Documentos de Académico
Documentos de Profesional
Documentos de Cultura
2004: 151-160
Los métodos de evaluación de la calidad de usadas para dos grandes tipos de problemas:
las aguas basados en macroinvertebrados clasificación de datos y predicción de
acuáticos ofrecen múltiples ventajas tales variables. Para problemas de clasificación las
como: simplicidad metodológica, rapidez en RN emplean algoritmos específicos para
la obtención de los resultados y una alta analizar patrones de similaridad en los datos
confiabilidad, lo que hace de estos métodos y separar estos dentro de un número
una herramienta idónea para la vigilancia predefinido de clases. Para problemas de
rutinaria de la calidad del agua en las cuencas predicción, las RN aprenden a predecir los
y ríos en general (Alba-Tercedor & Sánchez- valores de una(s) variable(s) respuesta
Ortega 1988, Jonson et al. 1992) después de analizar un suficiente número de
ejemplos (Khanna 1990).
Sin embargo, el gran número de interacciones
resultantes entre las variables físicas y químicas Las unidades de procesamiento o neuronas
y los organismos acuáticos, se constituye en desarrollan operaciones simples tales como:
un problema matemático de gran complejidad, escalamiento de los datos, ponderación de
por lo que se requiere de técnicas robustas las entradas, operaciones matriciales, etc. Las
para el análisis multivariado de modelos no neuronas son organizadas en capas donde
lineales (Canton & Chadwick 1988; Wagner et cada capa desarrolla una función específica.
al. 2000). En este sentido, las RN ofrecen una La capa de entrada sirve como una interfase
posibilidad debido a su habilidad para entre los datos de las variables de entrada y el
reconocer, clasificar y relacionar patrones y modelo de la red. Adicionalmente, muchos
relaciones en una serie de datos y su capacidad modelos contienen una o varias capas
para hacer inferencias sobre nuevos datos “ocultas”, las cuales desarrollan la mayoría
(DARPA 1988; Freeman & Skapura 1991). de los cálculos dentro de la red. La capa de
salida actúa como una interfase entre la red
El objetivo de este artículo es presentar y poner neuronal y el usuario, transformando la
a consideración los resultados obtenidos con la información del modelo a los valores de la
implementación de una RN como herramienta variable respuesta.
para la estimación de la calidad fisicoquímica del
agua, empleando un pequeño grupo de taxones Cada neurona está conectada a las demás
de macroinvertebrados como bioindicadores, neuronas en las capas adyacentes por medio
con el objeto de agilizar el tiempo empleado para de pesos o ponderaciones, los cuales
la obtención de resultados. representan la fuerza de la conexión entre
neuronas. Además cada modelo de red
MATERIALES Y MÉTODOS neuronal tiene un sistema de interacción que
define la forma como las ponderaciones de
La técnica de RN las conexiones son combinados para producir
un determinado valor de la variable respuesta
Las RN son clasificadas como una técnica de a partir de las variables de entrada.
modelamiento derivada de la inteligencia
artificial (Maureen & Butler 1990). En esencia Como se mencionó anteriormente, la capa de
esta técnica se basa en el hecho de emplear entrada es una interfase entre las variables de
elementos simples (neuronas) actuando en entrada y el modelo de la red. En esta capa se
paralelo; el comportamiento de estos emplea una función de escalamiento para
elementos es inspirado por los sistemas transformar los datos desde su rango numérico
nerviosos biológicos. Las RN pueden ser hasta un rango que facilite los cálculos en la
152
Gutiérrez et al.
153
Redes neuronales artificiales como herramienta para la bioindicación
La mayoría de los sitios corresponde a aguas Las abundancias absolutas de los organismos
con calidad muy buena o buena, seguidas por bioindicadores fueron transformadas para ser
sitios con calidad del agua regular, mientras expresadas en una escala de 0 a 1 (con 1 siendo
que los sitios con calidad del agua mala o 100 o más individuos), con excepción de los
muy mala son los menos frecuentes (Tabla 1). oligoquetos que fueron expresados en una
escala de 0 a 10 (con 10 siendo 1000 o más
Tabla 1. Número de sitios para cada tipo de individuos), debido a su gran abundancia.
calidad del agua.
El modelo de red neuronal implementado fue
el de retropropagación, de aprendizaje
supervisado, de tal forma que el conjunto de
muestras fue separado aleatoriamente en un
grupo para el aprendizaje (33 sitios) y otro
para la evaluación del desempeño (22 sitios).
154
Gutiérrez et al.
