Ingind Qui Hua 2021

UNIVERSIDAD NACIONAL DE PIURA
ESCUELA DE POSGRADO
SECCIÓN DE INGENIERÍA INDUSTRIAL
PROGRAMA DE DOCTORADO EN INGENIERÍA

INDUSTRIAL
“ESTIMACIÓN DE LA CALIDAD DEL AGUA, MEDIANTE EL

DESARROLLO DE UN MODELO MATEMÁTICO DINÁMICO, RÍO
UTCUBAMBA – PERÚ”
TESIS
PARA OBTENER EL GRADO ACADÉMICO DE DOCTOR EN

INGENIERÍA INDUSTRIAL
LIC. LENIN QUIÑONES HUATANGARI MG.
PIURA-PERÚ
JULIO-2021
i
ESCUELA DE POSGRADO
PROGRAMA DE DOCTORADO EN

UTCUBAMBA - PERÚ”
APROBADA EN CONTENIDO Y ESTILO POR
1
2
ESCUELA DE POSGRADO
PROGRAMA DE DOCTORADO EN
TESIS

UTCUBAMBA - PERÚ”
LOS SUSCRITOS DECLARAMOS QUE EL PRESENTE TRABAJO DE TESIS

ES ORIGINAL, EN SU CONTENIDO Y FORMA.
_________________________ ___________________________
LENIN QUIÑONES HUATANGARI JOSÉ FEDERICO BAZÁN CORREA

EJECUTOR ASESOR
3
DEDICATORIA
A Dios todo poderoso por protegerme y permitir concluir con el programa de
Doctorado en Ingeniería Industrial.
A mis padres Neptalí y Rosa Elvira, a mis hermanos Micaela, Marxcelo, Libertad
y Darwin por su apoyo incondicional y cariño sincero.
A mi esposa Avi Isis, además a nuestros hijos Enso, Ian Evans y Zoe Luana; por
su amor, paciencia y apoyo, para terminar con la meta del doctorado.
4
AGRADECIMIENTOS
Al asesor Dr. José Federico Bazán Correa por su apoyo en el desarrollo de la
investigación.
A todos los docentes del programa de Doctorado en Ingeniería Industrial de la
Escuela de Postgrado de la Universidad Nacional de Piura por cada una de sus
enseñanzas brindadas durante el desarrollo del doctorado.
Al Dr. Segundo Manuel Oliva Cruz, director del Instituto de Investigación para el
Desarrollo Sustentable de Ceja de Selva (INDES-CES) de la Universidad Nacional
Toribio Rodríguez de Mendoza por permitir utilizar los resultados del proyecto
“Desarrollo de índices biológicos para la evaluación de espacio temporal de la
calidad ecológica del agua de la cuenca del río Utcubamba, región Amazonas,
Perú”.
Al Dr. Oscar Andrés Gamarra Torres y Mg. Jesús Rascón Barrios autores del libro
“Calidad ecológica del agua en la cuenca del río Utcubamba, Amazonas, Perú”
por la información brindada y orientaciones sobre la calidad del agua.
Al Dr Nicolás Kemper Valverde y Mg. Luis Ochoa Toledo integrantes del grupo de
Sistemas Inteligentes del Instituto de Ciencias Aplicadas y Tecnologías de la
Universidad Nacional Autónoma de México por su orientación en la pasantía
realizada en su centro de labores.
5
RESUMEN
Los modelos matemáticos, permiten entender y describir el
comportamiento de las variaciones de ciertos parámetros que influyen la calidad
de agua en los ríos. Por lo cual, el objetivo de la investigación fue desarrollar un
modelo matemático dinámico tridimensional a los fines de aproximar la estimación
de la calidad del agua del Río Utcubamba – Perú. La zona de estudio comprendió
el río Utcubamba perteneciente a la vertiente de los Andes orientales del norte de
Perú, una longitud aproximada de 250 km de cauce principal y atraviesa cinco de
las siete provincias que forman la región Amazonas. Para desarrollar el trabajo se
evaluaron los modelos matemáticos existentes, de acorde a los parámetros
recolectados en estudios previos, identificó y seleccionó las variables que influyen
en la calidad del agua del río Utcubamba, además se proponen tres modelos
basados en Streeter Phelps, redes neuronales y lógica difusa respectivamente, de
acorde a las características propias del afluente de agua, garantizando la
aplicación del modelo, mediante estadísticos de bondad de ajuste de los mismos.
A través del modelamiento, se identificaron puntos críticos de contaminación
dentro del cauce principal del río Utcubamba, representando el comportamiento
de los contaminantes descargados en éste.
PALABRAS CLAVE: Minería de datos, Contaminación del agua,
Aplicación informática.
6
ABSTRACT
Mathematical models allow us to understand and describe the behaviour of
the variations of certain parameters that influence water quality in rivers. Therefore,
the objective of the research was to develop a three-dimensional dynamic
mathematical model to approximate the estimation of the water quality of the
Utcubamba River - Peru. The study area comprised the Utcubamba River, which
belongs to the eastern slopes of the Andes in northern Peru, with a length of
approximately 250 km of main riverbed and flows through five of the seven
provinces that make up the Amazon region. To develop the work, the existing
mathematical models were evaluated, according to the parameters collected in
previous studies, identified and selected the variables that influence the water
quality of the Utcubamba river, in addition three models based on Streeter Phelps,
neural networks and fuzzy logic respectively, according to the characteristics of the
water tributary, ensuring the application of the model, through goodness-of-fit
statistics of the same. Through the modelling, critical points of contamination were
identified within the main channel of the Utcubamba river, representing the
behaviour of the pollutants discharged into it.
KEY WORDS: Data mining, Water pollution, Computer application.
7
SÍNTESE
Os modelos matemáticos nos permitem compreender e descrever o
comportamento das variações de certos parâmetros que influenciam a qualidade
da água nos rios. Portanto, o objetivo da pesquisa era desenvolver um modelo
matemático dinâmico tridimensional para aproximar a estimativa da qualidade da
água do rio Utcubamba - Peru. A área de estudo incluiu o rio Utcubamba, que
pertence à encosta leste dos Andes no norte do Peru, com um comprimento de
aproximadamente 250 km do leito principal do rio e atravessa cinco das sete
províncias que compõem a região amazônica. Para desenvolver o trabalho, foram
avaliados os modelos matemáticos existentes, de acordo com os parâmetros
coletados em estudos anteriores, identificadas e selecionadas as variáveis que
influenciam a qualidade da água do rio Utcubamba, e foram propostos três
modelos baseados no Streeter Phelps, redes neurais e lógica fuzzy,
respectivamente, de acordo com as características do afluente da água,
garantindo a aplicação do modelo por meio de estatísticas de goodness-of-fit.
Através da modelagem, foram identificados pontos críticos de contaminação
dentro do canal principal do rio Utcubamba, representando o comportamento dos
poluentes descarregados nele.
PALAVRAS-CHAVE: Mineração de dados, Poluição da água, Aplicação
informática.
8
ÍNDICE DE CONTENIDO
CAPÍTULO I. INTRODUCCIÓN........................................................................... 15
1.1. Planteamiento del problema ..................................................................... 16
1.2. Formulación del problema ........................................................................ 18
1.3. Objetivos ................................................................................................... 19
1.4. Justificación de la investigación................................................................ 20
1.5. Alcances y limitaciones............................................................................. 21
CAPÍTULO II. MARCO REFERENCIAL .............................................................. 23
2.1 Marco de antecedentes ............................................................................ 23
2.1.1. Internacionales .......................................................................................... 23
2.1.2. Nacionales ................................................................................................. 27
2.1.3. Locales ...................................................................................................... 29
2.2 Marco teórico ............................................................................................ 32
2.2.1 Contaminación de aguas superficiales ................................................. 32
2.2.2 Calidad de agua .................................................................................... 33
2.2.3 Modelamiento de calidad de aguas superficiales ................................. 38
2.3 Marco epistemológico ............................................................................... 42
2.4 Marco conceptual ..................................................................................... 44
2.4.1 Sistemas de inferencia difusa ............................................................... 44
2.4.2 Redes Neuronales Artificiales ............................................................... 44
2.4.3 Modelos matemáticos empleados en calidad de agua en ríos ............. 45
2.5 Marco legal ............................................................................................... 46
2.6 Hipótesis y variables ................................................................................. 54
CAPÍTULO III. METODOLOGÍA DE LA INVESTIGACIÓN ................................. 57
3.1. Tipo de investigación ................................................................................ 57
3.2. Diseño de la investigación ........................................................................ 57
3.3. Población y muestra ................................................................................. 57
9
3.4. Criterios de inclusión y exclusión.............................................................. 57
3.5. Métodos, técnicas e instrumentos de investigación ................................. 61
3.5.1. Métodos ................................................................................................ 61
3.5.2. Técnicas ................................................................................................ 64
3.5.3. Instrumentos ......................................................................................... 67
3.6. Validez y confiabilidad de instrumentos.................................................... 67
3.7. Procedimiento y recolección de información ............................................ 67
CAPÍTULO IV. RESULTADOS E INTERPRETACIÓN........................................ 69
4.1. Descripción de modelos para estimar calidad de agua en ríos. ............... 69
4.2. Parámetros en la estimación de la calidad de agua ................................. 72
4.3. Parámetros que inciden en la calidad del agua del río Utcubamba ......... 75
4.4. Modelos propuestos ................................................................................. 76
4.4.1 Modelo Streeter Phelps para estimar el oxígeno disuelto .......................... 76
4.4.2 Red neuronal artificial para estimar un índice de calidad de agua ............. 78
4.4.3 Lógica difusa para estimar un índice de calidad de agua .......................... 79
4.5. Análisis estadístico de los modelos .......................................................... 84
4.5.1 Modelo Streeter-Phelps para estimar el oxígeno disuelto .......................... 84
4.5.2 Red neuronal artificial para estimar un índice de calidad de agua ............. 84
4.5.3 Lógica difusa para estimar un índice de calidad de agua .......................... 85
CAPÍTULO V. ANÁLISIS Y DISCUSIÓN DE RESULTADOS ............................. 86
CAPÍTULO VI. CONCLUSIONES Y RECOMENDACIONES .............................. 91
RECOMENDACIONES ....................................................................................... 92
CAPÍTULO VII. REFERENCIAS BIBLIOGRÁFICAS........................................... 93
10
ÍNDICE DE TABLAS
Tabla Página
1. Marco legal peruano sobre gestión sostenible de aguas residuales. .............. 50
2. Políticas y estrategias peruanas para la gestión del recurso hídrico .............. 54
3. Operacionalización de las variables dependiente e independiente................. 56
4. Descripción de las estaciones de muestreo en la cuenca principal
y ríos tributarios. ...................................................................................... 60
5. Modelos de calidad de agua para ríos, versiones y características. ............... 70
6. Estimación de OD en el río Utcubamba .......................................................... 77
7. Determinación de parámetros para el modelo Streeter Phelps....................... 77
8. Conjuntos difusos para cada variable y términos linguisticos para
el desarrollo del ICAD .............................................................................. 80
9. Reglas de inferencia difusa, para estimar la calidad de agua ......................... 81
10. Parámetros y cálculo del índice NSF WQI en estaciones de muestreo ........ 83
11. Parámetros y cálculo del índice ICAD en dieciséis estaciones de muestreo 83
12. Desempeño de los parámetros de la RNA para estimar la calidad
del agua del río Utcubamba ............................................................................ 85
11
ÍNDICE DE FIGURAS
Figura Página
1. Clasificación de modelos de calidad de agua ................................................. 42
2. Estaciones de muestreo en la cuenca del río Utcubamba .............................. 59
3. Esquema del proceso de construcción y validación del modelo ..................... 63
4. Diagrama de caja y bigotes de parámetros T, sulfatos y DBO5...................... 72
5. Diagrama de caja y bigotes de parámetros conductividad eléctrica,
alcalinidad, cloruro y dureza. ........................................................................... 73
6. Diagrama de caja y bigotes de parámetros nitratos, fosfatos y amonio. .......... 73
7. Diagrama de caja y bigotes de parámetros OD y pH ...................................... 74
8. Diagrama de caja y bigotes del parámetro turbidez ........................................ 74
9. Diagrama de caja y bigotes del parámetro nitrito ............................................ 75
10. Matriz de correlación de Pearson, 2014 ........................................................ 76
11. Modelamiento del OD mediante Streeter Phelps .......................................... 78
12. Red Neuronal Artificial para estimar el índice de calidad de agua ................ 79
13. Fusificación del Oxígeno Disuelto ................................................................. 80
14. Prueba de normalidad de Shapiro Wilk para residuos .................................. 84
15. Correlación lineal entre los valores de ICAD y NSF WQI.............................. 85
12
LISTA DE ABREVIATURAS
ANA Autoridad Nacional del Agua
APHA American Public Health Association
APECO Asociación Peruana para la Conservación de la Naturaleza
BASINS Better Assessment Science Integrating Point and Nonpoint

Sources
CEPLAN Centro Nacional de Planeamiento Estratégico
DIGESA Dirección General de Salud Ambiental
ECA Estándar de Calidad Ambiental
FINCYT Fondo para la Innovación, Ciencia y Tecnología
HSPF Hydrological Simulation Program – Fortran
IHG Índice Hidro geomorfológico
INDES-CES Instituto de Investigación para el Desarrollo Sustentable de

