Avances en Hidrología Urbana - (Parte B. Metrología y Monitoreo en Hidrología (... ) )

Parte B
Metrología y monitoreo
en hidrología urbana
Copyright © 2015. Editorial Pontificia Universidad Javeriana. All rights reserved.
<i>Avances en hidrología urbana</i>, edited by Palacio, Andrés Felipe Torres, and Arenas, Santiago Sandoval, Editorial Pontificia Universidad
Javeriana, 2015. ProQuest Ebook Central, http://ebookcentral.proquest.com/lib/bibsipansp/detail.action?docID=4536759.
Created from bibsipansp on 2019-10-06 10:35:01.
Según Bertrand-Krajewski et al. (2000) los procesos de urbanización, el significati-
vo incremento poblacional e industrial, los vertidos de aguas residuales domésticas,
industriales o combinadas y la transferencia de contaminantes en el escurrimiento
de aguas pluviales, generan fuertes impactos e interacciones entre los sistemas na-
turales y artificiales de aguas urbanas. Los fenómenos asociados a dichos procesos de
contaminación de alto impacto son los eventos naturales (inundaciones, condicio-
nes anóxicas y proliferación de algas), acontecimientos accidentales antropogénicos
(por ejemplo, las descargas inadvertidas, derrames) o descargas intencionales (por
ejemplo, vandalismo o terrorismo) (Langergraber et al., 2004a).

Con el paso de los años, la preocupación por la conservación del medio ambiente,
y en particular por la preservación de los recursos hídricos, ha generado un reconoci-
miento respecto a la necesidad de mediciones continuas, confiables, oportunas y de alta
calidad para el desarrollo de estudios hidrológicos, hidráulicos y de calidad de aguas;
con una alta versatilidad en cuanto a escalas temporales o espaciales, lo cual incide
en mejorar y optimizar el control y la gestión de los procesos asociados (por ejemplo,
plantas de tratamiento de aguas, humedales artificiales, etc.) (Cheong et al., 2010;
Glasgow et al., 2004).
Las concentraciones de varios contaminantes presentes en hidrosistemas de sa-
neamiento urbano pueden estimarse mediante muestras puntuales recolectadas en
campo. Sin embargo, dichos ensayos presentan varios inconvenientes demostrados,
entre los que se encuentra la baja representatividad de la dinámica de los flujos de
contaminantes a diferentes escalas de tiempo, debido al costo elevado asociado a la
recolección y al análisis de las muestras en laboratorio (Winkler et al., 2008).
106_ Avances en hidrología urbana
Una de las alternativas posibles para limitar dichas dificultades y responder a las
necesidades medioambientales mencionadas, consiste en utilizar captores instala-
bles in situ, cuya operación se basa en tecnologías de medición en continuo, como
la espectrometría uv-visible, infrarrojo y los electrodos de ion sensible. Estas tec-
nologías recientes en el monitoreo de la calidad de aguas proporcionan información
a alta frecuencia (alrededor de una medición por minuto) que puede traducirse en
términos de concentraciones equivalentes de uno o varios parámetros a la vez, como
sólidos suspendidos totales (véase detalles en Butler y Davies, 2011; Muttamara,
1996), demanda química de oxígeno (véase detalles en Muttamara, 1996; González
et al., 2009; Butler y Davies, 2011) y demanda química de oxígeno filtrada (véase
detalles Clair et al., 2003; Quevauviller et al., 2006).
Con este tipo de medición seudocontinua y explotable en línea es posible reac-
cionar a tiempo o anticiparse mediante sistemas de alerta temprana a fenómenos
inesperados que pueden causar daños al medio ambiente, alterar la calidad del agua
de los sistemas de drenaje urbano o condicionar la operación de componentes del
drenaje urbano (Ruban et al., 2001; Lagrengraber et al., 2004a; Hur et al., 2010).
Sin embargo, con el fin de validar los datos registrados a través de tecnologías en
línea, i. e. captores instalados in situ, además de tener un mecanismo de control adi-
cional en las diferentes componentes de los hidrosistemas de saneamiento urbano,
resulta pertinente continuar con la ejecución de campañas de recolección y análisis
de muestras en laboratorio (adaptado de Bertrand-Krajewski et al., 2007).
En esta parte del libro se exponen las primeras experiencias del grupo de investi-
gación Ciencia e Ingeniería del Agua y el Ambiente en la utilización de este tipo de

captores en conjunto con algunas recomendaciones operativas y de mantenimiento
de los captores (capítulo 4). Posteriormente se expone una aplicación tendiente a
estimar las frecuencias de medición de este tipo de captores para diferentes contami-
nantes (capítulo 5), en conjunto con un método de calibración de un espectrómetro
uv-visible por medio de redes neuronales artificiales (capítulo 6). Finalmente, se
presenta un caso de aplicación relacionado con el manejo y explotación de datos de
calidad del agua, obtenidos a través de una campaña de monitoreo, identificando
su relación con la pluviometría local (capítulo 7).
Capítulo 4
Experiencias con captores in situ para el monitoreo en continuo
de la calidad de agua en hidrosistemas de saneamiento urbano
Alejandra Ruiz, María Isabel Rivero, David Zamora, Sandra Galarza y Andrés Torres
Primeras experiencias
Los resultados que a continuación se presentan se obtuvieron con el ánimo de rea-

lizar una evaluación preliminar de las tecnologías de espectrometría uv-visible,
infrarrojo y electrón de ion sensible de captores en continuo, los cuales permiten
identificar la evolución de las características físico-químicas de diferentes cuerpos
de agua; para este caso, aguas afluentes a la Estación Elevadora de Gibraltar (eeg)
y a la Planta de Tratamiento de Aguas Residuales El Salitre en la ciudad de Bogotá
(ptar Salitre), Colombia.
Una de las técnicas más recientes de medición en continuo es la espectrometría

uv-visible instalable in situ. Los espectrómetros uv-visibles miden la absorbancia
de la luz generada por las partículas disueltas o en suspensión en longitudes de onda
que van desde el ultravioleta (longitudes de onda entre 200 nm y 400 nm) hasta el
visible (longitudes de onda entre 400 nm y 750 nm) (figura 4.1). El espectrómetro
comercializado por la sociedad s::can, llamado spectro::lyser, es un captor sumergible
de 60 cm de longitud y 44 mm de diámetro que mide la atenuación de la luz entre
200 nm y 750 nm, y otorga resultados en tiempo real, sin necesidad de muestreo o
tratamiento de las muestras (Langergraber et al., 2003 y 2004c; Hochedlinger, 2005).
En este trabajo se utilizaron 3 sensores de la marca alemana wtw (Wissens-
chaftlich Technische Werkstätten, 2010): 1) la medición de turbidez se realizó por
medio de la sonda Visoturb 700 iq (hasta 4000 fnu), la cual utiliza el principio
nefelométrico (ángulo de medición = 90°) por medio de una luz infrarroja (longitud
de onda de 860 nm); 2) la medición de sólidos suspendidos totales (sst) se realizó
mediante la sonda Visolid 700 iq, la cual es capaz de medir concentraciones de sst
entre 0,003 g/L y 1000 g/L, y 3) la medición de pH-temperatura se realizó median-

te la sonda Sensolyt 700 iq, la cual utiliza un electrón de ion sensible basado en el
principio potenciométrico (Cammann y Schroeder, 1979), y es capaz de medir pH
entre 2 y 12 unidades y temperatura entre 0 y 60 °C (figura 4.1).
Figura 4.1. Principales parámetros y mediciones del espectrómetro uv-visible

500 120
UV radiation Visible radiation (Vis)
450
100
400
350
80
300
Absorbance [abshm]
Non-compensated spectrum; represents the

250 dissolved and non-dissolved substances 60
COD_total
NO2 BOD
200 NO3
TOC
Benzene 40
150 Toluene
Xylene
100 Phenol Turbidity, TSS (total dissolved solids), etc.
20
50 DOC colour Tubidity-compensated spectrum;
COD_dissolved represents the dissolved components only
0 0
200 250 300 350 400 450 500 550 600 650 700 750
Wavelength [nm]
Fuente: s::can.
La primera campaña fue realizada en la eeg (figura 4.2). Se midieron espectros

de absorbancia (25, 27 y 28 de abril de 2011) y turbiedades (27 y 28 de abril de
2011) con una frecuencia de medición de un registro por minuto durante periodos
entre 30 min y 3 h por día.
Figura 4.2. Ubicación de las sondas de medición en la eeg
Fuente: Google Earth, 2012.
Experiencias con captores in situ _109
En la ptar Salitre se realizó una campaña de medición en continuo en el canal

del afluente (véase ubicación y soporte de medición empleado en la figura 4.3) du-
rante un periodo de 5 días (29 de junio al 3 de julio de 2011). Se midieron espec-
tros de absorbancia, turbiedad, pH, temperatura y sst con una frecuencia de una
medición por minuto.
Figura 4.3. Ubicación y sistema soporte para la medición en continuo sobre el canal afluente de la ptar Salitre
Fuente: elaboración propia.
Inicialmente, y a manera de ejemplo, se muestran las gráficas de los espectros de

absorbancia y las turbiedades obtenidas en la campaña realizada el día 27 de abril

de 2011 empleando el sistema de medición en continuo en la eeg (figuras 4.4 y
4.5, respectivamente).
Figura 4.4. Espectros de absorbancia (sonda spectro::lyser) obtenidos el 27 de abril de 2011 (eeg)
Un análisis visual preliminar de la figura 4.4 permite observar 3 periodos tem-

porales en los cuales se disminuyeron concentraciones de materia orgánica —de-
manda química de oxígeno (dqo) total, dqo disuelta, demanda bioquímica de
oxígeno (dbo), carbono orgánico total (cot) y carbono orgánico disuelto (cod),
correspondientes a longitudes de onda inferiores a 270 nm—: 1) entre las 12h13
y las 12h33, lo cual puede deberse a la franja horaria de menor consumo de agua
potable en la ciudad de Bogotá; 2) entre las 13h44 y las 14h22, lo cual podría
atribuirse a la influencia de las aguas lluvias (véase comportamiento de turbiedad-
mezcla en la figura 4.5), y 3) entre las 15h00 y las 15h15, la cual puede deberse a
una disminución en el consumo, ya que continúa la mezcla de las aguas lluvias y las
aguas residuales. Adicionalmente, se observa un incremento importante de la ma-
teria orgánica (longitudes de onda inferiores a 270 nm) entre las 14h25 y las 14h45
(operación de todos los tornillos de elevación), lo cual puede deberse al aumento de
descarga de aguas residuales generadas por un mayor consumo en horas del medio-
día. Así mismo, entre las 14h20 y las 14h45 se observan incrementos de los valores
de absorbancia para rangos de longitudes de onda visibles (superiores a 400 nm), lo
que indica un acrecentamiento en el color real y aparente y la turbiedad, hecho que
puede sustentarse mediante la figura 4.5.
Las dinámicas de los valores de turbiedad observadas en la figura 4.5 y la compa-
ración entre los valores correspondientes a aguas residuales y aguas lluvias podrían
deberse a procesos de mezcla a causa de la operación y bombeo de la eeg (13h55 a
14h25) o aumentos (14h25 a 14h50) o disminuciones (15h15 a 15h49) de caudales
de aguas residuales.
Figura 4.5. Serie temporal de turbiedad (sonda Visoturb 700 iq) el día 27 de abril (eeg)
A continuación se muestran los resultados de la campaña de monitoreo en con-

tinuo para el 2 de julio de 2011 en la ptar Salitre. Para este día de campaña de
medición se tomaron de manera simultánea 16 muestras cada 30 o 40 minutos
(desde las 8h32 hasta las 18h15), las cuales fueron analizadas por triplicado en el
Laboratorio de Calidad de Aguas de la Empresa de Acueducto, Alcantarillado y
Aseo de Bogotá esp (eab esp).
En la figura 4.6 se observa la serie de tiempo de pH, el cual fue medido en conti-
nuo desde las 8h29 hasta las 18h33 y los valores de pH obtenidos en el laboratorio.
En esta figura se observa un incremento abrupto en el pH a las 10h45, el cual se
observa también mediante los resultados obtenidos con los equipos de medición de
temperatura (sonda Sensolyt 700 IQ, véase figura 4.7) y turbiedad (sonda Visoturb
700 IQ, véase figura 4.8), así como la sonda spectro::lyser. Este cambio fue resul-
tado de la acumulación de sólidos flotantes que bloquearon el sistema de medición,
lo que obligó a realizar una limpieza durante 15 minutos. En esta figura se observa
además que los valores de pH tomados en laboratorio y en campo no coinciden en
la mayoría de los casos: por ejemplo se obtuvo un pH de 7,23 uni/pH en laboratorio
para la muestra tomada a las 10h00 y un valor de 6,99 uni/pH in situ a la misma
hora. Sin embargo, para este caso, tener conocimiento de la evolución temporal del
pH del agua afluente a una ptar podría resultar clave en la determinación de las
condiciones de operación en los diferentes procesos de tratamiento.
Figura 4.6. Serie de tiempo del pH (sonda) y datos del laboratorio (labo) para el 2 de julio de 8h29 a 18h33
(ptar Salitre)
En la figura 4.7 se observa la serie de la temperatura para la campaña de medi-

ción realizada en la ptar Salitre. En esta serie se puede observar que se presentan
cambios importantes en la temperatura a lo largo de la campaña de medición, ob-
teniendo los valores máximos al mediodía. El pico observado a las 10h45 se debe a
la obstrucción provocada por sólidos flotantes. En la figura 4.8 se observa la serie de
turbiedad de la sonda en tiempo real en la ptar Salitre, parámetro que igualmente
fue analizado en el laboratorio y cuyos resultados se muestran en esta.
Figura 4.7. Comportamiento de la temperatura el 2 de julio de 8h 29 a 18h 33 en la ptar Salitre

