PREDICCION DEL NIVEL DE AGUA SUBTERRANEA

Predicción del nivel del agua subterránea en un acuífero poco profundo utilizando un enfoque de red neuronal artificial

Resumen. Pronosticar las fluctuaciones del nivel del agua subterránea es un requisito importante para planificar el uso conjunto en cualquier cuenca. Este artículo informa un estudio de investigación que investiga el potencial de la técnica de red neuronal artificial para pronosticar las fluctuaciones del nivel del agua subterránea en un acuífero costero no confinado en la India. El conjunto más apropiado de variables de entrada al modelo se selecciona a través de una combinación de conocimiento de dominio y análisis estadístico de las series de datos disponibles. Se desarrollan varios modelos ANN que pronostican el nivel de agua de dos pozos de observación. Los resultados sugieren que las predicciones del modelo son razonablemente precisas según lo evaluado por varios índices estadísticos. Un análisis de sensibilidad de entrada sugirió que la exclusión de los valores antecedentes de las series temporales del nivel del agua puede no ayudar al modelo a capturar el tiempo de recarga del acuífero y puede dar como resultado un peor rendimiento de los modelos. En general, los resultados sugieren que los modelos ANN pueden pronosticar razonablemente bien los niveles de agua con hasta 4 meses de anticipación. Dichos pronósticos pueden ser útiles en la planificación de uso conjunto de aguas subterráneas y superficiales en las áreas costeras que ayudan a mantener el gradiente natural de la capa freática para proteger la intrusión de agua de mar o la condición de la explotación del agua.

Introducción

El agua subterránea es una de las principales fuentes de suministro para fines domésticos, industriales y agrícolas. En algunas áreas, el agua subterránea es la única fuente confiable de suministro, mientras que en otras regiones se elige debido a su disponibilidad. En la zona costera, como el sistema central del Delta de Godavari en India, la superficie freática se encuentra a poca profundidad, generalmente de 2 a 3 m por debajo de la superficie del suelo. Las profundidades de las capas freáticas someras tienen un impacto significativo sobre el crecimiento de los cultivos, el desarrollo de la vegetación y el transporte de contaminantes. Además, el agotamiento de los suministros de aguas subterráneas, los conflictos entre los usuarios de aguas subterráneas y los usuarios de aguas superficiales, el potencial de contaminación de las aguas subterráneas son cuestiones que serán cada vez más importantes a medida que se desarrolle más acuíferos en cualquier cuenca. Las consecuencias del agotamiento de los acuíferos pueden provocar racionamiento local de agua, reducciones excesivas de los rendimientos, pozos secos o cambios erráticos en la calidad del agua subterránea, cambios en los patrones de flujo de las aguas subterráneas como resultado de la entrada de agua de peor calidad y la intrusión de agua de mar en áreas costeras. Por debajo de lo normal, la recarga de agua subterránea a arroyos y vapores durante periodos de bajo flujo podría resultar en suministros reducidos para las fuentes de agua superficiales, y puede evitar que el salmón llegue a las áreas de desove. Entonces, un monitoreo constante de los niveles de agua subterránea es extremadamente importante. Los niveles de agua, si se pronostican con suficiente antelación, pueden ayudar a los administradores a planificar mejor la utilización del agua subterránea. Además, para un desarrollo general de la cuenca, se requiere un pronóstico continuo del nivel del agua subterránea para usar efectivamente cualquier modelo de simulación para la gestión del agua. En los países desarrollados, la planificación del manejo del agua generalmente, de hecho casi siempre, se lleva a cabo mediante el uso de uno o más modelos de simulación por computadora. Estos modelos, que pueden ser muy simples o altamente complejos, basados en datos observados o principios teóricos, impulsados de manera estocástica o determinista, proporcionan un marco para la toma de decisiones respaldado por la comunidad de usuarios del agua y reguladores del agua. A veces, un modelo se valora no tanto por su precisión de representación como por su utilidad para construir consenso social. En el contexto de la India, la falta de herramientas predictivas sólidas, o quizás la falta de usuarios experimentados de esas herramientas, puede contribuir a problemas en la interpretación de los datos y a la falta de consenso sobre la necesidad de acciones clave de gestión del agua. Por lo tanto, es extremadamente importante comprender las variaciones espaciales y temporales del nivel del agua para el manejo del agua subterránea en las áreas costeras.

Hasta la fecha, se han desarrollado y aplicado una amplia variedad de modelos para la predicción de la profundidad de las capas freáticas. Estos modelos se pueden clasificar en modelos de series temporales empíricas y modelos descriptivos físicos. Los modelos de series temporales empíricas se han utilizado ampliamente para el modelado de la profundidad de la capa freática (por ejemplo, Knotters y Van Walsum, 1997; Van Geer y Zuur, 1997; Bierkens, 1998). La principal desventaja del enfoque empírico es que no son adecuados para pronosticar cuando el comportamiento dinámico del sistema hidrológico cambia con el tiempo (Bierkens, 1998). De manera similar, el modelo basado en física requiere en la práctica datos enormes, en particular datos relacionados con las propiedades físicas del suelo de la zona no saturada (Knotters y Bierkens, 2000) que generalmente son difíciles o caros, para simular la fluctuación del nivel freático en países en desarrollo como la India. En un acuífero de la capa freática, la relación entre la precipitación, las emisiones del canal y el nivel del agua subterránea probablemente no sean lineales en lugar de lineales, y los modelos que se aproximan a los procesos en forma lineal no representan los procesos de manera efectiva. Debido a las dificultades asociadas con la identificación de la estructura del modelo no lineal y la estimación de parámetros, se han informado muy pocos modelos empíricos verdaderamente no lineales, como la ecuación diferencial estocástica y los modelos autorregresivos autócronos de bucle abierto para el modelado de la capa freática (Bierkens, 1998, Knotters y Bierkens, 2000). En los últimos años, las redes neuronales artificiales (ANN) se han utilizado para la predicción en muchas áreas de la ciencia y la ingeniería. Se ha demostrado que las RNA son efectivas para modelar virtualmente cualquier función no lineal hasta un grado arbitrario de precisión. La principal ventaja de este enfoque sobre los métodos tradicionales es que no requiere que la naturaleza compleja del proceso subyacente bajo consideración se describa explícitamente en forma matemática. Esto convierte a ANN en una herramienta atractiva para modelar las fluctuaciones de la capa freática.

...