Modelo predictivo de aprendizaje máquina para la gestión del agua de fuente subterránea en el valle Chancay Lambayeque

Abstract

La investigación abordó la problemática del deficiente control y monitoreo de pozos de extracción de agua subterránea en el acuífero del Valle Chancay - Lambayeque, una situación que pone en riesgo la seguridad hídrica, la sostenibilidad agrícola y el abastecimiento poblacional. El estudio se alineó con los Objetivos de Desarrollo Sostenible (ODS 6 y ODS 15), planteando como objetivo general determinar un modelo predictivo de aprendizaje máquina para mejorar la gestión del recurso subterráneo. La metodología adoptó un enfoque cuantitativo prospectivo, evaluando datos históricos de niveles estáticos (1996– 2023) en cuatro zonas hidrogeológicas (I, II, III y IV). Se compararon cinco arquitecturas algorítmicas: redes neuronales de memoria profunda (LSTM, GRU, CNN-LSTM con Lag = 20 trimestres) y modelos híbridos de Machine Learning (KNN-RF y EEMD-SVR-RF con Lag = 3 trimestres). Los resultados permitieron caracterizar la dinámica hidrogeológica del acuífero, evidenciando un régimen freático somero regional (1.55 m a 3.50 m) con alta resiliencia multianual. En la

evaluación algorítmica, los modelos de ventana corta (KNN-RF y EEMD-SVR- RF) mostraron alta precisión para capturar oscilaciones inmediatas de corto

plazo (0.28 m a 2.53 m). Por su parte, las redes de Deep Learning demostraron una capacidad superior para capturar dependencias temporales no lineales multianuales. A través de estas últimas, se identificó de forma unánime que las Zonas I, II y III se mantendrán en Condición Favorable (2.01 m a 3.58 m), mientras que la Zona IV fue diagnosticada sistemáticamente en estado de ALERTA (Monitoreo) debido a un continuo ascenso del nivel freático (2.60 m a 3.04 m), advirtiendo un riesgo de anegamiento y salinización de suelos. Estos hallazgos permitieron comprobar que la modelación predictiva aporta información precisa sobre el nivel estático que resulta técnicamente indispensable para superar la gestión puramente administrativa e informal. Finalmente, sobre esta evidencia se diseñó una propuesta de Plan de Gestión Administrativa articulado a las disposiciones de la Autoridad Nacional del Agua (ANA), estructurado en cuatro dimensiones (Planificación, Organización, Dirección y Control) que incluyen la formulación del Plan Maestro de Aguas Subterráneas (PMAS), la instalación de telemetría IoT en la Zona IV y la formalización de pozos de extracción.

The research addressed the problem of inadequate control and monitoring of groundwater extraction wells in the Chancay-Lambayeque Valley aquifer, a situation that jeopardizes water security, agricultural sustainability, and the supply of water to the population. The study aligned with the Sustainable Development Goals (SDGs 6 and 15), aiming to determine a predictive machine learning model to improve groundwater resource management. The methodology adopted a prospective quantitative approach, evaluating historical static level data (1996– 2023) in four hydrogeological zones (I, II, III, and IV). Five algorithmic

architectures were compared: deep memory neural networks (LSTM, GRU, CNN- LSTM with a lag of 20 quarters) and hybrid machine learning models (KNN-RF

and EEMD-SVR-RF with a lag of 3 quarters). The results allowed for the characterization of the aquifer's hydrogeological dynamics, revealing a shallow regional water table regime (1.55 m to 3.50 m) with high multi-year resilience. In

the algorithmic evaluation, the short-window models (KNN-RF and EEMD-SVR- RF) showed high accuracy in capturing immediate, short-term oscillations (0.28

m to 2.53 m). Deep Learning networks, on the other hand, demonstrated a superior capacity for capturing nonlinear, multi-year temporal dependencies. Through these networks, it was unanimously identified that Zones I, II, and III will remain in Favorable Condition (2.01 m to 3.58 m), while Zone IV was systematically diagnosed as being in an ALERT (Monitoring) state due to a continuous rise in the water table (2.60 m to 3.04 m), indicating a risk of flooding and soil salinization. These findings fully confirmed that predictive modeling provides accurate information on the static level that is technically essential to overcome purely administrative and informal management. Finally, based on this evidence, a proposed Administrative Management Plan was designed, aligned with the provisions of the National Water Authority (ANA), and structured around four dimensions (Planning, Organization, Management, and Control). These dimensions include the formulation of the Groundwater Master Plan (PMAS), the installation of IoT telemetry in Zone IV, and the formalization of extraction wells.