155
Redes neuronales artificiales como herramienta para la bioindicación
de evaluación y los valores esperados del índice exceptuando los tres datos mencionados
Cfq (fig. 3). Debe resaltarse que los valores que anteriormente, se observa que no existe una
más se alejan de la línea de tendencia de la diferencia significativa entre los valores
regresión (río Bogotá La Balsa en Bohórquez observados y los esperados, para los datos
(1989), río Frío 1 en Bohórquez & Ardila (1997) y del conjunto de evaluación (chi 2=23.39,
río Teusacá La Cabaña en (LAEAAB)), parecen g.l.=18, p<0.176).
corresponder a vectores con información
insuficiente o redundante, es decir sitios donde Con el objeto de comparar el desempeño de
está presente solo uno o todos los organismos la RN con modelos estadísticos
bioindicadores con abundancias generalmente convencionales, se realizó un análisis de
muy escasas, los cuales están asociados a regresión lineal múltiple, empleando como
períodos muy lluviosos, donde la comunidad variables independientes los organismos y
de macroinvertebrados sufre una considerable como variable dependiente el índice Cfq. Al
alteración por el arrastre de un caudal igual que en el caso de RN, el modelo de
inusualmente alto. regresión se obtuvo con el mismo conjunto
de datos de aprendizaje y para su validación
Al comparar los valores calculados por la RN se emplearon los mismos datos del conjunto
y los valores del índice fisicoquímico Cfq, de evaluación.
Figura 2. Disminución del cuadrado del error durante el aprendizaje de la RN. El cuadrado del
error corresponde al cuadrado de la diferencia entre los valores del índice Cfq estimados por la
RN y los valores esperados, suministrados en el conjunto de datos para el aprendizaje. Note
como el error disminuye en la medida que transcurre el aprendizaje, mediante el ajuste hecho
por el programa de las ponderaciones y tendencias de las conexiones neuronales.
156
Gutiérrez et al.
157
Redes neuronales artificiales como herramienta para la bioindicación
pequeños del índice ASPT (fig. 4), lo cual mediante la calificación a manera de “consenso
obedece a la relativamente poca información de expertos”, sustentado por el amplio
disponible en la serie de datos sobre ríos con conocimiento de la fauna, así como de la
una baja calidad del agua (tab. 1), que información física y química de los ríos. Sin
repercute en un proceso de aprendizaje embargo, en el neotrópico, son muy pocos los
deficiente por parte de la RN para este tipo de trabajos desarrollados sobre la taxonomía, la
ríos. biogeografía y la autoecología de los organismos
acuáticos por lo que la aplicación del esquema
De tal forma, que se pueden esperar mejores de “consenso de expertos” no resulta viable.
predicciones sí:
En Colombia la gran mayoría de los trabajos
• Se trabaja con un conjunto de datos que sobre bioindicación han adaptado “a priori”
incluya un número suficiente de estaciones los mismos o casi los mismos valores de
para cada una de las clases de calidad del indicación reportados para alguno de los
agua. sistemas de bioindicación empleados en otras
• Los muestreos coinciden en el tiempo. regiones, en especial el sistema BMWP
• Los métodos de muestreo son iguales. (Biological Monitoring Working Party).
158
Gutiérrez et al.
159
Redes neuronales artificiales como herramienta para la bioindicación
KHANNA, T. 1990. Foundations of Neural SOLER, M.X. & A.Y. MORA. 1993. Estudio
Networks. Addison-Wesley. Reading. limnológico con énfasis en los
K OHNEN, T. 1984. Self-organization and macroinvertebrados bénticos de la parte
Associative Memory. V. 8 de Springer alta del río Bogotá (Quebrada del valle,
Series in Information Sciences. Springer- planta de tratamiento de Tibito). Tesis
Verlag. Nueva York. (Biólogo). Facultad de Ciencias.
KOHNEN, T. 1988. An Introduction to Neural Departamento de Biología, Universidad
Computing. Neural Networks 1: 3-16. Nacional de Colombia, Bogotá.
L EK , S., M. D ELACOSTE , P. B ARAN , I. WIDROW, B. & R. WINTER. 1988. Neural nets
DIMOPOULOS, J. LAUGA & S. AULAGNIER. for adaptative filtering and adaptative
1996. Application of neural networks to pattern recognition. Computer 21: 25-39.
modelling nonlinear relationships in WAGNER, R., T. DAPPER & H H. SCHMIDT. 2000.
ecology. Ecological Modelling 90: 39-52. The influence of environmental variables
L EYTON , M. 2003. Caracterización de on the abundance of aquatic insects: a
macroinvertebrados acuáticos en algunas comparison of ordination and artificial
quebradas orientales de Bogotá. Tesis neural networks. Hydrobiologia 422: 143-
(Biólogo) Universidad Nacional de 152.
Colombia. Facultad de Ciencias. WASSERMAN, P. 1989. Neural Computing:
Departamento de Biología. Theory and Practice. Van Nostrand
MAUREEN, C. & C. BUTLER. 1990. Naturally Reinhold. Nueva York.
Intelligent Systems. MIT Press. ZAMORA-MUÑOZ, C., C.E. SÁINZ, A. SÁNCHEZ-
Cambridge. ORTEGA & J. ALBA-TERCEDOR. 1995. Are
RISS, W., R. OSPINA & J.D. GUTÍERREZ. 2002. biological indices BMWP and ASPT and
Establecimiento de valores de their significance regarding water quality
bioindicación para los macroinvertebrados seasonally dependent? Factors explaining
acuáticos de la Sabana de Bogotá. their variations. Wat. Res. 29: 285-290.
Caldasia 24: 135-156.
Recibido: 13/05/2003
Aceptado: 19/04/2004
160