El concepto de predicción se enfoca en la extracción de información de datos reales previos de un proceso a fin de predecir patrones de comportamiento o tendencias de posibles eventos futuros. Su aplicación se da en diferentes campos de la ciencia y en fenómenos naturales, no obstante, las tareas de predicción pueden llegar a ser complejas debido al número de variables, el grado de iteración y la dinámica desconocida del fenómeno que se estudia [14].

El procesamiento y el análisis de datos que se efectúa en un aprendizaje automático se lleva a cabo con una alta velocidad y con una mínima intervención humana en la toma de decisiones. Dependiendo de los requerimientos del problema es posible escoger entre distintos métodos y técnicas disponibles, capaces de seguir operando con alto rendimiento, incluso cuando se adicionan más valores durante su ejecución [15]. El aprendizaje supervisado es uno de los más comunes en este campo y se utiliza, generalmente, cuando se conocen los parámetros de la salida deseada; entre las tareas más frecuentes se encuentran la regresión y la clasificación. Los algoritmos no supervisados ajustan su modelo utilizando solo la información de entrada y no están predispuestos operativamente por los valores de salida esperados, lo que permite identificar o agrupar estructuras de un conjunto de datos [16]. En el proceso de aprendizaje, para el caso de los algoritmos supervisados, es posible identificar dos fases en las que es necesario dividir el total de datos en dos conjuntos: pruebas y entrenamiento, o mejor conocidos como testing and training [17].

Durante la fase de entrenamiento se construye el modelo utilizando uno de los dos conjuntos de datos a fin de supervisar la variable a estimar. De esta manera, el modelo aprende sobre las posibles causas que influyen en su comportamiento. En la fase de pruebas se verifica la validez del modelo sobre el otro conjunto, se calcula el error entre las predicciones del modelo y los valores reales. La fase de pruebas también permite evitar el sobreajuste que representa un ajuste muy bueno a los datos para los que se conoce el resultado esperado pero bajo rendimiento en nuevas estimaciones.

Otra estrategia utilizada para evitar el sobreajuste es la validación cruzada, en la cual se divide el conjunto de entrenamiento en k subconjuntos; una vez seleccionado un subconjunto k como conjunto de prueba, los datos restantes se utilizan como datos de entrenamiento, repitiendo el proceso para k iteraciones [18]. La medición de la precisión entre los valores reales y las estimaciones se realiza utilizando las medidas de exactitud, algunas de las cuales son MAPE, MAE, RMSE y [19].

Hoy en día es posible extraer una gran cantidad de información valiosa sobre los fenómenos que ocurren. En el caso de los ecosistemas hídricos, las investigaciones relacionadas con la estimación de variables utilizando técnicas de aprendizaje automático se han incrementado en los últimos años, lo que ha permitido obtener avances importantes. Estas estrategias también benefician la captura de datos que, en su mayoría, se realizan de forma digital y por métodos manuales, facilitando el estudio de cuerpos de agua en lugares remotos. La tabla 1 resume las características y las técnicas de los trabajos seleccionados de bases de datos bibliográficas como ScienceDirect y SpringerLink.

Tabla 1

En la tabla 1 se presentan los trabajos de estimación de parámetros e índices de calidad de agua sobre diferentes cuerpos de agua, así como las técnicas utilizadas y los parámetros de entrada sobre los cuales se ha realizado la toma de datos, generalmente en sitio. En [20] se expone una estrategia para estimar en tiempo real el índice de calidad de agua sobre el río Peak en Malasia. Como se ha mencionado, una de las ventajas de la estimación es facilitar el acceso y el procesamiento de la información; para esto no se tienen en cuenta los parámetros de DBO (demanda biológica de oxígeno) y DQO (demanda química de oxígeno), ya que para estas no es posible obtener un valor por medición directa. En cuanto a las técnicas, se utiliza una red neuronal y múltiples redes neuronales, con lo cual se consigue mejorar los resultados de desempeño.

Otro ejemplo se da en [22], en el que se estima la temperatura, el oxígeno disuelto, el pH, la conductividad, la TN, la TP, la turbidez y la clorofila en una represa utilizando una red neuronal. Se obtienen buenos resultados de RMSE y para siete de los ocho parámetros estimados. En [23] se realiza un análisis de correlación con el fin de determinar el mejor conjunto de parámetros de entrada para el modelado. Se compararon los resultados entre las técnicas Anfis y Anfis híbrida, es decir, una combinación con la optimización de enjambre de partículas y colonia de hormigas, evidenciando un mejor desempeño en esta última; ejemplos similares se muestran en [28] y [30].

En cuanto a los índices, formados por dos o más parámetros, en [21] y [26]and its values were used as the dependent variable in stepwise multiple linear regression (MLR se estima el índice de calidad de agua sobre una fuente subterránea y un río a partir de diferentes parámetros de entrada aplicando las técnicas Anfis y regresión lineal, respectivamente. En el control de riesgos por contaminación es posible evaluar los drenajes y los vertimientos a una fuente de agua. La estimación puede aplicarse tanto en índices de calidad como de contaminación o en parámetros específicos, los cuales pueden ser importantes para un estudio o como referencia de control; la estimación del fósforo y el nitrógeno en un lago es un ejemplo de este tipo de análisis [24].

La calidad del agua también se ve afectada por factores externos que en algunos estudios se toman en consideración a fin de poder mejorar los resultados. Estas variables se identifican como categóricas y pueden estar relacionadas con la distribución geográfica, las estaciones del año y hasta información socioeconómica del sector. En [25] se evalúan diferentes técnicas de aprendizaje computacional tales como RN, MVS, árboles de decisión y regresión lineal, a fin de estimar un índice de calidad muy característico en embalses. En el estudio, además, se comparan los desempeños de diferentes software de modelado.

