Documentos de Académico
Documentos de Profesional
Documentos de Cultura
net/publication/257885419
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:
All content following this page was uploaded by Carlos Peña on 01 June 2014.
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
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
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.
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).
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
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.
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).
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
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
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
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.
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 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
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