Figura 4.8. Evolución temporal (sonda) y datos de laboratorio (labo) de la turbiedad para el 2 de julio de 8h29
a 18h33 (ptar Salitre)
Sin tener en cuenta el valor extremo causado por la obstrucción provocada por
los sólidos flotantes (10h45), la turbiedad osciló entre 85 unt (11h50) y 140 unt
(14h00). Al comparar los valores obtenidos en tiempo real y los resultados de labo-
ratorio, se observan diferencias entre los resultados, las cuales podrían asociarse con
la metodología para la toma y manipulación de las muestras en campo y laboratorio.
En los datos obtenidos en laboratorio se observa un incremento de la turbiedad a
las 16h15 de 1284 ntu, que de igual forma se observa en la serie temporal pero
con valores diferentes (140 ntu en continuo y 1284 ntu para el laboratorio).
Adicionalmente, en la medición en tiempo real se presentó un primer incremento
de la turbiedad a las 14h00, que en el muestreo puntual no se observa. En la figura
4.9 se observa la serie de tiempo de los sst durante la campaña de medición en el
afluente de la ptar Salitre y los respectivos resultados de laboratorio.
Figura 4.9. Comportamiento de los sst en continuo (sonda Visolid 700 iq, marcado como “sonda”) y resultados
de laboratorio (labo) para el 2 de julio de 8h 34 a 18h33 en la ptar Salitre
La concentración de sst osciló entre 185 mg/L (a las 12h05) y 310 mg/L (a las
13h45), valores que se encuentran entre los valores típicos observados en aguas re-
siduales urbanas (150-500 mg/L) (Ellis, 1991). Un primer incremento importante
en la concentración de sst se observa a las 13h45, cuando esta disminuye hasta pre-
sentar un segundo incremento a las 16h00, con un valor de 290 mg/l. Es importante
mencionar que la sonda fue instalada a las 11h55, por lo que antes de esta hora no
se cuenta con información. En los resultados de laboratorio no se observa el primer
aumento de la concentración de las 13h45, siendo este el más significativo, pero sí
se puede observar el segundo pico a las 16h00, aunque los valores de concentración
son desiguales: de 290 mg/L para la sonda y de 1596 mg/L para el laboratorio.
En la figura 4.10 se muestra la serie de longitud de onda/absorbancia para el

afluente de la ptar Salitre. Como se indicó, las longitudes de onda entre 200 nm y
250 nm indican una variación de nitritos y nitratos a lo largo de la campaña de mo-
nitoreo. De igual forma, se observan variaciones de las absorbancias correspondientes
a las longitudes de onda entre 250 nm y 380 nm, las cuales indican concentraciones
de materia orgánica total y disuelta. Al comparar este comportamiento espectral con
el de la eeg (figura 4.4), se concluye que el agua afluente a la ptar Salitre es más
homogénea y los tornillos de elevación no tienen influencia aparente en la calidad del
agua. En la serie de espectros se observan picos a las 12h20, 13h45, 16h00 y 16h05,
correspondientes a longitudes de onda entre 400 nm y 750 nm, las cuales están rela-
cionadas con concentraciones de sst y turbiedad. Estas variaciones se observan, así
mismo, por medio de los registros obtenidos con las sondas de sst y turbiedad.
Figura 4.10. Comportamiento espectral del afluente de la ptar Salitre para el 2 de julio de 08h29 a 18h33
Al analizar las series de tiempo de los espectros de absorbancia y de la turbiedad

obtenidos en la campaña de monitoreo de calidad de aguas del afluente de la eeg,
se puede concluir que la calidad de las aguas de los hidrosistemas de saneamiento
urbano varía espacio-temporalmente y en función de la dinámica de tiempos de
lluvia y tiempo seco (influencia de las aguas lluvias). Los instrumentos de medición
instalables in situ y que proporcionan mediciones a alta frecuencia (alrededor de una
medición por minuto) podrían constituirse en herramientas tecnológicas adecuadas
que permiten identificar en tiempo real y de manera oportuna este tipo de variaciones,
pues facilitan el control y monitoreo de la calidad del agua, así como la detección de
vertimientos especiales, en busca de la conservación y preservación del medio am-
biente, en particular de los cuerpos de agua.
Durante la campaña de monitoreo de calidad de aguas en la ptar Salitre se pu-

dieron comparar los resultados obtenidos con instrumentos de medición in situ, en
continuo y en tiempo real, con los resultados obtenidos mediante pruebas estándar
en un laboratorio certificado de calidad de aguas. A partir de estas comparaciones
se establecieron beneficios operacionales de utilizar instrumentos de medición ins-
talables in situ y capaces de proporcionar resultados en continuo y en tiempo real:
1) disminución de los costos operacionales relacionados con la toma de muestras, la
mano de obra, el transporte, el almacenamiento y la conservación de las muestras
y la infraestructura específica de laboratorio y análisis de datos; 2) mayor repre-
sentatividad y oportunidad espacio-temporal de los resultados relacionada con el
muestreo en campo y con los tiempos de tratamiento de muestras en laboratorio, y
3) mayor diversificación de los resultados, relacionada con la posibilidad de moni-
torear varios parámetros de calidad al mismo tiempo, en particular para el caso de
la espectrometría uv-vis.
A partir de estos resultados, las tecnologías probadas en este trabajo podrían
llegar a constituirse en herramienta útiles para los expertos y entidades guberna-
mentales encargadas de la gestión del recurso hídrico. Esto permitirá generar alertas
tempranas e incluso verificar la normatividad local para los límites de vertimientos
y eficiencias de remoción en efluentes de plantas de tratamiento con mejores fun-
damentos científico-técnicos.
Operación y mantenimiento en el monitoreo en continuo
Con el ánimo de formular algunas recomendaciones en cuanto requerimientos de

operación y mantenimiento para el monitoreo en continuo de calidad de aguas en
hidrosistemas urbanos, se realizó un montaje experimental (figura 4.11), el cual
constaba de un tanque de forma troncocónica y una electrobomba autocebante que
succionaba de la parte inferior del tanque y descargaba por dos costados, donde se
ensayaron diferentes condiciones controladas de operación de los sensores. El agua
recolectada provino de los siguientes puntos de muestreo: 1) canal del río Arzobispo,
2) canal de aguas residuales de la Pontificia Universidad Javeriana, 3) el colector
afluente a la eeg y 4) el canal afluente a la ptar Salitre.
Figura 4.11. Montaje experimental: Laboratorio de Hidráulica puj (izquierda) y ptar Salitre (derecha)
Para esta investigación se utilizaron dos turbidímetros Viso Turb 700 (wtw,
2010) y un espectrómetro sumergible spectro::lyser de la compañía austriaca s:can
(s::can, 2007). Las condiciones de implementación se determinaron variando la po-
sición de los sensores (ángulos y profundidad) teniendo en cuenta las condiciones
ideales: máximas y mínimas recomendadas por los fabricantes (ángulos: 45° y 0°; y
profundidades: máxima 15 m y 1 m, mínima 5 cm; para los turbidímetros y la sonda
uv-vis, respectivamente). Para determinar las condiciones de operación y manteni-
miento, el procedimiento se dividió en tres fases: 1) análisis del intervalo de medición

recomendado; 2) análisis del uso del sistema de autolimpieza del espectrómetro con
agua y con aire (protocolo para identificar el instante adecuado de limpieza del turbi-
dímetro en función de la precisión de la medición y análisis de la variación temporal
de la precisión sin limpieza de los sensores), y 3) implementación de un sistema de
alerta para la limpieza y mantenimiento de los sensores.
Se llevó a cabo un análisis inicial para determinar qué característica (calidad del
hidrosistema, posición del sensor, errores aleatorios) influye más en la variabilidad
de los datos. Para ambos sensores, el turbidímetro y el espectrómetro, fue por medio
del análisis de varianzas Kruskal-Wallis. Adicionalmente, para el espectrómetro se
realizó un análisis de componentes principales.
A efectos de determinar las posiciones recomendadas de instalación del turbi-
dímetro, se analizó la incidencia del ángulo y la profundidad a la que es colocado
el sensor y cuáles son las posiciones más recomendadas según el hidrosistema ana-
lizado. La prueba T de Student permitió darlas para cada hidrosistema estudiado.
Para fijar las posiciones recomendadas de instalación del espectrómetro UV-vis

se utilizaron dos métodos: a) un análisis de similitud, que compara los espectros
de cada posición con los espectros de referencia, y b) un análisis de distancias que
determina las distancias euclidianas de cada espectro con respecto al de referencia
(sensor instalado a 0º con respecto a la horizontal) y establece el porcentaje de cer-
canía. Para establecer los intervalos recomendados de medición de datos, se utilizó
el método propuesto por Ruiz et al. (2012).
Luego de establecer las recomendaciones para la implementación de los sensores,
se examinan sus aspectos operativos y de mantenimiento. Los aspectos fueron los
siguientes: 1) un análisis sobre el intervalo de medición de datos en línea que garan-
tice una confiabilidad satisfactoria de los resultados; 2) un análisis de la evolución
temporal de la precisión para identificar la periodicidad de la limpieza del sensor,
análisis del uso del sistema de autolimpieza del espectrómetro con agua y con aire y
protocolo para identificar el instante adecuado de limpieza manual del turbidíme-
tro en función de la precisión de la medición; 3) la implementación de un sistema
de alerta para avisar al usuario la frecuencia de limpieza o si es necesario hacerle un
mantenimiento al sensor.
Respecto al primer aspecto, establecer los intervalos recomendados de medición de
datos, se utilizó el programa desarrollado por Ruiz et al. (2012). Para el segundo aspecto
se desarrolló un programa que permitió identificar el momento necesario para el que
debe realizarse la limpieza de los sensores, en función de la identificación del instante
en que la precisión de los sensores se pierde. Se utilizó un turbidímetro testigo para
controlar los eventuales cambios que se pudieron producir dentro del hidrosistema y
que no fueran atribuibles a condiciones de operación o limpieza de los sensores.
Inicialmente, se evaluó la precisión de los aparatos sin limpieza, y para estimar
tiempos recomendados de mantenimiento, se insertó el espectrómetro uv-vis hasta
50 cm desde la superficie de la lámina de agua en posición ideal de operación (0°
con respecto a la horizontal) tomando datos cada 2 min durante 4 días junto con
los dos turbidímetros. Se analizaron los dos sistemas de limpieza del espectrómetro
uv-vis (agua y aire), así como 4 posibles programaciones de limpieza automática
cada 1, 2, 5 y 10 min. Los resultados que arroja el análisis son los porcentajes de
confianza de cada tipo e intervalo de limpieza para establecer la mejor opción se-
gún el hidrosistema analizado. A fin de determinar los porcentajes de confianza se
utilizaron dos métodos: por medio de la detección de outliers y por agrupación de
los datos (clústeres).
Respecto a la implementación del sistema de alerta se desarrolló un programa
que compara los datos de turbideces del turbidímetro testigo (y1) (turbidímetro con
limpieza automática cada minuto) con los datos del turbidímetro, al cual no se le
aplicó limpieza durante la prueba (y2). Estos datos se analizaron para diferentes in-
tervalos de tiempo: 1) mínimo, donde se busca determinar el intervalo de limpieza
mínimo al que debe utilizarse la limpieza automática del sensor; 2) de 30 min, y 1, 2,
4, 6, 12, 24 y 48 h, donde se busca determinar el tiempo en que debe ser retirado el
sensor para realizar una limpieza manual. Se analiza la diferencia entre las dos series
de datos (dy2/dt y dy1/dt): se estableció arbitrariamente una alerta para diferencias
mayores al 10 %. Finalmente, el programa determina el intervalo de limpieza para
cada hidrosistema analizado. Este valor para el caso 1 es el intervalo al que se pro-
grama el software del espectrómetro uv-vis para que haga una limpieza automática
(con agua o aire). Para el caso 2, este intervalo de limpieza será el momento en que el
sensor debe ser retirado de su instalación y debe ser sometido a una limpieza manual.
Como resultado se obtuvo que el hidrosistema (lo cual involucra tanto calidad
típica como dinámicas de concentraciones) es el factor más influyente en la variabili-
dad de los resultados de turbiedad con más de 96 % de varianza explicada. Además,
se encontró que tanto el ángulo como la profundidad tienen una influencia signi-
ficativa en la variabilidad de los resultados de turbidimetría, pero dichos factores
explican menos del 4 % de varianza. Resultados similares fueron obtenidos para los
análisis de los espectros uv-vis. En la tabla 4.1 se presentan las posiciones a las que
se recomienda instalar el turbidímetro y el espectrómetro para cada hidrosistema:
1) canal del río Arzobispo, 2) canal de aguas residuales de la Pontificia Universidad
Javeriana, 3) el colector afluente a la eeg y 4) el canal afluente a la ptar Salitre.
Tabla 4.1. Posiciones recomendadas para el turbidímetro según el hidrosistema analizado, para cada
hidrosistema
Hidrosistema
PUJ ARZ GIB SALT
DQO (mg/l) 23,92 20,85 72,33 11,03
Turbiedad a 45° (NTU) 18,23 7,99 47,95 7,76
Ángulos reco- Mín. 33,8 33,8 39,8 33,8

mendados
Turbidímetro
Máx. 90 45 78,8 73,5
Profundidades re- Mín. (%) 35 33 - 24

comendadas Máx. (%) 50 48 - 35
SST (mg/l) 14 21 57 52
DQO (mg/l) 23,92 20,85 72,33 11,03
Ángulos máx. re- Similitud 0° 6° 0° 17,25°

comendados
Espectrómetro
Cercanía 17,25° 6° 0° 73,5°

%Prof. Mín. 0 0 82,3 87,5
Profundidades re-
comendadas % Prof. Máx. 100 100 100 100
puj: canal río Arzobispo; arz: canal de aguas residuales de la Pontificia Universidad Javeriana; gib: colector afluente a la
Estación Elevadora de Gibraltar; salt: canal afluente a la Planta de Tratamiento de Aguas Residuales Salitre.
Nota. Los valores de turbiedad, sst y dqo reportados en la tabla corresponden a promedios característicos de referencia
de cada hidrosistema; similitud: análisis de similitud y cercanía: distancias euclidianas de los espectros, corresponden a los
métodos para determinar la posición del espectrómetro.
La figura 4.12 presenta los intervalos máximos recomendados de medición (según

