See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/257885419

DETERMINACIÓN DE LAS CONCENTRACIONES DE SST, DBO5, N-T, P-T, SAAM,

GyA EN EL RÍO TUNJUELO, BOGOTÁ D.C. A TRAVÉS DE MODELOS DE REDES
NEURONALES TIPO FEED-FORWARD

Conference Paper · October 2013

CITATIONS READS
0 2,670

1 author:

Carlos Peña
Universidad de La Salle
115 PUBLICATIONS   1,597 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Emerging polluntants View project

Urban Water Cycle View project

All content following this page was uploaded by Carlos Peña on 01 June 2014.

The user has requested enhancement of the downloaded file.

 AGUA 2013 El riesgo en la gestión del agua. Cali Octubre 15 al 18

DETERMINACIÓN DE LAS CONCENTRACIONES DE SST, DBO5, N-T, P-T,

SAAM, GyA EN EL RÍO TUNJUELO, BOGOTÁ D.C. A TRAVÉS DE
MODELOS DE REDES NEURONALES TIPO FEED-FORWARD

Peña, C.A.1 & Zamora, D. A.2

1
Grupo de Investigación de Sistemas y Recursos Ambientales Sostenibles, Facultad de Ingeniería
Ambiental, Universidad Manuela Beltrán, Av. Circunvalar No. 60 – 00, Bogotá, Colombia.
carlos.guzman@docentes.umb.edu.co, Tel.: (57-1) 5460600 ext 1959.

2
Grupo de Investigación Ciencia e Ingeniería del Agua y el Ambiente, Facultad de Ingeniería,
Pontificia Universidad Javeriana, Carrera 7 No. 40 – 62, Bogotá, Colombia.
david.zamora@javeriana.edu.co, Tel.: (57-1) 3208320 ext 5259.

RESUMEN

La evaluación de la calidad hídrica mediante redes de monitoreos es cada vez más

importante para las diferentes entidades encargadas del control ambiental. Sin
embargo, los costos de estas redes pueden llegar a ser elevados, debido al número de
parámetros a medir y la frecuencia de estas mediciones. Diferentes estudios han
podido determinar que una gran variedad de parámetros que son medidos dentro de
las redes de monitoreo presentan relaciones directas o indirectas entre estos. De
acuerdo a lo anterior, mediante el uso de las concentraciones medidas de 9
parámetros seleccionados de la Red de Calidad Hídrica de Bogotá sobre el río
Tunjuelo, se buscó el parámetro que mayor número de correlación tuviese,
encontrándose que la DQO tuvo 25 correlaciones a través de todas las mediciones
hechas, con esta relación se buscó determinar las concentraciones mediante el uso de
una red neuronal artificial feed-forward, encontrándose que con una correlación
significativa, el uso de la DQO permite estimar en modelos independientes las
concentraciones de DBO5, SST, SAAM y Nitrógeno Total.

PALABRAS CLAVES: Correlaciones, Red de Calidad Hídrica, Red Neuronal

Artificial, DQO

INTRODUCCIÓN
El monitoreo de la calidad del agua comprende las actividades de toma de muestras,
medición in situ, análisis y procesamiento de datos para obtener información
cualitativa y cuantitativa de las propiedades físicas, químicas y biológicos del agua
(Sanders et al., 1983, Karamouz et al., 2009). Por consiguiente, una red de monitoreo

Seminario internacional “Calidad del agua: retos ante los riesgos ambientales” 1
 AGUA 2013 El riesgo en la gestión del agua. Cali Octubre 15 al 18

comprende específicamente un determinado número de sitios a lo largo de un

hidrosistema, para recopilar información de la calidad del agua en intervalos
definidos de tiempo (Harmanciogammalu et al., 1998) y cuyos principales propósitos
son: (i) proporcionar información suficiente y oportuna para la toma de decisiones y
(ii) controlar y vigilar la calidad medio acuático mediante la identificación de los
fenómenos y posibles fuentes de contaminación (Telci et al., 2009).

Para el diseño de estas redes de monitoreo varios autores han presentado propuestas,
experiencias y criterios, basados en la selección de puntos y frecuencias de muestreo
o medición representativos, teniendo en cuenta restricciones presupuestarias y
logísticas y el número de parámetros medidos con los cuales se pueda observar el
comportamiento dinámico de la calidad del agua. Es claro que estas variables a medir
son función del tipo del recurso hídrico, los usos de este y los objetivos de monitoreo
(Strobl and Robillard, 2008), sin embargo la Organización Mundial Meteorológica
(1994), identificó que parámetros básicos son empleados para la medición en cuerpos
de agua, como se observa en la Tabla 1.

