Propuesta de un Índice de Calidad de Agua de Mar en el Estuario del Río Champotón, Campeche, a partir de imágenes de satélite y Máquinas de Soporte Vectorial
12/11/2026 –, Sala Geomática 7

Introducción

El estuario del Río Champotón, en Campeche, México, es una Región Hidrológica Prioritaria (CONABIO) de alto valor ecológico y socioeconómico, sometida a presión antropogénica creciente por desarrollo urbano, descargas residuales y actividad agrícola. El monitoreo tradicional, basado en muestreos puntuales in situ, resulta insuficiente para capturar la variabilidad espacio-temporal de un sistema estuarino ópticamente complejo. Este trabajo propone una metodología geoespacial para construir un Índice de Calidad del Agua (ICA) a partir de datos satelitales, complementada con un módulo de clasificación supervisada mediante Máquinas de Vectores de Soporte (SVM).

Objetivo

Identificar los contaminantes y fuentes de contaminación del estuario del Río Champotón durante 2020, mediante la propuesta de un ICA construido a partir de productos satelitales de color del océano, y evaluar la capacidad de un modelo de aprendizaje automático para clasificar el estado trófico del sistema a partir de dichas variables.

Metodología

Se utilizaron datos diarios del año 2020 (366 días, ventana 18.5°–20.0°N / 91.5°–90.0°O) provenientes de Copernicus Marine Service (CMEMS): el producto satelital Global Ocean Colour (4 km de resolución), del cual se extrajeron clorofila-a, coeficiente de atenuación difusa (Kd490) y profundidad de disco de Secchi (ZSD); y dos productos de reanálisis numérico (GLORYS12 y PISCES) para la caracterización complementaria de temperatura, salinidad, oxígeno disuelto, nitrato y fosfato.

El ICA se calculó mediante el modelo WAWQI (Weighted Arithmetic Water Quality Index), normalizando cada variable satelital a un sub-índice de 0–100 con base en percentiles P5–P95 locales, y promediando los tres sub-índices con pesos iguales. El resultado se clasificó en cinco categorías tróficas (oligotrófico a hipertrófico).

Como segunda fase metodológica, se está implementando un clasificador SVM con kernel de Función de Base Radial (RBF), que tomará como variables de entrada clorofila-a, Kd490 y ZSD (y, de forma exploratoria, temperatura, salinidad y nutrientes del reanálisis) para predecir directamente la categoría trófica de cada píxel. Dada la naturaleza no lineal de las relaciones entre reflectancia satelital y contaminantes —evidenciada en las correlaciones de Pearson obtenidas (p. ej., r = −0.97 entre temperatura y oxígeno disuelto)—, se seleccionó el kernel RBF por su capacidad de modelar fronteras de decisión complejas con solo dos hiperparámetros (C y γ). Al tratarse de un problema de cinco clases, se adoptará el esquema multiclase uno-contra-uno (One-vs-One), implementado en scikit-learn, con ajuste de hiperparámetros mediante validación cruzada y búsqueda en rejilla (grid search).

Resultados

El ICA promedio anual fue de 60.3 (mesotrófico), con un patrón estacional marcado: condiciones oligotróficas durante la temporada seca (máximo de 85.6 en marzo) y un deterioro progresivo a partir de junio, coincidiendo con el paso de la Tormenta Tropical Cristóbal, hasta alcanzar el mínimo anual en octubre (ICA = 29.5, supertrófico), con un incremento de hasta 27 veces en la concentración de nitrato superficial. El análisis espacial reveló un gradiente persistente entre la franja costera (peor calidad) y las aguas abiertas (mejor calidad), con núcleos hipertróficos puntuales cerca de la desembocadura entre agosto y octubre. La matriz de correlación confirmó la coherencia física del modelo (r = −0.90 entre salinidad y nitrato; r = 0.99 entre clorofila-a y Kd490).

El entrenamiento y validación del clasificador SVM se encuentra en curso; los resultados completos de este módulo (métricas de desempeño, matriz de confusión e importancia relativa de variables) estarán disponibles el 10 de julio de 2026.

Conclusiones

Los resultados preliminares demuestran que un ICA construido a partir de variables ópticas satelitales captura de forma consistente la dinámica estacional del estuario, incluyendo su respuesta a eventos hidrometeorológicos extremos. La incorporación de SVM busca aportar una capa adicional de robustez metodológica frente a la alta proporción de datos faltantes característica del monitoreo óptico en zonas tropicales.

Nota sobre uso de IA: Se utilizó Claude (Anthropic) como apoyo en la redacción de este resumen a partir del contenido de mi tesis; el análisis de datos, el cálculo del ICA y el entrenamiento del modelo SVM son trabajo propio.