Mejorando el sistema de monitoreo de la calidad del agua de los ríos: aprovechando el poder de los datos satelitales y el aprendizaje automático

RESUMEN El monitoreo preciso de la temperatura del agua (T), la conductividad eléctrica (EC) y el oxígeno disuelto (DO) es esencial para evaluar la salud de los ríos; sin embargo, los métodos convencionales a menudo están limitados por el costo, la cobertura y la latencia de los datos. Este estudio propone un marco integrado que combina imágenes de satélite Sentinel-2 con modelos de aprendizaje automático (ML) para mejorar el monitoreo de la calidad del agua a gran escala y en tiempo real. Se evaluaron cinco algoritmos de ML: redes neuronales profundas, impulso de gradiente extremo, redes de Kolmogorov–Arnold, memoria a largo y corto plazo (LSTM) y redes de Kolmogorov–Arnold temporales, utilizando datos de series temporales diarias del río Danubio en Novi Sad desde octubre de 2012 hasta diciembre de 2023. La interpretabilidad del modelo se garantizó a través de explicaciones aditivas de Shapley y LIME. LSTM logró la mayor precisión en la predicción de la temperatura (R2 = 0.97, RMSE = 1.45 °C, error estándar = 1.31 °C), mientras que XGBoost superó a los demás en la predicción de oxígeno disuelto (R2 = 0.79). También se observó alta precisión en las predicciones de conductividad (LSTM, R2 = 0.90). Se encontraron que variables estacionales y bandas espectrales (B8a, B4, B11) eran los principales predictores. La novedad de este trabajo radica en la fusión del aprendizaje profundo temporal, la IA explicativa y los datos satelitales multiespectrales para una evaluación de la calidad del agua interpretable, escalable y rentable. Este enfoque apoya la identificación oportuna de la degradación de la calidad del agua y la toma de decisiones en la gestión de cuencas fluviales.