Tabla 1. Parámetros básicos para la medición de calidad hídrica

Parámetros ríos Lagos y Agua subterránea
reservorios
Sólidos Suspendidos Totales x - -
Temperatura x x x
pH x x x
Conductividad x x x
Oxígeno Disuelto x x x
Calcio x x x
Magnesio x x x
Sodio x x x
Potasio x x x
Cloruros x x x
Floruros - - x
Sulfatos x x x
Alcalinidad x x x
Nitrato y Nitritos x x x
Fosforo Total x x x
Materia orgánica x x x
Fuente: (World Meteorological Organization, 1994)

A pesar del avance en las técnicas de medición y análisis de estos y más parámetro,
en varios países se continúa con las técnicas convencionales, que en muchos casos
pueden ser no rentables debido al costo asociado a la cantidad de muestras y la
exigencia en su determinación (Ongley, 2000).

De acuerdo a lo anterior, resulta eficiente determinar las correlaciones entre

parámetros, con el fin de establecer las relaciones más significantes, y que en
ausencia de la medición de un parámetro permitan por medio de algún modelo

Seminario internacional “Calidad del agua: retos ante los riesgos ambientales” 2
 AGUA 2013 El riesgo en la gestión del agua. Cali Octubre 15 al 18

cuantificar su magnitud en función del o los otros parámetros medidos cuya relación
pueda generar buenos resultados (Guang, 2005, Deming, 2010).

Por ejemplo LeBlanc (1976) menciona que dentro de las técnicas más rápidas para la
detección de la Demanda Biológica Orgánica (DBO5), uno de los principios más
empleados es la correlación que existe entre la Demanda Química Orgánica (DQO),
el Carbón Orgánico Total (COT) y la Demanda de Oxígeno Total (DOT) (LeBlanc,
1974).

Deming (2010) realizó mediciones de COT, DQO y DBO5 sobre fuentes hídricas
superficiales con el objetivo de identificar correlaciones entre estos parámetros,
encontrando correlaciones significativas entre el COT, DQO y DBO5, lo cual
permitiría estimar la DBO5 y DQO de manera rápida mediante el análisis del TOC.
Igual conclusión obtuvo Guang (2005), al llevar a cabo un análisis de correlaciones
entre la TOC y la DQO en aguas residuales, aguas superficiales y aguas residuales
industriales en diferentes regiones de Beijing China.

Han et al. (2006) encontró que los Sólidos Suspendidos Totales (SST) tienen
correlación con las mayoría de metales evaluados en su estudio (Plomo, Cadmio,
Cromo, Niquel, Zinc), sin embargo una pobre correlación con diferentes
contaminantes evaluados, adicionalmente la DQO, DBO el Nitrógeno Total Kendal
(NTK), Cloro (Cl), Conductividad y Grasas y Aceites tuvieron alta correlación con la
parte disuelta y total de los metales pesados (Han et al., 2006).

Por lo tanto, este trabajo utiliza los datos de la Demanda Química de Oxígeno
obtenidos de tres puntos de monitoreo de la Red de Calidad Hídrica sobre el río
Tunjuelo Bogotá, con el fin estimar los parámetros de DBO5, SST, Nitrogeno Total
(N-T), Fosforo Total (P-T), Tensoactivos (SAAM), Coliformes Fecales (ColFe) y
Grasas y Aceites (GyA), al emplear una red neuronal artificial (RNA) para la
generación de modelos matemáticos que permita cuantificar las concentraciones de
estos parámetros en función de las concentraciones de DQO medidas.

