Aprendizaje automático para comunicar el riesgo hídrico y predecir las categorías públicas de calidad
DOI:
https://doi.org/10.5281/zenodo.21286096Palabras clave:
comunicación del riesgo ambiental, índice de calidad del agua, aprendizaje automático, comunicación pública de la cienciaResumen
Los índices de calidad del agua no son solo resúmenes técnicos, sino también herramientas de comunicación: traducen datos complejos de monitoreo multivariado en unas pocas categorías públicas que se utilizan para comprender y actuar ante el riesgo ambiental. Este artículo reinterpreta el Índice de Calidad del Agua del Consejo Canadiense de Ministros del Medio Ambiente (CCME-WQI) como un instrumento de comunicación y se pregunta con qué fidelidad se pueden reconstruir sus categorías públicas a partir de datos fisicoquímicos brutos, y qué se pierde cuando un gradiente de riesgo continuo se comprime en un mensaje público. Utilizando 400 observaciones de 12 estaciones de la Autoridad Nacional del Agua de Perú en la Cuenca del Río Llave, se entrenaron clasificadores supervisados y un conjunto de apilamiento para recuperar las tres categorías públicas (Excelente, Buena, Regular/Mala), mientras que el análisis de silueta y el análisis de componentes principales exploraron la estructura de los datos. Las categorías demostraron ser solo moderadamente recuperables: el mejor modelo alcanzó una precisión exacta del 65%, un límite que ningún método superó, pero una precisión dentro de una categoría de aproximadamente el 91%, casi nunca confundiendo agua excelente con agua degradada. Casi la mitad de las observaciones se sitúan en el límite superior del índice y la mayoría del resto justo por debajo de un umbral, lo que indica que distintos mensajes públicos se asocian a situaciones casi idénticas. Una silueta de categoría cercana a cero y un análisis de componentes principales (PCA) confirman un continuo de alta dimensionalidad que atraviesan las etiquetas. Sostenemos que esta brecha entre el gradiente y la etiqueta es el precio de la legibilidad, y analizamos cómo los límites de las categorías configuran la percepción pública del riesgo y la capacidad desigual de las comunidades quechua y aimaras para acceder a estos mensajes.
Descargas
Referencias
Abbas, F., Cai, Z., Shoaib, M., Iqbal, J., Ismail, M., Arifullah, Alrefaei, A. F., & Albeshr, M. F. (2024). Machine learning models for water quality prediction: A comprehensive analysis and uncertainty assessment in Mirpurkhas, Sindh, Pakistan. Water, 16(7), 941. https://doi.org/10.3390/w16070941
Autoridad Nacional del Agua. (2016). Protocolo nacional para el monitoreo de la calidad de los recursos hídricos superficiales (Resolución Jefatural N°010-2016-ANA). Autoridad Nacional del Agua.
Banda, T. D., & Kumarasamy, M. V. (2020). Development of water quality indices (WQIs): A review. Polish Journal of Environmental Studies, 29(3), 2011–2021. https://doi.org/10.15244/pjoes/110526
Beck, U. (1992). Risk society: Towards a new modernity. SAGE Publications.
Bentéjac, C., Csörgő, A., & Martínez-Muñoz, G. (2021). A comparative analysis of gradient boosting algorithms. Artificial Intelligence Review, 54(3), 1937–1967. https://doi.org/10.1007/s10462-020-09896-5
Biamont-Rojas, I. E., Cardoso-Silva, S., Figueira, R. C. L., Kim, B. S. M., Alfaro-Tapia, R., & Pompêo, M. (2023). Spatial distribution of arsenic and metals suggest a high ecotoxicological potential in Puno Bay, Lake Titicaca, Peru. Science of the Total Environment, 871, 162051. https://doi.org/10.1016/j.scitotenv.2023.162051
Biau, G., & Scornet, E. (2016). A random forest guided tour. TEST, 25(2), 197–227. https://doi.org/10.1007/s11749-016-0481-7
Bucchi, M., & Trench, B. (Eds.). (2014). Routledge handbook of public communication of science and technology (2nd ed.). Routledge. https://doi.org/10.4324/9780203483794
Cervantes, J., Garcia-Lamont, F., Rodríguez-Mazahua, L., & Lopez, A. (2020). A comprehensive survey on support vector machine classification: Applications, challenges and trends. Neurocomputing, 408, 189–215. https://doi.org/10.1016/j.neucom.2019.10.118
Chawla, N. V., Bowyer, K. W., Hall, L. O., & Kegelmeyer, W. P. (2002). SMOTE: Synthetic minority over-sampling technique. Journal of Artificial Intelligence Research, 16, 321–357. https://doi.org/10.1613/jair.953
Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 785–794). https://doi.org/10.1145/2939672.2939785
Chen, W., Xu, D., Pan, B., Zhao, Y., & Song, Y. (2024). Machine learning-based water quality classification assessment. Water, 16(20), 2951. https://doi.org/10.3390/w16202951
Dencik, L., Hintz, A., & Cable, J. (2016). Towards data justice? The ambiguity of anti-surveillance resistance in political activism. Big Data & Society, 3(2), 1–12. https://doi.org/10.1177/2053951716679678
Entman, R. M. (1993). Framing: Toward clarification of a fractured paradigm. Journal of Communication, 43(4), 51–58. https://doi.org/10.1111/j.1460-2466.1993.tb01304.x
Escobar-Mamani, F., Moreno-Terrazas, E., Siguayro-Mamani, H., & Argota-Pérez, G. (2023). Physicochemical characterization and presence of heavy metals in the trout farming area of Lake Titicaca, Peru. Sains Tanah – Journal of Soil Science and Agroclimatology, 20(2), 140–149. https://doi.org/10.20961/stjssa.v20i2.62357
Fischhoff, B. (1995). Risk perception and communication unplugged: Twenty years of process. Risk Analysis, 15(2), 137–145. https://doi.org/10.1111/j.1539-6924.1995.tb00308.x
Frincu, R. M. (2025). Artificial intelligence in water quality monitoring: A review of water quality assessment applications. Water Quality Research Journal, 60(1), 164–176. https://doi.org/10.2166/wqrj.2024.049
García Canclini, N. (1990). Culturas híbridas: Estrategias para entrar y salir de la modernidad. Grijalbo.
