Ojos de IA contra el invasor invisible: detectando microplásticos en agua

El problema invisible

Imagina que estás en la orilla del lago Titicaca, el agua parece cristalina, pero bajo la superficie flota una niebla de partículas diminutas que ni el ojo ni los filtros convencionales pueden atrapar. Estos microplásticos, menores de 5 mm, provienen de ropa sintética, envases y desechos urbanos, y se infiltran en la cadena alimentaria, llegando incluso a nuestros platos.

Cómo funciona la IA

La solución combina dos tecnologías: la espectroscopía Raman, que captura la vibración molecular de cada partícula y genera una huella espectral única, y una red neuronal convolucional (CNN) entrenada para reconocer esas huellas entre miles de señales.

1. Muestra y medición: Se toma un litro de agua, se filtra y se deposita sobre un sustrato adecuado para el análisis Raman.
2. Adquisición del espectro: Un láser ilumina la muestra y el dispositivo registra el desplazamiento de los fotones, produciendo un espectro de Raman.
3. Preprocesado: Se eliminan fondos, se normalizan intensidades y se vectorizan los picos.
4. Clasificación con CNN: La red, entrenada con miles de espectros de plásticos conocidos (PET, PE, PP, PS, etc.) y de materia orgánica, asigna una probabilidad de pertenencia a cada categoría.
5. Resultado: Un mapa de concentración de microplásticos por tipo y tamaño se genera en minutos, listo para ser visualizado en un tablero de control.

Caso de estudio: Lago Titicaca

En una campaña de muestreo realizada en julio de 2024, investigadores de la Universidad Mayor de San Andrés y el centro de investigación AI‑Eco analizaron 30 puntos a lo largo de la cuenca.

• Puntos críticos: Near the city of Puno y la desembocadura del río Ramis, donde se detectaron concentraciones superiores a 120 partículas L⁻¹.
• Tipos predominantes: PET (45 %), seguido de polipropileno (PP) 30 % y poliestireno (PS) 15 %.
• Comparativo: Antes de aplicar la IA, los métodos tradicionales de microscopía tardaban hasta 48 h y tenían un error de estimación del ±35 %; con la IA, el tiempo se redujo a <15 min y la precisión superó el 90 %.

Resultados y impacto

• Alertas tempranas: Los datos se integraron en una plataforma de monitoreo ambiental que avisa a autoridades cuando se superan umbrales de riesgo.
• Acciones concretas: Se implementaron campañas de recolección de residuos plásticos en las riberas y se empezó a promover el uso de filtros de lavadora en hogares.
• Escalabilidad: El mismo pipeline está siendo probado en el lago Poopó y en reservas de agua de la Amazonía peruana.

Futuro y desafíos

Aunque prometedora, la tecnología enfrenta retos:

• Variabilidad de muestras: Sustancias como algas o sedimentos pueden generar falsos positivos; se están incorporando técnicas de aumento de datos (data augmentation) y aprendizaje por transferencia.
• Costo de equipos: Los espectrómetros Raman portátiles siguen siendo costosos; se exploran alternativas basadas en espectroscopía de fluorescencia de bajo costo.
• Interpretabilidad: Se están desarrollando mapas de atención (attention maps) dentro de la CNN para entender qué rasgos espectrales son decisivos.

Con cada gota de agua analizada, la IA nos muestra que lo invisible puede hacerse visible, y que la lucha contra la contaminación plástica tiene un nuevo aliado en el código y la luz.