METODOLOGÍA

La producción de aguas residuales domesticas e industriales de Bogotá son vertidas a

los diferentes cuerpos hídricos del Distrito, por el sistema de alcantarillado que está
compuesto por tres Subcuencas urbanas: Salitre, Fucha y Tunjuelo, donde cada una
de estas drena a los tres ríos del Distrito Capital que poseen los mismos nombres
(Rodríguez et al., 2008, Giraldo J.M. et al., 2010), donde de acuerdo con la Empresa
de Acueducto y Alcantarillado de Bogotá (EAAB-ESP) esta infraestructura para el
año 2012 era del 99.20% para barrios legalmente constituidos, sin embargo solo un

Seminario internacional “Calidad del agua: retos ante los riesgos ambientales” 3
 AGUA 2013 El riesgo en la gestión del agua. Cali Octubre 15 al 18

porcentaje de las aguas residuales generadas en la cuenca del Salitre son tratadas por
la Planta de Tratamiento de Aguas Residuales el Salitre (aproximadamente el 19%
del total de aguas residuales de la ciudad) (Rodríguez et al., 2008), las demás son
vertidas a ríos y quebradas de la ciudad.

En consecuencia a esto, en la actualidad la Secretaría Distrital de Ambiente (SDA)

realiza el seguimiento a la calidad de las principales fuentes superficiales del Distrito,
para lo cual se monitorean 32 puntos y donde se toma una muestra compuesta en una
jornada de monitoreo bihoraria y en diferentes momentos del año. A partir de dichas
muestras se cuantifican por medio de análisis estándar de laboratorio los siguientes
parámetros: pH, OD, DBO5, DQO, SST, SAAM, GyA, N-T, P-T y ColFe.

El río Tunjuelo es uno de los más importantes para la ciudad de Bogotá, ya que con
sus 73 Km. es el más grande que tiene la ciudad, nace en el Páramo de Sumapaz por
encima de los 3.700 msnm, a partir de la unión de tres cauces principales de los ríos:
Chisacá, Mugroso y Curubital, posteriormente recorre las áreas rurales y urbanas del
Distrito para entregar sus aguas al río Bogotá a una cota aproximada de 2.570 msnm,
y cuenta con 9 estaciones de monitoreo (Regadera, UAN, Yomasa, Doña Juana,
Barrio México, San Benito, TV 86, Puente Independencia y La Isla).

La información de la actualidad la Red de Calidad Hídrica de Bogotá (RCHB) fue

solicitada a la SDA, cuyos valores de los parámetros se encuentran reportados desde
diciembre de 2009 hasta la fecha, sin embargo para este artículo solo fueron
obtenidos desde el inicio de monitoreo hasta noviembre de 2012, presentando una
totalidad de 51 mediciones, los valores máximos, mínimos, promedios y la desviación
estándar por estación se presentan en la Tabla 2. Es importante aclarar que no se
reportaran los valores de la estación Regadera, por encontrarse fuera del perímetro
urbano y libre de factores antrópico que puedan generar contaminación.

Seminario internacional “Calidad del agua: retos ante los riesgos ambientales” 4
 AGUA 2013 El riesgo en la gestión del agua. Cali Octubre 15 al 18

Figura 1. Ubicación de estaciones de la RCHB en el río Tunjuelo- Fuente: (Secretaría Distrital de

Ambiente, 2008)

Para estimar las concentraciones de los diferentes contaminantes, lo primero que se

llevó a cabo fue establecer qué parámetro presenta una relación significativa con los
parámetros objetivo (DQO, DBO5, SST, N-T, P-T, SAAM, ColFe, OD y GyA). Por
lo tanto, se llevó a cabo un análisis de correlación mediante las ecuaciones de
Pearson, sobre los diez parámetros medidos en las nueve estaciones del río Tunjuelo,
con el fin de identificar los parámetros que tuvieran correlaciones superiores a 0.70 y
a –0.70 y el grado de repetición de correlación en cada estación, de esta manera se
encontró que el parámetro que presentó, las mayores correlaciones es la DQO con un
total de 25 repeticiones (Figura. 2) y estas se obtuvieron sobre 8 estaciones. Sin
embargo, se pudo evidenciar que la DQO no presentó buenas correlaciones con los
parámetros de Coliformes Fecales y Oxígeno Disuelto, por tal motivo no fueron
considerados dentro del análisis de la red neuronal.

