Un innovador estudio liderado por la Universidad Michoacana de San Nicolás de Hidalgo en México ha utilizado redes neuronales artificiales para abordar el problema de la contaminación del agua causada por sólidos suspendidos totales. Esta investigación propone un modelo de red neuronal convolucional, que ha demostrado ser más rápido y efectivo al clasificar los niveles de contaminación en comparación con los métodos tradicionales.

Evaluación de la calidad del agua

El estudio preparó 30 muestras de agua con diferentes concentraciones de sólidos suspendidos, clasificándolas en tres categorías: baja, media y alta contaminación. Este proceso incluyó la captura de imágenes de las muestras, que se realizaron en un entorno controlado usando un iPhone 12 y una lámpara LED para iluminar la muestra.

Mediante un enfoque de aprendizaje transferido, basado en la red AlexNet, el modelo logró clasificar las concentraciones de sólidos en las muestras con una precisión notable. La preparación del modelo incluyó la modificación de la red neuronal preentrenada, adaptando sus capas para enfocar el análisis en este específico problema ambiental.

Resultados destacados

Los investigadores lograron una tasa de precisión cercana al 100% tras el entrenamiento de la red neuronal con un conjunto robusto de datos extraídos de los registros visuales de las muestras. Este nivel de precisión se alcanzó al superar la décima época del entrenamiento, mostrando resultados sólidos en cada categoría de concentración evaluada.

Implicaciones prácticas

La aplicación de este modelo facilita el monitoreo en tiempo real de la calidad del agua, siendo una herramienta crucial para las agencias ambientales y los encargados de desarrollar políticas públicas. La facilidad de implementación, utilizando solo teléfono y cámara, lo convierte en una solución accesible y económicamente viable.

Conclusiones

Este enfoque evidencia el vasto potencial del aprendizaje automático y la inteligencia artificial para enfrentar eficazmente los desafíos medioambientales actuales. Si bien el modelo es altamente eficiente, se planean mejoras adicionales para expandir su aplicabilidad a una gama más amplia de condiciones de calidad del agua.