Gómez-Escalonilla Canales, VíctorCarvajal Rivera, Catalina Andrea2026-11-062026-11-062026-07-26https://hdl.handle.net/20.500.14352/141327El agua subterránea constituye un recurso estratégico para el abastecimiento humano, agrícola y ecosistémico, cuya calidad se ve crecientemente amenazada por la contaminación difusa de origen agropecuario, siendo los nitratos uno de los principales contaminantes regulados por la normativa europea. El monitoreo físico de este recurso resulta costoso y limitado, lo que dificulta una evaluación representativa del riesgo a escala regional. Este trabajo propone una metodología de predicción espacial de la concentración de nitratos en aguas subterráneas basada en algoritmos de aprendizaje automático (Machine Learning), aplicando una estrategia de transferencia de conocimiento entre las cuencas hidrográficas del Duero, el Ebro y el Tajo. A partir de una base de datos histórica de puntos de control (2014-2024) y un conjunto de variables explicativas climáticas, topográficas, hidrogeológicas, edáficas y de uso del suelo, se entrenaron y evaluaron diferentes algoritmos de clasificación supervisada mediante el software MLMapper 2.0. Los modelos basados en conjuntos de árboles de decisión, Random Forest (RFC) y Gradient Boosting (GBC), mostraron el mejor desempeño predictivo, con valores de área bajo la curva (AUC) de entre 0.82 y 0.83. Los resultados evidencian tanto el potencial como las limitaciones de este enfoque. Asimismo, la cartografía predictiva permite apoyar la gestión, planificar nuevos puntos de control y corregir las Zonas Vulnerables a la contaminación por nitratos.spamaster thesisembargoed access55:504.5(460)556.3(460)Aguas subterráneasContaminaciónNitratosMachine LearningGeologíaHidrología2506.04 Geología Ambiental2506.05 Hidrogeología