el método de Ruiz et al., 2012) y las respectivas concentraciones de sst y dqo. De
la figura 4.12 se concluye que no hay una relación evidente entre las concentraciones
de contaminantes en los hidrosistemas y los intervalos de medición recomendados
para los sensores. Los intervalos de medición para el turbidímetro se pueden aumen-
tar hasta 475 min y 226 min en el río Arzobispo y ptar Salitre, respectivamente.
Para el espectrómetro, los intervalos de medición varían según las concentraciones
de contaminantes que se deseen monitorear. Se encontró que estos intervalos son
mayores (entre 8 y 33 min) si se desean monitorear los contaminantes ubicados en

la parte visible del espectro (color, turbidez, sst) a comparación del intervalo hallado
(2 min) para el monitoreo de los contaminantes ubicados en la zona orgánica (dbo,
dqo, nitritos, nitratos, entre otros).
Respecto a los aspectos operativos y de mantenimiento, según el método pro-
puesto por Ruiz et al. (2012) para el espectrómetro uv-vis se obtuvo lo siguiente
(figura 4.13 derecha inferior): 1) el instante de inicio de limpieza más tardío (minu-
to 1824) se encontró en hidrosistemas de concentraciones bajas (sst: < 20 mg/L;
dbo: < 30 mg/L, y dqo: < 20 mg/L) como canal río Arzobispo; 2) para hidro-
sistemas con concentraciones medias (sst: 20-70 mg/L; dbo: 30-60 mg/L, y dqo:
20-30 mg/L) como colector afluente a la eeg se encontró un valor medio (minuto
784) de inicio de limpieza; 3) se observó que el inicio de la limpieza es la más pron-
ta (minuto 38) para concentraciones altas (sst: > 70 mg/L; dbo: > 60 mg/L, y
dqo: > 30 mg/L) como canal afluente a la ptar Salitre. En conclusión, a mayores
concentraciones de sst, dbo y dqo, el instante de inicio de limpieza es menor.
Adicionalmente, como parte del análisis operativo de los sensores, se encontró que
el instante en que se debe iniciar la limpieza (automática o manual) es menor cuan-
do las concentraciones de sst son mayores a 30 mg/L y dqo menores a 20 mg/L.
Figura 4.12. Relación entre concentraciones de hidrosistemas (izquierda) e intervalo de medición

recomendado (derecha superior: turbidímetro; derecha inferior: espectrómetro) para los puntos de muestreo
Estación Elevadora de Gibraltar; salt: canal afluente a la Planta de Tratamiento de Aguas Residuales Salitre.
Para el caso del turbidímetro se observa que no existe una relación evidente entre
las concentraciones de los hidrosistemas y el instante en el que debe iniciar la limpie-

za. Adicionalmente, se observa que para los hidrosistemas de concentraciones bajas
(sst: < 20 mg/L; dqo: < 30 mg/L, y dbo: < 10 mg/l) como canal Javeriana
(puj en figura 4.13 derecha superior), el instante de inicio de la limpieza es superior
a 3000 min y para los demás hidrosistemas se recomienda iniciar la limpieza desde
el inicio de la medición.
Respecto a los dos sistemas de limpieza del espectrómetro uv-vis (agua y aire),
se analizaron las 4 posibles programaciones de limpieza automática: cada 1, 2, 5 y
10 min. Para la limpieza automática con agua, se obtuvo que si se limpia cada mi-
nuto, la confianza asociada está entre el 81 % (método de outliers) y el 95 % (método
de clústeres). Para el intervalo de 2 min la confianza está entre el 81 % (método de
outliers) y el 97 % (método de clústeres). Para un intervalo de limpieza de 5 min se
garantiza una confianza entre el 89 % (método de outliers) y el 95 % (método de clús-
teres). Por último, si se aumenta el intervalo de limpieza a 10 min, su confianza está
entre el 90 % (método de outliers) y el 95 % (método de clústeres). Para la limpieza
automática con aire, los resultados arrojaron que para una limpieza cada minuto,
la confiabilidad asociada está entre el 82 % (método de outliers) y el 95 % (método
de clústeres). Para un intervalo de limpieza de 2 min se garantiza una confiabilidad
entre el 90 % (método de outliers) y el 95 % (método de clústeres). Al aumentar este
intervalo a 5 min, la confiabilidad se sitúa entre el 88 % (por ambos métodos) y el
94 %. Por último, si se aumenta el intervalo de limpieza a 10 min, su confiabilidad
está entre el 87 % (método de outliers) y el 95 % (método de clústeres).
Figura 4.13. Relación entre la concentración de los hidrosistemas (izquierda) y los tiempos de limpieza
recomendados (derecha superior: turbidímetro; derecha inferior: espectrómetro), para los puntos de muestreo
Estación Elevadora de Gibraltar; salt1 y 2: canal afluente a la Planta de Tratamiento de Aguas Residuales Salitre.
En la figura 4.14 se muestran las concentraciones de los hidrosistemas con las

alertas iniciales de limpieza. Como se observa en la parte superior, a mayores con-
centraciones de sst y dqo, más corto es el tiempo de envío de la primera alerta
para la zona ultravioleta; pero se envían las alertas con mayor rapidez para la zona
visible de los espectros del hidrosistema. Por el contrario, para concentraciones bajas
como canal Javeriana y río Arzobispo, se observa que el tiempo de envío de la prime-
ra alerta para la parte visible es mayor pero el tiempo de envío de la primera alerta
en la zona ultravioleta es menor. Para el caso del turbidímetro (figura 4.14 inferior)
se observa que a concentraciones altas (sst mayores a 60 mg/L y dqo mayor a
20 mg/L) la primera alerta se envía mucho más pronto que para hidrosistemas con
aguas de concentraciones bajas (sst menores a 60 mg/L y dqo menores a 20 mg/L).
De acuerdo con los resultados del programa de sistema de alerta para ambos
sensores, se observaron periodos en los que no es necesaria una limpieza automáti-
ca a una frecuencia elevada. Por lo anterior, el análisis de las señales en tiempo real
asociado a un envío de alertas de limpieza y mantenimiento permite ahorrar costos
relacionados al mantenimiento manual.
Figura 4.14. Relación entre concentración de hidrosistemas y alertas iniciales de limpieza para el
espectrómetro (parte inferior) y para el turbidímetro (parte superior), para los puntos de muestreo
Estación Elevadora de Gibraltar; salt1: canal afluente a la Planta de Tratamiento de Aguas Residuales Salitre.
Capítulo 5
Análisis de frecuencias de medición para el monitoreo de la calidad
de agua en hidrosistemas de saneamiento urbano
Alejandra Ruiz, David Zamora y Andrés Torres
En el caso de las plantas de tratamiento de aguas residuales (ptar), se ha observado

que la identificación temprana de eventos de alto impacto o la presencia de contami-
nantes —por ejemplo, la detección de sustancias inhibidoras en los afluentes— redu-
ce o impide los impactos negativos en los procesos de tratamiento más susceptibles,
como lo puede ser el tratamiento secundario de degradación biológica, y aumenta
así el rendimiento y eficiencia de la planta (Langergraber et al., 2006).
En la tabla 5.1 se resumen algunas de las principales aplicaciones en aguas resi-
duales o combinadas encontradas en los últimos diez años, donde cada una de ellas
ha tenido frecuencias de medición distintas y no existe ninguna recomendación refe-
rente a la mínima frecuencia de toma de datos que represente la evolución temporal
de la calidad del hidrosistema que se esté estudiando.
Tabla 5.1. Periodos recomendados de medición para la detección de contaminantes en diferentes cuerpos
hídricos utilizando espectrometría uv-visible in situ
Aplicación Periodo (min) Autores
Afluente ptar, Austria 2 Fleischmann et al. (2001)
Ríos y pruebas para filtros, Alemania 1 Staubmann et al. (2001)
Afluente de ptar, Australia 1 Winkler et al. (2002)
Afluente de ptar, Meinz, Alemania Langergraber et al.
2
(2004a)
1 (lluvia)
Alcantarillado combinado Graz, Austria Gruber et al., (2004)
3 (seco)
Afluente y efluente de reactor de desnitrificación 1 Gruber et al., (2004)
ptar-alertas, Austria 2 Langergraber et al. (2006)
Para la disposición de los captores de monitoreo instalables in situ se recomienda

identificar y distinguir previamente las causas naturales o antropogénicas que puedan
incidir en la variabilidad de la calidad del agua del cuerpo hídrico o hidrosistemas
de saneamiento urbano (hsu) en estudio (Langergraber et al., 2006). Sin embargo,
cuando se trata de determinar la frecuencia temporal de medición, esto es aún más
complejo, ya que la evolución de la calidad del agua puede observarse en resolucio-
nes del orden de varios segundos a minutos, debido a fenómenos relacionados con
las actividades urbanas (por ejemplo vertimientos industriales) y con las dinámicas
propias de la escorrentía en cuencas urbanas. Una de las formas utilizadas para de-
tectar dichos comportamientos inusuales es aquella propuesta por Langergraber et al.
(2004b), la cual consiste en generar parámetros de alerta en función de características
de espectros uv-vis o de valores de referencia.
Con el propósito de obtener periodos adecuados de monitoreo de calidad de agua
in situ y en continuo, se realizaron monitoreos con captores que funcionan mediante
tecnologías de infrarrojo y electrón de ion sensible, durante cinco días en el afluente
de la ptar Salitre, Bogotá (véase ubicación, soporte de medición empleado y deta-
lles de la campaña de monitoreo en figura 4.2). Por medio de dichas tecnologías se
obtuvieron registros en continuo (una medición por minuto) de pH, temperatura,
turbiedad y sólidos suspendidos totales (sst).
La figura 5.1 muestra los valores de turbiedad y sst (tecnología infrarrojo) ob-
tenidos durante la campaña de medición mediante la sonda marca Wissenschaftlich
Technische Werkstätten (wtw). En esa figura se observa la variabilidad en el
tiempo de los parámetros de estudio. No obstante, los cambios abruptos en las

mediciones de turbiedad, sst, pH y temperatura, señalados en las figuras 5.1 y
5.2, corresponden a errores de concepción del sistema donde estaban montadas las
sondas, que generaron acumulación de basuras sobre ellas.
Figura 5.1. Series temporales de turbiedad (sonda Visoturb 700 iq: izquierda) y sst (sonda Visolid 700 iq: derecha)
obtenidas durante la campaña de medición en la ptar Salitre (29 de junio-1 de julio de 2011)
Análisis de frecuencias de medición para el monitoreo de la calidad de agua _125
La figura 5.2 muestra los valores de pH y temperatura (electrodos de ion sensible)

obtenidos por los captores instalables in situ marca wtw del afluente a la ptar
Salitre durante la campaña de medición. En esa figura se observa la variabilidad del
pH y la temperatura en el tiempo.
Figura 5.2. Series temporales de pH (sonda Sensolyt 700 iq: izquierda) y temperatura (sonda Sensolyt 700
iq: derecha) obtenidas durante la campaña de medición en la ptar Salitre (29 de junio-1 de julio de 2011)
Un primer desarrollo en R (R Development Core Team, 2013) para estimar la

frecuencia de medición mínima con captores instalables in situ en continuo consis-
tió en tomar las series obtenidas en campo seleccionando consecutivamente dife-
rentes intervalos de medición (de dos minutos en adelante, hasta el número total
de datos), haciendo variar las condiciones de frontera y calculando el promedio de

estas para cada intervalo de medición. Una vez obtenidos los resultados para dichos
intervalos de medición, se realizaron interpolaciones lineales, con el fin de poder
compararlos con los valores de referencia (resultados medidos para frecuencias de
medición de un minuto) y luego determinar el error en que se incurre cuando el
intervalo de monitoreo se incrementa.
A efectos de estimar la frecuencia de muestreo mínima para el análisis en labo-
ratorio, se desarrolló un procedimiento de Monte Carlo que permitió seleccionar
aleatoriamente un número determinado de registros obtenidos con las sondas, simu-
lando tomas de muestras puntuales (de dos muestras en adelante, hasta el número
total de datos), repitiendo este procedimiento 5000 veces y calculando el promedio
entre dichos registros para cada simulación de muestreo. Estos valores promedio se
compararon con los valores de referencia, es decir, con el valor promedio de cada pará-
metro obtenido utilizando todos los valores medidos (un valor cada minuto) durante
la campaña de medición. Posteriormente, se calculó el error en que se incurre cuando
el intervalo de muestreo se incrementa.
Para el cálculo de los errores en los que se incurre al variar las frecuencias de me-
dición y las frecuencias de toma de muestras, se empleó el error cuadrático medio, el
cual registra el nivel total de coincidencia entre los conjuntos de datos observados y
modelados, calculando las diferencias entre dichos valores al cuadrado sobre el núme-
ro total de datos, que para este caso es el intervalo de tiempo seleccionado más uno
(ecuación 5.1). Esta es una métrica que no registra resultados negativos, ni cuenta
con un límite superior; por lo tanto, la evaluación es sesgada a favor de los picos y
acontecimientos de magnitud elevada, los cuales en la mayoría de los casos presentan
los mayores errores (Dawson et al., 2006).
100 | ni = 1 ^C ci - C coh2
ECM = C Max - C Min Ecuación 5.1
O O t+1
Donde Cci es el valor calculado para el instante i y Coi es el valor observado (me-
dido en campo) en el instante i.
Para cada uno de los parámetros medidos con las tecnologías infrarrojo (turbiedad
y sst) y electrodos de ion sensible (pH y temperatura) se procesaron los datos en los
programas desarrollados en R (R Development Core Team, 2013), a fin de determi-
nar la frecuencia de medición mínima con captores instalables in situ y el número
de muestras puntuales diarias que deben ser tomadas en campo, que represente la
dinámica de los flujos con un nivel de confianza satisfactorio de la calidad del hsu.
En la figura 5.3 se pueden observar los errores promedio de las condiciones de
frontera para cada intervalo de tiempo seleccionado de los parámetros de turbiedad

