Clasificación de la calidad del agua subterránea utilizada en la agricultura mediante aprendizaje automático con datos desbalanceados

• Resumen
• Abstract

En zonas costeras áridas donde la sobreexplotación y la intrusión marina amenazan tanto la calidad como la disponibilidad del agua subterránea, esta es fundamental para la agricultura. Se utilizaron índices hidroquímicos y modelos de aprendizaje automático (AA) para determinar si el agua subterránea del acuífero Caplina (sur de Perú) era apta para el riego. El Índice de Calidad del Agua de Riego (ICAR) se calculó utilizando siete iones principales: Na⁺, Ca²⁺, Mg²⁺, K⁺, Cl⁻, SO₄²⁻ y HCO₃⁻. Este índice también se empleó para entrenar algoritmos de clasificación supervisada en un esquema binario (zonas críticas y no críticas). El clasificador XGBoost resultó ser el mejor modelo de los evaluados, con una puntuación F1 de 0,897, un área bajo la curva ROC (AUC-ROC) de 0,968 y una precisión de 0,927 mediante validación cruzada dejando uno fuera (n = 41). El análisis de sensibilidad reveló que los predictores más efectivos fueron Na⁺, Ca²⁺, Mg²⁺ y K⁺. Esto significa que el intercambio iónico y la congelación del agua ocurrieron simultáneamente. La precisión del modelo se mantuvo estable, ya que el número de predicciones disminuyó de siete a cuatro iones, mientras que el costo del monitoreo se redujo hasta en un 43 %. Esto demuestra que la red hidrológica puede mejorarse. Una combinación de modelado basado en datos y análisis geoquímico reveló indicios tempranos de salinización del agua en la zona costera del estuario. Este resultado demuestra la eficacia de los enfoques basados en aprendizaje automático (ML) como sistemas de alerta temprana para la exploración de aguas subterráneas en áreas con recursos limitados.

In dry coastal areas where overuse and marine intrusion threaten both quality and availability, groundwater is very important for farming.  We used hydrochemical indices and machine learning (ML) models to find out if the groundwater in the Caplina aquifer (southern Peru) was good for irrigation. The Irrigation Water Quality Index (IWQI) was calculated using seven major ions: Na⁺, Ca²⁺, Mg²⁺, K⁺, Cl⁻, SO₄²⁻, and HCO₃⁻. It was also used to train supervised classification algorithms in a binary scheme (critical and non-critical zones). The XGBoost classifier was the best overall model tested, with an F1 score of 0.897, a ROC-AUC score of 0.968, and an accuracy score of 0.927 via leave-one-out cross-validation (n = 41). Sensitivity analysis revealed that the most effective predictors were Na⁺, Ca²⁺, Mg²⁺, and K⁺.  This means that ion exchange and water freezing occurred simultaneously. The model accuracy remained stable, as the number of predictions decreased from seven to four ions, while the monitoring cost was reduced by up to 43%. This shows that the hydrological network can be improved. A combination of data-driven modeling and geochemical analysis revealed early signs of water salinization in the coastal zone of the estuary. This result demonstrates the effectiveness of machine learning (ML)-based approaches as early warning systems for groundwater exploitation in resource-limited areas.