Ir al menú de navegación principal Ir al contenido principal Ir al pie de página del sitio

Diseño De Un Modelo Correlacional Para Cuantificar Variables Fisicoquímicas A Partir De Técnicas De Espectroradiometría En Cuerpos De Agua. Caso De Estudio Rio Cuja Cundinamarca Colombia

Resumen

La calidad del agua es un tema critico en la gestión ambiental, y en este sentido, la teledetección ha adquirido un papel relevante como una herramienta de evaluación altamente efectiva. Con su capacidad para obtener datos de manera remota y a gran escala, la teledetección se presenta como una solución innovadora y confiable para monitorear y analizar la contaminación en cuerpos de agua dulce de forma cada vez más precisa y oportuna. En esta investigación se analizó la correlación entre variables fisicoquímicas y datos obtenidos mediante espectro-radiometría de campo. Las variables fueron conductividad, pH, sólidos suspendidos totales (TSS), Demanda química de oxígeno (DQO), nitratos y fosfatos, tomados en cuatro puntos diferentes de la cuenca del rio Cuja. Se capturaron 70 firmas espectrales, utilizando el espectro radiómetro de mano ASD FieldSpec HandHeld 2. Utilizando el coeficiente de correlación de Pearson y el coeficiente de determinación R-cuadrado, se analizaron los datos de entrada en modelos de regresión con un nivel de confiabilidad del 95%, mostrando una fuerte correlación entre las variables pH del agua con un nivel de determinación del 92% y la longitud de onda del espectro visible de 400 nm. Asimismo, se determinó que la longitud de onda 822 nm en el rango de los infrarrojos, es altamente efectiva para medir los niveles de nitratos con un coeficiente de determinación del 90%, mientras que las longitudes de onda 760 nm del borde rojo y 393nm del azul visible fueron adecuadas para medir los fosfatos y los sólidos suspendidos con coeficientes del 86% y 82%, respectivamente. Sin embargo, las variables de conductividad y demanda química de oxígeno (DQO) presentaron coeficientes de determinación más bajos y coeficientes de correlación de Pearson de 82% y 77% respectivamente. Estos hallazgos sugieren que la espectroradiometría de campo es una valiosa aliada en la medición de parámetros fisicoquímicos en la calidad del agua.

Palabras clave

Teledetección, espectroradiometría, variables fisicoquímicas, calidad de agua.


