En un contexto de creciente escasez de agua y degradación ambiental, las Soluciones Basadas en la Naturaleza (SbN) se posicionan como estrategias sostenibles clave para la regeneración del agua. A pesar de su creciente reconocimiento, aún faltan herramientas que faciliten su selección, aplicación y monitoreo, así como ejemplos prácticos que impulsen su implementación a gran escala.
Este trabajo ha desarrollado un catálogo de SbN específicas para la reutilización de agua identificando aquellas, que puedan mejorar los parámetros de calidad del agua en etapas previas a los procesos de regeneración, minimizando así sus requerimientos para la obtención de los niveles de calidad requeridos
Entre las soluciones destacan los humedales construidos, la restauración de riberas, los Sistemas Urbanos de Drenaje Sostenible (SUDS), y la recarga de acuíferos (MAR) en combinación con infraestructuras grises tradicionales.
Se ha diseñado una matriz de evaluación multicriterio para facilitar la selección de SbN en función de su capacidad de reducción de concentración de contaminantes, costes de implementación, espacio necesario, adaptabilidad a la infraestructura gris y cobeneficios ambientales proporcionados. Esta matriz fue aplicada en un caso real.
Además, se ha desarrollado el prototipo de una herramienta predictiva que utiliza técnicas de machine learning para anticipar y monitorear en tiempo real la calidad del agua, en la planta de regeneración de agua de Granollers.
Esta herramienta permite predecir la aparición de E. coli en función de otros parámetros, y ha identificado al cloro residual y la temperatura como los factores clave más influyentes. A pesar de las limitaciones en el tamaño y calidad del conjunto de datos, se logró desarrollar un prototipo funcional, demostrando la viabilidad de este enfoque.
Este prototipo muestra el potencial de las herramientas predictivas basadas en machine learning para mejorar la eficiencia de los procesos de tratamiento de agua al p
In the context of increasing water scarcity and environmental degradation, Nature-Based Solutions (NbS) emerge as key sustainable strategies for water regeneration. Despite their growing recognition, tools that facilitate their selection, application, and monitoring are still lacking, as well as practical examples to promote their large-scale implementation.
This work has developed a catalog of specific NbS for water reuse, identifying those that can improve water quality parameters in stages prior to regeneration processes, thus minimizing their requirements to achieve the necessary quality levels.
Among the highlighted solutions we can find constructed wetlands, riverbank restoration, Sustainable Urban Drainage Systems (SUDS), and Managed Aquifer Recharge (MAR) in combination with traditional grey infrastructure.
A multi-criteria evaluation matrix has been designed to facilitate the selection of NbS based on their contaminant reduction capacity, implementation costs, required space, adaptability to grey infrastructure, and the environmental co-benefits provided. This matrix was applied in a real case study.
Furthermore, a prototype of a predictive tool using machine learning techniques has been developed to anticipate and monitor water quality in real-time at the Granollers water regeneration plant.
This tool predicts the occurrence of E. coli based on other parameters and has identified residual chlorine and temperature as the most influential key factors. Despite the limitations in the size and quality of the dataset, a functional prototype was successfully developed, demonstrating the feasibility of this approach.
The prototype shows the potential of machine learning-based predictive tools to improve the efficiency of water treatment processes by enabling earlier detection of pathogens such as E. coli.
By integrating with traditional grey infrastructure technologies and NbS, these tools can optimize real-time decision-making, contributing to more efficie