Ceja de Selva
LABISAG Laboratorio de Investigación en Suelos y Aguas
LMP Límites Máximos Permisibles
LRH Ley de Recursos Hídricos
MINAGRI Ministerio de Agricultura y Riego
MINAM Ministerio del Ambiente
msnm Metros sobre el nivel del mar
MVCS Ministerio de Vivienda Construcción y Saneamiento
NMP Número más probable
PAVER Programa de Adecuación de Vertimientos y Reúso de Agua

Residual
PCM Presidencia del Concejo de Ministros
PTAR Planta de Tratamiento de Aguas Residuales
SWAT Soil and Water Assessment Tool
USEPA Agencia de Protección Ambiental de Estados Unidos
13
GLOSARIO
Amazonas Departamento del Perú que se encuentra en el nor
oriente en la frontera con Ecuador.
Análisis multivariado Método estadístico para determinar la contribución
de varios factores en un resultado.
Ecuaciones diferenciales Es una ecuación que relaciona una función,
variables independientes y derivadas.
Estadística Método de investigación científica que permite
planificar, recolectar, organizar, representar e
interpretar datos que se orientan a la solución de un
problema de estudio
Matlab Software de cálculo numérico empleado en
ingeniería.
Métodos numéricos Área de la matemática que emplea las cuatro
operaciones básicas para resolver un problema.
Minería de datos Área de conocimiento multidisciplinario, cuyo fín es
obtener conocimiento a partir de una base de datos.
Modelo matemático Es la representación de una situación o mundo real
en términos de teorías matemáticas.
Río Utcubamba Se encuentra en el departamento de Amazonas de
243 km que pasa por cinco de las siete provincias.
Software R Software libre para el análisis estadístico.
14
CAPÍTULO I. INTRODUCCIÓN
La determinación del estado ambiental de ríos y quebradas es una tarea
ardua, sin embargo, para protegerlos o restaurarlos es fundamental conocer su
estado actual, particularmente cuando la condición de referencia de las corrientes
se desconoce y éstas han estado sujetas por largo tiempo a perturbaciones
antropogénicas (Arango et al. 2008). En la Región de Amazonas, Perú, se
encuentran nueve cuencas hidrográficas, siendo la del Utcubamba la cuarta más
grande en extensión con 663 316.96 km2 (APECO 2009). El río Utcubamba nace
en el distrito de Leymebamba (6°42'15"LS/ 77°48'45"LO), dirigiéndose en sentido
S-N (Sur-Norte) hasta llegar al cañón del Utcubamba para luego tomar la dirección
SE-NO (Sudeste-Nordeste) y ampliarse en la parte baja del valle (460-800 m de
altitud) hasta su desembocadura en el río Marañón. La parte baja del valle del
Utcubamba es la zona más productiva y donde se concentran la mayoría de
centros poblados del departamento (Garayar et al. 2003).
Las poblaciones de la Región Amazonas-Perú de Leymebamba,
Chachapoyas, Pedro Ruíz Gallo, Bagua Grande, Cajaruro, El Milagro y Bagua,
con una población total que supera los 150 000 habitantes, son los principales
asentamientos urbanos a orillas del río, o con influencia directa sobre el mismo
(INEI 2018). Estos habitantes son afectados por la contaminación de sus aguas,
los cuales utilizan el agua del mencionado río para diversos fines, el riego de
cultivos, la crianza de ganado, el lavado de ropa y recreativo. Situación que pone
en peligro su salud y la de la comunidad. En este contexto es necesario
complementar la información de los estudios realizados anteriormente que nos
permita estimar el actual grado de contaminación del agua de la cuenca y así dar
una propuesta de solución para el bienestar de la población y del ecosistema
acuático.
15
Los modelos matemáticos, permiten entender y describir el comportamiento
de la variabilidad de ciertos parámetros que influyen la calidad de los cuerpos de
agua, asociada a las descargas de contaminantes, a cambios en el uso de la tierra,
etc. Esta herramienta juega un rol importante ya que permite a las autoridades
ambientales a entender relaciones causa-efecto asociadas a las descargas de los
contaminantes a las corrientes del rio. También pueden ser utilizados para evaluar
beneficios de la instalación de plantas de tratamiento de aguas residuales,
estudios de impacto ambiental y planes de saneamiento.
En conclusión, el informe de tesis consta de cuatro capítulos. En el primero,
se presenta el planteamiento del problema y la descripción de la realidad, los
objetivos, la justificación, los alcances y delimitaciones del trabajo de investigación
sobre el desarrollo de modelos matemáticos para estimar la calidad del agua del
río Utcubamba. En el segundo capítulo considera el marco teórico que comprende
los antecedentes de estudio, las bases teórico-científicas y la definición conceptual
de términos. En el tercer capítulo, plantea la metodología de investigación: tipo y
diseño, población y muestra de estudio, técnicas e instrumentos de recolección de
datos; así como las técnicas de procesamiento y análisis de datos. Por último, en
el cuarto capítulo presenta los resultados de la investigación, concerniente a los
datos recolectados de fuentes de información primaria.
1.1. Planteamiento del problema