Biografía del autor/a

Edier Fernando Avila Velez

Bogota


Citas

  1. A.Dourojeanni, A. Jouravlev, CEPAL Gestión de cuencas y ríos vinculados con centros urbanos [online]. CEPAL. 1999.Disponible en: https://bibliotecadigital.ciren.cl/handle/20.500.13082/33031
  2. P.R. Kannel, S. Lee, S.R. Kanel, “Spatial–temporal variation and comparative assessment of water qualities of urban river system: a case study of the river Bagmati (Nepal)”, Environ Monit Assess, vol. 129, pp. 433–45, january 2007. https://doi.org/10.1007/s10661-006-9375-6
  3. Ministerio de Ambiente, Vivienda y Desarrollo Territorial, Política Nacional para la Gestión Integral del Recurso Hídrico[online]. Bogotá, D.C.: Colombia, 2010 Disponible en: https://www.minambiente.gov.co/wp-content/uploads/2021/10/Politica-nacional-Gestion-integral-de-recurso-Hidrico-web.pdf
  4. M.H. Gholizadeh, A.M. Melesse, L.A. Reddi, “Comprehensive Review on Water Quality Parameters E stimation Using Remote Sensing Techniques”, Sensors vol. 16, pp. 12-98, agosto 2016. https://doi.org/10.3390/s16081298
  5. N.E. Samboni, Y. Carvajal, J.C. Escobar, “Revisión de parámetros fisicoquímicos como indicadores de calidad y contaminación del agua” Ingeniería e investigación vol 27 no 3, pp. 172-181, diciembre 2007. https://www.redalyc.org/articulo.oa?id=64327320
  6. B.A. Schaeffer, K.G. Schaeffer, D. Keith, R.S. Lunetta, R. Conmy, R.W. Gould, “Barriers to adopting satellite remote sensing for water quality management”,Int J Remote Sens, vol.34, pp. 7534-7544, Agosto 2013. https://doi.org/10.1080/01431161.2013.82354
  7. R.H. Becker, M. Sayers, D. Dehm, R. Shuchman, K. Quintero, K. Bosse, R. Sawtell, " Unmanned aerial system based spectroradiometer for monitoring harmful algal blooms: A new paradigm in water quality monitoring", Journal of Great Lakes Research, vol. 45 no 3, pp.444-53, june 2019. https://doi.org/10.1016/J.JGLR.2019.03.006
  8. Y. Zhang, X. Kong, L. Deng, Y. Liu, Y. " Monitor water quality through retrieving water quality parameters from hyperspectral images using graph convolution network with superposition of multi-point effect: A case study in Maozhou River", Journal of Environmental Management, vol. 342, pp. 118283, september 2023. https://doi.org/10.1016/J.JENVMAN.2023.118283
  9. S. Chen, L. Han, X. Chen, D. Li, L. Sun, Y. Li, " Estimating wide range Total Suspended Solids concentrations from MODIS 250-m imageries: An improved method. ISPRS", Journal of Photogrammetry and Remote Sensing, vol. 99, pp. 58–69, january 2015. https://doi.org/10.1016/J.ISPRSJPRS.2014.10.006
  10. S. Imen, N. Chang, Bin, Y.J. Yang, " Developing the remote sensing-based early warning system for monitoring TSS concentrations in Lake Mead". Journal of Environmental Management, vol. 160, pp. 73–89, september 2015. https://doi.org/10.1016/J.JENVMAN.2015.06.003
  11. S. Chen, L. Fang, L. Zhang, W. Huang, " Remote sensing of turbidity in seawater intrusion reaches of Pearl River Estuary – A case study in Modaomen water way, China",. Estuarine, Coastal and Shelf Science, vol. 82 no1, pp. 119–127, march 2009. https://doi.org/10.1016/J.ECSS.2009.01.003
  12. S.H. Rahat, T. Steissberg, W. Chang, X. Chen, G. Mandavya, J. Tracy, A. Wasti, G. Atreya, S. Saki, M.A. Bhuiyan, P. Ray, "Remote sensing-enabled machine learning for river water quality modeling under multidimensional uncertainty", Science of The Total Environment, vol. 898, pp. 165-504, noviembre 2023. https://doi.org/10.1016/J.SCITOTENV.2023.165504
  13. M.G. Uddin, S. Nash, A. Rahman, A.I. Olbert, " A comprehensive method for improvement of water quality index (WQI) models for coastal water quality assessment", Water Research, vol 219, 118532, july 2022. https://doi.org/10.1016/J.WATRES.2022.118532
  14. M.L. Wu, Y.S. Wang, Y.T. Wang, J.P. Yin, J. Dong, Z.Y. Jiang, F.L. Sun, " Scenarios of nutrient alterations and responses of phytoplankton in a changing Daya Bay, South China Sea". Journal of Marine Systems, vol. 165, pp. 1–12, january 2017). https://doi.org/10.1016/J.JMARSYS.2016.09.004