y sst con el fin de determinar la frecuencia de medición mínima con captores insta-
lables in situ, con sus respectivos intervalos de confianza entre el 2,5 % y el 97,5 %.
En esta figura se puede observar claramente que a medida que el intervalo de me-
dición incrementa, el error de igual forma aumenta. Para el caso de la turbiedad,
se obtuvo un error máximo de 6,99 % ± 4,40 % para un intervalo de medición de
2757 minutos. Para los sst se obtuvo un error máximo del 16,51 % ± 1,13 % para
un intervalo de medición de 938 minutos. Al comparar la gráfica de la turbiedad
(con 3878 datos) con los sst (con 942 datos), se observa que el error no depende
del número de registros medidos, por lo que se podría suponer que el error depende
de la variabilidad propia del parámetro en estudio en el hsu particular.
En la figura 5.4 se muestran los errores promedio de las condiciones de frontera
para cada intervalo de tiempo seleccionado para la temperatura y el pH, con sus
respectivos intervalos de confianza entre el 2,5 % y el 97,5 %. En esta figura se puede
observar nuevamente que el error y la frecuencia de medición están relacionados,
aunque el comportamiento para cada uno de los parámetros no es el mismo. Para

la temperatura, se obtuvo un error máximo del 12,14 % ± 0,80 % para un periodo
de medición de 3766 minutos. En cuanto al pH se obtuvo un error máximo del
8,00 % ± 0,61 % para un periodo de medición de 3705 minutos. Comparando el
comportamiento de la gráfica de la temperatura (con 3768 datos) con la del pH
(con 3768 datos), y los valores máximos obtenidos, se observa nuevamente que el
error no depende del número de datos medidos, por lo que se podría suponer que
depende de la dinámica propia de cada parámetro y su comportamiento en cada
hsu en particular.
Figura 5.3. Errores promedio obtenidos para turbiedad (izquierda) y sst (derecha) para determinar la
frecuencia de medición mínima con captores instalables in situ

Figura 5.4. Errores promedio obtenidos para temperatura (izquierda) y pH (derecha) a fin de determinar la
frecuencia de medición mínima con captores instalables in situ
Se puede concluir para todos los parámetros que a mayor intervalo de medición
en continuo, mayor es el error. Se seleccionó como error máximo aceptable el 5 %:
error permisible para obtener una representatividad del 95 % de la dinámica de los
flujos. En la tabla 5.2 se consolidan los periodos máximos de medición obtenidos
para cada parámetro medido en campo durante este trabajo, para lo cual el error
fue igual al error máximo aceptable. Esto confirma nuevamente que la frecuencia
de medición depende del parámetro en estudio y, por lo tanto, de la dinámica de la
calidad del agua en el hsu estudiado.
Tabla 5.2. Periodos máximos de medición en continuo para cada parámetro (en minutos)
Turbiedad sst Temperatura pH

219 2 8 567
A efectos de determinar el número de muestras puntuales diarias que deben tomar-

se en campo para luego analizar en laboratorio, se procesaron los registros obtenidos
durante la campaña de medición. En la figura 5.5 se observan los errores máximos
obtenidos para el promedio calculado con cada número de muestras seleccionadas
aleatoriamente, al compararla con los promedios de referencia para la turbiedad y
los sst. En esta figura se observa que los errores máximos y el número de muestras
tomadas presentan una relación inversa: a medida que el número de muestras au-
menta, el error disminuye. Para la turbiedad, se obtuvo un error máximo del 29,04 %
y para los sst del 15,25 %.
Figura 5.5. Errores máximos obtenidos para turbiedad (izquierda) y sst (derecha) a fin de determinar el número
mínimo de muestras por analizar en laboratorio
Posteriormente se calcularon los errores máximos obtenidos para el promedio

calculado con cada número de muestras seleccionadas aleatoriamente al comparar-
la con los promedios de referencia de temperatura y pH, los cuales se observan en
la figura 5.6. En esta se puede observar nuevamente que los errores máximos y el
número de muestras tomadas presentan una relación inversa. Para la temperatura,
se obtuvo un error máximo de 4,15 % y para el pH del 2,88 %.
Figura 5.6. Errores máximos obtenidos para temperatura (izquierda) y pH (derecha) a fin de determinar el
número mínimo de muestras por analizar en laboratorio
A efectos de establecer el número de muestras puntuales diarias que deben tomar-

se en campo, se seleccionó un error máximo aceptable del 5 %, al igual que para las
frecuencias mínimas de medición en campo, como el error permisible para obtener
una representatividad del 95 % de la dinámica de los flujos. En la tabla 5.3 se conso-
lidan los periodos máximos de medición para cada parámetro medido en campo. Esto
confirma que la frecuencia de los muestreos depende principalmente de la dinámica
propia del parámetro en estudio.
Tabla 5.3. Periodos máximos de muestreo según cada parámetro (en minutos)
Turbiedad sst Temperatura pH

Cada 60 Cada 50 Cada 1884 Cada 1884
Los resultados mencionados corresponden a una calidad de agua particular y a
una dinámica de contaminación particular. Por lo tanto, no son generales para cual-
quier hsu, ni representativos del comportamiento de la calidad del agua residual.
Lograr esto implicaría realizar campañas de monitoreo de diferentes hidrosistemas
con características físico-químicas e incluso biológicas diferentes y efectuar el mis-
mo análisis de frecuencias de medición, tanto en continuo como para muestreos

puntuales.
Adicionalmente, se recomienda analizar el comportamiento de los diferentes
parámetros en estudio bajo condiciones de lluvias y tiempo seco, para comparar
entre ambos fenómenos, incluso considerando tecnologías como la espectrometría
uv-visible, la cual permite el análisis de varios parámetros a la vez, como demanda
bioquímica de oxígeno, demanda química de oxígeno, sst, turbiedad, color, entre
otros. Como se mencionó, se recomienda también analizar rangos de concentracio-
nes que permitan complementar las frecuencias de medición, para la generación de
alertas tempranas y oportunas.
Capítulo 6
Redes neuronales aplicadas a espectrometría uv-visible
David Zamora y Thomas Rosmann
La espectroscopía uv-visible es una técnica analítica madura y robusta, ya que el regis-

trar la totalidad del espectro de absorbancias en el rango uv-visible permite: 1) com-
pensar las sensibilidades cruzadas, por ejemplo, en una matriz de agua donde la tur-
biedad incrementa la sensibilidad de la técnica (Wu et al., 2006), y 2) detectar varios
picos de absorbancia máxima, situación que puede presentarse, dependiendo de la
matriz de composición (Fogelman et al., 2006). La técnica de medición uv-visible
ha sido ampliamente reconocida como un método alternativo y rápido para obtener
información sobre la calidad del agua y de aguas residuales (Da Silva, 2008).
La principal aplicación de la técnica es correlacionar la respuesta de uv-visible (por
ejemplo, absorbancia) con la sustancia o determinante que se va a estimar. Teniendo
en cuenta solo espectroscopía uv, el rango de 200-300 nm se ha considerado par-
ticularmente interesante para este propósito. Por ejemplo, la absorbancia a 254 nm

fue correlacionada con la demanda química de oxígeno (dqo) por Mrkva (1975),
para las aguas residuales municipales e industriales. Estos mismos determinantes
fueron detectados por Matsche y Stumwöhrer (1996), mediante la absorbancia a
254 nm, junto con la absorbancia a 350 nm, para la corrección por los sólidos en
suspensión. Luego, la combinación de estas mediciones conduce a resultados fiables
que tienen una buena correlación con dqo y carbono orgánico total (cot) para
aguas residuales domésticas (Ojeda y Rojas, 2009).
Machine learning y redes neuronales artificiales
Los métodos machine learning (nombre en inglés que se refiere a los métodos que se
basan en el proceso de aprendizaje de una máquina) consisten en tener una base de
datos que se utiliza como entrada a un algoritmo. Dicho algoritmo se ejecuta dentro
de una máquina que, una vez entrenada, procesa los datos para obtener una salida
(Rojas et al., 2008). Las aplicaciones de este método son: la clasificación de problemas
y la predicción de resultados (con base en datos de entrada, regresión y clustering).
Existen varios tipos de aprendizaje que caracterizan estos métodos, de los cuales dos
son los más comunes: aprendizaje supervisado y no supervisado.
Los modelos de aprendizaje supervisado implementados en la investigación se
derivan de experimentos previamente ejecutados, alimentados por pares de datos
de entrada (input) y salida (output). A partir de estos datos y de alguna técnica de
inteligencia artificial, la máquina puede generar regresiones o clasificar los datos
de entrada o salida en ausencia de alguno de estos y crear así un nuevo algoritmo
con base en la experiencia generada en los procesos. Existen dos tipos de modelos
para desarrollar el aprendizaje supervisado: 1) globales, los cuales son utilizados de
forma general y 2) locales, implementados en casos particulares (por ejemplo, los
casos basados en el razonamiento con lo que se pretende dar solución a un problema
a partir de soluciones similares observadas en el pasado) (Michalski et al., 1983).
Las redes neuronales artificiales (rna) se inspiran en hallazgos biológicos relacio-
nados con el comportamiento del sistema nervioso humano, el cual está conformado
por una red de unidades llamadas neuronas. Las rna se componen de neuronas
artificiales, cada una de las cuales está conformada por tres partes (Massachusetts
Institute of Technology [mit], 2002): 1) sinapsis artificiales o enlaces de conexión
a otras neuronas, que agregan pesos a los valores de entrada, es decir, multiplican
cada valor de entrada por un número que indica la importancia del valor para la
función que calcula. 2) Un sumador, que adiciona los valores de entrada, sumando
además un número específico de la neurona a los valores. 3) Una función de activa-

ción, que proyecta los valores de entrada a los valores de salida, aplicando pesos a
los datos entrantes (figura 6.1).
Figura 6.1. Redes neuronales artificiales

Capa entrada Capa oculta Capa salida
Entrada 1 1
1
Entrada 2 2
2 1 Salida
Entrada 3 3 …
… n
Entrada m m
Redes neuronales aplicadas a espectrometría uv-visible _133
Existen diferentes tipos de rna. Por ejemplo, el caso más sencillo es una red
con una sola capa. En este tipo de redes de capa sencilla, el aprendizaje funciona de
tal manera que entran a la red neuronal datos de entrenamiento uno a la vez y los
pesos de la neurona son revisados después de cada caso, en un intento por minimizar
el error cuadrado medio. Este proceso de ajuste gradual de los pesos se basa en el
error cometido en los casos de entrenamiento. Se usan principalmente algoritmos
de regresión lineal para el aprendizaje (mit, 2002).
Redes neuronales artificiales y su modelo de retropropagación
En la presente investigación se implementó el modelo de rna de capas múltiples,

el cual utiliza el método de retropropagación (backpropagation). Este es un método
de aprendizaje supervisado que intenta minimizar los errores promedio mediante
las derivadas parciales de dichos errores, actualizando los pesos de la red neuronal
en la dirección en la que la función de desempeño disminuye más rápidamente (De-
muth et al., 2009). Este tipo de rna trabaja desde la capa de salida hacia la capa
de entrada. Después de cada entrenamiento se comparan los datos de salida con los
valores deseados, para calcular el error de cada una de las salidas. A partir de esto se
estima el peso que se va a ajustar, que se adapta dentro de las neuronas para reducir
los errores. Luego se repite el proceso para la capa anterior, hasta llegar a la capa de
entrada (Witten et al., 2005).
Validación cruzada
El método de validación cruzada es una técnica de análisis estadístico que evalúa

cómo los resultados de un modelo de minería de datos se pueden generalizar a un
conjunto de datos independientes. Se usa sobre todo cuando se trata de aplicaciones
cuyo fin es la predicción de datos y se quiere estimar la precisión del modelo predic-
tivo creado, como es el caso analizado en este capítulo. La validación cruzada tiene
las siguientes aplicaciones: 1) validar la solidez de un modelo de minería de datos
determinado, 2) evaluar varios modelos de una instrucción única y 3) generar varios
modelos e identificar a continuación el mejor modelo basándose en estadísticas.
La validación cruzada se repite para cada conjunto de datos del espectro de absor-
bancia, dependiendo del número de registros. Se dividen los datos en dos grupos, uno
de los cuales sirve para la calibración del modelo (llamado conjunto de entrenamiento)
y el otro sirve para su validación (llamado conjunto de validación). En cada repetición
se calcula el error durante la validación y al final se calcula un error total. Normal-

mente, se calcula la suma o el promedio para los valores de cada repetición. Para el
caso más sencillo se usa solamente un registro para la validación. Se repite el proceso
de calibración un número de veces tal que cada registro se haya usado para validar
el modelo por lo menos una vez (Kohavi, 1995).
Herramienta informática implementada
Se analizó e implementó el módulo de herramientas (en inglés Toolbox) llamado Neu-

ral Network Toolbox, de MatLab (Mathworks), el cual cuenta con un gran número
de funciones para entrenar (calibrar) y validar modelos de redes neuronales, para
la predicción de datos, en este caso las concentraciones de los contaminantes de
dqo y sólidos suspendidos totales (sst) de hidrosistemas de saneamiento urbano.
Las aplicaciones centrales de este Toolbox son funciones de ajuste, el reconocimiento
de patrones y la agrupación. El Toolbox implementa perceptrones, filtros lineales, re-
tropropagación y redes dinámicas, entre otros modelos de rna. Para este trabajo,
el modelo utilizado para la predicción de variables de salida es retropropagación,
método descrito anteriormente.
Las rna en MatLab dividen los datos de entrada y salida en tres categorías: 1) da-
tos para calibrar la red, 2) datos para validar la red y estimar un error cuadrado medio
y 3) datos para una prueba independiente. Debe existir de forma independiente un
grupo de datos para la calibración y validación del modelo de rna.