El agua de los ríos, es uno de los primeros medios en ser amenazados
desde el punto de vista de su calidad natural. Debido a que casi todas las
civilizaciones conocidas hasta la actualidad, se han asentado sobre las
márgenes de ríos. Sus aguas fueron y son usadas, para abastecimiento
humano, regadíos, industrias, etc., y también como destino de los desechos
orgánicos e inorgánicos de las poblaciones, volcados directa o
16
indirectamente, con o sin tratamiento previo. El uso y abuso de manera casi
ilimitada del agua de los cursos, tanto como agente receptor, depurador
natural y medio de transporte de contaminantes, originó el fin de la fauna
íctica en muchos cursos de agua y su amenaza en casi todos los restantes.
El CEPLAN (Centro Nacional de Planeamiento Estratégico) publicó el
documento Plan Bicentenario, el Perú hacia el 2021, aprobado por Decreto
Supremo N° 054-2011-PCM en marzo del 2011, recoge dos años (2009-
2010) de trabajo durante los cuales se ha revisado y analizado amplia
información, y llevado a cabo diversas reuniones con expertos, autoridades,
dirigentes políticos y representantes de la sociedad civil. Este documento
contiene los “ejes estratégicos” con los correspondientes objetivos,
lineamientos, prioridades y programas, que deben orientar las decisiones y
acciones del Estado para alcanzar las metas de desarrollo al 2021. En su
eje sexto estratégico sobre recursos naturales y ambiente, en este se aborda
el tema sobre la calidad del agua: En materia de calidad del agua, los
principales problemas son el vertimiento de aguas residuales no tratadas
adecuadamente, que pueden ser domésticas o provenientes de actividades
productivas; la disposición inadecuada de residuos sólidos en los cursos de
agua; la existencia de pasivos ambientales mineros; y la degradación del
ecosistema por pérdida de cobertura vegetal u otros motivos. En el Perú solo
se trata el 22% de los desagües urbanos, nivel sumamente bajo en
comparación con Brasil y Chile.
El MINAM ha emitido normas que fijan estándares de calidad
ambiental y límites máximos permisibles para los efluentes, pero aún se
requiere fortalecer los mecanismos de fiscalización, además el derecho de
todo ciudadano a vivir en un ambiente sano y libre de contaminación. Debido
17
a la limitación de recursos disponibles para inversión en saneamiento de ríos
y corrientes y/o tratamiento de aguas residuales, en nuestro país es
necesario priorizar. En ese sentido se requiere evaluar y estimar
correctamente los impactos ambientales que los efluentes generan en las
fuentes receptoras.
Hace falta investigación básica con el fin de modelar la calidad del
agua y evaluar correctamente su estimación en el tiempo y en el espacio. La
forma más adecuada para realizar esa evaluación es usar modelos
matemáticos de calidad de aguas, los cuales permiten simular condiciones
físico - químicas actuales y futuras, de tal manera, que es posible obtener
escenarios, en donde se puede anticipar las variaciones que sufrirán los
diversos índices de calidad de aguas.
1.2. Formulación del problema
1.2.1 Problema principal
¿Se podrá estimar la calidad del agua del Río Utcubamba - Perú,
usando un modelo matemático dinámico tridimensional formulado a
partir de los parámetros físico - químicos?
1.2.2. Problemas específicos
• Problema específico 1: ¿Qué modelos matemáticos existen
en la literatura especializada, para estimar la calidad de agua
en ríos?
• Problema específico 2: ¿Cuáles son los parámetros que se
consideran en el proceso de estimar la calidad de agua en ríos?
18
• Problema específico 3: ¿De todos los parámetros
recolectadas del río Utcubamba, cuales tienen mayor
incidencia sobre la calidad del mismo?
• Problema específico 4: ¿Se obtendrá un modelo matemático
que permita describir las características propias del río
Utcubamba?
• Problema específico 5: ¿Permitirá un modelo matemático
tener la capacidad de predicción de la calidad de agua del río
Utcubamba?
1.3. Objetivos
1.3.1. Objetivo general
Desarrollar un modelo matemático dinámico tridimensional a los
fines de aproximar la estimación de la calidad del agua del Río
Utcubamba – Perú.
1.3.2. Objetivos específicos
• Objetivo específico 1: Describir sistemáticamente los
modelos matemáticos existentes para estimar la calidad de
aguas en ríos.
• Objetivo específico 2: Definir parámetros a considerar en la
estimación de la calidad de agua.
• Objetivo específico 3: Seleccionar los parámetros de mayor
incidencia en la calidad del agua.
19
• Objetivo específico 4: Establecer un modelo matemático
dinámico tridimensional que describa el comportamiento de la
calidad del agua en función de los parámetros.
• Objetivo específico 5: Validar el modelo matemático dinámico
tridimensional con respecto a los residuales, es decir, la
diferencia entre el valor estimado y el valor real.
1.4. Justificación de la investigación
La población de la cuenca del río Utcubamba es afectada por la
contaminación de sus aguas, en la zona de estudio existen habitantes que
pertenecen a cinco de las siete provincias de la Región Amazonas, los
cuales utilizan el agua del mencionado río para diversos fines, el riego de
cultivos, la crianza de ganado, el lavado de ropa y recreativo. Los habitantes
carecen de conocimientos sobre la calidad del agua y por ende la
contaminación del agua del río Utcubamba y realizan estas actividades,
situación que pone en peligro su salud y la de la comunidad. Por lo cual es
necesario complementar la información de los estudios realizados
anteriormente para medir el actual grado de contaminación del agua de la
cuenca y así dar una solución para el bienestar de la población y del
ecosistema acuático. Es indispensable que el Departamento de Amazonas
conozca la calidad del agua del río Utcubamba y que la misma se encargue
de su cuidado y preservación, debido a que el agua puede estar
contaminada por las descargas urbanas de aguas residuales y por el uso
excesivo de productos relacionados con actividades industriales y agrícolas.
Un modelo matemático nos sería útil para entender las variaciones en la
calidad de agua del río Utcubamba, asociada a las descargas de los
contaminantes, a cambios en el uso de la tierra, etc. Esta herramienta
20
jugaría un rol importante en ayudar a las autoridades ambientales a entender
relaciones causa-efecto asociadas a las descargas de los contaminantes a
las corrientes del rio Utcubamba. También pueden ser utilizados para
evaluar beneficios de la instalación de plantas de tratamiento de aguas
residuales, estudios de impacto ambiental y planes de saneamiento.
La presente propuesta es viable, debido a que el equipo técnico
estuvo conformado por un especialista en medio ambiente y desarrollo
sostenible, un experto en estadística, un biólogo el cual ha sido el
responsable del proyecto del INDES-CES y además un matemático con
conocimientos de programación y modelamiento. Los resultados que se han
obtenido de este proyecto de investigación, tanto teóricas e implicancias
prácticas, son una herramienta para instituciones encargadas de preservar
el medio ambiente, ya que en base a esta información se puede formular un
plan de recuperación de la calidad del agua, para ríos que cumplan con
determinadas características, totalmente distintas a los modelos
matemáticos propuestos hasta la actualidad y de esta manera se estará
creando un nuevo instrumento, por consiguiente llenando un vacío teórico
sobre calidad de agua en ríos.
1.5. Alcances y limitaciones
Este trabajo se enmarcó en el río Utcubamba y sus afluentes,
Amazonas. Se excluyen otros ríos de la región Amazonas debido a que no
se encuentran información detallada trabajos previos realizados por
instituciones académicas o científicas, además que el río pasa por cinco de
las siete provincias de la región. Se toma este criterio de exclusión en base
a la premisa o supuesto que los modelos desarrollados para el río
21
Utcubamba servirán de referente para estimar la calidad de agua para otras
fuentes de agua de la región.
Los parámetros físico químicos empleados fueron recopilados en el
mes de octubre del 2014 y octubre del 2015 sin intención de estudiar la
evolución de la calidad del agua, lo cual implicaría realizar un seguimiento
de más de un año. Además, conceptualmente se toma como principal
variable los parámetros físico químicos de los doscientos cincuenta y tres
(253) kilómetros aproximados del cauce del río.
Esta tesis doctoral es importante porque se enmarca dentro de los
múltiples problemas que aquejan a nuestro país, como es la contaminación
de los ríos, los cuales son descritos en el plan bicentenario.
Finalmente, cabe indicar que este trabajo es innovador en el sentido
de que los modelos propuestos serían uno de los primeros que se plantea
en el contexto de la región Amazonas y el Perú.
22
CAPÍTULO II. MARCO REFERENCIAL
2.1 Marco de antecedentes
2.1.1. Internacionales
El modelo Streeter Phelps, fue el primer modelo matemático
aplicado a un curso de agua, donde abordó la polución y purificación
natural del río Ohio (Streeter y Phelps 1925). El estudio se basó en
una data experimental obtenida de mayo de 1914 a abril de 1915 por
la United States Public Health Services bajo la supervisión del cirujano
W.H. Frost (Cárdenas Pestana 2016). Estos autores desarrollaron una
ecuación que representa el decaimiento de oxígeno disuelto (OD) por
la demanda bioquímica de oxígeno (DBO) y su recuperación por
reareación con oxígeno atmosférico. El modelo de Streeter-Phelps
consistió en una ecuación de balance de oxígeno para una descarga
puntual a una tasa constante con condiciones hidrodinámicas
estacionarias y para un tramo con geometría uniforme (Trento 2001).
La revisión presenta una visión general de la modelización de la
calidad del agua y de los principales modelos que se aplican con
frecuencia para la evaluación de la calidad del agua de ríos. Destaca
la aplicabilidad de determinados modelos, así como el estado de la
modelización, la clasificación de los modelos y las incertidumbres. Los
modelos se describen y seleccionan en función de su aplicabilidad, sus
puntos fuertes y débiles y el uso previsto. Algunos modelos son
aplicables a masas de agua específicas, simulan parámetros de
calidad del agua seleccionados, tienen incertidumbres, no están
23
disponibles comercialmente, requieren usuarios cualificados del
modelo y tienen grandes requisitos de datos (Ejigu 2021).
Se describe seis modelos para simular OD en ríos y arroyos:
SIMCAT, TOMCAT, QUAL2Kw, QUAL2EU, WASP7 y QUASAR
(Kannel et al. 2011). También se han realizado una comparación de
siete modelos representativos: QUAL2E, WASP, CE-QUAL-RIV1,
WQRRS, HEC 5Q, CE-QUAL-W2 y CE-QUAL-R1 (Ying et al. 2001).
Sin embargo, (Sharma y Kansal 2013) en su trabajo revisa los modelos
de calidad de agua para ríos en la base de su conceptos, procesos,
sus puntos fuertes y limitaciones. Analiza las investigaciones básicas
realizadas y compara los modelos de calidad de agua para ríos, tales:
AQUATOX, BLTM, EPD-RIV1, QUAL2Kw, WASP y WQRRS. Todos
estos modelos son ampliamente usados y mecánicos en la naturaleza
excepto el BLTM que fue seleccionado debido a que es ampliamente
utilizado. Además, el trabajo refleja los tipos de errores que ocurren
durante el ejercicio del modelamiento. También, se analizan seis
principales modelos de calidad del agua de software libre, tales como
WASP7, SIMCAT, QUASAR, TOMCAT, QUAL2KW y QUAL2EU
(Ranjith et al. 2019). Se revisan algunos de los principales modelos de
calidad del agua utilizados para diferentes cuerpos de agua, entre los
que se incluyen AQUATOX, QUAL2E, WASP, CEQUALRIV1, MIKE11,
SWAT y SIMCAT. Los modelos de la revisión se describen en función
de su desarrollo, uso previsto, fuerza del modelo, aplicación y
limitaciones (Kayode y Kumarasamy 2018).
El modelo QUAL2KW es un modelo de amplia difusión, y
contrastado internacionalmente, fue elaborado por la Agencia de
24
Protección Ambiental de Estados Unidos (USEPA) con el nombre de
QUAL –II. De esta versión se vienen desarrollando diversas versiones
que engloban las correcciones o modificaciones introducidas hasta el
momento. Es un modelo unidireccional de estado estacionario, capaz
de representar los parámetros: Temperatura, DBO, Algas (clorofila A),
Fósforo (orgánico y disuelto), Nitrógeno (orgánico, amoniacal, nitritos
y nitratos), Oxígeno Disuelto y Coliformes Fecales con la posibilidad
adicional de simular un contaminante conservativo en una misma
ejecución. El modelo resuelve las ecuaciones planteadas mediante el
modelo de diferencias finitas, considerando discretizado el río (Sainz
Borda et al. 1990). Además, se ha modelado la calidad del agua en el
río Sinú, Colombia, en el tramo central entre la central hidroeléctrica
de Urrá y la desembocadura al mar Caribe, usando el mencionado
modelo (Arroyave Gómez et al. 2013).
Las variables analizadas en la Cuenca del Río Grande de
Tárcoles y en la Cuenca del Reventazón fueron: densidad poblacional,
precipitación pluvial, caudal, pH y temperatura del río, Oxígeno
Disuelto (OD), Porcentaje de Saturación de Oxígeno (PSO), Demanda
Bioquímica de Oxígeno (DBO), Demanda Química de Oxígeno (DQO),
Sólidos Suspendidos Totales (SST) y nitrógeno amoniacal (NH4+). La
variable dependiente es el parámetro “calidad del río”. Se logró
determinar que existen correlaciones significativas entre los siguientes
pares de variables: calidad-densidad poblacional, calidad-OD, calidad-
PSO, calidad-DQO, calidad-DBO y calidad-NH4+. Algunos parámetros
mostraron comportamientos particularmente diferentes al promedio de
los ríos estudiados, lo cual puede afectar de forma adversa el análisis
25
estadístico que se llevó a cabo. Algunos de esos parámetros son DQO,
DBO, SST y precipitación pluvial (Calvo-Brenes y Mora Molina 2009).
Los métodos de predicción tradicionales no captan la no
linealidad y la no estacionalidad de la calidad del agua. Además, el
avance de la inteligencia artificial (IA) ha hecho posible la integración
de las tecnologías en los sistemas de modelización numérica. Se ha
revisado el estado de la integración de la IA en la modelización de la
calidad del agua. Los algoritmos y métodos estudiados incluyen el
sistema basado en el conocimiento, el algoritmo genético, la red
neuronal artificial y el sistema de inferencia difusa (Chau 2006). Sobre
la base de 151 artículos publicados entre 2008 y 2019, se destacaron
23 tipos de variables de calidad del agua. Las variables fueron
recogidas principalmente por el sensor, seguido de equipos
experimentales especializados, como un fotómetro UV-visible. Varias
de las nuevas arquitecturas presentadas en el estudio, como las
estructuras recurrentes e híbridas, pueden mejorar la calidad de la
modelización en futuros desarrollos (Chen et al. 2020).
Se presenta el estado del arte de modelos de IA implementados
para la simulación de la calidad del agua de los ríos en las últimas dos
décadas (2000-2020). En consecuencia, se han revisado más de 200
artículos de investigación de las revistas de la Web of Science. El
estudio abarca la estructura del modelo, la variabilidad de las entradas,
los parámetros de rendimiento, la investigación de la generalización
regional y las evaluaciones exhaustivas de los avances de los modelos
de IA en la investigación de la calidad del agua de los ríos. A pesar de
la amplia investigación sobre la simulación de la calidad del agua
26
mediante modelos de IA, según el presente estudio siguen existiendo
deficiencias y se proponen varias direcciones de investigación para el
futuro (Tiyasha, Tung, y Yaseen 2020).
Se presenta una implementación de la metodología de redes
neuronales (RN) como herramienta para la estimación de la calidad
del agua en la cuenca alta y media del río Bogotá, Colombia. Los datos
usados provienen de 55 sitios correspondientes a once cuencas de la
sabana de Bogotá. Los resultados obtenidos con la aplicación de la
RN fueron comparados con los valores del índice fisicoquímico Cfq y
del índice de bioindicación ASPT (Average Score Per Taxon), para
comprobar el grado de confiabilidad de la metodología (Gutiérrez,
Riss, y Ospina 2004).
2.1.2. Nacionales
Se ha modelado la demanda carbonácea y nitrogenada de los
cuerpos de agua, tanto para régimen estacionario y no estacionario,
considerando el modelo de advección, difusión y reacción. Para el
caso no estacionario, se toman en cuenta dos escenarios: uno de
ingreso instantáneo del contaminante y el otro, de ingreso
permanente. La solubilidad del oxígeno en agua se obtiene mediante
ecuaciones que consideran la influencia de la temperatura, el
contenido de sal y la presión. Se desarrollaron, calibraron y ejecutaron
los programas respectivos, considerando que las curvas de
decaimiento de la materia orgánica, expresada en términos de la
variación de la DBO y el DO, tengan una evolución temporal y espacial
tipo gaussiana. Los modelos propuestos se utilizan para estimar el
desplazamiento y los niveles de concentración de la carga orgánica;

27
asimismo, el déficit critico de oxígeno del cuerpo de agua (Carrasco
Venegas et al. 2020).
Desde tiempos inmemoriales las aguas residuales generadas
por la población se evacuaron al río Chili en la ciudad de Arequipa, sin
tratamiento alguno y por varios emisores ubicados principalmente en
el distrito de Tiabaya. Se evaluaron los resultados de los monitoreos
realizados en los años 2013 y 2014, donde se concluye que la calidad
del agua del rio Chili venía siendo afectada por las altas
concentraciones en los parámetros aceites y grasas, demanda
bioquímica del oxígeno, demanda química del oxígeno, fosfatos, OD,
aluminio, boro, cobre, hierro, coliformes termotolerantes; dichas
concentraciones superaban los estándares de calidad ambiental para
el agua. Para el modelamiento se utilizó el software libre WASP, el
cual primero fue calibrado y los resultados de la simulación se
procesaron con una herramienta georeferenciada para su
visualización (Ordoñez Machicao 2020).
Se evaluó el impacto de vertimiento generado por las aguas
residuales de una industria papelera a un tramo del río Rímac;
analizando el comportamiento de los parámetros críticos de
vertimiento mediante el uso de modelos matemáticos (Método
simplificado de la zona de mezcla y balance de masas), que
representan, en forma simplificada la dilución de los contaminantes en
el cuerpo natural de agua (Bracho Perez y Rivera Puma 2017).
Lograron determinar la calidad del agua en la parte media de la
quebrada Misquiyaquillo, mediante el uso de modelación del OD y
DBO5-20, en constantes cinéticas de autodepuración; lo que implicó

28
evaluar el impacto de las descargas del proceso de potabilización y la
actividad antrópica en la calidad del agua. Se determinó los
parámetros químicos de la quebrada, siendo en promedio 6 mg/L de
OD, 9 mg/L de DBO5-20, además de tener 21 °C de temperatura en
la quebrada; por lo que concluyeron que la calidad del agua es de
hipoxia, indicando falta de oxígeno en épocas de estiaje en los dos
tramos de la parte media de la quebrada, pero con condiciones
oxigenadas en épocas de lluvia (Torres Mori 2021).
2.1.3. Locales
En el río Utcubamba se realizaron las investigaciones:
Redujeron los datos recogidos en grandes cuencas hidrográficas,
tanto a nivel de estaciones de muestreo como a nivel de las variables.
El muestreo se realizó en 43 sitios ubicados en el canal principal y los
principales afluentes, y se analizó su calidad fisicoquímica y
microbiológica mediante la determinación de 19 variables durante tres
variables durante tres estaciones diferentes (lluvias tempranas,
precipitaciones y sequía). Los métodos estadísticos multivariados
(análisis de correlación, análisis de componentes principales y análisis
de conglomerados) se aplicaron para encontrar la causa de las fuentes
naturales o antropogénicas de contaminación y su distribución en la
cuenca. Los principales parámetros que afectan espacialmente a la
cuenca son las altas concentraciones de bacterias y compuestos
químicos como nitritos, fosfatos y amonio. Concluyeron que el uso de
metodologías multivariantes para analizar los resultados obtenidos
permiten reducir el número de variables, así como de estaciones de
muestreo (Corroto et al. 2018).
29
Evaluaron la calidad del agua de la cuenca del río en base a
parámetros biológicos como es el uso de Diatomeas
(bacillariophyceae). Para ello, se realizaron dos muestreos, en época
seca (octubre 2014) y húmeda (marzo 2015), en 43 estaciones de
muestreo ubicadas a lo largo de la cuenca del río, situadas entre 386
(9386480N y 770597E) y 2834 (9244491N y 191314E) m.s.n.m.
dividiendo la cuenca en alta, media y baja de acuerdo al piso altitudinal
donde se encuentran. Los resultados de la aplicación de los Índice de
diversidad de Shannon & Wienner (H') indican que en la cuenca del río
Utcubamba el agua presenta una Contaminación Moderada para el
tramo alto de la misma, y una Contaminación Leve en los tramos medio
y bajo, con valores que oscilan entre 1,981 y 2,533 bits cel -1, durante
la época seca. Para la época húmeda se registraron los mismos datos
interpretativos, pero con valores que varían de 1,890 y 2,004 bits cel -
1 (Leiva Tafur, Coronel, y Corroto 2017).
Evaluaron la calidad ecológica del agua, mediante parámetros
fisicoquímicos in situ, determinándose también la microflora ribereña.
Se establecieron siete estaciones de muestreo en la Cuenca del
Utcubamba y se realizaron tres muestreos, en mayo, agosto y
noviembre durante el 2009; abarcando las provincias de Chachapoyas,
Luya, Bongará Utcubamba y Bagua. La calidad ecológica del agua del
río Utcubamba se realizó en relación a la valoración de los parámetros
fisicoquímicos y biológicos considerados y siguiendo criterios para
valoración de importancia ecológica. Se encontró que la calidad
ecológica del agua del río fue de (-178) debido al desarrollo de
30
actividades antropogénicas (García Huamán, Torres Delgado, y
Vergara Medrano 2011).
Aportaron al inventario de macroinvertebrados acuáticos
recolectados en la cuenca del río, a través de dos muestreos realizados
en los años 2014 y 2015. Estos muestreos correspondieron con la
época semiseca y la época de estiaje, respectivamente. Se
establecieron 43 puntos de muestreo a lo largo del cauce principal y
tributarios más importantes desde su nacimiento a su desembocadura.
Contabilizaron 63 familias distribuidas en siete clases y 20 órdenes. El
orden Coleoptera fue el más diverso, con 12 familias diferentes
identificadas, y el orden Trichoptera el más abundante, con 51% del
total de individuos. Asimismo, la familia Leptoceridae fue la más
abundante con un 44.1% del total de registros (Quintana et al. 2018).
Valoraron el impacto paisajístico de las cataratas del río, concluyen
que existen un conflicto entre diferentes enfoques; el método utilizado
para la valoración de las unidades paisajísticas en el trabajo es
propuesto por Ignacio Cañas Guerrero y María A. Ruiz Sánchez.
Mediante dicho método se describe de forma breve, y se pretende
conjugar los distintos enfoques posibles en la valoración del paisaje,
considerando así atributos físicos, artísticos y psicológicos (Gómez
et al. 2008).
Evaluaron la calidad hidrogeomorfológica del río, mediante la
aplicación del Índice Hidrogeomorfológico (IHG) dividiéndolo en ocho
sectores fluviales. Los resultados mostraron que el río Utcubamba está
afectado por notables impactos antropogénicos que alteran las
condiciones hidrogeomorfológicas, con un creciente deterioro de las