  15. R. Beck, S. Zhan, H. Liu, S. Tong, B. Yang, M. Xu, Z. Ye, Y. Huang, S. Shu, Q. Wu, S. Wang, K. Berling, A. Murray, E. Emery, M. Reif, J. Harwood, J. Young, C. Nietch, D. Macke, H. Su, " Comparison of satellite reflectance algorithms for estimating chlorophyll-a in a temperate reservoir using coincident hyperspectral aircraft imagery and dense coincident surface observations",. Remote Sensing of Environment, vol. 178, pp. 15–30, june 2016. https://doi.org/10.1016/J.RSE.2016.03.002
  16. J. Cai, L. Meng, H. Liu, J. Chen, Q Xing, " Estimating Chemical Oxygen Demand in estuarine urban rivers using unmanned aerial vehicle hyperspectral images", Ecological Indicators, vol. 139, 108936, june 2022. https://doi.org/10.1016/J.ECOLIND.2022.108936
  17. Y. Qiu, H.E. Zhang, X. Tong, Y. Zhang, J. Zhao, Monitoring the water quality of water resources reservation area in upper region of Huangpu River using remote sensing[online]. IEEE International Symposium on Geoscience and Remote Sensing pp. 1082-1085, 2006 Disponible en: 10.1109/IGARSS.2006.279.
  18. X. Cai, Y. Li, S. Lei, S. Zeng, Z. Zhao, H. Lyu, X. Dong, J. Li, H. Wang, J. Xu, Y. Zhu, L. Wu, X. Cheng, "A hybrid remote sensing approach for estimating chemical oxygen demand concentration in optically complex waters: A case study in inland lake waters in eastern China". Science of The Total Environment, vol. 856, 158869. january 2023. https://doi.org/10.1016/J.SCITOTENV.2022.158869
  19. S.H. Rahat, Y. Steissberg, W. Chang, X. Chen, G. Mandavya, J. Tracy, A. Wasti, G. Atreya, S. Saki, M.A. Bhuiyan, P. Ray, “Remote sensing-enabled machine learning for river water quality modeling under multidimensional uncertainty”, Science of The Total Environment, vol. 898, 165504, 2023 https://doi.org/10.1016/J.SCITOTENV.2023.165504
  20. M.G. Uddin, S. Nash, A. Rahman, A.I. Olbert, “A comprehensive method for improvement of water quality index (WQI) models for coastal water quality assessment”. Water Research, vol. 219, 118532, 2022. https://doi.org/10.1016/J.WATRES.2022.118532
  21. C. Zhou, J. Zhang, "Simultaneous measurement of chemical oxygen demand and turbidity in water based on broad optical spectra using backpropagation neural network". Chemometrics and Intelligent Laboratory Systems, vol. 237, 104830, 202. https://doi.org/10.1016/J.CHEMOLAB.2023.104830
  22. R. Chafloque, C. Rodriguez, Y. Pomachagua, M. Hilario, M. “Predictive Neural Networks Model for Detection of Water Quality for Human ConsumptionIn 2021” 13th International Conference on Computational Intelligence and Communication Networks (CICN), pp. 172-176, september 2021.
  23. A.H. Haghiabi, A.H. Nasrolahi, A. Parsaie, “Water quality prediction using machine learning methods Water Quality”, Revista de investigación sobre la calidad del agua vol.53 no 1 pp. 3-13, 2018. https://doi.org/10.2166/wqrj.2018.025
  24. A.C. Aguilar, F.F. Obando, “APRENDIZAJE AUTOMÁTICO PARA LA PREDICCIÓN DE CALIDAD DE AGUA POTABLE”, INGENIARE, vol. 28, pp. 59–74, 2020. https://doi.org/https://doi.org/10.18041/1909-2458/ingeniare.28.6215
  25. M.F. Gutiérrez Fonseca, Modelo de gobernanza del agua en la Cuenca del Río Cuja [online]. Universidad UDCA, 2018 Disponible en:
  26. https://repository.udca.edu.co/handle/11158/963.
  27. Corporación Autónoma Regional CAR, Delimitación y localización de la cuenca Sumapaz y subcuenca río alto Sumapaz. En: CAR. Diagnóstico, prospectiva y formulación de la cuenca hidrográfica del río Sumapaz. Plan de Manejo y Ordenamiento de la Cuenca (POMCA) del río Sumapaz [online], Informe POMCA-002 UT. Bogotá DC: ed. CAR; 2016 Disponible en: https://www.car.gov.co/uploads/files/5ac68e4163931.pdf
  28. P. Chober, L.A. Schwarte, “Correlation coefficients: Appropriate use and interpretation”. Anesthesia and Analgesia, vol. 126, no 5, pp. 1763–1768, 2018. https://doi.org/10.1213/ANE.0000000000002864
