Abstract

Las previsiones de los impactos negativos en los acuíferos dependen del conocimiento de las características de recarga y almacenamiento de las reservas de agua, fundamentales para la gestión de los recursos hídricos y la planificación de acciones que busquen una explotación cuantitativa adecuada. Se propuso implementar análisis basados en Machine Learning utilizando datos de teledetección del almacenamiento de agua subterránea (GWS) monitoreados por el GRACE (Gravity Recovery and Climate Experiment), para caracterizar la dinámica de los sistemas de los Acuíferos Bauru (SAB) y Guaraní (SAG) en el estado de São Paulo, Brasil. La información es complementaria al monitoreo convencional por ser continua en las dimensiones espacial y temporal, permitiendo la obtención de datos para toda el área del acuífero. Se espera que este enfoque optimice el uso de datos de teledetección en el monitoreo hidrológico, además de aplicar técnicas avanzadas de procesamiento. Se utilizaron los algoritmos Suport Vector Machine, Random Forest y Prophet, que mostraron excelentes resultados en el pronóstico del almacenamiento del acuífero (GWS). El proceso de validación presentó un coeficiente de determinación (r²) global respectivo de 0,87, 0,80 y 0,94, y errores cuadráticos medios (RMSE) respectivos de 102,9 mm, 109,5 mm y 53,60 mm. Este enfoque facilitará la comprensión de las dinámicas de los acuíferos en relación con los cambios climáticos, esencial para la implementación de planes de acción coherentes con situaciones específicas de cada región.