La inteligencia artificial mejora la detección de la calidad del agua
La calidad del agua es un tema crucial para la salud pública, amenazada por la contaminación industrial y los vertidos químicos. Un reciente avance utiliza métodos de aprendizaje automático para evaluar la seguridad del agua potable e identificar los factores de riesgo. Gracias a una base de datos que contiene nueve características clave, como el pH, la dureza, los sólidos disueltos o la turbiedad, se han entrenado algoritmos para distinguir entre agua saludable y agua peligrosa.
Entre las técnicas probadas, el método de bosques aleatorios ha demostrado ser el más eficiente, con una tasa de precisión del 83,83 %, superando ampliamente a los sistemas anteriores, que alcanzaban entre el 60 % y el 70 %. Este modelo no solo permite clasificar el agua como potable o no, sino también identificar el parámetro principal responsable de una posible contaminación. Por ejemplo, un nivel demasiado alto de sulfatos puede causar trastornos digestivos, mientras que una concentración excesiva de trihalometanos está relacionada con riesgos de cáncer.
La originalidad de este enfoque radica en su accesibilidad. Una interfaz web desarrollada en Python con Flask permite a los usuarios obtener un análisis instantáneo. Basta con introducir los valores de los diferentes parámetros para conocer la calidad del agua y los riesgos asociados. Este sistema es especialmente útil en regiones sin laboratorios de análisis, donde las pruebas tradicionales son costosas y lentas.
Los otros algoritmos evaluados, como los árboles de decisión o los métodos de gradient boosting, también han mostrado buenos resultados, aunque con una precisión ligeramente inferior. Sin embargo, su uso combinado refuerza la fiabilidad global del sistema. Los bosques aleatorios se destacan por su capacidad para gestionar interacciones complejas entre los parámetros, donde reglas simples basadas en umbrales fallan.
El agua contiene numerosas sustancias que influyen en su calidad. Un pH demasiado ácido o demasiado básico irrita la piel y las mucosas. Una dureza excesiva puede favorecer la corrosión de las tuberías, liberando metales pesados. Los sólidos disueltos en gran cantidad alteran el sabor y pueden perjudicar la salud. La conductividad, vinculada a la concentración de iones, revela la presencia de impurezas. Finalmente, una turbiedad elevada puede albergar microorganismos patógenos, reduciendo la eficacia de desinfectantes como el cloro.
Este trabajo abre el camino a una vigilancia en tiempo real de la calidad del agua, esencial para prevenir enfermedades hídricas como el cólera o la fiebre tifoidea. Al identificar rápidamente las fuentes de contaminación, las autoridades pueden actuar de manera más efectiva para proteger a la población. Además, la integración de sensores conectados a este modelo permitiría una detección automática y continua, limitando el recurso a análisis manuales.
Los resultados demuestran que el aprendizaje automático puede desempeñar un papel clave en la gestión de los recursos hídricos. Al combinar precisión, rapidez e interpretabilidad, esta solución ofrece una herramienta práctica tanto para los ciudadanos como para los tomadores de decisiones, contribuyendo así a la preservación de la salud pública y el medio ambiente.
Sources et crédits
Étude source
DOI : https://doi.org/10.1007/s10791-026-09917-x
Titre : Water quality detection and analysis using machine learning algorithms to assess the impact of influencing factors on health issues
Revue : Discover Computing
Éditeur : Springer Science and Business Media LLC
Auteurs : Manikanta Manohar Pattisapu; Appala Naidu P; Ambeshwar Kumar; Avishek Nandi