Las Redes Neurales Artificiales se posicionan como el mejor modelo para cuantificar los impactos ambientales sobre el recurso hídrico

Los efectos de cambio climático

El recurso hídrico, el más susceptible al cambio

El cambio climático se traduce en diversos fenómenos a diferentes escalas de magnitud, teniendo una mayor injerencia a escala regional, debido a que las dinámicas socioeconómicas de una población se integran de manera directa. Algunos de sus principales efectos ha sido el aumento de la temperatura, cambios en la biodiversidad ecosistémica y, principalmente, se ha visto afectado el ciclo hidrológico de las grandes cuencas y subcuencas que abastecen de agua dichas poblaciones. De este último proviene el afán de conocer las relaciones entre causa-efecto que maneja el ya mencionado cambio climático y que ponen en riesgo a corto y mediano plazo, según el grado de vulnerabilidad, la oferta de agua potable para algunas zonas del planeta que no cuentan con una favorable relación entre oferta hídrica/población.

Algunos estudios de índole mundial sugieren que el cambio climático será responsable de alrededor del 20 % del incremento de la escasez global de agua (UNESCO, 2003). Por ello, se ha venido invirtiendo recursos en la investigación de los servicios ambientales de soporte que presta el ciclo del agua y que han cambiado progresivamente para dar lugar a nuevas cantidades de recurso ofertado que se traducen en nuevos esfuerzos por desarrollar medidas para su gestión sostenible y tecnologías de adaptación. Estos fenómenos globales que intervienen en innumerables variables ambientales de una cuenca como son los contenidos de agua en la atmósfera, los patrones de precipitación, intensidad de las temporadas de lluvia, contenido de humedad en el suelo, la escorrentía, entre otras, afecta drásticamente la calidad del recurso hídrico y agrava los procesos de contaminación de los cuerpos de agua por el arrastre de sedimentos, nutrientes y algunos posibles agentes patógenos que pueden incurrir en la degradación de los ecosistemas y la salud humana (Lee, 2010). A partir de esta plena identificación de los efectos encontrados, se intenta dar con la compleja y/o estrecha relación entre los aspectos y sus impactos sobre el recurso hídrico que se presentará en el futuro para dar comienzo a estrategias administrativas que prevengan y/o mitiguen las problemáticas ambientales.

Figura 1. Esquema de una red neuronal artificial. Concepción del autor Gershenson, C. Artificial Neuron Network for Beginners recuperado de http://arxiv.org/ftp/cs/papers/0308/0308031.pdf

Figura 1. Esquema de una red neuronal artificial. Concepción del autor Gershenson, C. Artificial Neuron Network for Beginners recuperado de http://arxiv.org/ftp/cs/papers/0308/0308031.pdf

Uno de los grandes obstáculos que se presenta a la hora de determinar dichas predicciones para estimar el progreso que tendrá el cambio climático en una cuenca determinada, surge por la disponibilidad de un método adecuado que computarice a un nivel de confianza aceptable la información multitemporal con la que será alimentado, por ello, durante la última década se ha venido proponiendo innovadores algoritmos que, por prueba y error, han sido perfeccionados. Uno de los protocolos más investigados para dar respuesta a predicciones en el campo de la hidrología y el cambio climático es conocido como Redes Neurales Artificiales (ANN). Ver Figura 1. Una neurona artificial es un modelo inspirado en neuronas naturales. Una neurona natural recibe información a través de la sinapsis que tiene lugar en las dendritas (Gershenson).

Las Redes Neurales Artificiales

Un novedoso algoritmo, la abstracción de las funciones biológicas

Figura 2. Esquema de un modelo Black Box recuperado de http://www.investopedia.com/terms/b/blackbox.asp

Figura 2. Esquema de un modelo Black Box recuperado de http://www.investopedia.com/terms/b/blackbox.asp

Una Red Neural Artificial (ANN) es una buena elección y un intento válido para analizar las relaciones entre parámetros meteorológicos y datos climáticos (Matouq, El-Hasan, Al-Bilbisi, & Abdelhadi, 2013). Esto se entiende debido a la complejidad que rige la mayoría de funciones presentes en la naturaleza, es así como una ANN presenta un comportamiento apropiado al intentar predecir fenómenos ambientales debido a su consideración como modelo “black box” (Lee, 2010). Ver Figura 2. Esto quiere decir que una ANN es una estructura no lineal preparada para describir de manera virtual un sistema dinámico (Söberg, Zhang, Ljung, & Benveniste, 1995). Más allá de la excelente adaptabilidad que puede disminuir considerablemente el nivel de incertidumbre de una predicción para una variable hidrológica o meteorológica debe entenderse que la calidad de resultados que pueden ser producidos por un algoritmo como estos es dependiente de la información de entrada que lo alimente, como se observa en la Figura 1, es decir, la verdadera potencialidad de una Red Neural Artificial para intentar cuantificar los efectos del cambio climático sobre el recurso hídrico, viene dada de primera mano por la construcción de una batería de series de tiempo que expresen numéricamente las fluctuaciones de las variables ambientales.