31
mismas desde su nacimiento a su desembocadura. La calidad de las
riberas es la más afectada en toda la cuenca, principalmente en el
curso bajo debido a las explotaciones agropecuarias de carácter
extensivo dominantes en este tramo. Por otra parte, el IHG presentó
una adaptabilidad total a las condiciones del área de estudio, en un
ámbito geográfico diferente y alejado de la Península Ibérica (Barboza
et al. 2017).
2.2 Marco teórico
2.2.1 Contaminación de aguas superficiales
Los contaminantes que afectan el equilibrio natural de un río se
pueden clasificar como conservativos (sustancias tóxicas, cloruros y
elementos radiactivos) y no conservativos (sustancias compuestas de
materia orgánica).
Cuando un contaminante es vertido en un río, sufre un cambio
de concentración debido a tres acciones: Transporte por advección,
difusión, reacción y degradación.
Existen múltiples metodologías para detectar la contaminación
microbiana del agua. Sin embargo, los elevados costos que
representan, los tiempos de análisis y aislamiento en cultivo de
microorganismos, han sido obstáculo para establecer la calidad
microbiana del agua para consumo humano. El uso de
microorganismos bio indicadores de calidad del agua disminuye los
costos y facilita la implementación de medidas eficientes de
tratamiento, control del agua y de enfermedades asociadas a su
transmisión. Además de las bacterias y protozoos establecidos en la
32
norma, existen algunos agentes microbianos como virus u otras
bacterias y parásitos se pueden utilizar como bio indicadores (Ríos
Tobón, Agudelo Cadavid, y Gutiérrez Builes 2017).
Algunos eventos antrópicos que se pueden presentar en el río
de estudio son: la contaminación doméstica en particular procedentes
de la orina del hombre y de los animales (aguas residuales), riegos
agrícolas y diversos efluentes de la actividad industrial (Catalán L. et
al., 1971).
La naturaleza de las descargas pueden ser fuentes puntuales y
fuentes no puntuales (Carrera González 2011).
• Fuentes puntuales (punto definido de descarga). Pueden ser
aguas municipales (materia orgánica, bacterias, nutrientes y
substancias tóxicas) o aguas industriales (materia orgánica,
nutrientes y substancias peligrosas)
• Fuentes no puntuales. Pueden ser aguas provenientes de la
agricultura, de la atmósfera, urbanas y suburbanas (muchas
descargas) o aguas subterráneas.
2.2.2 Calidad de agua
Es un término relativo que depende del uso final que se le dé al
recurso (Carrera González 2011), por lo tanto, el concepto de
contaminación está referido, desde un punto de vista práctico, a los
usos posteriores del agua, como, por ejemplo:
• Producción de agua potable.
• Consumo y usos domésticos.
33
• Fines industriales.
• Fines agrícolas.
• Consumo de los animales.
• Actividades recreativas.
• Preservación de flora y fauna.
• Transporte.
Para establecer la calidad de las aguas superficiales, se debe
medir los parámetros físicos - químicos y biológicos de la situación real
y actual de los ríos para compararlos con parámetros estándares
deseados, los cuales son establecidos en la legislación ambiental, y
en la Organización Mundial de la Salud. Los parámetros que son
usados en calidad de agua se explican (Cajas Parra 2015):
• Turbidez (Turb): Dificultad del agua para trasmitir la luz debido
a materiales insolubles en suspensión, coloidales o muy finos
como arcillas, materias orgánicas e inorgánicas finamente
divididas, plancton, sedimentos procedentes de la erosión,
compuestos orgánicos solubles coloreados y microorganismo.
Se utiliza para indicar la calidad de agua y la eficiencia de la
filtración para determinar si existen organismos que pueden
provocar enfermedades causando daños a la salud.
• Alcalinidad (Alc): Medida de la capacidad del agua de
neutralizar ácidos. Se debe principalmente a las sales de ácidos
débiles, aunque las bases débiles o fuertes también pueden
contribuir, esas substancias actúan como amortiguadores para
34
resistir la caída del pH. Está influenciada por el pH, la
composición general del agua, la temperatura y la fuerza iónica.
Este parámetro tiene incidencia sobre el carácter corrosivo o
incrustante que pueda tener el agua y cuando alcanza niveles
altos puede tener efectos sobre el sabor.
• Dureza (Dur): Mide la capacidad del agua para producir
incrustaciones por formación de precipitados insolubles de
carbonatos e hidróxidos debido a la presencia de sales disueltas
principalmente de calcio y magnesio. Está relacionada con el pH
y la alcalinidad, depende de ambos. Es diferente dependiendo
del sitio en donde se encuentra, refleja la naturaleza de las
formaciones geológicas con las que el agua ha estado en
contacto.
• Temperatura (T): Variable muy importante en el medio acuático,
pues influye en el metabolismo de las especies, como
productividad primaria, respiración de los organismos y
descomposición de la materia orgánica. Las descargas de agua
a altas temperaturas pueden producir daños a la flora y fauna de
las aguas receptoras al interferir con la reproducción de las
especies, incrementar el crecimiento de bacterias y otros
organismos, acelerar las reacciones químicas, reducir los
niveles de oxígeno y acelerar la eutrofización, produciendo de
esta forma que el agua no sea apta para ciertos usos. Influye en
el comportamiento de otros indicadores de la calidad de agua
como el pH, la conductividad eléctrica, el déficit de oxígeno y
otras variables fisicoquímicas.
35
• Conductividad eléctrica (CE): Medida de la capacidad que
tiene la solución para transportar una corriente eléctrica. Tiene
relación con la existencia de iones disueltos en el agua, que son
partículas con cargas eléctricas. Cuando mayor sea la
concentración de iones disueltos, mayor será la CE en el agua.
Es decir, la medida de la conductividad de una muestra de agua
nos da la idea de los sólidos disueltos en la misma.
• Solidos suspendidos totales: Partículas muy pequeñas que no
se pueden eliminar por medio de deposición, estos son los
responsables de las impurezas visibles. Determinan el olor,
sabor, el color aparente del agua y la profundidad hasta la cual
penetra la luz del sol, por su relación estrecha con la turbidez del
agua, afectada por materiales como hojas, residuos vegetales,
partículas de suelo provenientes de escorrentía superficial y
erosión; y el deterioro de material animal y vegetal que es
convertido en sedimentos dentro del río.
• Índice de Ión de Hidrógeno (pH): Medida de la concentración
de iones de hidrógeno en el agua. Determina si una sustancia es
ácida cuando tiene valores menores a 7, neutra cuando es igual
a 7 y básica cuando es mayor a 7. Las medidas de pH son de
extrema utilidad, pues provee mucha información con respecto
a la calidad de agua. Las aguas superficiales tienen pH entre 4
y 9. Algunas veces son ligeramente alcalinas por causa de la
presencia de carbonatos y bicarbonatos. Generalmente un pH
muy ácido o muy alcalino está relacionado a la presencia de
desechos industriales.
36
• Oxígeno disuelto (OD): Substancia indispensable para la
supervivencia de los animales y de otros muchos seres vivientes
tanto acuáticos como terrestres. Este parámetro proporciona
una medida de la cantidad de oxígeno disuelto en el agua. La
concentración de oxígeno disuelto disminuye con la presencia
de microorganismos, bacterias y materia orgánica indicando que
el agua es de mala calidad, los microorganismos presentes en
el agua aumentan los riesgos a la salud.
• Demanda bioquímica de oxígeno (DBO): Cantidad de oxígeno
consumido en la eliminación de la materia orgánica y alguna
inorgánica del agua, mediante procesos biológicos aerobios. La
DBO indica el consumo de oxígeno por microorganismo, un alto
contenido de DBO presenta riesgos a la salud.
• Demanda química de oxígeno (DQO): Es una medida de la
cantidad de oxígeno requerido para la oxidación química de
materia orgánica e inorgánica presente en el agua. La DQO se
relaciona directamente con la DBO y debe ser igual o mayor que
esta.
• Nitrito (Nitri) y Nitrato (Nitra): Iones de origen inorgánico y
natural que forman parte del ciclo del nitrógeno. Los desechos
con nitrógeno orgánico se descomponen en la naturaleza por la
acción de microorganismos y forman el amoníaco o amonio.
Luego se oxida y forma iones nitritos y estos forman a su vez
nitratos. El agua que contiene altas concentraciones de nitratos
37
y nitritos causan en niños menores de seis meses una
enfermedad llamada metahemoglobinemia infantil.
• Coliformes totales: Todos los microorganismos que pueden
sobrevivir y proliferar en el agua. Las bacterias del género
coliformes se encuentran principalmente en el intestino de los
humanos y de los animales de sangre caliente, pero también
están ampliamente distribuidas en la naturaleza, especialmente
en suelos, semillas y vegetales. Se introducen en mayor número
al medio ambiente por las heces de los humanos y animales, por
tal motivo se suele deducir que la mayoría de los coliformes que
se encuentran son de origen fecal, sin embargo, existen muchos
coliformes de vida libre.
• Coliformes fecales: Indicador biológico de materia orgánica,
corresponden a un grupo de las coliformes totales. La presencia
de estos coliformes es evidencia de contaminación fecal, los
cuales tiene origen en las excretas de los seres humanos y
animales de sangre caliente. La mayoría de estos organismos
son anaeróbicos y facultativos, otros dependen del oxígeno
disuelto para realizar procesos de metabolización (Bartram y
Ballance 1996). Se diferencian de los coliformes totales ya que
crecen a una temperatura mayor (termotolerantes).
2.2.3 Modelamiento de calidad de aguas superficiales
Un modelo matemático es una ecuación o un conjunto de ellas
que relacionan parámetros de entrada y variables para estudiar
comportamientos de sistemas complejos ante situaciones difíciles de
38
observar en la realidad; basados en suposiciones y simplificaciones
específicas del sistema real que está siendo modelado (Cárdenas
Pestana 2016).
El modelo de índice de calidad del agua (WQI) es una
herramienta popular para evaluar la calidad de las aguas superficiales.
Existen una gama de WQI, utiliza técnicas de agregación que permiten
convertir una gran cantidad de datos sobre la calidad del agua en un
único valor o índice, desde su desarrollo en la década de 1960 se ha
aplicado basándose en criterios locales de calidad del agua (Uddin,
Nash, y Olbert 2021).
Los modelos de la calidad de las aguas se pueden clasificar de
las siguientes formas (Cárdenas Pestana 2016):
 Empíricos o mecanicistas. El modelo empírico es
desarrollado a partir de un análisis de una base de datos
primaria. Están basados más en el ajuste de un conjunto de
datos que en principios teóricos. Los modelos mecánicos,
por otro lado, son propuestos para descripciones
matemáticas de principios teóricos. Debe de enfatizarse que
un buen modelo no presenta ambas características, pero es
posible clasificar la mayoría de los modelos de acuerdo a un
fuerte fundamento, tanto empírico como teórico.
 Simulación u optimización: Los modelos de simulación son
diseñados para describir el funcionamiento de un sistema.
Los modelos de optimización son usados para encontrar la
mejor solución (mínimo o máximo) en algún aspecto (con
39
frecuencia, son tomados en cuenta las variables costo y
calidad medioambiental).
 Estático o dinámico. Refieren a la presencia o ausencia de
la dependencia temporal. Los modelos estáticos o de estado
permanente describen un comportamiento que es constante
en el tiempo; la variación parcial con respecto al tiempo en
cada punto de los parámetros y variables es cero. Los
modelos dinámicos describen un comportamiento que, si
varía con el tiempo, por lo que esta variable tiene que ser
tomada en cuenta en la formulación.
 Parámetro aglomerado o parámetro distribuido. Refieren a
la presencia o ausencia de la dependencia espacial. Los
modelos de parámetro aglomerado son cero dimensionales
en el espacio; ellos están basados en la suposición de
condiciones uniformes a través del sistema modelado. En
contraste, los modelos de parámetro distribuido, se
desarrollan para describir los sistemas con condiciones
variables en una o más de una dimensión espacial. Los
modelos de parámetro distribuido son categorizados
también, de acorde a como ellos representan el mundo real
en términos de resolución espacial. Los modelos
unidimensionales son considerados los más simples. Ellos
simulan el comportamiento vertical o longitudinal del cuerpo
de agua. Los modelos de dos dimensiones simulan
cualquier comportamiento transversal (o profundidad del
cuerpo de agua) y longitudinal.
40
Los modelos tridimensionales son los más complejos e
intentan simular el comportamiento del sistema entero
teniendo en cuenta todo tipo de movimiento de las aguas.
La decisión de que modelo usar está usualmente limitada
por la cantidad de datos disponibles y del objetivo de la
modelación bajo estudio.
 Deterministas o estocásticos. Los modelos deterministas
usan valores esperados para todos los parámetros y
variables, y llegan a predicciones que son también valores
esperados. Los modelos estocásticos incorporan
variabilidad, y posiblemente error, en las funciones de
densidad de probabilidad para parámetros y/o variables
seleccionadas, resultando así, una función de densidad de
probabilidad para la predicción.
 Transversal o longitudinal. Los modelos transversales
describen el comportamiento entre diferentes casos, en
contraste con los modelos longitudinales, los cuales
describen el comportamiento para un solo cuerpo de agua a
la vez. Como reglamentación los modelos transversales
tienden a presentar un carácter empírico, mientras que los
modelos longitudinales pueden ser empíricos o mecanicistas
(Riecken, 1995).
Diversos autores clasifican a los modelos de calidad de
agua en modelos de simulación y optimización, ver Figura 1
(Sharma y Kansal 2013).
41
Modelos de Calidad
de Agua
Modelos de Simulación Modelos de Optimización
Modelos Físicos
Programación Lineal Programación Dinámica
Modelos Matemáticos Programación no Lineal
Descripción del Proceso Tipo de Dato Tipo de Solución Grado de

