EVALUACIÓN DEL DESEMPEÑO DE UN MODELO DE BALANCE HÍDRICO IMPLEMENTADO EN GOOGLE EARTH ENGINE PARA LA ESTIMACIÓN DE LA RECARGA POTENCIAL DE AGUAS SUBTERRÁNEAS
La estimación de recarga de agua subterránea es fundamental en la gestión de los recursos hídricos de una cuenca. Sin embargo, estas evaluaciones enfrentan el reto de integrar y procesar grandes conjuntos de datos geoespaciales mediante software especializado, cuya operación requiere conocimientos técnicos específicos. Aunado a ello, la aplicación de metodologías de estimación de la recarga suele depender de información hidrogeológica que no se encuentra disponible en regiones con datos limitados.
Este estudio presenta un marco basado en el cómputo en la nube para estimar la distribución espacial y la magnitud de la recarga potencial de aguas subterráneas mediante el modelo de balance hídrico de Thornthwaite-Mather (T-M), implementado en Google Earth Engine (GEE). El modelo se ejecuta mediante un script de Python desarrollado en Google Colab y utiliza productos satelitales globales de acceso abierto disponibles en GEE. La Cuenca de México fue seleccionada como caso de estudio para evaluar el marco propuesto frente a un modelo de referencia de balance hídrico del suelo (USGS Soil-Water-Balance), previamente calibrado. La diferencia entre ambos modelos fue de ~1% en la lámina de recarga (mm/año) a escala de cuenca. A escala de unidad de gestión, se observaron diferencias de ~4-5% en los acuíferos administrativos Zona Metropolitana y Tecocomulco, mientras que discrepancias mayores (~20-30%) se identificaron en las zonas ubicadas al este y norte de la cuenca. En general, la evaluación mediante métricas de desempeño mostró una adecuada reproducción de la magnitud de la recarga, con algunas limitaciones en la representación de su dinámica temporal, asociadas principalmente con las diferencias en el procesamiento temporal de los modelos y las condiciones hidroclimáticas locales.
El flujo de trabajo propuesto es reproducible y reduce la dependencia de la infraestructura computacional local, permitiendo procesar grandes volúmenes de información y generar estimaciones con amplia cobertura espacial y temporal. Estas características proporcionan una herramienta potencialmente útil para apoyar la caracterización y gestión de los recursos de agua subterránea, al facilitar la actualización de las estimaciones conforme se incorporan nuevas fuentes de información.