La conformación del modelo de redes neuronales se divide en tres pasos (figu-
ra 6.2). El primero es la creación de la red neuronal mediante los datos de entrada
y salida que deben servir para calibrar la red. Al mismo tiempo se indica el número
de neuronas en cada capa y el tipo de función de transición que se debe usar en cada
capa. Dicha función puede ser de tipo lineal o sigmoidal, siendo tangente o logarít-
mica. Igualmente, se pueden definir la función de calibración y los pesos. Luego se
determina el porcentaje de datos usados para calibrar, validar y probar el modelo, y
se ejecutan las funciones de preprocesamiento, entre estas la implementación de pe-
sos iniciales aleatorios y el escalamiento de los datos al formato de entrada necesario
para poder procesarlos.
En el segundo paso se calibra la red. Internamente, MatLab implementa una
tasa de aprendizaje que indica el avance en el aprendizaje de la red neuronal. Se
usan diferentes funciones de calibración de retropropagación, como el aprendizaje
de gradiente descendiente, que es de lenta ejecución y fue el implementado en las
simulaciones realizadas en este trabajo. Otra de las funciones es el algoritmo de

gradiente cónyuge que usa una función de búsqueda, entre otras. Estas funciones
estiman la dirección de mejor aprendizaje del modelo y se destacan unas de otras por
ser más rápidas o requerir más o menos memoria computacional para los procesos.
Figura 6.2. Implementación de redes neuronales en MatLab
Creación Calibración Validación
Decreciente Datos diferentes

Iniciar pesos
gradiente a calibración
Capas Gradiente Cálculo de
y neuronas cónyuge un error
Funciones “Cuasi
de transición Newton”
Preprocesamiento Lavenberg-
Marquardt
Fuente: elaboración propia con base en Demuth et al. (2009).
En el tercer paso se valida el modelo de red neuronal creado y calibrado para

predecir datos de salida. Aquí los datos que alimentan la rna no deben haberse
utilizado, para que los datos de salida simulados a través de esta se comparen con
los datos medidos y se calcule un error con estos, el cual normalmente es el error
cuadrado medio. La validación final evalúa el desempeño de la red neuronal creada
(Demuth et al., 2009).
Los datos utilizados resultaron de 16 muestras del espectro uv-visible y las co-
rrespondientes medidas de dqo y sst. Las muestras se tomaron en un experimento
previamente ejecutado por Torres y Bertrand-Krajewski (2008) a la entrada de un
estanque de retención en la zona industrial de Chassieu (en cercanías a Lyon), Francia.
Los datos fueron medidos en 2005, la mitad en época de tormenta, el 28 de noviem-
bre, y la otra mitad durante época seca, los días 22 de noviembre y 15 de diciembre
(Torres y Bertrand-Krajewski, 2008). Las muestras se dividieron aleatoriamente a fin
de usarlas como datos para calibración o datos para validación, como se muestra en la
tabla 6.1. Para cada muestra se midieron los valores de espectrometría uv-visible
en el espectro de 200 a 722,5 nm. Igualmente, se conocieron los valores de dqo y
sst medidos en laboratorio para cada una de las muestras. Los valores se muestran
en la figuras 6.3 y 6.4.
Tabla 6.1. Resumen de muestras de datos tomadas
Muestra Periodo Uso Muestra Periodo Uso

1 Tormenta Calibración 9 Seco Validación
2 Tormenta Validación 10 Seco Calibración
3 Tormenta Calibración 11 Seco Calibración
4 Tormenta Calibración 12 Seco Validación
7 Tormenta Validación 15 Seco Validación
Fuente: elaboración propia con base en Torres y Bertrand-Krajewski (2008).
Figura 6.3. Datos de espectrometría uv-visible, para calibración y validación de los modelos
Fuente: adaptado de Torres y Bertrand-Krajewski (2008).
Figura 6.4. Datos de demanda química de oxígeno y sólidos suspendidos totales obtenidos en laboratorio
Torres y Bertrand-Krajewski (2008) mencionan en su artículo que los valores de

dqo son muy bajos para las muestras 13 y 14 y se encuentran debajo del límite de
detección utilizado; sin embargo, se usaron en los experimentos. Lo mismo aplica
para el presente caso: todos los datos medidos se utilizaron en los experimentos.
Los experimentos realizados en MatLab tuvieron dos procesos principales: el en-
trenamiento de las rna y la validación de las estructuras de los modelos planteados
en función de las variables entrada (espectros de absorbancia) y las variables de sali-
da (concentraciones de contaminantes). En tales procesos se tenían tres propósitos:
1) calcular el número ideal de capas ocultas, 2) averiguar el número ideal de neuronas
en cada capa oculta y 3) calcular valores para dqo y sst y compararlos con los va-
lores deseados medidos en el laboratorio (Torres y Bertrand-Krajewski, 2008). Para
cada propósito hubo cinco repeticiones y se calcularon promedios de los resultados
obtenidos en cada repetición para un resultado final.
Por otra parte, se propusieron dos formas de estimar los resultados: 1) se calcularon
resultados tanto para dqo como para sst en una red neuronal combinada y 2) se usa-
ron dos rna independientes: una para calcular los valores para dqo y otra para sst.
El primer modelo tuvo como finalidad identificar el número de capas ocultas ideal
en la red. Para esto, se calibraron los modelos de las rna con 1 a 20 capas ocultas,
cada una con 5 neuronas, valor que fue seleccionado de forma arbitraria. De lo anterior
se observó que en ambos entrenamientos —el modelo de la red neuronal combinada
frente a los modelos de las redes independientes— los menores errores cuadráticos
medios se obtuvieron para los modelos rna con dos capas ocultas. La figura 6.5 y
las tablas 6.2 y 6.3 muestran los resultados con detalle.
Figura 6.5. Error promedio de calibraciones con diferentes números de capas ocultas
Tabla 6.2. Errores promedio de calibraciones con diferentes números de capas ocultas usando un modelo
combinado para calcular los valores dqo y sst, ordenados por magnitud en orden creciente
Número de capas Número de capas Error promedio

Error promedio (mg/l)
ocultas ocultas (mg/l)
2 688 11 8548
4 1351 13 8556
3 1899 14 9160
16 1909 6 15 367
1 2039 7 16 255
5 3117 18 17 119
12 3235 20 20 363
17 4577 8 21 175
19 5573 15 28 065
9 7061 10 29 389
dqo: demanda química de oxígeno; sst: sólidos suspendidos totales.
Tabla 6.3. Errores promedio de calibraciones con diferentes números de capas ocultas usando modelos de
redes neuronales independientes para calcular los valores dqo y sst, ordenados por magnitud
en orden creciente
Número de capas Error promedio

Error dqo (mg/l) Error sst (mg/l)
ocultas (mg/l)
2 5578 2488 4033
4 3975 4754 4365
9 8952 1701 5326
7 3830 6989 5409
3 10 458 1394 5926
1 7978 4119 6048
11 8106 5368 6737
8 6533 8570 7552
6 8524 7387 7955
Número de capas Error promedio

Error dqo (mg/l) Error sst (mg/l)
ocultas (mg/l)
14 4500 11 723 8111
5 3889 16 275 10 082
13 12 161 8980 10 570
12 15 178 6752 10 965
17 16 812 8300 12 556
10 18 416 7257 12 837
15 10 186 20 472 15 329
20 13 619 17 124 15 372
18 18 050 13 218 15 634
16 16 104 15 292 15 698
19 46 954 23 464 35 209
dqo: demanda química de oxígeno; sst: sólidos suspendidos totales.
Teniendo en cuenta los resultados obtenidos a partir de las estructuras de los mo-
delos de rna planteados, se realizaron otras para determinar, esta vez, el número
de neuronas en cada capa oculta y obtener el mejor resultado con las rna de 2 ca-
pas ocultas. Luego se estudió cada posible combinación de neuronas en las 2 capas
ocultas propuestas; la cantidad osciló entre 1 y 5 neuronas. A partir de estas com-
binaciones se entrenaron las rna, tanto para el modelo combinado como para los
modelos con cada variable de forma independiente. Además, se incluyó un análisis
por medio de validación cruzada y se repitió el proceso de entrenamiento con los
datos de entrada 11 veces, cada vez omitiendo un registro de datos. En el proceso
de la validación cruzada se calculó un error y se sumó para las 11 repeticiones, con
el propósito de consolidar un error final en cada combinación de neuronas en las 2
capas ocultas y determinar así cuál estructura de rna presenta el menor error y se
aproxima de una mejor forma a los registros in situ.
Para el modelo combinado que calcula ambos valores de salida, dqo y sst, se
determinó que la combinación de 5 neuronas en la primera capa oculta y 4 en la se-
gunda arrojó el mejor resultado. Por otra parte, el modelo que evalúa únicamente los
valores del contaminante dqo resultó mejor con 3 neuronas en la primera y 4 en la
segunda capa; mientras que el modelo que calculó únicamente los sst funcionó mejor
con una neurona en la primera y 4 en la segunda capa oculta (figura 6.6 y tabla 6.4).
Figura 6.6. Error promedio de calibraciones con diferentes números de neuronas en las capas ocultas
Utilizando la información obtenida en las pruebas descritas, se obtuvieron los

valores de las concentraciones de dqo y sst, en función del espectro de absorban-

cia para la validación (véase figura 6.3, izquierda) con las combinaciones de capas
ocultas propuestas, en el modelo combinado calculando los dos valores de forma si-
multánea y los modelos donde se calculó el valor de cada variable de salida de forma
independiente.
Tabla 6.4. Error promedio de calibraciones con diferentes números de neuronas en las capas
Número de neuronas Error

Error Error
Capa Capa combinado
dqo (mg/l) sst (mg/l)
oculta 1 oculta 2 (mg/l)
1 1 5031 5100 4793

1 2 8134 9744 4709
1 3 8093 6678 3727
Número de neuronas Error

Error Error
Capa Capa combinado
dqo (mg/l) sst (mg/l)
oculta 1 oculta 2 (mg/l)
1 4 30 197 10 845 1369

1 5 11 786 4967 3594
2 1 10 018 5313 2401
2 2 10 154 10 118 2814
2 3 40 023 8473 4012
2 4 6482 8678 3692
2 5 11 837 14 008 3909
3 1 8562 7225 3722
3 2 11 288 6226 4969
3 3 13 338 7590 3686
3 4 16 887 4447 19 951
3 5 7100 11 032 4121
4 1 7335 5533 3888
4 2 11 097 5418 3397
4 3 12 800 9485 6707

4 4 7697 6733 3911
4 5 9126 10 290 2963
5 1 12 217 14 567 1862
5 2 7762 6909 3794
5 3 8577 31 699 3597
5 4 4471 27 088 6364
5 5 6173 10 214 7083
dqo: demanda química de oxígeno; sst: sólidos suspendidos totales. Fuente: elaboración propia.
Los valores calculados se compararon con los valores deseados, medidos por Torres
y Bertrand-Krajewski (2008). Para los 5 registros que sirvieron para la validación, se
calculó un error y se obtuvieron los siguientes resultados para los valores de la dqo
mostrados en la figura 6.7 y tabla 6.5, y para el contaminante sst se muestran en

la figura 6.8 y en la tabla 6.6.
Figura 6.7. Comparación de los resultados calculados para la demanda química de oxígeno

Tabla 6.5. Comparación de los resultados calculados para la demanda química de oxígeno en la validación
Valor medido 364 31 24 17 51 Error

Combinado 5,4 358 31 17 31 30 142
Combinado 3,4 365 43 39 33 53 134
Solo 3,4 298 31 23 28 51 890
Solo 5,4 369 42 29 15 52 40
Figura 6.8. Comparación de los resultados calculados para sólidos suspendidos totales en la validación
Tabla 6.6. Comparación de los resultados calculados para sólidos suspendidos totales
Valor medido 345 41 2 11 5 Error