Presentación
Mecánicos Estocástico Numérico Junto
Estadístico/Empírico Determinista Analítica Distribuido
Desarrollo
Tiempo
Método de Solución
Método Diferencias Finitas Estático 0D Genérico
Método Elementos Finitos Dinámico 1D Sitio Específico

Espacio
Cartesiano/No estructurado 2D
Implícito/Explícito 3D
Upwind/Diferencia Central
Figura 1. Clasificación de modelos de calidad de agua
2.3 Marco epistemológico
El procedimiento experimental que aplicaba Galileo en sus estudios de
la gravedad sentaron las bases epistémicas en el enfoque cuantitativo, cuyo
42
fundamento epistémico rescata la sustancia más valiosa de la empírica
griega (Cornford 2010), tal es la del estudio de la naturaleza a través de
procedimientos empíricos y formales, que se encontraban ya en Heráclito,
Parménides, Alcmeón, Hipócrates y Aristóteles, dos mil años antes que él
(Sambursky 1990). El enfoque cuantitativo basado en la medición de los
fenómenos que se estudian a través de procedimientos rigurosos que den
garantía de precisión y objetividad son características que posibilitaron el
nacimiento de la ciencia moderna, desligándose de la filosofía de ese tiempo
(Russell 1970).
La ciencia de la mano de la cuantificación se hizo un lugar y así
adquirió un cuerpo particular y diferenciado, estableciendo con Descartes,
Bacon, Hume, la necesidad de aproximarse al estudio de la realidad a través
de procedimientos matemáticos, en especial de la geometría y la aritmética,
cuyas aplicaciones impulsaron de manera exponencial el avance del
conocimiento en disciplinas científicas como la física, química y biología; y
posteriormente Comte (Kolakowski 1988),Carnap, Schlick, Reichenbach,
Hempel, etc. Adquiriendo la identidad con la que se conoce al conocimiento
con status de científico, el mismo que adquirió una forma más convencional
a través del falsacionismo de Popper, cuyo método hipotético-deductivo,
aplicable a todas las ciencias de hechos, con sustento en la experiencia para
la falsación de hipótesis con la intención de incrementar el cuerpo de las
teorías que les dan lugar, para generar más conocimientos científicos y así
ampliar el espectro cognoscitivo de la ciencia y, con ella, de la humanidad
en tanto conglomerado de individuos con capacidad, necesidad y voluntad
cognoscente (Ayer 1993).
43
Consecuentemente, todo lo que conlleva el adjetivo "científico" le debe
su origen al enfoque cuantitativo, con arraigo en el empirismo inglés, el
positivismo francés y el neopositivismo alemán, que bajo el precepto del
método científico, que consiste en la aplicación del modelo hipotético-
deductivo, ha hecho viable el desarrollo de la ciencia y tecnología desde el
siglo XVI hasta nuestros días (Sánchez Flores 2019).
2.4 Marco conceptual
2.4.1 Sistemas de inferencia difusa
La lógica difusa es una herramienta matemática cuya
empleabilidad se basa en la concepción de conjuntos con fronteras no
exactas que se emplean en presencia de información imperfecta
(Zadeh, Klir, y Yuan 1996).
La teoría de los conjuntos difusos genera modelos matemáticos
adaptables a los problemas del mundo real. Debido a que permite
expresar estas situaciones en términos matemáticos, de esta manera
capturando todas las incertidumbres asociadas con el razonamiento y
el pensamiento humano (García, Félix Benjamín, y Bello Pérez 2014).
2.4.2 Redes Neuronales Artificiales supervisadas
Son técnicas para extraer datos a partir de las relaciones de
entrada-salida y para almacenar tales relaciones en ecuaciones
matemáticas que pueden utilizarse en actividades de pronóstico. Este
tipo de red requiere que el usuario especifique la salida y, por tanto, la
red aprende a detectar la relación entre las entradas y las salidas
suministradas, mediante un proceso iterativo y adaptativo (Pérez
Ramírez y Fernández Castaño 2007).

44
Consisten en redes de neuronas simuladas conectadas entre sí.
Existen varios tipos en función de su arquitectura y forma de
aprendizaje. Una de las más utilizadas es la red basada en varias
capas de neuronas de tipo perceptrón, entrenadas mediante la técnica
de retropropagación (backpropagation). Las conexiones de la red se
inicializan aleatoriamente y de forma progresiva se autoajustan a
medida que se entrena con los datos disponibles, de manera que ésta
aprende a reconocer paulatinamente todos los casos del conjunto de
datos utilizados para su entrenamiento. El aprendizaje finaliza cuando,
después de un número de iteraciones, se consigue clasificar
correctamente el 100% de los casos, o se alcanza un valor máximo de
aciertos, que no aumenta con más iteraciones (Sáenz Bajo y Álvaro
Ballesteros 2002).
2.4.3 Modelos matemáticos empleados en calidad de agua en ríos
Desde 1925, los modelos de calidad de agua superficial han
sufrido tres importantes etapas en el proceso de su desarrollo (Gao y
Li 2014): La etapa primaria (1925–1965). Estas aplicaciones
principalmente modificaron y desarrollaron el modelo de Streeter-
Phelps (Aguado García 2009). Ellos fueron focalizados en
interacciones entre diferentes componentes de la calidad de agua en
río, tales como la transmisión hidrodinámica, demanda de oxígeno
sedimentado, fotosíntesis y respiración de las algas. Los modelos de
este tiempo fueron uni dimensional, modelos estado-continuo y los
parámetros OD, DBO fueron modelados satisfactoriamente.
45
La etapa de mejora (1965–1995). Antes de 1975, investigadores
incluyeron no solamente el Oxígeno Disuelto, pero también otros
elementos, tales como el ciclo del sistema de N y P, fitoplancton,
sistemas de zooplancton y las relaciones entre el radio del crecimiento
biológico de nutrientes, luz del sol y temperatura. Los modelos fueron
bidimensionales. Después de 1975, modelos tridimensionales fueron
desarrollados y la sedimentación ha sido un importante elemento
considerado en el proceso de interacción de estos modelos.
La etapa de ampliación (1995 hacia adelante). Como un
resultado del desarrollo económico. Sin conocer los puntos de las
fuentes de contaminación ha sido un importante efecto en ciudades y
países. Modelos de contaminación fueron desarrollados en esta etapa
para ayudar al control del estado de las fuentes de contaminación.
También, durante esta etapa nuevos métodos fueron usados en
algunos modelos para simular escenarios específicos, tales como
sistemas de inferencia, algoritmos genéticos, redes neuronales y
máquinas de vectores de soporte, etc.
2.5 Marco legal

El desarrollo sostenible, se conoce desde el informe de la Comisión
Brundtland en 1987; donde se estableció que el desarrollo tiene por objeto
garantizar que la humanidad satisfaga sus necesidades actuales sin
comprometer la capacidad de las generaciones futuras para satisfacer sus
propias necesidades. En los recursos hídricos, los últimos decenios alguna
forma de integración se intentó y adoptó en los planes de desarrollo de la
mayoría de países industrializados. Sin embargo, el cambio más
46
sorprendente en el nuevo enfoque es la inclusión directa de la calidad del
agua en los modelos de gestión (Grafton y Hussey 2011).
En el ámbito de la gestión de los recursos hídricos un aporte es la
Directiva Marco del Agua de la Unión Europea, que afecta a la legislación
de muchos países (Europa Comisión 2000). La Directiva 2000/60 establece
un marco para la protección de todas las aguas (incluidas las aguas
superficiales, las aguas de transición y costeras y las aguas subterráneas).
Como factor clave en la gestión de los recursos hídricos, la Directiva
Marco del Agua ha favorecido la aplicación de medidas para que mejore la
calidad de todo cuerpo de agua. La Unión Europea implementó directivas
relacionadas con la calidad del agua y contaminación del agua (Benedini y
Tsakiris 2013):
• Diario Oficial de las Comunidades Europeas, No. L 010: Directiva de
la Parlamento Europeo y del Consejo de 9 de diciembre de 1996
sobre el control de riesgos de accidentes graves en los que
intervengan sustancias peligrosas (96/82/CE).
• Diario Oficial de las Comunidades Europeas, Nº L 020: Directiva del
Consejo de 17 de diciembre de 1979 sobre la protección de las aguas
subterráneas (80/68/CEE).
Consejo de 16 de junio de 1975, relativa a la calidad de las aguas de
baño (76/160/CEE).
Consejo de 4 de mayo de 1976, relativa a la contaminación causada
47
por ciertas sustancias peligrosas vertidos en el medio acuático de la
Comunidad (76/464/CEE).
Consejo de 21 de mayo de 1991 sobre el tratamiento de las aguas
residuales urbanas (91/271/CEE).
Consejo de 21 de mayo de 1992 sobre la conservación de los
hábitats naturales y de la fauna y flora silvestres (92/43/CEE).
• Diario Oficial de las Comunidades Europeas Nº L 182: Directiva de
la Comisión Europea Parlamento y del Consejo de Ministros en
relación con los vertederos de residuos (99/31/CE).
• Diario Oficial de las Comunidades Europeas, Nº L 192: Decisión de
la Comisión de 17 de julio de 2000 sobre la aplicación de un registro
europeo de emisiones contaminantes (EPER) según el artículo 15 de
la Directiva del Consejo 96/61/CE relativa a prevención y control
integrados de la contaminación (CIPF) (2000/479/CE).
Consejo de 16 de junio de 1975, relativa a la calidad exigida a las
aguas superficiales destinadas a la extracción de agua potable en los
estados miembros (75/440/CEE).
Consejo de 18 de junio de 1978 sobre la calidad de las aguas dulces
que necesitan protección o de la vida de los peces (78/659/CEE).
48
Consejo de 15 de julio de 1980 relativo a la calidad del agua
destinada al consumo humano (80/778/CEE).
Consejo de 15 de julio de 1991 relativo a la comercialización de
productos fitosanitarios (91/414/CEE).
• Diario Oficial de las Comunidades Europeas, Nº L 257: Directiva de
la Comisión Europea El Parlamento y el Consejo de 4 de mayo de
1976 sobre la contaminación integrada prevención y control (IPPC)
(96/61/EC).
Consejo de 30 de octubre de 1979 sobre la calidad exigida a las
aguas para cría de moluscos (79/923/CEE).
• Diario Oficial de las Comunidades Europeas, Nº L 327: Decisión de
la Comisión Europea Parlamento y del Consejo, de 23 de octubre de
2000, por el que se establece un marco para acción comunitaria en
el ámbito de la política de aguas (2000/60/CE).
• Diario Oficial de las Comunidades Europeas, Nº L 330/32: Directiva
del Consejo 98/83/CE, de 3 de noviembre de 1998, relativa a la
calidad de las aguas destinadas a la alimentación humana consumo.
• Diario Oficial de las Comunidades Europeas, No. L 375: Directiva del
Consejo de 12 de diciembre de 1991 relativo a la protección de las
aguas contra la contaminación causada por los nitratos de origen
agrícola (91/676/CEE).
49
La gestión de los recursos hídricos en el Perú, cuenta con una
arquitectura legal hacia su uso sostenido. Pese a ello, es desafío conectar
la etapa del vertimiento y el reúso de las aguas residuales tratadas, dentro
de la gestión integrada del recurso hídrico. La Tabla 1, muestra dichas
normas aplicadas al vertimiento y uso del recurso hídrico en el Perú.
Tabla 1. Marco legal peruano sobre gestión sostenible de aguas residuales.
Institución Norma Descripción Aplicación
Constitución Ley N° Ley de Reforma El Estado reconoce el