Irwin, A. (1995). Citizen science: A study of people, expertise and sustainable development. Routledge.
Kasperson, R. E., Renn, O., Slovic, P., Brown, H. S., Emel, J., Goble, R., Kasperson, J. X., & Ratick, S. (1988). The social amplification of risk: A conceptual framework. Risk Analysis, 8(2), 177–187. https://doi.org/10.1111/j.1539-6924.1988.tb01168.x
Krishnaraj, A., & Deka, P. C. (2020). Spatial and temporal variations in river water quality of the Middle Ganga Basin using unsupervised machine learning techniques. Environmental Monitoring and Assessment, 192(12), 744. https://doi.org/10.1007/s10661-020-08624-4
Martín-Barbero, J. (1987). De los medios a las mediaciones: Comunicación, cultura y hegemonía. Gustavo Gili.
Massa, A., & Comunello, F. (2024). Natural and environmental risk communication: A scoping review of campaign experiences, applications and tools. International Journal of Disaster Risk Reduction, 114, 104936. https://doi.org/10.1016/j.ijdrr.2024.104936
Ministerio del Ambiente. (2017). Estándares de calidad ambiental (ECA) para agua (D.S. N° 004-2017-MINAM). Ministerio del Ambiente. https://www.gob.pe/institucion/minam/normas-legales/3671-004-2017-minam
Mogane, L. K., Masebe, T., Msagati, T. A. M., & Ncube, E. (2023). A comprehensive review of water quality indices for lotic and lentic ecosystems. Environmental Monitoring and Assessment, 195(8), 926. https://doi.org/10.1007/s10661-023-11512-2
Nasir, N., Kansal, A., Alshaltone, O., Barneih, F., Sameer, M., Shanableh, A., & Al-Shamma'a, A. (2022). Water quality classification using machine learning algorithms. Journal of Water Process Engineering, 48, 102920. https://doi.org/10.1016/j.jwpe.2022.102920
Renn, O. (2008). Risk governance: Coping with uncertainty in a complex world. Earthscan.
Salas-Ávila, D., Chaiña-Chura, F. F., Belizario-Quispe, G., Quispe-Mamani, E., Huanqui-Pérez, R., Velarde-Coaquira, E., Bernedo-Colca, F., Salas-Mercado, D., & Hermoza-Gutiérrez, M. (2021). Evaluación de metales pesados y comportamiento social asociados con la calidad del agua en el río Suches, Puno, Perú. Tecnología y Ciencias del Agua, 12(6), 145–195. https://doi.org/10.24850/j-tyca-2021-06-04
Sandoval, S., Bui, J., & Hopfer, S. (2025). Wildfire and smoke risk communication: A systematic literature review from a health equity focus. International Journal of Environmental Research and Public Health, 22(3), 368. https://doi.org/10.3390/ijerph22030368
Scikit-learn developers. (2024). Scikit-learn: Machine learning in Python (Version 1.5). https://scikit-learn.org/stable/modules/clustering.html
Star, S. L., & Griesemer, J. R. (1989). Institutional ecology, ‘translations’ and boundary objects: Amateurs and professionals in Berkeley’s Museum of Vertebrate Zoology, 1907–1939. Social Studies of Science, 19(3), 387–420. https://doi.org/10.1177/030631289019003001
Swain, L. G. (2024). The evolution of the Canadian (CCME) Water Quality Index. Water Quality Research Journal, 59(4), 342–346. https://doi.org/10.2166/wqrj.2024.052
Taylor, L. (2017). What is data justice? The case for connecting digital rights and freedoms globally. Big Data & Society, 4(2), 1–14. https://doi.org/10.1177/2053951717736335
Wolpert, D. H. (1992). Stacked generalization. Neural Networks, 5(2), 241–259. https://doi.org/10.1016/S0893-6080(05)80023-1
Wynne, B. (1992). Misunderstood misunderstanding: Social identities and public uptake of science. Public Understanding of Science, 1(3), 281–304. https://doi.org/10.1088/0963-6625/1/3/004
Zhu, M., Wang, J., Yang, X., Zhang, Y., Zhang, L., Ren, H., Wu, B., & Ye, L. (2022). A review of the application of machine learning in water quality evaluation. Eco-Environment & Health, 1(2), 107–116. https://doi.org/10.1016/j.eehl.2022.06.001
Descargas
Publicado
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
La revista se acoge a la licencia Licencia Atribución (CC BY), permitiendo la posibilidad de copiar, distribuir, exhibir, y producir obras derivadas, siempre y cuando se reconozca y cite al autor.