Seminario internacional “Calidad del agua: retos ante los riesgos ambientales” 5
 AGUA 2013 El riesgo en la gestión del agua. Cali Octubre 15 al 18

Tabla 2. Rango, media y desviación estándar de las concentraciones de la RCHB en el río Tunjuelo
Doña San Puente
Parámetro UAN Yomasa México Makro TV. 86 La Isla
Juana Benito Independencia
Rango 0.02 -12.6 0.11-10.41 0.16-24.06 0.39-12.17 0.36-12.69 0.59-13.82 1.72-23.46 1.5-26.53 3.19-49.72
Caudal (m3/s) Prom. 2.97 2.96 3.94 4.06 4.03 4.38 6.22 5.91 8.23
Des. 3.81 2.98 4.66 3.72 3.53 3.69 4.89 4.91 7.31
Rango 2.50-8.40 0.10-8.65 0.10-8.36 0.0-4.03 0.09-3.10 0.10-4.75 0.0-1.87 0.07-3.87 0.10-2.29
OD (mg/L) Prom 6.72 5.93 5.35 0.86 0.66 0.75 0.40 0.41 0.38
Des. 1.17 1.95 2.25 0.80 0.65 1.01 0.42 0.58 0.51
Rango 0.45-37.8 1.0-69.0 1.0-249.0 1.7-100 3.4-152 3.6-115 19.5-488 6.7-384 26.0-348
DBO (mg/L) Prom 4.54 16.13 38.50 14.26 47.16 46.78 169.05 162.39 164.5
Des. 6.71 16.71 54.57 18.23 42.03 37.15 113.41 94.18 98.9
Rango 4.0-272 15.7-280 14.5-8150 17.9-320 21-456 24-366 34-1078 29.2-850 54-775
DQO (mg/L) Prom 28.66 86.54 195.61 78.09 174.22 159.05 445.25 430.36 418.32
Des. 37.90 66.89 180.44 70.47 124.99 101.92 245.79 203.46 199.21
Rango 5.7-1270 18-1123 48-5295 18-2302 20-523 26-827 84-747 66-542 81-1359
SST (mg/L) Prom 53.02 165.11 1386.94 144.38 189.59 153.33 273.80 221.98 271.14
Des. 179.02 226.08 1466.70 320.02 121.75 141.26 149.74 96.60 197.86
Rango 3.6-147 3.6-76.5 0.0-94 3.4-48 3.6-63 3.6-125 3.6-796 3.6-885 6.2-272.00
GyA (mg/L) Prom 7.63 8.53 6.72 6.95 15.38 14.52 112.72 108.74 53.09
Des. 20.61 11.60 12.70 8.07 15.09 18.73 139.73 184.06 44.97
Rango 0.02-14.2 0.07-13.6 0.03-4.8 0.07-3.65 0.09-8.63 0.13-66.5 0.46-19.8 0.41-14.2 1.24-22.20
SAAM Prom 0.94 1.41 0.89 0.84 2.73 4.46 6.21 6.07 6.85
Des. 2.79 1.99 1.16 0.81 2.28 9.23 4.25 3.52 4.46
Rango 0.06-2.3 0.08-8.5 0.43-54.6 0.35-3.89 0.38-6.66 0.74-6.21 1.16-17.8 0.15-13.3 0.03-30.60
P-T (mg/L) Prom 0.35 1.44 12.52 1.31 2.57 2.46 5.17 4.67 5.26
Des. 0.33 1.47 15.08 0.76 1.76 1.50 3.40 2.56 4.36
Max. 30.0-930000 2000-24000000 9.0-7000000 400-24000000 15000-750000000 2400-150000000 110000-1500000000 30000-24000000000 30000-240000000000
ColFe (NMP) Prom 51796.9 1313662.7 530213.9 1158204.0 29764215.6 9380727.4 85670000 600804039.2 6079080784.3
Des. 139908.5 4011882.7 1201815.9 3627537.9 112256965.3 25327416.3 219714470.8 3402936618.5 34587885287.6
Max. 1.19-8.6 1.1-29.5 1.1-282.8 1.25-28.1 1.2-54.3 1.1-54.7 2.8-115.6 7.9-88.8 1.1-84.5
N-T (mg/L) Prom 2.55 7.42 26.89 9.17 19.92 18.66 44.27 44.84 40.47
Des. 1.74 5.94 43.22 6.39 14.94 13.62 29.15 23.75 22.78

Seminario internacional “Calidad del agua: retos ante los riesgos ambientales” 6
 AGUA 2013 El riesgo en la gestión del agua. Cali Octubre 15 al 18

Una vez identificado el parámetro con mayor número de correlaciones significantes,

para el análisis se seleccionaron tres estaciones sobre el río, para lo cual se seleccionó
UAN por ser la estación de entrada al perímetro urbano, San Benito por ser la
estación donde más parámetros tuvieron correlación. Una vez seleccionadas las
estaciones se llevó a cabo un análisis de outliers bivariados por medio de la distancia
Mahalanobis entre los datos de DQO versus los parámetros objetivo, con el fin
identificar valores atípicos y posterior eliminación, con miras a mejorarlas
correlaciones entre la DQO y los parámetros mencionados (Figura 3).