Política del 30588 Constitucional que derecho de toda persona
Perú reconoce el derecho al a acceder de forma
agua como derecho progresiva y universal al
constitucional que agua potable y garantiza
incorpora el artículo 7°-A este derecho priorizando
en la Constitución Política el consumo humano
del Perú. sobre otros usos.
ANA Resolución Regula forma y plazos Usuarios con

Jefatural para el pago de retribución autorización de
económica por parte de vertimiento de aguas
N° 058- los usuarios por el uso de residuales, el pago se
2017-ANA efectúa en forma anual y
agua y por el vertimiento
por adelantado.
de aguas residuales.
Resolución Norma que promueve la Normativa que
Jefatural medición voluntaria de la implementa la huella
N° 126- huella hídrica. hídrica a fin de reducir el
2017-ANA consumo de agua en la
cadena de producción de
bienes y servicios, y la
implementación de
acciones de
responsabilidad social
en el uso del recurso
hídrico que generen
valor compartido
Resolución Nueva clasificación del Clasificación del cuerpo
Jefatural cuerpo marino-costero. marino para su
protección como cuerpo
N° 030- receptor marino de los
2016-ANA efluentes tratados.
Resolución Directiva general

Jefatural denominada normas y
procedimientos para la
N° 187- administración,
2016-ANA seguimiento, control y
conciliación de las
50
recaudaciones por
retribución económica por
uso de agua y por
vertimiento de aguas
residuales
Resolución Nuevo reglamento para el Regulación sobre el

Jefatural otorgamiento de vertimiento de las aguas
N° 224- autorizaciones de residuales tratadas
2013-ANA vertimiento y reúso de
aguas residuales tratadas.
Resolución Aprueban la clasificación Ver lo de cuerpos marino
Jefatural de cuerpos de agua costeros. Nueva
superficiales y marino- clasificación.
N° 202- costeros.
2010-ANA
Resolución Dictan medidas que

Jefatural permitan la
implementación de
N° 274- programa de adecuación
2010-ANA de vertimiento y reúso de
agua residual.
MINAGRI Ley N° Ley de recursos hídricos. Vertimiento y calidad.
29338 Aprovechamiento
sostenible
Decreto Reglamento de la Ley de Vertimiento y calidad.
Supremo recursos hídricos y sus Aprovechamiento
modificaciones. sostenible.
N° 001-
2010-AG
Resolución Metodología de Clasifica las regiones
Ministerial codificación de unidades hidrográficas.
geográficas de Pfagsetter,
N° 033-
memoria descriptiva y el
2008-AG
plano de delimitación y
codificación de las
unidades geográficas del
Perú.
Decreto Protección de la calidad Declaran de interés
Supremo de los recursos hídricos. nacional la protección de
la calidad del agua en las
N° 007-
fuentes naturales y sus
2010-AG
bienes asociados, con el
objeto de prevenir el
peligro de daño grave o
irreversible que
amenace a dichas
fuentes y la salud de las
actuales y futuras
generaciones.
MINAM Ley N° Ley General del Ambiente El Estado promueve el
28611 tratamiento de las aguas
residuales con fines de
51
reutilización
considerando como
premisa la obtención de
la calidad necesaria de
reúso sin afectar la salud
humana, el ambiente o
las actividades en las
que se reutilizan.
Además, regula los
vertimientos
autorizándolas, siempre
y cuando el cuerpo
receptor lo permita.
Ley N° Ley Orgánica para el Se consideran recursos
26821 aprovechamiento naturales a todo
sostenible de los recursos componente de la
naturales. naturaleza, susceptible
de ser aprovechado por
el ser humano para la
satisfacción de sus
necesidades y que tenga
un valor actual o
potencial en el mercado,
tales como: las aguas:
superficiales y
subterráneas.
Decreto Ley de gestión integral de Las aguas residuales y
Legislativo residuos sólidos. los residuos líquidos que
N° 1278 se incorporen al manejo
de las mismas, de
acuerdo a la legislación
de la materia, cuya
regulación es
competencia de la
Autoridad Nacional del
Agua y del Ministerio de
Vivienda, Construcción y
Saneamiento, en el
ámbito de sus
respectivas funciones y
atribuciones.
Decreto Aprueban estándares de Estándar de calidad
Supremo calidad ambiental para ambiental como la
agua y establecen medida que establece el
N° 004- disposiciones nivel de concentración o
2017- complementarias. del grado de elementos,
MINAM sustancias o parámetros
físicos, químicos y
biológicos, presentes en
el aire, agua o suelo, en
su condición de cuerpo
receptor, que no
representa riesgo
significativo para la salud
de las personas ni al
ambiente.
52
Decreto Aprueba los límites
Supremo máximos permisibles
(LMP) para efluentes de
N° 003-
planta de tratamiento de
2010-
aguas residuales
MINAM
domésticas y municipales.
Decreto Definición de los LMP Calidad de las aguas
Supremo para los efluentes de las residuales tratadas.
PTAR domésticas o
N° 003-
municipales.
2010-
MINAM
MVCS Decreto Ley marco de la gestión y Servicio de tratamiento
Legislativo prestación de los de aguas residuales para
N° 1280 Servicios de disposición o reúso.
Saneamiento.
Decreto Reglamento del Decreto Agua residual: Desecho
Supremo Legislativo N° 1280. líquido proveniente de
las descargas por el uso
N° 019-
2017- del agua en actividades
VIVIENDA domésticas o no
domésticas.
Agua residual tratada:
Agua residual que ha
sido sometida a
diferentes procesos para
la eliminación de
componentes físicos,
químicos y
microbiológicos para su
disposición final o reúso.
Decreto Reglamento para el Reaprovechamiento de
Supremo reaprovechamiento de los los lodos generados en
lodos generados en las las PTAR, que luego de
N° 015- plantas de tratamiento de ser transformados en
2017- aguas residuales. biosólidos, pueden ser
VIVIENDA utilizados en actividades
agrícolas, forestales,
industria cerámica, entre
otras, considerando los
riesgos a la salud y el
ambiente.
Decreto Plazo para la presentación Plazo de presentación
Supremo de iniciativas privadas de las iniciativas
cofinanciadas sobre privadas cofinanciadas
N° 013-
proyectos de inversión sobre proyectos de
2017-
destinados al tratamiento inversión destinados al
VIVIENDA
de aguas residuales. tratamiento de aguas
residuales para
disposición final o reúso
en las ciudades de
Cusco, Cajamarca,
Chincha Alta, Chincha
Baja, Chiclayo, Huaraz,
53
Tarapoto, Huacho,
Barranca, Cañete y
Bagua Chica, será de
tres (3) meses, contados
desde la publicación del
presente Decreto
Supremo.
Decreto Valores Máximos VMA de las descargas
Supremo Admisibles (VMA). de agua no domésticas
en el sistema de
N° 021-
alcantarillado sanitario, a
2009-
fin de evitar el deterioro
VIVIENDA
de instalaciones de
infraestructura sanitaria
Perú cuenta con una Política, planes y estrategias orientadas a la
gestión sostenible de los recursos hídricos, a mediano y largo plazo, ver
Tabla 2.
Tabla 2. Políticas y estrategias peruanas para la gestión del recurso hídrico
Norma Descripción
Política Nacional de Saneamiento Decreto Supremo N° 007-2017-VIVIENDA

Plan Nacional de Saneamiento Decreto Supremo N° 018-2017-VIVIENDA
2017-2021
Estrategia Nacional para el Resolución Jefatural N° 042-2016-ANA
Mejoramiento de la Calidad de los
Recursos Hídricos
Plan Nacional de Recursos Hídricos Decreto Supremo N° 013-2015-MINAGRI
Política y Estrategia Nacional de Decreto Supremo N° 006-2015-MINAGRI
Recursos Hídricos
Plan Nacional de Acción Ambiental Decreto Supremo N° 014-2011-MINAM
Plan Bicentenario Decreto Supremo N° 054-2011-PCM
Política Nacional del Ambiente Decreto Supremo N° 12-2009-MINAM
2.6 Hipótesis y variables
54
2.6.1. Hipótesis
Hipótesis general
El modelo matemático dinámico tridimensional desarrollado se
emplea para fines de aproximar la estimación de la calidad del agua
del Río Utcubamba – Perú.
Hipótesis secundarias
• Existen diversos modelos matemáticos, que se emplean para
estimar la calidad de aguas en ríos.
• Los parámetros físico químicos y microbiológicos son
consideraros en la estimación de la calidad de agua.
• Se puede determinar parámetros que influyen en la calidad de
agua del río Utcubamba empleando selección de variables.
• El modelo matemático dinámico tridimensional encontrado
describe el comportamiento de la calidad del agua en función de
los parámetros.
• Los estadísticos basados en los residuales, es decir, la
diferencia entre el valor estimado y el valor real son buenos.
2.6.2. Variables y operacionalización de variables
En la Tabla 3, se muestra las variables dependientes e
independiente, su concepto, dimensiones e indicadores de las mismas.
55
Tabla 3. Operacionalización de las variables dependiente e independiente.
Variables Concepto Dimensiones Indicadores
Independiente El modelo es Estructura  Tipos de

Modelo una variables
matemático que interpretación de numéricas
describe el la realidad en un empleados en los
comportamiento lenguaje modelos de
de la calidad del abstracto y una calidad de agua
agua en ríos. de río existentes.
herramienta
 Tipos de
válida sólo si
operador
representa la matemático
realidad empleado en los
correctamente modelos.
(Benedini y Pre-  Incluir datos que
Tsakiris 2013). procesamiento han sido tomados
en la fuente
principal.
 Eliminar datos
que no han sido
tomados de la
fuente principal.
Procesamiento  Matriz de
correlación de
parámetros.
Entradas  Variables
numéricas
Salidas  Variable
numérica
Validación  Normalidad de
cruzada Shapiro Wilk
 Coeficiente de
determinación
 Raiz cuadrática
del error medio
 Coeficiente de
correlación
Dependiente Se han medido a
Estimación de la través de Salidas  OD
calidad de agua parámetros  Índice de calidad
del río físico-químicos, de agua (NSF
Utcubamba los que actúan WQI).
como una
"fotografía" del
momento
(Mancheno
Domínguez y
Ramos Rosero
2015).
56
CAPÍTULO III. METODOLOGÍA DE LA INVESTIGACIÓN
3.1. Tipo de investigación

Según los objetivos de la investigación, el trabajo es explicativo,
porque se examinan procesos causales, y explican con mayor claridad, el
grado de asociación causal que existe entre las variables.
Según el periodo que se capta la información, es retrospectivo,
debido a que la información ha sido captada (en el pasado) antes de la
planeación.
3.2. Diseño de la investigación

