Este documento presenta una investigación sobre el uso de machine learning para entender las relaciones entre presiones antrópicas (como uso del suelo y contaminación) y el estado ecológico de los ecosistemas fluviales. Los resultados muestran que el algoritmo Random Forest puede predecir efectivamente el estado ecológico en función de las presiones. Las variables más importantes fueron el uso del suelo y la concentración de nutrientes. Los resultados también sugieren que para cumplir con los objetivos de calidad del agua de la UE, es necesario reducir tanto la contaminación por
ML para entender relaciones entre presiones y estado ecosistemas fluviales
1. Universidad Complutense de Madrid
PhDay, 6 Octubre 2020
Doctoranda: Carlotta Valerio1,2 Directores: Lucia De Stefano1,2 , Alberto Garrido2,3
1 : Universidad Complutense de Madrid| 2 : Observatorio del Agua, Fundación Botín | 3 : Universidad Politécnica de Madrid
Conectar puntos: machine learning para entender las relaciones
entre presione antrópicas y estado de los ecosistemas fluviales
2. CONTEXTO Y OBJETIVO
Bueno/mejor que bueno
deficiente
malo
moderado
Presiones
Medidas
• Objetivo de la Directiva Marco del
Agua de la UE: buen estado de todas
las masas de agua para el año 2027.
• Difícil relacionar presiones- estado
elegir medidas eficaces
?
Estado ecológicoEstado ecológico
3. METODOLOGÍA
Presiones Machine Estado Ecológico Escenarios
learning
Uso del suelo
Degradación
hidromorfológica
Vertidos urbanos
Alteración régimen
Hidrológico
Random Forest
Boosted Regression
Tree
Macroinvertebrados
(IBMWP)
Diatomeas
(IPS)
4. RESULTADOS
• Entrenamiento del Modelo: buena precisión; RF mejor modelo predictivo (IBMWP: 𝑅2
=0.76;
IPS: 𝑅2=0.73); usos del suelo y concentración de nutrientes variables más importantes.
• Predicciones:
malo
moderado
mejor que bueno
Situación
actual
+ Concentración de nutrientes -
5. • Entrenamiento del Modelo: buena precisión; RF mejor modelo predictivo (IBMWP: 𝑅2
=0.76;
IPS: 𝑅2=0.73); usos del suelo y concentración de nutrientes variables más importantes.
• Predicciones:
RESULTADOS
malo
moderado
mejor que bueno
QBR
- +
QBR
- +
QBR
- +
QBR
- +
QBR= Calidad
hábitat de ribera
Situación
actual
+ Concentración de nutrientes -
6. 1. Algoritmo RF: herramienta eficaz para estudiar las relaciones presiones antrópicas- estado ecológico.
2. Los límites de nutrientes fijados por la legislación española no son suficientes para alcanzar el
objetivo de la DMA.
3. Combinar la reducción de las concentraciones de nutrientes y la restauración del hábitat de ribera
parece ser la medida prioritaria para cumplir el objetivo de buen estado establecido por la DMA en
las masas de agua estudiadas.
CONCLUSIONES Y FUTURAS LINEAS DE TRABAJO
Escenario 0 (actual)
Escenario 75_BE_QBR
Futuras líneas de investigación:
Estudiar la respuesta de las especies de peces a las presiones antrópicas que actúan en los ríos de
Castilla-La Mancha en el periodo 1980-2020.
Notas del editor
El caso de estudio es la cuenca de rio Tajo. Aquí en el mapa podemos ver las estaciones de muestreo de la red CEMAS, diseñada para el cumplimiento de la DMA y que proporciona datos etc
El objetivo de nuestra investigación es por lo tanto investigar dichas relaciones a través de un modelo de machine learning y el fin último es orientar el diseño de medidas capaces de restaurar el estado de los ecosistemas de agua dulce.