De forma similar, en [29] los datos hiperespectrales de teledetección contribuyen a controlar la calidad de los efluentes en la estimación del índice de calidad, y en [31] la estimación del CO 2 se da a partir de parámetros y datos categóricos utilizando redes neuronales modificadas.

Estudios comparativos de técnicas de aprendizaje automático también se consideran en el campo medioambiental. En algunas de ellas es posible encontrar cambios de la estructura original, como es el caso de las redes neuronales que se combinan con otras estrategias para potenciar sus resultados. En [27] se realiza un estudio comparativo de RN, MVS y RN híbridas. Otra comparación se da en [32], en el que se estiman parámetros para evaluar la calidad de agua residual de vertimientos en cuencas, al comparar el desempeño de las MVS y los árboles de regresión.

La calidad de agua no es exclusiva para el consumo del ser humano. Los ecosistemas acuáticos también requieren que el agua cumpla ciertas condiciones que garanticen su conservación. Además de los parámetros fisicoquímicos, los bioindicadores pueden proporcionar información valiosa para controlar la calidad de agua dulce. En [33] los indicadores se estiman a partir de parámetros fisicoquímicos e información biológica del cuerpo de agua aplicando la técnica de MVS. De igual manera, se estima la calidad microbiana de un largo comparando dos técnicas de aprendizaje automático [34].

Para evaluar la precisión en las estimaciones de un modelo predictivo es posible utilizar las medidas de exactitud, en donde es el valor real, el estimado y el número de muestras de datos, algunas de estas se enlistan y describen a continuación.

• Media de la desviación porcentual absoluta (MAPE). Mide en términos porcentuales el error absoluto, muy efectivo en el momento de identificar diferencias entre modelos; no se afecta por valores estimados o reales (0% representa un ajuste perfecto). Se calcula a partir de la ecuación 1

Ecuación 1

• Error absoluto medio (MAE). Mide el promedio de las medias absolutas entre los valores reales y los estimados. Es un valor lineal y no es muy sensible frente a valores atípicos; está dado por la ecuación 2

Ecuación 2

• Error cuadrático medio (MSE). Mide el error cuadrado promedio entre el valor estimado y el valor real para cada punto, y su resultado no es negativo (ecuación 3); es de más utilidad cuando se trata de grandes errores puesto que un valor de MSE alto también puede representar un buen ajuste.

Ecuación 3

• Raíz del error cuadrático medio (RMSE). Para dos conjuntos de datos, el RMSE mide el tamaño del error. Es la raíz cuadrada de la suma de errores entre un valor estimado y uno observado o real. Es eficiente al relevar diferencias muy notables y se da en términos de la variable analizada. Esta dada por ecuación 4.

Ecuación 4

• Coeficiente de determinación (). evalúa la calidad del modelo al proporcionar información sobre qué tan bien el modelo se aproxima a los valores observados. Se obtiene de la ecuación 5. El numerador representa la suma de cuadrados de los residuos y el denominador corresponde a la suma total de cuadrados, y se da entre 0 y 1, donde 1 denota que las estimaciones de regresión se ajustan perfectamente a los datos

Ecuación 5

En la tabla 2 se presenta un resumen de las técnicas, de los parámetros estimados y las medidas de exactitud en los trabajos seleccionados

Tabla 2

De acuerdo con la Tabla 2, en la evaluación del desempeño, las medidas de y RMSE son las más utilizadas, seguidas por MAE, MAPE y MSE. Los resultados de estimación de las técnicas de aprendizaje automático se encuentran con valores por encima de 0,61 y alcanzan valores de 0,998 para , lo que muestra que es posible estimar parámetros o índices de calidad de agua con muy buena fiabilidad. Se observa también que los resultados de exactitud mejoran en los estudios comparativos en los que se contrasta la estructura original con una híbrida [19], [27] y [24].

Las técnicas más utilizadas de acuerdo con la información encontrada son las RN, MVS, Anfis, regresión lineal y árboles de regresión. Se evidencia también que, en la mayoría de los casos, los resultados de las técnicas híbridas son superiores a los que se obtienen con la técnica tradicional; algunas alternativas dependerán, entonces, del grado de complejidad que se pueda tener. La regresión lineal permite crear un modelo que describe la relación entre una variable de respuesta basada en una o más variables predictoras. En los árboles de regresión, la salida del modelo se estima con base en el aprendizaje de las reglas de decisión inferidas de las características de los datos. Las máquinas de vectores de soporte construyen un hiperplano a partir de un conjunto de muestras categorizadas, y el algoritmo puede predecir a qué categoría pertenece una nueva muestra. La técnica Anfis integra las redes neuronales y la lógica difusa, su sistema de inferencia responde a reglas difusas y es ideal para sistemas no lineales [35].

Otro elemento destacable es el número de datos utilizados para la estimación. Aunque no se especifica un valor mínimo o máximo para el modelado, es indispensable contar con una buena cantidad de datos, ya que normalmente estos se dividen tanto para la etapa de pruebas como de entrenamiento y validación. Pese a que no todos los artículos muestran una información detallada referente a la cantidad de datos, en la figura 2 se presenta una distribución en años del tamaño de la información utilizada en cada caso.

Figura 2

En la figura 2 se observa que los proyectos trabajan con bases de datos iguales o superiores a un año, once artículos entre uno y diez años y tres estudios con catorce, veintiuno y más de cincuenta años de información recolectada. El estudio ID [25], que no se muestra en el gráfico, presenta una distribución espacial y no temporal, es decir, en un día se tomó una muestra en 48 puntos diferentes a lo largo del río, lo que evidencia dos tipos de distribuciones para los análisis de calidad de agua en ríos [36].