El diseño de la investigación (descriptivo) puede ser diagramado de
la forma:
M >O
Donde M representa una muestra en quien vamos a realizar el
estudio, y O representa la información relevante o de interés que recogemos
de la mencionada muestra. En este tipo de diseño no es posible suponer y
controlar la influencia de las variables extrañas, se limita a recoger la
información que proporciona la situación en el momento.
3.3. Población y muestra
El elemento de estudio determinado como población fue el elemento
de registro de información de la calidad ecológica del agua en la cuenca del
río Utcubamba, obtenida de dos campañas de muestreo: octubre 2014 y
agosto 2015.
3.4. Criterios de inclusión y exclusión
57
El río Utcubamba pertenece a la vertiente de los andes orientales del
norte de Perú. Nace en torno a los 3100 m.s.n.m. en las proximidades del
cerro Punta de Arena, en la provincia de Chachapoyas, y desemboca en el
río Marañón, provincia de Bagua, atravesando cinco de las siete provincias
que forman la región Amazonas (Figura 2, Tabla 4). Se trata de una cuenca
hidrográfica englobada dentro de los ecosistemas de bosques tropicales
estacionalmente secos (bosque seco), en la cuenca media y baja del río, y
de los bosques pluviales montanos en la cuenca alta (León et al., 2006).
Cuenta con una superficie de 6 650.07 km, y una longitud aproximada de
250 km de cauce principal.
58
Figura 2. Estaciones de muestreo en la cuenca del río Utcubamba
59
Tabla 4. Descripción de las estaciones de muestreo en la cuenca principal y ríos
tributarios.
Estación de Coordenadas
Altitud Descripción
Muestreo Norte Este
EM-01 9244491 191314 2834 Cauce principal
EM-02 9245787 190722 2824 Tributarios
EM-04 9251159 189487 2541 Tributarios
EM-06 9263417 190005 2013 Tributarios
EM-09 9282885 184119 1833 Tributarios
EM-11 9284554 182917 1772 Tributarios
EM-13 9296434 176570 1654 Tributarios
EM-15 9302748 174453 1721 Tributarios
EM-17 9305556 174385 1633 Tributarios
EM-20 9324485 180706 1367 Tributarios
EM-22 9329627 177464 1369 Tributarios
EM-24 9343016 170424 1234 Tributarios
60
EM-27 9344877 823821 880 Tributarios
EM-30 9347792 811403 586 Tributarios
EM-32 9357482 804079 590 Tributarios
EM-33 9350165 801090 742 Tributarios
EM-37 9356510 779944 668 Tributarios
EM-40 9365509 784479 381 Tributarios
EM-41 9378549 782878 692 Tributarios
3.5. Métodos, técnicas e instrumentos de investigación
3.5.1. Métodos
Elaboración y establecimiento del modelo

Para el desarrollo del modelo matemático, se consideraron
los datos obtenidos de estudios previos y se llevó a cabo el
siguiente plan para la elaboración y establecimiento del modelo, ver
Figura 3, se observa el esquema del plan:
• Se evaluó modelos matemáticos existentes, de acorde a los
parámetros medidos previamente.
61
• Identificaron y seleccionaron las variables que influyen en la
calidad del agua del río Utcubamba.
• Propuso el modelo de acorde a las características propias
del afluente de agua.
• Garantizó la aplicación del modelo, mediante el análisis
estadístico del modelo.
62
Modelos matemáticos existentes
Ecuaciones Minería de Técnicas Programación Aproximación

Diferenciales Datos Multivariadas Lineal Curvas
Variables para la estimación de la calidad del agua
Selección de variables
Correlación de variables
Propuesta del modelo
Análisis estadístico del modelo
Normalidad R2 RMSE R
Establecimiento del modelo
Figura 3. Esquema del proceso de construcción y validación del modelo
63
3.5.2. Técnicas
Para recolectar datos

La técnica fue el análisis documental, la cual consistió en
recoger datos documentales o fuentes escritas. Consiste en el
estudio detallado de documentos que constituyen fuentes de datos
vinculadas con las variables estudiadas.
Para obtener información para el proceso de modelamiento

Los datos se han obtenido de las 43 estaciones de muestreo
establecidas a lo largo de la cuenca principal y en los tributarios
más importantes e influyentes del río Utcubamba (Gamarra et al.
2018).
La recolección de muestras de agua se realizó entre los años
2014 y 2015, a lo largo de dos campañas de muestreo que se
hicieron coincidir con la estación de lluvias (a lo largo del mes de
octubre de 2014), y la estación seca (mes de agosto de 2015). Para
la recogida de muestras para el análisis fisicoquímico y
microbiológico se siguió el protocolo de monitoreo de la calidad
sanitaria de los recursos hídricos superficiales, establecido por la
Dirección General de Salud Ambiental del Perú (DIGESA, 2007),
mientras que para el análisis de las variables fisicoquímicas y
microbiológicas se hizo lo propio con los procedimientos APHA
(2005).
Los parámetros fisicoquímicos estudiados se establecieron en
función de las actividades contaminantes en la cuenca, y fueron 15:
• Oxígeno disuelto
64
• Conductividad eléctrica
• Temperatura
• pH
• Turbiedad
• Nitratos
• Nitritos
• Fosfatos
• Sulfatos
• Amonio
• Demanda química de oxígeno
• Demanda bioquímica de oxígeno en cinco días
• Alcalinidad
• Cloruros
• Dureza
Cinco de estos parámetros fueron analizados in situ en el
campo, con los equipos correspondientes (oxígeno disuelto, pH,
temperatura, turbiedad y conductividad eléctrica), y fueron
examinados a una profundidad de 0.2 metros aproximadamente.
Para el resto de parámetros, fueron colectadas muestras de agua
en recipientes plásticos de tres litros de volumen, enjuagados tres
veces en un lugar próximo al punto de muestreo antes de recoger
la muestra definitiva. Estas muestras fueron trasportadas en cajas
65
isotérmicas con hielo hasta el Laboratorio de Investigación en
Suelos y Aguas (LABISAG) de la Universidad Nacional Toribio
Rodríguez de Mendoza para su posterior análisis. Los parámetros
microbiológicos analizados, fueron:
• Coliformes totales.
• Coliformes fecales.
• Escherichia coli.
• Enterococos fecales.
El recuento de estos microorganismos se realizó mediante la
técnica de fermentación en Tubos Múltiples (Número Más
Probable), utilizando caldo Lauril Sulfato, caldo Brilla, caldo EC y
agar EMB-Levine. Las muestras fueron recolectadas en botellas de
vidrio previamente esterilizadas en autoclave, las cuales fueron
abiertas en el momento del muestreo.
Estos recipientes fueron almacenadas a una temperatura
menor de 4ºC y transportadas al Laboratorio de Investigación de
Suelos y Aguas (LABISAG) para su posterior análisis en un periodo
menor a 24 horas desde su recogida.
Inicialmente se usó el protocolo GUADALMED (Jáimez-
Cuéllar et al. 2002) para la captura de macro invertebrados
acuáticos, con el objetivo de obtener datos semicuantitativos. En
cada estación se realizó un muestreo semicuantitativo de
macroinvertebrados con una manga de red tipo “D” de nylon de 250
μm en todos los microhábitats posibles propuestos en el protocolo
66
GUADALMED. Las muestras fueron conservadas en alcohol al
70% para su posterior limpieza e identificación con la ayuda de una
lupa estereoscópica en el Laboratorio de Investigación de Suelos y
Aguas (LABISAG). A continuación, y como parte del muestreo de
las dos temporadas antes descritas, lluviosa y seca, se siguió el
protocolo MIQU, utilizando una red Surber, también de nylon y de
250 μm, pero esta vez con una superficie conocida (30 cm), para
poder obtener datos estrictamente cuantitativos.
La identificación taxonómica de los individuos colectados fue
a nivel de familia y para ello utilizaron las claves taxonómicas
desarrolladas por (Domínguez y Fernández 2009).
3.5.3. Instrumentos
Softwares especializados
 Matlab 2017b, con los toolbox de lógica difusa (fuzzy) y
redes neuronales artificales (nntool).
 R version 4.0.5.
Para recolectar los datos

Los datos fueron recolectados con una ficha de registro de
datos, los cuarenta y tres puntos de muestreo.
3.6. Validez y confiabilidad de instrumentos
El instrumento empleado no necesita realizar su validación y confiabilidad.
3.7. Procedimiento y recolección de información
67
Se ha procedido con el procedimiento:
• Autorización: Se ha coordinado con los autores del proyecto
“Desarrollo de índices biológicos para la evaluación espacio temporal
de la calidad ecológica del agua de la Cuenca del río Utcubamba,
region Amazonas, Perú”, quienes dieron la autorización y brindó la
información obtenida en campo. Además, se envió un documento al
Instituto de Investigación para el Desarrollo Sustentable informando
el uso que se les está dando a los datos de su proyecto.
• Recursos: tiempo, humanos, apoyo logístico, económicos.
• Proceso: Se nos agenció de los libros publicados con toda la
información de los datos del estudio.
68
CAPÍTULO IV. RESULTADOS E INTERPRETACIÓN
4.1. Modelos para estimar calidad de agua en ríos
El comportamiento de un contaminante o sustancia química una vez
que entra en un medio acuático, su concentración se ve afectada por varios
fenómenos, entre ellos: Advección, transporte convectivo, reacción y
sumideros (Sierra Ramírez 2011).
𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴ó𝑛𝑛
𝜕𝜕𝜕𝜕 ��
𝜕𝜕𝜕𝜕 𝜕𝜕𝜕𝜕 𝜕𝜕𝜕𝜕 𝜕𝜕 𝜕𝜕𝜕𝜕 𝜕𝜕 𝜕𝜕𝜕𝜕 𝜕𝜕 𝜕𝜕𝜕𝜕
= −𝑣𝑣 − 𝑢𝑢 − 𝑤𝑤 + �𝐸𝐸𝑥𝑥 � + �𝐸𝐸𝑦𝑦 � + �𝐸𝐸𝑧𝑧 �
𝜕𝜕𝜕𝜕 𝜕𝜕𝜕𝜕 𝜕𝜕𝜕𝜕 𝜕𝜕𝜕𝜕 𝜕𝜕𝜕𝜕 𝜕𝜕𝜕𝜕 𝜕𝜕𝜕𝜕 𝜕𝜕𝜕𝜕
�� 𝜕𝜕𝜕𝜕 𝜕𝜕𝜕𝜕
𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷ó𝑛𝑛 𝑦𝑦 𝑜𝑜 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑ó𝑛𝑛
𝑇𝑇é𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟
�
𝜕𝜕𝜕𝜕 𝑆𝑆 (1)
+ ∓ �
𝜕𝜕𝜕𝜕 �∀
𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆
Donde, 𝐶𝐶 es la concentración del contaminante a la entrada al volumen
𝜕𝜕𝜕𝜕
de control, es la tasa de cambio de la sustancia química cuando
𝜕𝜕𝜕𝜕
reacciona en el agua, 𝑢𝑢 es el componente de velocidad en la dirección
𝑦𝑦, 𝑤𝑤 es el componente de velocidad en la dirección 𝑧𝑧, 𝐸𝐸𝑥𝑥 es el coeficiente
de difusividad en la dirección 𝑥𝑥, 𝐸𝐸𝑦𝑦 es el coeficiente de difusividad en la
dirección 𝑦𝑦, 𝐸𝐸𝑧𝑧 es el coeficiente de difusividad en la dirección 𝑧𝑧, 𝑆𝑆 es la masa
de la sustancia química entrando o saliendo del sistema y ∀ el volumen.
La ecuación (1) forma la base de prácticamente todos los modelos
matemáticos de simulación de la calidad del agua (ver Tabla 5). Es una
ecuación diferencial parcial de segundo orden.
69
En la Tabla 5, se describen los modelos matemáticos empleados para
determinar calidad de agua en ríos que se emplean en la literatura
especializada.
Tabla 5. Modelos de calidad de agua para ríos, versiones y características.
Nombre Organización/País Web Año Contaminantes
CE-QUAL USCE/USA https://www.usgs 1982 T, nutrientes, algas,

.gov/software/ce- OD, materia
qual-w2- orgánica y
hydrodynamic- sedimentos.
and-water-
quality-model
DELWAQ DH/Netherlands https://oss.deltar 1985 Lodo (arcilla, limo,

es.nl/web/delft3d arena fina,
/delwaq1/- material orgánico
/message_board y agua).
s/category/2053
75
TELEMAC LNH-CEH/France Uk http://www.opent 1991 Metales pesados,

elemac.org/index biomasa, OD y
.php/presentatio calor
n?id=17
AQUASIM EAWAG/ https://aquastruc 1994 OD, NH4, DOQ

Switzerland tures.no/en/aqua
sim-2/
PC- CEH/UK https://www.ceh. 1997 pH, NO3-, T, E. coli,

QUASAR ac.uk/services/p DBO, OD
c-quasar
MIKE 11 DHI/Dinamarca https://www.mike 1999 DO, BOD, NO3-,

poweredbydhi.co NH4+, coliformes, P
m/products/mike
-11
TOPCAT- Newcastle http://research 2008 Total N, Total P

NP University/UK .ncl.ac.uk/iq/T
OPCAT/TOP
CAT.html
MONERIS IGB/Germany http://www.mone 2009 N, P

ris.igb-berlin.de/
SIMCAT EA/UK www.environme 2010 DO, BOD, NO3-, Cl-

ntagency.gov.uk NH4+
70
AQUATO Agencia de https://www.epa. 1987 DO, CBOD, NH3,
X protección gov/ceam/aquat NO3, OP, PO4, T,
ambiental de los ox Sedimentos
Estados Unidos
(USEPA)
WASP Agencia de https://www.epa. 1983 DO, CBOD, NH3,

protección gov/ceam/water- NO3, NO2, OP, PO4
ambiental de los quality-analysis- T, Sedimentos,
Estados Unidos simulation- Metales, Tóxicos
program-
(USEPA) wasp#main-
content
CE-QUAL- U.S. Army Engineers https://www.osti. 1990 DO, BOD, NH3,

RIV1 Waterways gov/biblio/24126 NO3, NO2, OP, PO4
Experiment Station 1-ce-qual-riv1- T, Bacteria, Metales
(WES) dynamic-one-
dimensional-
longitudinal-
water-quality-
model-streams-
user-manual-
final-report
SWAT Departamento de https://swat.tamu DO, BOD, NH3,