  29. J.L. Rodgers, W.A NiceWander, “Thirteen ways to look at the correlation coefficient”, American Statistician, vol. 42, No 1, pp. 59–66, 1988. https://doi.org/10.1080/00031305.1988.10475524
  30. D. Chicco, M.J. Warrens, G. Jurman, “The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation. PeerJ” Computer Science, vol. 7, pp. 1–24, 2021. https://doi.org/10.7717/PEERJ-CS.623
  31. J.D. Nagelkerke, “Miscellanea A note on a general definition of the coefficient of determination” Biometrika, Vol. 78, No 3, pp. 691-692, september, 1991. https://academic.oup.com/biomet/article-abstract/78/3/691/256225?redirectedFrom=fulltext&login=false
  32. J.L. Wu, C.R. Ho, C.C., Huang, A.L. Srivastav, J.H. Tzeng, Y.T. Lin, “Hyperspectral sensing for turbid water quality monitoring in freshwater rivers: Empirical relationship between reflectance and turbidity and total solids”. Sensors (Switzerland), vol. 14, No 12, pp. 22670–22688, 2014. https://doi.org/10.3390/s141222670.
  33. I. Won Seo, H. Yun, S.Y. Choi, “Forecasting Water Quality Parameters by ANN Model using Pre-processing Technique at The Downstream of Cheongpyeong Dam. Procedi” Engineering, vol, 154, pp. 1110–1115, 2016. https://doi.org/10.1016/j.proeng.2016.07.519
  34. I. Melendez Pastor, J. Navarro Pedreño, I. Gómez, M. Koch, “Identifying optimal spectral bands to assess soil properties with VNIR radiometry in semi-arid soils”. Geoderma, vol. 147, No 3–4, pp. 126–132, 2008. https://doi.org/10.1016/j.geoderma.2008.08.004
  35. J.D. Aguilar Sánchez, N. Cubas Irigoín, N. “Contaminación de suelos por el uso de aguas residuales”, Revista Alfa, vol. 5, No 14, pp. 132–144, 2021. https://doi.org/10.33996/revistaalfa.v5i14.104
  36. J.W. Lopes, F.B. Lopes, E.M. Andrade, L.C.G. Chaves, M.G.R.Carneiro, “Spectral Response of Water Under Different Concentrations of Suspended Sediment: Measurement and Simplified Modeling”, Journal of Agricultural Science, vol. 11, No 3, pp. 327. 2019. https://doi.org/10.5539/jas.v11n3p327
  37. S. Hafeez, M.S. Wong, S. Abbas, Y.T. Kwok, J. Nichol. K.H. Lee, D. Tang, L. Pun, “Detection and Monitoring of Marine Pollution Using Remote”, Sensing Technologies, 2018. https://books.google.com.co/books?hl=es&lr=&id=mTj8DwAAQBAJ&oi=fnd&pg=PA7&ots=Om7DvOxZnY&sig=wbnlh9UuyuqkcMaUIjQpI8k7b3s&redir_esc=y#v=onepage&q&f=false
  38. C. De La Hoz, C. Gotilla, MODELO PARA LA PREDICCION DE PARAMETROS DE CALIDAD DEL AGUA DEL LAGO DE VALENCIA UTILIZANDO IMÁGENES DE SATELITE [online], XIII Congreso de la Asociación Españolade teledetección 2009 Disponible en: http://www.aet.org.es/congresos/xiii/cal29.pdf
  39. J. Gallego Ayala, J. A. Gómez Limón, “Análisis de instrumentos políticos para el control de la contaminación por nitratos de la agricultura de regadío en Castilla y León (España)”. Spanish Journal of Agricultural Research, vol. 7, No 1, pp. 24–40, 2009, https://doi.org/10.5424/sjar/2009071-395
  40. D. Wang, Q. Cui, F. Gong, L. Wang, X. He, Y. Bai, “Satellite retrieval of Surface wáter nutrients in the coastal regions of the east China Sea”. Remote Sensing, vol. 10, No 12, pp. 1896, noviembre, 2018. https://www.mdpi.com/2072-4292/10/12/1896
  41. Q. Jiang, J. He, J. Wu, X. Hu, Y. Ye, G. Christakos, “Assessing the severe eutrophication status and spatial trend in the coastal waters of Zhejiang province (China)”. Limnology and oceonography, vol. 64, No 1, pp. 3-17, agosto, 2018. https://doi.org/10.1002/lno.11013
  42. N.P. Kumudini, K. Sok, D.G. Avanthi, H. Yohey, C. Yoon, M. Raj, S. Binoy, S. Yong, “Fe(III) loaded chitosan-biochar composite fibers for the removal of phosphate from water”, Journal of Hazardous Materials, vol. 415, agosto, 2021. https://doi.org/10.1016/j.jhazmat.2021.125464.

Descargas

Los datos de descargas todavía no están disponibles.

Artículos similares

1 2 3 > >> 

También puede {advancedSearchLink} para este artículo.