje automático ofrece la forma más confiable de predecir la calidad del agua, proporcionando una base sólida para los esfuerzos futuros destinados a asegurar el agua limpia para todos.