Parámetros con correlaciones por estación

25
UAN
Yomasa
Doña Juana
Numero de correlaciones por estaciones

Mexico
San Benito
20 Makro
TV 86
Puente Ind.
Isla

15

10

0
DBO DQO SST GyA SAAM PT Col.Fec. NT
Parámetros
Figura 2. Correlación de parámetros por estación

Comparación de correlaciones
1

0.8

0.6
Valor de correlación

0.4

0.2

0
DBO SST GyA SAAM PT CF NT DBO SST GyA SAAM PT CF NT DBO SST GyA SAAM PT CF NT
Q
-0.2

-0.4
Con outliers
Q
Sin outliers
-0.6

Q
-0.8
UAN San Benito La Isla
Estaciones
Figura 3. Comparación de correlaciones con (CO) y sin (SO) outlier bivariados para las estaciones: (i)
UAN, (ii) San Benito y (iii) La Isla.

Seminario internacional “Calidad del agua: retos ante los riesgos ambientales” 7
 AGUA 2013 El riesgo en la gestión del agua. Cali Octubre 15 al 18

Llevado a cabo el análisis estadístico, se realizó el entrenamiento de una RNA tipo

feed-forward (entrada-una capa oculta-salida), donde cada parámetro representa la
salida y a su vez estos son función de la DQO que representa la entrada, esto a través
de los datos de las estaciones de monitoreo UAN, San Benito y La Isla con y sin
outliers. La calibración del modelo de RNA se llevó con el 67 % de los datos y el 33
% restante para validación. Finalmente, los resultados de calibración y validación de
estos modelos fueron evaluados por medio de las métricas RMSE (en inglés Root
Mean Square Error) y coeficiente de determinación (R2), como se presenta a
continuación:
Tabla 3. Resultados de los modelos RNA con y sin outlier en las etapas de calibración y validación de
los parámetros evaluados
Etapa Métrica Q DBO5 SST GyA SAAM P-T N-T
RMSECal (mg/L) 0,2449 0,0715 0,1374 0,1469 0,1889 0,3366 0,1670
Resultados de
RMSEVal (mg/L) 0,2709 0,0744 0,1745 0,2238 0,1843 0,3265 0,1993
los evaluados
con outliers R2Cal 0,25 0,94 0,66 0,57 0,66 0,9 0,82
R2Val 0,03 0,92 0,21 0,35 0,69 0,45 0,78
RMSECal (mg/L) 0,3414 0,0421 0,1968 0,2045 0,1233 0,2250 0,2031
Resultados de
RMSEVal (mg/L) 0,3060 0,0570 0,1862 0,3342 0,2093 0,2361 0,1408
los evaluados
sin outliers R2Cal 0 0,97 0,72 0,8 0,9 0,92 0,71
R2Val 0,01 0,95 0,74 0,41 0,71 0,51 0,89

CONCLUSIONES
De los análisis estadísticos realizados sobre los datos de la red, se encontró que la
DQO es el parámetro que más correlaciones presentó, ya que se obtuvo en 6
parámetros diferentes en 25 ocasiones y sobre 8 estaciones del Río, lo que nos
permite identificar que este parámetro por sus características permite asociarse de
gran manera con parámetros físicos (SST), químicos (DBO5, GyA, SAAM, N-T y P-
T), adicionalmente otros estudios han determinado las relaciones con metales
pesados.

Cabe resaltar que el parámetro de OD siempre tendió a ser inversamente proporcional

con todos los demás parámetros, sin embargo los valores de la correlación de Pearson
se encontraron entre -2 y 0, al igual que los ColFe. Que solo tuvo una correlación
representativa con la DBO5, los demás valores se encontraron dentro 3 a 1.