La arquitectura de una red neural artificial

Figura 3. Arquitectura completa de una ANN. The Empirical Fuction recuperado de http://predictionboy.blogspot.com/2010/10/neural-networks.html

Figura 3. Arquitectura completa de una ANN. The Empirical Fuction recuperado de http://predictionboy.blogspot.com/2010/10/neural-networks.html

Como se observa en la Figura 3, la estructura de una red neural artificial se sustenta en un sistema de capas (una de entrada, una intermedia o encubierta y una de salida) que a su vez están integradas por un conjunto de nodos, estos pueden verse análogos a una unidad computarizada, recibiendo la entrada de información, procesándola y determinando una salida (Gershenson). Ver figura 3. Las ANN pueden ser vistas como una ponderación dirigida donde las neuronas artificiales son los nodos y los flujos de información (acreditan unos pesos W para su ponderación) son conexiones entre la capa de salida y la capa de entrada (Jain & Mao, 1996). Ver figura 3. Ya los antecedentes de las Redes Neurales Artificiales han comprobado sus ventajas inherentes en la arquitectura del algoritmo, como lo resaltan Jain y Mao, se integran como un paralelismo masivo, adaptable, con alta capacidad de aprendizaje y generalización, procesamiento de información contextualizada y como innovación del algoritmo presenta un bajo consumo energético. Para un mejor entendimiento, considérese que dichos procesamientos de información son en simultánea otros modelos especializados que pueden a partir de una variable climatológica calcular una hidrológica, por ejemplo, una ANN integra el modelo SAC-SMA Sacramento, diseñado para estimar el caudal a partir de series de precipitación y evapotranspiración potencial (Koutroulis, Tsanis, & Daliakopoulos, 2013). Es aquí donde se implanta el nivel de complejidad con la que se procesará la información, debe ahondarse sin lugar a dudas en la determinación de los nodos –entradas de información– que sustentarán el procesamiento y la posterior salida de datos; coordinados armónicamente bajo los algoritmos especializados que conformarán en sí mismos la Red Neural Artificial.

Como se mencionó anteriormente, un alto grado de aprendizaje y su nivel de adaptabilidad es la principal característica de una ANN, lo que hace al algoritmo funcional para la cuantificación de los impactos ambientales. Sin embargo, hasta aquí, las ANN pudieran ser quizás uno de los mejores modelos para predecir los efectos del cambio climático, pero aún, para producir un pronóstico que integre de manera rigurosa la dinamización de un ecosistema, requiere de mayores esfuerzos para sofisticar el tratamiento de la información y hacer un mayor acercamiento a la realidad del comportamiento del recurso hídrico. Uno de los esfuerzos por el mejoramiento del algoritmo se concentra en la calibración del mismo, continuamente y para cada estudio en particular. El modelo es ajustado o probado, usando una colección de datos de entrada, generalmente tomados para una calibración. Después de una prueba satisfactoria, la red neural será capaz de realizar una clasificación, estimación, predicción o simulación de nuevos datos a partir de las mismas o similares entradas (Matouq, El-Hasan, Al-Bilbisi, & Abdelhadi, 2013).

La trascendencia de las Redes Neurales Artificiales

Las contribuciones de un algoritmo

Los grandes aportes que este algoritmo de Redes Neurales Artificiales han traído consigo son innumerables, para el mundo de la informática han encarnado una nueva forma de inteligencia artificial, para la ciencia se están consolidando como la herramienta predilecta para abarcar el estudio del complejo sistema que conocemos como ambiente y, a una menor escala de detalle, se ha convertido en el método más confiable para la toma de decisiones en la administración de los recursos naturales en búsqueda de la adaptación para el cambio climático, debido a que dichos fenómenos que tienen y/o tendrán lugar en los ecosistemas serán, en mayor grado, irreversibles de carácter drástico y para algunas zonas quizás lleguen a niveles catastróficos.