Combinado 5,4 351 38 6 19 2 28
Combinado 1,4 336 31 –8 8 18 90

Solo 1,4 344 38 –10 7 –3 48
Solo 5,4 344 45 1 18 5 16
Los resultados de los experimentos realizados con el Toolbox de redes neuronales

de MatLab generaron los mejores valores para dqo y sst, si estos se calculan en
redes neuronales de forma independiente. La arquitectura que generó dichos valores
está compuesta por 2 capas ocultas con 5 neuronas en la primera capa oculta y 4
en la segunda, aunque se mostró en las pruebas que otras combinaciones podrían
otorgar mejores resultados, ya que los errores con respecto a los valores esperados
son mucho más pequeños en relación con las demás combinaciones de neuronas en
las 2 capas ocultas. Además, se observa que para la variable sst se obtienen valores
más cercanos a los medidos en laboratorio que para dqo. Por lo tanto, los valores
del contaminante sst están más correlacionados con el espectrómetro uv-visible

registrado.
Es importante mencionar que ninguna arquitectura de las rna produjo un re-
sultado en que todos los valores de las variables de salida simuladas se aproximaran a
los valores deseados y que conservaron un margen de error similar. Aunque muchos
valores se aproximaran al valor esperado, en cada resultado hubo, por lo menos, uno
que se distinguió considerablemente de los demás valores medidos.
Generalmente, se puede decir que los resultados de los experimentos en MatLab
son muy variables y difieren cada vez que se realiza el cálculo con el fin de pronosticar
la salida. Debido a esto, fue necesario obtener los promedios a través de la validación
cruzada, para obtener una tendencia y con esto identificar qué datos probablemen-
te otorgaban los mejores resultados. Es posible que en diferentes corridas con una
combinación de neuronas y de capas ocultas arroje el mejor resultado y otra vez sea
el peor. Esta variabilidad hace que los resultados se deben ver más como una ten-
dencia que como resultado definitivo.
Se puede considerar la obtención de mejores resultados si existe un mayor número
de muestras de datos con los cuales se podrían entrenar las redes neuronales y lograr
así un mejor estado de aprendizaje del modelo, ya que si el error cuadrático medio
tiende a estabilizarse o tener un comportamiento similar en las diferentes pruebas
que se realicen con grupos heterogéneos de datos, podrá interpretarse qué modelo
de la red neural alcanza su máximo punto de aprendizaje.
El modelo de rna descrito corresponde a redes estáticas de aprendizaje supervisado,
las cuales calculan los datos de salida directamente de los datos de entrada. También
existen las redes dinámicas que tienen en cuenta datos de entrada y salida de experi-
mentos ejecutados; incluso es posible agregar secuencias de tiempo a los datos y con-
trolar el orden por medio del cual se procesan los datos, lo que es muy importante para
datos que dependen de eventos anteriores (Demuth et al., 2009). Por lo tanto, se podría
experimentar con este tipo de redes y evaluar el alcance predictivo de este modelo, e
incluso comparar los recursos y los tiempos empleados en el proceso de modelación.
Capítulo 7
Manejo y explotación de datos de calidad de aguas efluentes
de cuencas urbanas
Santiago Sandoval, Andrés Torres, Milton Duarte y Andrés Velasco
Entre el 15 de enero y el 4 de febrero de 2009, la Empresa de Acueducto, Alcanta-

rillado y Aseo de Bogotá esp realizó una campaña de monitoreo en varios puntos
de la cuenca El Salitre —situada en la zona media de la cuenca del río Bogotá, con
22 subcuencas y una superficie de 121 770 ha (véase detalles en Rada Ariza y Torres,
2011)—, donde se estableció un punto de muestreo en el canal El Salitre, canal de
salida de toda la cuenca. En esta campaña, para dicho punto, se midió el caudal (con
una resolución temporal de 2 horas) y parámetros de calidad del agua —temperatu-
ra, conductividad, pH, demanda bioquímica de oxígeno (dbo), demanda química
de oxígeno (dqo), sólidos suspendidos totales (sst), sólidos suspendidos volátiles
(ssv) y sólidos sedimentables (ss)— con una resolución temporal de 2 horas y en
algunos casos hasta de 4 horas. En cuanto a la precipitación, esta se midió mediante

pluviogramas registrados por 8 estaciones dentro o en cercanías de la cuenca anali-
zada (Rada Ariza y Torres, 2011).
La figura 7.1 muestra un mapa con la localización de las ocho estaciones pluvio-
gráficas de la Empresa de Acueducto, Alcantarillado y Aseo de Bogotá esp utilizadas
para la medición de las variables lluviosas en los eventos analizados, además de la
ubicación del canal El Salitre.
Teniendo en cuenta las diferentes resoluciones temporales presentadas para las
variables analizadas —a) dqo, dbo y sst: 4 horas; b) volúmenes, caudales, pH,
conductividad y temperatura: 2 horas; c) alturas de precipitación: 1 hora— fue
necesario hacer una agregación temporal de la lluvia, de los volúmenes y de todas
las cargas a 4 horas. En cuanto a caudales, pH, conductividad y temperatura, se
tomaron los datos puntuales registrados cada 4 horas sin agregar.
Figura 7.1. Estaciones de lluvia Bogotá: canal cuenca El Salitre

Para definir un evento lluvioso es necesario identificar periodos de precipitación

nula, el comienzo del evento, el fin del evento y la duración de la precipitación nula
que separa dos eventos lluviosos independientes. En general, se considera que dos
eventos lluviosos son independientes si los efectos resultantes del primer evento han
cesado antes del comienzo del segundo (Chocat, 1997). Se considerará que la medición
de cualquier parámetro de calidad o cantidad efluente será un dato perteneciente a
un evento lluvioso cuando en el mismo instante de tiempo se registre precipitación
en las estaciones ubicadas dentro o cerca de la cuenca. En caso contrario, solo cuando
Manejo y explotación de datos de calidad de aguas efluentes de cuencas urbanas _147
transcurre un tiempo lo suficientemente extenso sin que se registren alturas de lluvia

en ninguna de las estaciones, se puede asumir que el efecto de la lluvia ha cesado
por completo. Para aquellos instantes del tiempo de los que no se tenga certeza si
pertenecen o no a un evento lluvioso, pueden implementarse métodos de clasifica-
ción con un potencial de predictibilidad adecuado, para así determinar la naturaleza
de dichos instantes. La importancia de identificar con cierta fidelidad las ventanas
temporales en las cuales ocurren los eventos lluviosos, radica en delimitar con más
rigor los datos de calidad a los cuales se les efectuarán las pruebas estadísticas pro-
puestas, en busca de una muestra con una influencia pluvial más representativa.
Por otro lado, es pertinente tener en cuenta las series de lluvia para cada estación
por separado, ya que así es posible determinar la influencia espacial que cada una
puede estar ejerciendo en las variables de calidad ambiental observadas. Con el fin
de definir adecuadamente aquellos datos de calidad pertenecientes a eventos lluvio-
sos, se realizó un análisis clasificatorio adicional. A manera de ejemplo se presentan
algunos registros de lluvias y calidad (del 15 de enero 2:00 p. m. al 18 de enero 2:00
p. m. de 2010) con la configuración mostrada en la tabla 7.1.
Para cada instante del tiempo agregado a 4 horas se aprecia de qué manera se con-
frontaron algunas variables de salida de la cuenca con los registros de lluvia en cada
una de las estaciones estudiadas. La última columna hace referencia a si el conjunto de
datos de calidad, reportado para un instante de tiempo determinado, pertenece o no
a un evento lluvioso. Como puede apreciarse, hay instantes del tiempo de los que no
se tiene certeza si son o no datos asociados a algún evento lluvioso, de acuerdo con lo
expuesto (7,4 % del total). Por esta razón nace la necesidad de aplicar métodos clasifica-
torios, multivariados y con posibilidad de detectar estructuras no lineales en los datos.
Se tomaron los registros en los que la condición de evento lluvioso fuera conocida
y se aplicó un método de clasificación Kernel (véase más información en Schölkopf y
Smola, 2002), utilizando la librería Kernlab (Karatzoglou et al., 2001) de R (R De-
velopment Core Team, 2013). Este modelo se entrenó con un subconjunto de datos
(llamado subconjunto de calibración) equivalente al 67 % de los datos conocidos (70
datos), seleccionados aleatoriamente con el fin de hallar el parámetro σ (véase de-
talles en Schölkopf y Smola, 2002) que potencializara la predictibilidad del modelo
entrenado, mediante validación cruzada. Una vez seleccionado dicho parámetro σ,
se validó el modelo aplicándolo al 33 % de datos conocidos restantes (34 datos). Una
vez validado el modelo, este se aplicó al subconjunto de datos que no pudieron ser
clasificados a priori como eventos de lluvia o eventos de tiempo seco. Esto permitió
delimitar temporalmente la ocurrencia de múltiples eventos lluviosos durante la cam-
paña de medición estudiada.
Tabla 7.1. Registros de lluvia y calidad del 15 de enero 2:00 p. m. al 18 de enero 2:00 p. m. de 2010 con detección a priori de instantes pertenecientes
a eventos lluviosos
Parámetros de calidad Precipitación (mm)

Tiempo (h)
Q (m3/s)
Vol (m3)
SST (mg/L)
C SST (kg)
DBO (mg/L)
C DBO (kg)
SSV (kg)
C SSV (kg)
DQO (mg/L)
pH
Temp (ºC)
Conduct. (S/m)
SolSed (mg/L)
La Conejera
Camavieja
Cerros de Suba
Salitre CB
Granizo
San Diego
Fontibón
La Caro
¿Es evento lluvio-
so?
4 4,33 31176 122 7967 191 12473 90 5877 471 7,26 19,2 963 7 0 0 0 0 0 0 0 0 NO
8 3,83 27576 170 11102 261 17044 113 7379 560 7,35 18,3 1005 5 0 0 0 0 0 0 0 0 NO
12 4,32 31104 90 5877 190 12408 28 1828 449 7,19 18,4 1104 5 0 0 0 0 0 0 0 0 NO
16 4,33 31176 572 37353 267 17436 395 25794 571 7,31 17,9 1129 3 0 0 0 0 0 0 0 0 NO
20 4,18 30096 96 6269 181 11820 58 3787 519 7,5 17,9 1042 3 0 0 0 0 0 0 0 0 NO
24 3,8 27360 164 10710 552 36048 108 7052 2103 7,8 21,5 1211 5 0 0 0 0 0 1,6 0 0 SÍ
28 4,16 29952 276 18024 159 10383 196 12799 435 7,4 20 1027 4 0 0 0 0 0 0 0 0 NO
32 4,12 29664 122 7967 166 10840 66 4310 539 7,37 18,7 988 4 0 0 0 0,2 0 0 0 0,3 SÍ
36 4,41 31752 116 7575 164 10710 72 4702 467 7,72 16,6 1234 1 0 0 0 0 0,7 0 0 0 SÍ
40 4,3 30960 550 35917 324 21158 390 25467 406 8,03 18,7 1165 1 0,2 0,8 0 0 0,2 0 0,1 0 SÍ
44 4,27 30744 172 11232 164 10710 116 7575 357 8,44 18 1105 1 0,1 0 0 0 0 0 0 0 SÍ
48 3,9 28080 132 8620 211 13779 72 4702 386 8,39 20,6 1275 6 0 0 0 0 0 0 0 0,1 SÍ

52 4,855 34956 104 6792 160 10449 76 4963 428 7,8 20 1104 8 0 0 0 0 0 0 0 0,6 SÍ
56 5,021 36151 92 6008 252 16457 64 4179 509 7,8 18,3 695 6 1,6 1,1 0,5 0 2,7 0 0,4 0,9 SÍ
60 3,95 28440 252 16456 163 10644 160 10448 414 7,7 17,7 719 4 0 0 0,5 0,3 0 0 0 0 SÍ
64 4,737 34106 915 59753 390 25468 440 28732 993 7,64 17,7 1127 1 0 0 0 0 0 0 0 0,1 SÍ
68 4,726 34027 320 20897 191 12473 100 6530 412 8,02 16,2 997 1 0 0 0 0 0 0 0 0 NO

Para cada evento lluvioso definido a partir del método de clasificación explicado
se calculó una serie de variables hidrológicas y de calidad para cada evento de lluvia
por separado. Dentro de las variables hidrológicas se utilizaron: 1) Hmaxik (altura
de agua máxima durante el evento); 2) Hpromik (altura de agua promedio durante
el evento); 3) Dik (duración del evento); 4) Hacumik (altura de agua acumulada total
del evento); 5) ∆Hmaxik (máxima variación de la altura de agua durante el evento);
6) ∆Hpromik (promedio de las variaciones de la altura de agua durante el evento), y
7) Ipromik (intensidad promedio durante el evento), haciendo referencia a las variables
hidrológicas registradas en la estación i, para el evento k. En cuanto a las variables
de calidad, se calcularon: 1) Cj() maxk (concentración máxima en el evento); 2) Cj()
promk (concentración promedio durante el evento); 3) ∆Cj() maxk (máxima variación
de la concentración durante el evento), y 4) ∆Cj() promk (promedio de las variaciones
de concentración durante el evento), para la concentración del contaminante j, en
el evento lluvioso k.
Para estimar la influencia de las variables hidrológicas sobre las variables de cali-
dad del agua medidas en campo, se realizaron pruebas de correlación de Spearman
entre ellas, utilizando el programa R (R Development Core Team, 2013), luego de
no haber detectado homogeneidad de varianzas (prueba de Bartlett) ni normalidad
(prueba de Shapiro-Wilk) en las muestras analizadas.
Aplicando el método de selección del parámetro σ se obtuvo la figura 7.2, la
cual muestra que con un valor σ = 0,00604 se tiene la mayor capacidad predicti-
va (confiabilidad calculada mediante validación cruzada) equivalente al 74 %. Al
evaluar el modelo entrenado para el subconjunto de datos de validación, se obtuvo

una confiabilidad del 63 %.
Al aplicar el modelo clasificatorio a los 14 instantes de tiempo cuando no se tenía
certeza si pertenecían o no a algún evento lluvioso para el caso de estudio, se obtuvo
en 13 ocasiones que no pertenecían a eventos de lluvia. En la tabla 7.2 se muestran los
resultados de clasificación para los registros del 15 de enero 2:00 p. m. al 18 de enero
2:00 p. m. de 2010, y así se completan las interrogantes presentadas en la tabla 7.1.
Figura 7.2. Variación de la confiabilidad del modelo clasificatorio para diferentes valores de σ.
Prueba de validación cruzada
Tabla 7.2. Registros de lluvia y calidad del 15 de enero 2:00 p. m. al 18 de enero 2:00 p. m. de 2010 con
clasificación completa de instantes pertenecientes a eventos lluviosos
Parámetros de calidad
Conduct. (S/m)
SolSed (mg/L)
DQO (mg/L)
DBO (mg/L)
C DBO (kg)
SST (mg/L)
Tiempo (h)
Temp. (ºC)
C SST (kg)
C SSV(kg)
Vol. (m3)
SSV (kg)
Q (m3/s)
pH
4 4,33 31176 122 7967 191 12473 90 5877 471 7,26 19,2 963 7
8 3,83 27576 170 11102 261 17044 113 7379 560 7,35 18,3 1005 5
12 4,32 31104 90 5877 190 12408 28 1828 449 7,19 18,4 1104 5
16 4,33 31176 572 37353 267 17436 395 25794 571 7,31 17,9 1129 3
20 4,18 30096 96 6269 181 11820 58 3787 519 7,5 17,9 1042 3
24 3,8 27360 164 10710 552 36048 108 7052 2103 7,8 21,5 1211 5
28 4,16 29952 276 18024 159 10383 196 12799 435 7,4 20 1027 4
32 4,12 29664 122 7967 166 10840 66 4310 539 7,37 18,7 988 4
36 4,41 31752 116 7575 164 10710 72 4702 467 7,72 16,6 1234 1
40 4,3 30960 550 35917 324 21158 390 25467 406 8,03 18,7 1165 1
44 4,27 30744 172 11232 164 10710 116 7575 357 8,44 18 1105 1
Parámetros de calidad
Conduct. (S/m)
SolSed (mg/L)
DQO (mg/L)
DBO (mg/L)
C DBO (kg)
SST (mg/L)
Tiempo (h)
Temp. (ºC)
C SST (kg)
C SSV(kg)
Vol. (m3)
SSV (kg)
Q (m3/s)
pH
48 3,9 28080 132 8620 211 13779 72 4702 386 8,39 20,6 1275 6
52 4,855 34956 104 6792 160 10449 76 4963 428 7,8 20 1104 8
56 5,021 36151 92 6008 252 16457 64 4179 509 7,8 18,3 695 6
60 3,95 28440 252 16456 163 10644 160 10448 414 7,7 17,7 719 4
64 4,737 34106 915 59753 390 25468 440 28732 993 7,64 17,7 1127 1
68 4,726 34027 320 20897 191 12473 100 6530 412 8,02 16,2 997 1
Precipitación (mm)
¿Es evento lluvioso?

