Plataforma abierta de detección de anomalías y aprendizaje automático para apoyo a la toma de decisiones en la gestión de aguas subterráneas

Abstract

Según informes recientes de las Naciones Unidas (2022), las cuencas principales de Chile se encuentran bajo un estrés hídrico extremadamente alto, lo que amenaza tanto a la población como al crecimiento económico. De ellas, los acuíferos subterráneos poseen un bajo nivel de monitoreo además de complejidades técnicas y físicas asociadas a su gestión. Este trabajo presenta el diseño e implementación de una plataforma que integra un sistema experto para el procesamiento, análisis y la detección de anomalías en datos de monitoreo de acuíferos subterráneos. Se propone una metodología de selección automática del mejor modelo de detección de anomalías para generar alertas de posibles problemas a partir de sus parámetros fisicoquímicos. La metodología incluye el análisis de múltiples modelos incluyendo modelos de apilamiento y ensamble para una solución robusta ante las particularidades propias de cada acuífero. Se analiza que la integración de las distintas herramientas dentro de la plataforma desarrollada logra facilitar el procesamiento de los datos de series de tiempo hidrológicas, para la detección de anomalías. Se logra detectar automáticamente hasta un 85% de las anomalías en los datos de calidad de agua. Las potenciales aplicaciones de este trabajo podrían ir extenderse a la detección de anomalías en diferentes casos de uso.