Dependiendo del objetivo que se vislumbre al cuantificar los impactos sobre el recurso hídrico que han demostrado nuestro grado de vulnerabilidad, puede darse la construcción de un algoritmo sustentado en las ANN que integre apropiadamente una programación en su estructura adecuadamente, vale aclarar que una de las ventajas de este singular modelo es su sensibilidad a situaciones que no son percibidas de manera física pero que aun así son conocidas (Söberg, Zhang, Ljung, & Benveniste, 1995). Lo que podría constituirse como una ventaja comparativa frente a otros algoritmos lineales y no lineales, al integrar las variables meteorológicas, climáticas, hidrológicas junto con aspectos socioeconómicos constituyendo las ANN como un verdadero método para el diagnóstico de los impactos ambientales que traerá consigo el cambio climático. Es aquí donde radica la verdadera trascendencia de las Redes Neurales Artificiales, al entenderse la realidad de los ecosistemas como un complejo órgano que ordena multivariadas relaciones que han de simularse en un circuito de complejas arquitecturas para dar con una producción de información similar a la que se entiende fue sintetizada por protocolos imitando el procesamiento de un sistema natural.

El mayor grado de confiabilidad entre la información producida por estos modelos y los datos de entrada recolectados, permitirán a grandes rasgos identificar las dependencias entre variables meteorológicas e hidrológicas y su grado de correlación. Para estos tiempos ya no se tendrá que evaluar las variables meteorológicas o hidrológicas para dar lugar a una predicción en grandes intervalos de tiempo, debido a que cada vez nuestros ecosistemas se hacen más sensibles a los cambios ambientales, lo que simultáneamente sigue sumándole a la construcción del algoritmo mayor flexibilidad a la hora del procesamiento de la información. Por lo anterior, el cambio climático debe verse como una serie de sucesos en cadena que, a nuestros ojos, solamente retorna como una temporada de lluvia más intensa, cambios en el caudal del río, deterioro de la calidad del recurso hídrico, entre otras. Sin embargo, para que el modelamiento de sus efectos y su respectiva cuantificación sea claramente entendida, deberá considerarse, a primera vista, como un fenómeno cuantitativo, una cantidad extrema de interacciones e interferencias entre un número muy grande de unidades (Morin). Por esto, se considera que entre más tejida sea la Red Neural Artificial, mayores relaciones serán computarizadas y, así, la abstracción del futuro próximo será más cercano a la realidad.

En conclusión, la necesidad de predecir los impactos que tendrá el cambio climático sobre el recurso hídrico, ha determinado la necesidad de innovar en el desarrollo de modelos que produzcan con el mayor grado de confiabilidad los pronósticos de las variables meteorológicas e hidrológicas para una cuenca; es así como a partir de una función biológica emerge un algoritmo llamado Red Neural Artificial, por ahora, el más ajustado y confiable para dar respuesta a las demandas de información ya que su confiabilidad radica en su complejidad, un tejido de flujos de información articulados armónicamente bajo otros algoritmos especializados que producen la información que alimentará la producción de datos, conjugan e intentan imitar las dinámicas de los ecosistemas que a final de cuentas son los proveedores de recursos, recursos que tenderán a escasear y que a mediano y largo plazo ocasionarán grandes problemáticas ambientales que debemos mitigar preparando mecanismos igualmente adaptables y apropiados para las nuevas condiciones. Finalmente, la pregunta que permanentemente se buscará responder acerca del cambio climático es: ¿qué tan importante será el papel que jugará en la escasez de agua a la que nos veremos sometidos y qué debemos hacer para contrarrestarlo?

 

Bibliografía

1.- Gershenson, C. (s.f.). Recuperado el 20 de Diciembre de 2013, de http://arxiv.org/ftp/cs/papers/0308/0308031.pdf

2.- Jain, A., & Mao, J. (Marzo de 1996). Recuperado el 21 de Diciembre de 2013, de http://www.cse.msu.edu/~cse802/notes/ArtificialNeuralNetworks.pdf.

3.- Koutroulis, A., Tsanis, I., & Daliakopoulos, I. (2013). Impact of climate change on water resources status: A case study for Crete Island Grece. Journal of Hydrology, 146-158.

4.- Lee, E. (2010). Predicting the impacts of climate change on nonpoint source pollutant loads from agricultural small watershes using artificil neural network. Journal of Environmental Sciences, 840-845.

5.- Matouq, M., El-Hasan, T., Al-Bilbisi, H., & Abdelhadi, M. (2013). The climate change implication on Jordan: A case study using GIS and Artificial Neuronal Network for weather forcasting. Journal of Taibah University for Science, 44-55.

6.- Morin, E. (s.f.). Recuperado el 20 de Diciembre de 2013, de http://www.angelfire.com/sk/holgonsi/morincomplexidade.pdf.

7.- Söberg, J., Zhang, Q., Ljung, L., & Benveniste, A. (1995). Nonlinear Balck-Box Modeling in System Identification: a Unified Overview. Automática, 1691-1724.

8.- UNESCO. (2003). Agua para todos, agua para la vida. Paris, Francia : UNESCO/Mundi-Prensa libros.

 

Smiley face

Suscríbase a nuestro boletín gratuito para recibir noticias, datos interesantes y fechas de nuestros cursos en recursos hídricos.