Los modelos ambientales se utilizan para hacer predicciones que forman la base técnica para las decisiones de gestión del agua. Por ejemplo, los modelos de flujo de agua subterránea se pueden usar para predecir los impactos del bombeo en cuerpos de agua superficiales cercanos, para informar las actividades de extracción de agua de la mina y para guiar el diseño y la operación de las instalaciones de remediación.
Los resultados del modelo ambiental a menudo se presentan como un solo conjunto de predicciones, lo que sugiere un nivel de confianza muy alto. En realidad, sin embargo, todos los modelos ambientales contienen incertidumbres. Las fuentes dominantes de incertidumbre en los modelos de flujo de aguas subterráneas incluyen la estructura del modelo subyacente, que debe reflejar la geometría del acuífero; los límites del modelo, que representan el flujo de entrada y salida del sistema; y las propiedades del acuífero, como la transmisividad, que generalmente se estiman calibrando o “ajustando” hasta que las predicciones del modelo coincidan con las observaciones históricas y actuales.
Estas incertidumbres se traducen en incertidumbre en las predicciones del modelo. En consecuencia, es fundamental comunicar a los usuarios la naturaleza y el grado de incertidumbre de la predicción del modelo; de hecho, la EPA[1], la NRC[2] y otras agencias reguladoras creen que esto es fundamental para la evaluación de riesgos ambientales. La omisión de dicha información puede causar que un modelo se perciba como poco confiable o inadecuado para cuantificar condiciones futuras; sin él, los usuarios obtienen una imagen incompleta.
Pero, ¿qué sucede si un análisis de incertidumbre revela que las predicciones de su modelo son "demasiado inciertas"? Esto puede ser problemático para muchos escenarios de gestión del agua del mundo real. Afortunadamente, la incertidumbre de la predicción del modelo se puede reducir mediante el diseño de estrategias de muestreo y monitoreo para abordar las incertidumbres críticas asociadas con la predicción de interés. Esto se conoce como análisis del "valor de los datos", que determina el valor de tener datos adicionales.
La cuantificación explícita de la incertidumbre de las predicciones del modelo proporciona una mejor base para las decisiones de gestión del agua que un único conjunto de predicciones deterministas. Si el nivel de incertidumbre predictiva es inaceptable, la recopilación de datos específicos puede reducirlo a un nivel aceptable. Como tales, los análisis de incertidumbre y el "valor de los datos" agregan valor a las investigaciones hidrológicas, y deben realizarse siempre que se utilicen predicciones de modelos para respaldar decisiones importantes sobre recursos hídricos.
[1] EPA de EE. UU., 2001, Guía de evaluación de riesgos para Superfund (RAGS), volumen 3, parte A: proceso para realizar una evaluación probabilística de riesgos [2] Comisión Reguladora Nuclear de EE. UU., 2003, Una estrategia integral de modelado hidrogeológico y análisis de incertidumbre para instalaciones y sitios nucleares