Cerros De Suba
La Conejera
Camavieja
San Diego
Salitre CB
Fontibón
Granizo
La Caro
0 0 0 0 0 0 0 0 ?
0 0 0 0 0 0 0 0 ?
0 0 0 0 0 0 0 0 NO
0 0 0 0 0 0 0 0 NO
0 0 0 0 0 0 0 0 NO
0 0 0 0 0 1,6 0 0 SÍ
0 0 0 0 0 0 0 0 ?
0 0 0 0,2 0 0 0 0,3 SÍ
0 0 0 0 0,7 0 0 0 SÍ
0,2 0,8 0 0 0,2 0 0,1 0 SÍ
0,1 0 0 0 0 0 0 0 SÍ
0 0 0 0 0 0 0 0,1 SÍ
0 0 0 0 0 0 0 0,6 SÍ
1,6 1,1 0,5 0 2,7 0 0,4 0,9 SÍ
0 0 0,5 0,3 0 0 0 0 SÍ
0 0 0 0 0 0 0 0,1 SÍ
0 0 0 0 0 0 0 0 ?
Al definir completamente las ventanas temporales de cada evento lluvioso, se

identificaron 14 eventos diferentes en la campaña estudiada. La figura 7.3 muestra
los 14 eventos lluviosos en la serie de dbo confrontada con la precipitación regis-
trada en la estación Camavieja. Además se aprecian los pulsos de precipitación en la
parte superior registrados en la estación Camavieja y la identificación de los eventos
y la respuesta de la cuenca en términos de dbo. Luego de haber identificado los
datos de calidad y de lluvia de cada evento lluvioso, se ejecutaron las pruebas de
correlación descritas.
Figura 7.3. Ventanas temporales de eventos lluviosos durante la campaña de medición

Al analizar los resultados para diferentes variables de calidad, se identificaron las

estaciones de lluvia con una influencia más recurrente y se obtuvieron los siguientes
resultados: 1) el caudal máximo (Qmax) de un evento muestra ser influenciado en
mayor medida por las variables hidrológicas calculadas a partir de la lluvia regis-
trada en la estación Salitre Casa de Bombas (0,75 < Rho < 0,80); 2) la conductivi-
dad promedio de un evento (Kprom) muestra ser influenciada en mayor medida por
la pluviometría de la estación Salitre Casa de Bombas (0,65 < Rho < 0,71); 3) el
promedio de las variaciones del pH (∆pHprom) durante los eventos mostró estar in-
fluenciado de manera significativa por las estaciones de lluvia Cerros de Suba (0,55
< Rho < 0,88), Camavieja (0,66 < Rho < 0,71), Granizo (0,60 < Rho < 0,72)
y Salitre Casa de Bombas (0,59 < Rho < 0,74); 4) la máxima variación de los ss
(∆SSmax) para todos los eventos tiene una importante correlación con la información
de la estación Granizo (0,58 < Rho < 0,91), y 5) el promedio de las variaciones de
temperatura (∆Tprom) para los eventos lluviosos analizados mostró estar influenciado
principalmente por la estación Salitre Casa de Bombas con coeficientes de correla-
ción (0,67 < Rho < 0,75).
De lo anterior se identificó que las estaciones que tienen una correlación signifi-
cativa con variables de calidad del agua de manera más recurrente son: Salitre Casa
de Bombas, Granizo, Camavieja y Cerros de Suba, para luego determinar las varia-
bles hidrológicas (Hmax, Hacum, D, Hprom, Iprom, ΔHmax, ΔHprom) de un evento lluvioso
que presenten en mayor medida una influencia en la calidad del agua efluente de
la cuenca urbana estudiada, con propósitos de operación y toma de decisiones en
tiempo real en la Planta de Tratamiento de Aguas Residuales El Salitre.
Al analizar el caudal de salida de la cuenca, se encontró que Qmax registrado du-
rante el evento muestra ser influenciado por la mayoría de las variables hidrológicas
estimadas en la estación Salitre Casa de Bombas, donde se obtuvieron valores de
Rho entre 0,54 y 0,79 (valores p < 0,05) para las variables hidrológicas: Hmax (Rho
= 0,79), Hprom (Rho = 0,75), Hacum (Rho = 0,78), Iprom (Rho = 0,78), ΔHmax (Rho =
0,77) y ΔHprom (Rho = 0,75). La variable hidrológica que presentó la menor corre-
lación con Qmax fue la duración de la lluvia, para la cual se obtuvo un valor de Rho
= 0,54. Este resultado implica que el caudal máximo a la salida de la cuenca está
significativamente correlacionado con la altura de agua máxima registrada en la
estación Salitre Casa de Bombas durante un evento lluvioso. Por otro lado, existe
una importante influencia de intensidad promedio del evento y del volumen total
de lluvia (Hacum) sobre este caudal máximo de escorrentía superficial.
La conductividad, en sus valores promedio (Kprom) para cada evento lluvioso,
mostró estar relacionada con la precipitación en la estación Salitre Casa de Bom-
bas para las variables siguientes hidrológicas (valores p<0,05): Hmax (Rho=0,67),
Hprom (Rho=0,70), Hacum (Rho=0,65), Iprom (Rho=0,69), ΔHmax (Rho=0,68) y ΔHprom
(Rho=0,71). Según lo anterior, es observable que la conductividad promedio regis-
trada a la salida de la cuenca durante un evento lluvioso está relacionada en mayor
medida con las variaciones promedio de la altura de lluvia durante el evento, regis-
trables en la estación Salitre Casa de Bombas.
Para la variable de calidad calculada como el promedio de las variaciones de pH
durante un evento lluvioso cualquiera (∆pHprom), que mostró una influencia por par-
te de las estaciones de lluvia Cerros de Suba, Camavieja, Salitre Casa de Bombas y
Granizo, se obtuvieron los siguientes coeficientes de correlación con respecto a cada
variable hidrológica (valores p < 0,05):
• Cerros de Suba (Hmax: Rho = 0,65; Hprom: Rho = 0,55; D: Rho = 0,80; Hacum: Rho
= 0,64; Iprom: Rho = 0,56; ΔHmax: Rho = 0,88; ΔHprom: Rho = 0,87).
• Camavieja (Hmax: Rho = 0,69; Hprom: Rho = 0,71; D: Rho = 0,84; Hacum: Rho =
0,70; Iprom: Rho = 0,66; ΔHmax: Rho = 0,69; ΔHprom: Rho = 0,66).
• Salitre Casa de Bombas (Hmax: Rho = 0,59; Hprom: Rho = 0,57; D: Rho = 0,74;
Hacum: Rho = 0,57; Iprom: Rho = 0,60; ΔHmax: Rho = 0,61; ΔHprom: Rho = 0,62).
• Granizo (Hmax: Rho = 0,67; Hprom: Rho = 0,60; Hacum: Rho = 0,64; Iprom: Rho =
0,70; ΔHmax: Rho = 0,72; ΔHprom: Rho = 0,72).
Puede observarse que para tener una representación aproximada de la variación
promedio del pH en el canal El Salitre durante un evento de lluvia sobre la cuenca,
debe prestarse atención, secuencialmente, a 1) la variación máxima de la altura de agua
precipitada sobre la estación Cerros de Suba, 2) la duración de la lluvia registrada en
la estación Camavieja, 3) la máxima variación y al promedio de las variaciones de la
altura de agua registrada en la estación Granizo y 4) la duración de la lluvia registrada
en la estación Salitre Casa de Bombas.
En cuanto a la máxima variación de ss (∆SSmax), se encontraron correlaciones sig-
nificativamente altas (valores p < 0,05) para las variables hidrológicas: a) Hmax (Rho
= 0,89), b) Hprom (Rho = 0,88), c) Hacum (Rho = 0,91), d) Iprom (Rho = 0,88), e) ΔHmax
(Rho = 0,87), f) ΔHprom (Rho = 0,87) y, en menor medida, g) D (Rho = 0,60), regis-
tradas en la estación Granizo. Esto implica que existe una influencia en la variabi-
lidad promedio y la máxima variación de los sólidos sedimentables causada por la
altura total de lluvia del evento lluvioso (Hacum), registrable en la estación Granizo.
El promedio de las variaciones de la temperatura (∆Tprom) se encuentra relacio-

nado con la duración del evento lluvioso que se registra en la estación Salitre Casa
de Bombas y presenta un valor Rho = 0,75 (valores p < 0,05), el cual es superior
al de las otras variables hidrológicas (valores p < 0,05): Hmax (Rho = 0,59), Hprom
(Rho = 0,57), Hacum (Rho = 0,57), Iprom (Rho = 0,60), ΔHmax (Rho = 0,60) y ΔHprom
(Rho = 0,62).
Se encontró que los parámetros de cantidad y calidad del agua, influenciados
en mayor medida por registros de lluvia fueron caudal, sólidos sedimentables, pH,
conductividad y temperatura. Se estimó que las estaciones más influyentes en dichas
variables de calidad fueron: Salitre Casa de Bombas, Granizo, Camavieja y Cerros
de Suba. Parámetros como la dbo y la dqo presentan una baja representatividad
mediante la precipitación registrada en la zona de estudio para los eventos lluviosos
identificados.
El caudal máximo registrado durante el evento Qmax está significativamente co-
rrelacionado con la altura de agua máxima (Rho = 0,79), el volumen total de lluvia
(Rho = 0,78) y la intensidad promedio del evento (Rho = 0,78), registrables en la

estación Salitre Casa de Bombas. A partir de lo anterior es interpretable que la for-
mulación de un modelo lluvia-escorrentía para la cuenca urbana estudiada puede
apoyarse en mayor medida en los registros de la estación Salitre Casa de Bombas y
dar cierta prelación a la altura máxima de agua, a la altura de agua acumulada y a
la intensidad media del evento lluvioso que se desee reproducir.
La conductividad promedio durante un evento lluvioso presenta una correlación
Rho = 0,71 respecto a la variación promedio de la altura de lámina de agua registrada
en la estación Salitre Casa de Bombas. Según lo anterior, las variaciones promedio de
la altura de agua durante el evento, registradas en la estación Salitre Casa de Bombas
muestran una influencia sobre la conductividad promedio a la salida de la cuenca.
Para el promedio de las variaciones de pH durante un evento lluvioso cualquiera,
que mostró una influencia por parte de las estaciones de lluvia Cerros de Suba, Ca-
mavieja, Granizo y Salitre Casa de Bombas, se obtuvieron los siguientes resultados:
1) la variación máxima de la altura de agua precipitada sobre la estación Cerros de
Suba (Rho = 0,87); 2) la duración de la lluvia registrada en la estación Camavieja
(Rho = 0,84); 3) la duración de la lluvia registrada en la estación Salitre Casa de
Bombas (Rho = 0,74) y 4) la máxima variación y al promedio de las variaciones
de la altura de agua registrada en la estación Granizo (Rho = 0,72). De lo anterior
puede concluirse que las variables mencionadas para cada una de las estaciones iden-
tificadas como más influyentes pueden potencializar la capacidad de predictibilidad
de las variaciones promedio del pH durante un aguacero a la salida de la cuenca.
Para la máxima variación de sólidos sedimentables existe una influencia causada

por la altura total del evento lluvioso, con una correlación Rho = 0,91, registrable
en la estación Granizo. Esto implica que el volumen total de lluvia mostró ser el
factor hidrológico más influyente en la variación máxima de los sólidos sedimen-
tables, como respuesta a la perturbación causada por un evento lluvioso sobre la
cuenca urbana estudiada.
En cuanto a la temperatura, se encontró que el promedio de sus variaciones está
significativamente correlacionado con la duración de los eventos lluviosos que se re-
gistren en la estación Salitre Casa de Bombas, dado por un Rho = 0,75 con un valor
p < 0,05. En términos de explorar las relaciones de la lluvia con los parámetros de
calidad del agua, se avanzó en el entendimiento de estos fenómenos al identificar las
variables lluviosas que tienen una mayor influencia en las variaciones promedio de
la temperatura, entre otras construibles para cada evento lluvioso. Las asociaciones
preliminares entre la lluvia y la calidad del agua como las establecidas, abren la po-
sibilidad de brindar herramientas de gestión para las plantas de tratamiento a partir
de registros de lluvia en tiempo real. Este tipo de ejercicios pueden permitir la iden-
tificación de relaciones entre variables en términos de la construcción de modelos de
calidad del agua en cuerpos hídricos con afectación urbana.
Referencias de la parte B
Bertrand-Krajewski, J. L., Barraud, S. y Chocat, B. (2000). Need for improved

methodologies and measurements for sustainable management of urban water
systems. Environmental Impact Assessment Review, 20(3), 323-331.
Bertrand-Krajewski, J. L., Winkler, S., Saracevic, E., Torres, A. y Schaar, H. (2007).
Comparison of and uncertainties in raw sewage COD measurements by
laboratory techniques and field UV-visible spectrometry. Water Science and
Technology, 56, 17-25.
Butler, D. y Davies, J. (2011). Urban Drainage. London: Taylor & Francis.
Cherkassky, V. y Ma, Y. (2004). Practical selection of SVM parameters and noise
estimation for SVM regression. Neural Networks, 17(1), 113-126.
Cammann, K. y Schroeder, A. (1979). Working with Ion-selective Electrodes. New York:
Springer-Verlag.
Cheong, T. S., Ko, I. y Labadie, J. W. (2010). Development of multi-objective
reservoir operation rules for integrated water resources management. Journal
of Hydroinformatics, 12(2), 185-200.
Chocat, B. (Coord.), (1997). Encyclopédie de l’hydrologie urbaine et de l’assainissement.

