- El sistema calcula la probabilidad de superar los umbrales normativos, aportando información para la gestión conjunta de la cantidad y la calidad del agua.
- El trabajo, publicado en el Journal of Hydrology, ha sido realizadopor Alberto Mena, Rafael J. Bergillos, Javier Paredes-Arquiola, Abel Solera y Joaquín Andreu, del IIAMA-UPV, junto con Gerald Corzo, de IHE Delft.
Investigadores del grupo de Ingeniería de los Recursos Hídricos del Instituto de Ingeniería del Agua y Medio Ambiente de la Universitat Politècnica de València (IIAMA-UPV) han desarrollado un sistema que combina inteligencia artificial con modelos hidrológicos y de calidad del agua para evaluar el riesgo de contaminación en las masas de agua superficiales de la cuenca del Júcar.
La metodología permite estimar las concentraciones de demanda bioquímica de oxígeno (DBO), fósforo y amonio, y calcular la probabilidad de superar los límites normativos en cada masa de agua. Esta información ayuda a identificar periodos y zonas de mayor riesgo y a orientar medidas preventivas.
Los resultados ponen de relieve la relación entre la variabilidad hidrológica y la respuesta de la calidad del agua
La investigación, publicada en Journal of Hydrology, está liderada por Alberto Mena, Rafael J. Bergillos, Javier Paredes-Arquiola, Abel Solera y Joaquín Andreu, del IIAMA-UPV, junto con Gerald Corzo, de IHE Delft, en los Países Bajos.
“Los resultados ponen de relieve la relación entre la variabilidad hidrológica y la respuesta de la calidad del agua, y demuestran la importancia de incorporar la incertidumbre a la modelización predictiva”, señalan los autores del estudio.
Resultados contrastados con datos de 129 estaciones
Para desarrollar y evaluar el sistema, el equipo empleó información meteorológica de la Agencia Estatal de Meteorología y datos hidrológicos y de calidad del agua del sistema SIA-Júcar, gestionado por la Confederación Hidrográfica del Júcar. La comparación con los registros de 129 estaciones de seguimiento muestra que el sistema reproduce los principales patrones espaciales de contaminación.
“El porcentaje de acierto alcanza el 90% para la DBO, el 84,4% para el fósforo y el 85,3% para el amonio”, indica Alberto Mena, autor principal del estudio.
Para ello, la metodología utilizó redes neuronales para predecir las aportaciones mensuales de agua y generar 1.000 escenarios posibles por subcuenca para representar la incertidumbre.
Además de estimar las concentraciones de contaminantes, la herramienta calcula la probabilidad de superar los límites normativos y la magnitud de ese incremento
“Estas estimaciones se integran con modelos que distribuyen las aportaciones entre las masas de agua y simulan los caudales y las concentraciones de contaminantes”, señala Alberto Mena.

Apoyo a la alerta temprana y la gestión del agua
Además de estimar las concentraciones de contaminantes, la herramienta calcula la probabilidad de superar los límites normativos y la magnitud de ese incremento. Esta información permite identificar periodos y masas de agua de mayor riesgo y orientar la adopción de medidas preventivas.
“Al cuantificar tanto la probabilidad como la magnitud de las superaciones, el sistema permite una evaluación más sólida y completa de la dinámica de la calidad del agua en condiciones de incertidumbre”, explican los autores.
El estudio muestra que la incertidumbre aumenta durante los episodios de mayores aportaciones y puede acumularse aguas abajo
El estudio muestra que la incertidumbre aumenta durante los episodios de mayores aportaciones y puede acumularse aguas abajo. Incorporar este efecto ayuda a interpretar las predicciones, especialmente cuando las concentraciones se aproximan a los límites normativos.
“La evaluación registra una tasa media de falsas alarmas de sólo el 3,1%, un resultado muy favorable para su posible aplicación en sistemas de alerta temprana”, afirman los investigadores del IIAMA.
Por ello, la herramienta debe complementar las mediciones de las redes de control y servir de apoyo a la vigilancia y la toma de decisiones.
“En conjunto, el sistema propuesto proporciona un enfoque sólido y transferible para evaluar la calidad del agua teniendo en cuenta la incertidumbre”, concluyen los autores.
El trabajo ha recibido apoyo del Ministerio de Ciencia, Innovación y Universidades, la Agencia Estatal de Investigación, la Asociación Europea para la Biodiversidad y la Unión Europea a través del proyecto NBSPLUS. Alberto Mena ha contado, además, con financiación del Ministerio y la Agencia Estatal de Investigación y del Fondo Social Europeo Plus.
- Referencia: Mena, A.; Bergillos, R. J.; Paredes-Arquiola, J.; Corzo, G.; Solera, A.; Andreu, J. A Deep learning-based probabilistic framework for streamflow prediction and water quality assessment. Journal of Hydrology, 677 (2026). https://doi.org/10.1016/j.jhydrol.2026.135934

