Alumnos del IPN crean sistema para detectar contaminación en el agua; utiliza Inteligencia Artificial

Estudiantes del Instituto Politécnico Nacional ( IPN ) desarrollaron un sistema de Inteligencia Artificial capaz de identificar macroinvertebrados acuáticos y agilizar la evaluación de la calidad del agua , herramienta que ya fue probada en cuerpos de agua de la Reserva de la Biósfera Tehuacán-Cuicatlán, entre Puebla y Oaxaca.

El proyecto, denominado Deep Bug, fue creado por Desiré Cuevas Romero y Didier González Ferreira, estudiantes de Ingeniería en Inteligencia Artificial de la Escuela Superior de Cómputo (Escom), así como por Óscar Leyva Rodríguez, alumno de Ingeniería en Sistemas Computacionales.

La herramienta integra una aplicación móvil para el trabajo de campo, una plataforma web para administrar y consultar información y un modelo de IA que clasifica automáticamente macroinvertebrados a partir de imágenes.

Lee también Aumentaría el presupuesto de Ciencia para 2027 Estos organismos funcionan como bioindicadores, debido a que su presencia o ausencia está relacionada con las condiciones ambientales de los cuerpos de agua y permite determinar si existe contaminación.

Deep Bug facilita la aplicación del índice Biological Monitoring Working Party (BMWP), método que evalúa la calidad del agua a partir de la diversidad de macroinvertebrados presentes.

Para México, el índice fue adaptado como BMWP/Mex por Eugenia López López, investigadora de la Escuela Nacional de Ciencias Biológicas del IPN, quien participó como codirectora del proyecto.

Lee también ¿Cómo está la salud sexual de América Latina? De acuerdo con los desarrolladores, la herramienta busca resolver dificultades que actualmente enfrenta la aplicación de este índice, entre ellas el registro manual de información, el riesgo de pérdida o daño de formatos durante el trabajo de campo, el tiempo necesario para identificar correctamente los organismos y los problemas para almacenar y consultar los resultados de los monitoreos.

Para construir el sistema de reconocimiento automático, los estudiantes utilizaron redes neuronales convolucionales, tecnología especializada en el procesamiento y análisis de imágenes.

El modelo fue entrenado durante seis meses con alrededor de 3 mil imágenes y se concentró inicialmente en cinco familias de macroinvertebrados con características visuales similares, cuya identificación puede resultar particularmente compleja.

Lee también Crean enzima que sintetiza nuevo tipo de prebióticos El sistema también fue diseñado para funcionar en zonas donde existe poca o ninguna conectividad a internet.

La aplicación almacena localmente la información obtenida durante los recorridos de campo y, cuando recupera la conexión, sincroniza automáticamente los datos con la nube.