En este estudio, ampliamos nuestro trabajo anterior sobre una red neuronal convolucional bidimensional (2DCNN) para la predicción espacial de nitratos en aguas subterráneas, centrándonos en mejorar la cuantificación de la incertidumbre. Nuestro modelo mejorado incorpora un marco bayesiano completamente probabilístico y una estructura destinada a optimizar tanto las predicciones de valores específicos como los intervalos predictivos (PIs). Implementamos la Red de Validación y Estimación de Intervalos Predictivos basada en la Definición de Calidad (2DCNN-QD) para refinar la precisión de las predicciones probabilísticas y reducir el ancho de los intervalos de predicción. Aplicados a una región modelo en Alemania, nuestros resultados demuestran una mejora del 18% en el ancho del intervalo de predicción. Mientras que los modelos tradicionales de CNN bayesianos pueden generar intervalos de predicción más amplios para capturar adecuadamente las incertidumbres, el método 2DCNN-QD prioriza la optimización de intervalos impulsada por la calidad, lo que resulta en intervalos de predicción más estrechos sin sacrificar la probabilidad de cobertura. Cabe destacar que este enfoque es no paramétrico, lo que permite su utilización efectiva en una variedad de escenarios del mundo real.