Paris: Lavoisier.
Clair, N., Parkin, G. y Perry, L. (2003). Chemistry for Environmental Engineering and
Science. New York: s. e.
Da Silva, A. M. (2008). Monitoring of Biological Wastewater Treatment Processes Using
Indirect Spectroscopic Techniques. Tesis de maestria, Universidade do Minho.
Recuperado de https://repositorium.sdum.uminho.pt/bitstream/1822/9712/1/
tese.pdf
Dawson, C. W., Abrahart, R. J., Shamseldin, A. Y. y Wilby, R. L. (2006). Flood
estimation at ungauged sites using artificial neural networks. Journal of
Hydrology, 319, 391-409.
Demuth, H., Beale, M. y Hagan M. (2009). Neural Nework Toolbox: User’s guide. s.
l.: Mathworks.
Ellis, J. B. (1991). Measures for the Control and Treatment of Urban Runoff Quality [report].
Agence de l’Eau Seine-Normandie.
Fleischmann N., Langergraber G., Weingartner A., Hofstaedter F., Nusch S.,
Maurer. P. (2001). On-line and in-situ Measurement of Turbidity and COD in
Wastewater Using UV/VIS Spectrometry. In Proceedings of the 2nd IWA World
Water Congress, 15-19 October.
Fogelman, S., Zhao, H. y Blumenstein, M. (2006). A rapid analytical method for
predicting the oxygen demand of wastewater. Analytical and Bioanalytical
Chemistry, 386(6), 1773-1779.
Glasgow, H. B., Burkholder, J. M., Reed, R. E., Lewitus, A. J. y Kleinman,
J. E. (2004). Real-time remote monitoring of water quality: a review of
current applications, and advancements in sensor, telemetry, and computing
technologies. Journal of Experimental Marine Biology and Ecology, 300(1-2),
409-448.
Gonzalez, C., Greenwood, R. y Quevauviller, P.P. (Eds.), (2009). Rapid Chemical and
Biological Techniques for Water Monitoring (vol. 23). New York: Wiley.
Gruber, G., Winkler, S. y Pressl, A. (2004). Quantification of pollution loads from
CSOs into surface water bodies by means of online techniques. Water Science
and Technology, 50(11),73-80.
Hochedlinger, M. (2005). Assessment of Combined Sewer Overflow Emissions. PhD thesis:
Faculty of Civil Engineering, University of Technology Graz (Austria).
Hur J., Bo-Mi L., Tae-Hwan L. y Dae-Hee P. (2010). Estimation of biological oxygen
demand and chemical oxygen demand for combined sewer systems using
synchronous fluorescence spectra. Journal Sensors, 10, 2460-2471.
Jin, H., Lee, B. M., Lee, T. H. y Park, D. H. (2010). Estimation of biological oxygen
demand and chemical oxygen demand for combined sewer systems using
synchronous fluorescence spectra. Journal Sensors, 10, 2460-2471.
Karatzoglou, A., Smola, A., Hornik, K. y Zeileis, A. (2001). Kernlab–An S4 package
for kernel methods. R. Journal of Statistical Software, 11(9), 1-20.
Kohavi, R. (1995). A Study of Cross Validation and Bootstrap for Accuracy Estimation
and Model Selection. Recuperado de http://www.cs.iastate.edu/~jtian/cs573/
Papers/Kohavi-IJCAI-95.pdf
Langergraber, G., Fleischmann, N. y Hofstaedter, F. (2003). A multivariate
calibration procedure for UV/VIS spectrometric quantification of organic
matter and nitrate in wastewater. Water Science & Technology, 47(2), 63-71.
Langergraber, G., Fleischmann, N., Hofstaedter, F. y Weingartner, A. (2004a).
Monitoring of a paper mill wastewater treatment plant using UV/VIS
spectroscopy. Trends in Sustainable Production, 49(1), 9-14.
Langergraber, G., Fleischmann, N., Hofstaedter, F., Weingartner, A. y Lettl, W.

(2004b). Detection of (unusual) changes in wastewater compositionusing
UV/VIS spectroscopy. Water Intelligence Online. Recuperado de http://www.
iwaponline.com/wio/2004/08/wio200408010.htm
Langergraber, G., Weingartner, A. y Fleischmann, N. (2004c). Time-resolved delta
spectrometry: a method to define alarm parameters from spectral data. Water
Science & Technology, 50(11), 13-20.
Langergraber, G., Van Den Broeke, J., Lettl, W. y Weingartner, A. (2006). Real-time
detection of possible harmful events usingUV/vis spectrometry. Spectroscopy
Europe 18(4), 19-22.
Lee, M. y Mansfield, M. (2009). Extracting, transforming, and loading data.
En SQL Server® 2008 administration: instant reference. Indianapolis: Wiley.
doi: 10.1002/9781118257401.ch9.
Massachusetts Institute of Technology (mit), (2002). Artificial neural networks.
Recuperado de http://ocw.mit.edu/NR/rdonlyres/Sloan-School-of-
Management/ 15-062Data-MiningSpring2003/650A194A-828C-4990-
98CE-7EB966628437/0/NeuralNet2002.pdf
Matsche, N. y Stumwöhrer, K. (1996). UV absorption as control-parameter for
biological treatment plants. Water Science and Technology, 33(12), 211-218.
Michalski, R., Carbonell, J. y Mitchell, T. (1983). Machine Learning: an Artificial
Intelligence Approach. s. l.: Morgan Kaufmann Publishers.
Mrkva, M. (1975). Automatic UV control system for relative evaluation of organic
water pollution. Water Res. 9, 587-589.

Muttamara, S. (1996). Wastewater characteristics. Resources, Conservation and
Recycling, 16, 145-159.
Ojeda, C. y Rojas, F. (2009). Process analytical chemistry: applications of ultraviolet/
visible spectrometry in environmental analysis: an overview. Applied Spectroscopy
Reviews, 44(3), 245-265.
Quevauviller, P., Thomas, O. y Van Der Beken, A. (2006). Wastewater Quality
Monitoring and Treatment. Brussels: John Wiley & Sons.
R Development Core Team (2013). R: A Language and Environment for Statistical
Computing. Vienna: R Foundation for Statistical Computing.
Rada, A. y Torres, A. (2011). Preliminary Assessment of the Influence of Salitre Basin
Rainfall on the Pumping Operation of Salitre Wastewater Treatment Plant (Bogotá).
Documento procedente de la 12th International Conference on Urban
Drainage, 11-16 September 2011, Porto Alegre, Brasil.
Rojas, I., Valenzuela, O., Rojas, F., Guillén, A., Herrera, L. J., Pomares, H., Márquez,

L. y Pasadas, M. (2008). Soft-computing techniques and ARMA model for
time series prediction. Neurocomputing, 71(4-6), 519-537.
Ruban, G., Ruperd, Y., Laveau, B. y Lucas, E. (2001). Self-monitoring of water
quality in sewer systems using absorbance of ultraviolet and visible light.
1st World Water Congress: Operation and Management, Landfill and Sludge
Management, 44(2-3), 269-276.
Ruiz, A., Zamora, D. y Torres, A. (2012). Análisis de frecuencias de medición para el
monitoreo de la calidad de agua en hidrosistemas de saneamiento urbano. Documento
procedente del XXV Congreso Latinoamericano de Hidráulica, San José, Costa
Rica, 9 al 12 de septiembre.
Schölkopf, B. y Smola, a. J. (2002). Learning with Kernels: Support Vector Machines,
Regularization, Optimization, and Beyond. Cambridge, MA: MIT Press.
Staubmann, K., Langergraber, G. y Fleischmann, N. (2001). UV/VIS spectroscopy
for the monitoring of testfilters. In: IWA (Ed.), Preprints of the 2nd IWA World
Water Congress, 15–19 October 2001, Berlin, Germany (CD, paper no. B1378).
Torres, A. y Bertrand-Krajewski, J.-L. (2008). Partial least squares local calibration
of a UV-visible spectrometer used for in situ measurements of COD and TSS
concentrations in urban drainage systems. Water Science and Technology, 57(4),
581-588.
Winkler, S., Rieger, L., Thomann, M., Siegrist, H., Bornemann, C. y Fleischmann,
N. (2002). In-line monitoring of COD and COD-fractionation: Improving
dynamic simulation data quality. In: IWA (Ed.), Preprints of the 3rd IWA
International World Water Congress, 7-12 April 2002, Melbourne, Australia
(paper no. e21604a).
Winkler, S., Saracevic, E., Bertrand-Krajewski, J. L. y Torres, A. (2008). Benefits,
limitations and uncertainty of in situ spectrometry. Water Science and Technology,
57(10), 1651.
Wissenschaftlich Technische Werkstätten Gmb H (2010). Tecnología de medición
en línea. WTW on-line, Alemania.
Witten, I., Frank, E. y Hall, M. (2005). Data Mining: Practical Machine Learning
Tools and Techniques. Burlington: Elsevier.
Wu, J., Pons, M. y Potier, O. (2006). Wastewater fingerprinting by UV-visible and
synchronous fluorescence spectroscopy. Water Science & Technology, 53(4-5),
449-456.

Avances en Hidrología Urbana - (Parte B. Metrología y Monitoreo en Hidrología (... ) )

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Avances en Hidrología Urbana - (Parte B. Metrología y Monitoreo en Hidrología (... ) )

Cargado por

Copyright:

Formatos disponibles

Parte B

ejemplo, vandalismo o terrorismo) (Langergraber et al., 2004a).

gación Ciencia e Ingeniería del Agua y el Ambiente en la utilización de este tipo de

Los resultados que a continuación se presentan se obtuvieron con el ánimo de rea-

Una de las técnicas más recientes de medición en continuo es la espectrometría

entre 0,003 g/L y 1000 g/L, y 3) la medición de pH-temperatura se realizó median-

Figura 4.1. Principales parámetros y mediciones del espectrómetro uv-visible

Non-compensated spectrum; represents the

La primera campaña fue realizada en la eeg (figura 4.2). Se midieron espectros

entre 30 min y 3 h por día.

Figura 4.2. Ubicación de las sondas de medición en la eeg

Fuente: Google Earth, 2012.

En la ptar Salitre se realizó una campaña de medición en continuo en el canal

Fuente: elaboración propia.

Inicialmente, y a manera de ejemplo, se muestran las gráficas de los espectros de

absorbancia y las turbiedades obtenidas en la campaña realizada el día 27 de abril

Fuente: elaboración propia.

Un análisis visual preliminar de la figura 4.4 permite observar 3 periodos tem-

Fuente: elaboración propia.

A continuación se muestran los resultados de la campaña de monitoreo en con-

Fuente: elaboración propia.

En la figura 4.7 se observa la serie de la temperatura para la campaña de medi-

Figura 4.7. Comportamiento de la temperatura el 2 de julio de 8h 29 a 18h 33 en la ptar Salitre

Fuente: elaboración propia.

Fuente: elaboración propia.

Fuente: elaboración propia.

En la figura 4.10 se muestra la serie de longitud de onda/absorbancia para el

Fuente: elaboración propia.

Al analizar las series de tiempo de los espectros de absorbancia y de la turbiedad

Durante la campaña de monitoreo de calidad de aguas en la ptar Salitre se pu-

Operación y mantenimiento en el monitoreo en continuo

Con el ánimo de formular algunas recomendaciones en cuanto requerimientos de

Fuente: elaboración propia.

miento, el procedimiento se dividió en tres fases: 1) análisis del intervalo de medición

Para fijar las posiciones recomendadas de instalación del espectrómetro UV-vis

Ángulos reco- Mín. 33,8 33,8 39,8 33,8

Máx. 90 45 78,8 73,5

Profundidades re- Mín. (%) 35 33 - 24

Ángulos máx. re- Similitud 0° 6° 0° 17,25°

Cercanía 17,25° 6° 0° 73,5°

La figura 4.12 presenta los intervalos máximos recomendados de medición (según

mayores (entre 8 y 33 min) si se desean monitorear los contaminantes ubicados en

Figura 4.12. Relación entre concentraciones de hidrosistemas (izquierda) e intervalo de medición

las concentraciones de los hidrosistemas y el instante en el que debe iniciar la limpie-

En la figura 4.14 se muestran las concentraciones de los hidrosistemas con las

En el caso de las plantas de tratamiento de aguas residuales (ptar), se ha observado

de la calidad del hidrosistema que se esté estudiando.

Para la disposición de los captores de monitoreo instalables in situ se recomienda

tiempo de los parámetros de estudio. No obstante, los cambios abruptos en las

Fuente: elaboración propia.

La figura 5.2 muestra los valores de pH y temperatura (electrodos de ion sensible)

Fuente: elaboración propia.

Un primer desarrollo en R (R Development Core Team, 2013) para estimar la

de datos), haciendo variar las condiciones de frontera y calculando el promedio de

frontera para cada intervalo de tiempo seleccionado de los parámetros de turbiedad

aunque el comportamiento para cada uno de los parámetros no es el mismo. Para

Fuente: elaboración propia.

Fuente: elaboración propia.

Turbiedad sst Temperatura pH

A efectos de determinar el número de muestras puntuales diarias que deben tomar-

y para los sst del 15,25 %.

Fuente: elaboración propia.

Posteriormente se calcularon los errores máximos obtenidos para el promedio