Por otra parte luego posterior al paso de la estación San Benito (cuenca baja del río
Tunjuelo), las correlaciones empiezan a ser mayores, asociado a las altas cargas
contaminantes recibidas por las descargas de aguas residuales, e industriales de la
localidad de San Cristóbal, Tunjuelito Ciudad Bolívar y Bosa, situación contraria se
encuentra en las partes altas por la baja descargas de aguas residuales.

Seminario internacional “Calidad del agua: retos ante los riesgos ambientales” 8
 AGUA 2013 El riesgo en la gestión del agua. Cali Octubre 15 al 18

En cuanto a los outliers multivariados, mostraron variaciones en el factor de

correlación de Pearson, ya que más del 80% de los datos mejoraron o se mantuvieron
muy cerca de este factor, sin embargo el 20% presentaron disminuciones
representativas.

En cuanto a los modelos RNA se logró determinar que a partir de los resultados
presentados en la Tabla 3, el uso potencial de la DQO como una variable con una
correlación significativa, permite estimar en modelos independientes las
concentraciones de DBO5, SST, SAAM y Nitrógeno Total con bajos errores en la
predicción y coeficientes de determinación superiores a 0.70, lo cual permite suponer
que este tipo de modelos representan la variabilidad de la concentraciones de dichos
contaminantes de forma satisfactoria.

REFERENCIAS

DEMING, W. 2010. STUDY ON THE CORRELATION OF TOC WITH COD_

(Cr), BOD_5 AND COD_ (Mn) IN WATER [J]. Chemical Analysis and Meterage, 3,
051.
GIRALDO J.M., LEIRENS S., DÍAZ-GRANADOS M.A. & J.P., R. 2010. Nonlinear
optimization for improving the operation of sewer systems: the Bogota Case Study.
International Congress on Environmental Modelling and Software. Ottawa, Canada.
GUANG, C. 2005. Research of the correlation between TOC and COD in water [J].
Environmental Monitoring In China, 5, 003.
HAN, Y., LAU, S., KAYHANIAN, M. & STENSTROM, M. 2006. Correlation
analysis among highway stormwater pollutants and characteristics. Water Science &
Technology, 53, 235-243.
HARMANCIOGAMMALU, N. B., FISTIKOGLU, O., OZKUL, S. D., SINGH, V. P.
& ALPASLAN, M. N. 1998. Water quality monitoring network design, Springer.
KARAMOUZ, M., NOKHANDAN, A. K., KERACHIAN, R. & MAKSIMOVIC, Č.
2009. Design of on-line river water quality monitoring systems using the entropy
theory: a case study. Environmental Monitoring and Assessment, 155, 63-81.
LEBLANC, P. 1974. Review of rapid BOD test methods. Journal (Water Pollution
Control Federation), 2202-2208.
ONGLEY, E. D. Water quality management: design, financing and sustainability
considerations-II. Invited presentation at the World Bank’s Water Week Conference:
Towards a strategy for managing water quality management, 2000.
RODRÍGUEZ, J., DÍAZ-GRANADOS, M., CAMACHO, L., RACINY, I.,
MAKSIMOVIC, C. & MCINTYRE, N. Bogotá’s urban drainage system: context,
research activities and perspectives. Proceedings of the 10th National Hydrology
Symposium, British Hydrological Society, 2008 Exeter, United Kingdom.

Seminario internacional “Calidad del agua: retos ante los riesgos ambientales” 9
 AGUA 2013 El riesgo en la gestión del agua. Cali Octubre 15 al 18

SANDERS, T. G., WARD, R. C., LOFTIS, J. C., STEELE, T. D., ADRIAN, D. D. &
V., Y. 1983. Design of network for monitoring water quality, Water Resources
Publication.
SECRETARÍA DISTRITAL DE AMBIENTE 2008. Calidad del sistema hídrico de
Bogotá. Bogotá: Editorial Pontificia Universidad Javeriana.
STROBL, R. O. & ROBILLARD, P. D. 2008. Network design for water quality
monitoring of surface freshwaters: a review. Journal of Environmental Management,
87, 639-648.
TELCI, I. T., NAM, K., GUAN, J. & ARAL, M. M. 2009. Optimal water quality
monitoring network design for river systems. Journal of Environmental Management,
90, 2987-2998.
WORLD METEOROLOGICAL ORGANIZATION 1994. Guide to Hydrological
Practice, Geneva, WMO.

Seminario internacional “Calidad del agua: retos ante los riesgos ambientales” 10

View publication stats