Análisis espacio-temporal de la calidad ambiental de una laguna costera tropical altamente influenciada y vulnerable (Ciénaga de Mallorquín)

Abstract

La Ciénaga de Mallorquín es una laguna costera tropical en el norte de Colombia que ha sufrido impactos ambientales significativos debido a la construcción de infraestructura, vertimiento de aguas residuales y contaminantes transportados por diversos afluentes. Este estudio tiene como objetivo comprender el estado y la evolución ambiental de la Ciénaga de Mallorquín mediante el uso de herramientas de teledetección y machine learning, analizando la variabilidad espacio-temporal de los parámetros de calidad del agua, identificando patrones de variabilidad, y realizando una caracterización dinámica del estado ambiental desde 2016 hasta 2023. La metodología se dividió en cuatro fases: (i) adquisición y procesamiento de datos satelitales e in situ, (ii) implementación de herramientas de machine learning, (iii) análisis de variabilidad espacio-temporal y (iv) propuesta de un indicador preciso y oportuno del estado ambiental del ecosistema, que permita evaluar su evolución y condiciones ambientales actuales. Los modelos de machine learning, incluyendo Support Vector Regression, Random Forest y Extreme Gradient Boosting (XGBoost), mostraron precisión y capacidad de generalización, con valores de R² que varían entre 0.627 y 0.750 en el conjunto de prueba. Los resultados revelan fluctuaciones espacio-temporales en la calidad del agua, siendo salinidad, temperatura, concentración de sedimentos en suspensión y clorofila-a las variables clave. Se encontraron salinidades de hasta 40 PSU en la época seca y descensos a 25 PSU en la época húmeda, con una relación inversa significativa con la temperatura, que osciló entre 25 y 32°C, con descensos en la época seca. La concentración de sedimentos en suspensión y clorofila-a mostraron una correlación positiva, con incrementos durante la época seca, especialmente en áreas cercanas al Arroyo León. El indicador operativo de calidad del agua de Mallorquín (M-Index) identificó alta vulnerabilidad durante la época seca en zonas críticas como los box culverts, el barrio Las Flores y el Arroyo León, subrayando la necesidad de estrategias de manejo adaptativo para regular los aportes de agua dulce y sedimentos a la ciénaga. Este estudio confirma la efectividad de la integración de teledetección y machine learning como herramientas robustas para identificar zonas críticas y patrones espacio-temporales de deterioro ambiental en cuerpos de agua como la Ciénaga de Mallorquín. La aplicación de estos enfoques tecnológicos proporciona una base sólida para la toma de decisiones informadas y promueve una gestión más sostenible y eficiente del ecosistema.