Agricultura de los .edu/ NO3, NO2, OP, PO4
_____
Estados Unidos T, sedimentos,
Tóxicos, Metal
DRAINMO Grupo de www.bae.ncsu.e 1981 N, sal

D administración de du
aceite & agua.
Universidad del
estado de Carolina
del Norte.
TOMCAT Agencia Ambiental 1984 DO, NH4+, BOD

__________
QUAL2K Agencia de http://epa.gov/ 2009 DO, T, P, NO3-,

protección athens/wwqts NO₂-, NH₄⁺ y
ambiental de los c/html/qual2k. Orgánico
Estados Unidos html Nitrógeno,
Clorofila, tres
(USEPA) solutos
conservativos, un
no conservativo y
bacteria
coliforme.
71
BASINS/
Agencia de https://www.res 1981 T, coliformes
HSPF protección pec.com/project fecales, DO,
ambiental de los /basinshspf- BOD, totales
Estados Unidos training/ suspendidos
sólidos, NO3-,
(USEPA) ortofosfatos y pH
4.2. Parámetros en la estimación de la calidad de agua
El diagrama de cajas y bigotes representa la distribución de los valores
obtenidos de un parámetro obtenido en el río Utcubamba, además permite
señalar los valores atípicos del parámetro. En la Figura 4, se muestran la
distribución de los parámetros temperatura, sulfatos, DQO y DBO5
recolectados de los veinticinco puntos de muestreo en el mes de octubre del
2014 que se encuentran sobre el cauce principal.
Figura 4. Diagrama de caja y bigotes de parámetros T, sulfatos, DQO y DBO5.
En la Figura 5, se muestran la distribución de los parámetros
conductividad eléctrica, turbiedad, alcalinidad, cloruros y dureza
recolectados de los veinticinco puntos de muestreo que se encuentran sobre
el cauce principal.
72
Figura 5. Diagrama de caja y bigotes de parámetros conductividad eléctrica,
alcalinidad, cloruro y dureza.
En la Figura 6, se muestran la distribución de los parámetros nitratos,
fosfatos y amonio recolectados de los veinticinco puntos de muestreo en el
mes de octubre del 2014 que se encuentran sobre el cauce principal.
Figura 6. Diagrama de caja y bigotes de parámetros nitratos, fosfatos y

amonio.
73
En la Figura 7, se muestran la distribución de los parametros OD y pH
recolectados de los veinticinco puntos de muestreo en el mes de octubre del
Figura 7. Diagrama de caja y bigotes de parámetros OD y pH
En la Figura 8, se muestran la distribución del parámetro turbidez
recolectado de los veinticinco puntos de muestreo en el mes de octubre del
Turbidez
Figura 8. Diagrama de caja y bigotes del parámetro turbidez
74
En la Figura 9, se muestran la distribución del parámetro nitrito
recolectado de los veinticinco puntos de muestreo en el mes de octubre del
Nitrito
Figura 9. Diagrama de caja y bigotes del parámetro nitrito
4.3. Parámetros que inciden en la calidad del agua del río Utcubamba
La matriz de correlación muestra los valores de correlación de Pearson
para evaluar el grado de relación lineal entre cada par de variables
fisicoquímicas del río Utcubamba durante la temporadas 2014. Un valor de
correlación alto y positivo indica que los elementos miden la misma destreza
o característica. Si las variables no están altamente correlacionados,
entonces estas pudieran medir diferentes características o no estar
claramente definidos, ver Figura 10.
75
Figura 10. Matriz de correlación de Pearson, 2014
4.4. Modelos propuestos
4.4.1 Modelo Streeter Phelps para estimar el oxígeno disuelto
De los cuarenta y tres puntos de muestreo se consideró
veinticinco, los cuales se encuentran en el cauce del río Utcubamba.
En la Figura 2, se puede observar dichos puntos sobre la cuenca
hidrográfica. Debido a las características similares o constantes del
río, como la velocidad, profundidad en estos tramos del río, se ha
considerado en el presente estudio once estaciones de muestreo.
En la Tabla 6, se detallan los puntos de muestreo, su distancia
respectiva y el OD encontrado en campo.
76
Tabla 6. Estimación de OD en el río Utcubamba
Punto Muestreo Distancia (km) OD
EM-1 0 8.62
EM-3 6.4 8.03
EM-5 16.8 8.08
EM-7 26.8 8.32
EM-8 35.9 8.22
EM-10 49.8 8.45
EM-12 54.3 8.47
EM-14 64.6 8.47
EM-16 73.8 8.39
EM-18 81.0 8.45
EM-19 95.2 8.66
Para evaluar el modelo, fueron seleccionados los valores de
parámetros calculados o referenciados, ver Tabla 7.
Tabla 7. Determinación de parámetros para el modelo Streeter Phelps
Parámetros Valores
Déficit de oxígeno disuelto (𝐷𝐷) Ec. (1)
Coeficiente Desoxigenación (𝐾𝐾𝑑𝑑 ) 0.469
Coeficiente de aireación (𝐾𝐾𝑎𝑎 ) 2.03
DBO medido en el río (𝐿𝐿𝐿𝐿) 4.47
Déficit inicial de OD (𝐷𝐷𝐷𝐷) 0.18
Velocidad promedio (𝑉𝑉) 6.75
Distancia (𝑥𝑥) [0, 120]
Saturación del OD (𝑂𝑂𝑂𝑂) 8.8
77
El resultado de la implementación de un programa realizado en
MatLab del modelo, para los primeros once puntos de muestreo sobre
el cauce principal del río Utcubamba, se puede observar en la Figura
11, donde se presentan los datos obtenidos en campo, además
mediante una curva el valor predicho por el modelo Streeter Phelps y
la concentración de oxígeno de saturación.
Figura 11. Modelamiento del OD mediante Streeter Phelps
4.4.2 Red neuronal artificial para estimar un índice de calidad de agua
78
La RNA construida fue entrenada usando el algoritmo de
Levenberg-Marquardt, empleó la función de transferencia no lineal
(tansig) se utilizó, tanto en la capa oculta y también en la externa. Se
determinó la distribución óptima, ver Figura 12, consistente de seis
neuronas en la capa de entrada, doce neuronas en la capa oculta y
una neurona en la capa de salida, el mismo que proporcionó un mejor
modelo de ajuste para los tres conjuntos de datos.
Figura 12. Red Neuronal Artificial para estimar el índice de calidad de agua
4.4.3 Lógica difusa para estimar un índice de calidad de agua
• (Paso 1) Se ha ordenado en cinco clases cada variable de
entrada y salida, tomando como referencia la clasificación del
NSF WQI: Muy Pobre, Pobre, Media, Alta y Muy Alta.
• (Paso 2) Las variables fueron agrupados en sus clases.
• (Paso 3) Las funciones de membresía utilizadas fueron de forma
triangular y trapezoidal. En la Tabla 8, se dan los valores
determinados para cada variable, y sus correspondientes
79
conjuntos difusos, así como los términos lingüísticos
respectivos. En la Figura 13, se puede observar la fusificación
del Oxígeno Disuelto, mediante las dos funciones de membresía.
Tabla 8. Conjuntos difusos para cada variable y términos linguisticos para el desarrollo
del ICAD
Muy Pobre Pobre Medio Alto Muy Alto

Variable
a=b c d a B c a b c a b c a b c=d
OD 0 2 4 2 4 6 4 6 8 6 8 10 8 10 12
DBO5* 0 1 2 1 2 3 2 3 4 3 4 5 4 5 6
NO3* 25 30 35 20 25 30 15 20 25 10 15 20 0 10 15
CF * 2000 3500 4000 877 1500 3000 255 897 2000 10 255 500 0 10 20
pH** 0 3 5 3 5 7 5 7 9 7 9 11 9 11 14
Tur * 8 10 90 5 8 10 2 5 8 1 2 3 0 1 2
ICAD 0 10 30 10 30 50 30 50 70 50 70 90 70 90 100
* Menos valor de estas variables la calidad del agua es de mejor calidad.

**
Muy Pobre = Muy Alto, Pobre = Alto. Se obtiene mayor calidad cuando la variable toma
valores de Medio.
Figura 13. Fusificación del Oxígeno Disuelto
• (Paso 4) Como hay seis variables de entrada y cada variable se
descompone en cinco clases, al formar la combinación de todas
ellas con diferentes clases habrá 15 625 (56) reglas. Definir
80
todas estas reglas hará que el sistema sea más complejo, por
ello, se realizó la reducción del número de reglas. Las seis
variables de entrada se agruparon en cuatro grupos. El grupo 1
estuvo conformado por el Oxígeno Disuelto y DBO, debido que
son variables químicas de la calidad del agua. El Grupo 2 solo
se formó con Nitrato, que es la variable que proporciona la
información de nutrientes del agua. Por otro lado, el grupo 3 se
conformó por los coliformes fecales, que es la variable
microbiológica que determina la calidad del agua. El pH y la
turbidez formaron parte del grupo 4, ya que son variables físico
químicos y físico respectivamente de la calidad del agua.
Inicialmente, las reglas se definieron para el grupo 1 y el grupo
4 por separado. Con ayuda de los expertos se definieron 10
reglas de inferencia, ver Tabla 9.
Tabla 9. Reglas de inferencia difusa, para estimar la calidad de agua
Regla Descripción
1 Si la Turbidez es Muy Alto o el Oxígeno Disuelto es Muy
Bajo o la DBO es Muy Alto o el pH es Muy Bajo o los
Coliformes Fecales son Muy Altos o el Nitrato es Muy Alto,
entonces la Calidad del Agua es Muy Baja.
2 Si la Turbidez es Alta o el Oxígeno Disuelto es Bajo o la
DBO es Alta o el pH es Bajo o los Coliformes Fecales es
Alto o el Nitrato es Alto, entonces la Calidad de Agua es
Baja.
3
Si la Turbidez es Media o el Oxígeno Disuelto es Medio o
la DBO es Media o el pH es Medio o los Coliformes Fecales
es Medio o el Nitrato es Medio, entonces la Calidad del
Agua es Media.
4 Si la Turbidez es Baja o el Oxígeno Disuelto es Alto o la

DBO es Bajo o el pH es Medio o los Coliformes Fecales
son Bajos o el Nitrato es Bajo, entonces la Calidad del
Agua es Alta.
81
5
Si la Turbidez es Muy Bajo o el Oxígeno Disuelto es Muy
Alto o la DBO es Muy Bajo o el pH es Alto o los Coliformes
Fecales son Muy Bajos o el Nitrato es Muy Bajo, entonces
la Calidad del Agua es Muy Alto.
6 Si la Turbidez es Muy Alta y el Oxígeno Disuelto es Muy
Bajo y la DBO es Muy Alto y el pH es Muy Bajo y los
Coliformes Fecales es Muy Alto y el Nitrato es Muy Alto,
entonces la Calidad del Agua es Muy Baja.
7 Si la Turbidez es Alta y el Oxígeno Disuelto es Bajo y la
DBO es Alto y el pH es Bajo y los Coliformes Fecales es
Alto y el Nitrato es Alto, entonces la Calidad del Agua es
Baja.
8
Si la Turbidez es media y el Oxígeno Disuelto es Medio y
la DBO es Media y el pH es Medio y las Coliformes Fecales
es Medio y el Nitrato es Medio, entonces la Calidad del
Agua es Media.
9 Si la Turbidez es Baja y el Oxígeno Disuelto es Alto y el
DBO es Bajo y el pH es Medio y los Coliformes Fecales es
Bajo y el Nitrato es Bajo, entonces la Calidad del Agua es
Alto.
10
Si la Turbidez es Muy Baja y el Oxígeno Disuelto es Muy
Alto y la DBO es Muy Bajo y el pH es Alto y los Coliformes
Fecales es Muy Bajo y el Nitrato es Muy Bajo, entonces la
Calidad del Agua es Muy Alta.
• (Paso 5) En el algoritmo difuso, el enfoque que se utilizó es del
tipo Mamdani, que viene implementado en MatLab.
• (Paso 6) Para defusificar las inferencias propuestas, se usó el
método del centroide que representa el centro de gravedad de
la función de membresía.
En las Tablas 10 y 11, respectivamente, se muestran los
resultados al aplicar el índice NSF WQI e ICAD, para este fin se ha
considerado dieciséis puntos de muestreo (EM) en el río Utcubamba y
sus afluentes los mismos que fueron realizados en octubre del 2014.
82
Tabla 10. Parámetros y cálculo del índice NSF WQI en estaciones de muestreo
EM T OD DBO5 SD Tur PO4 NO3 pH CF NSF WQI

EM1 11.2 8.62 1.35 69.72 1.06 0.16 0.08 8.21 50 65
EM2 12.2 8.12 2.97 52.01 0.77 0.1 0.6 8.12 4 67
EM3 12.3 8.03 1.49 60.97 1.37 0.03 0.1 8.3 23 66
EM4 11.8 7.57 1.13 54.6 2.39 0 0.53 8.29 300 62
EM6 15.1 8.4 2.72 43.12 3.3 0.05 0.19 8.01 11 65
EM7 13.4 8.32 0.79 50.26 1.46 0 0.78 8.14 500 62
EM9 14 8.18 2.75 29.4 0.94 0.01 0.24 8.14 23 64
EM15 16.9 7.89 3.89 53.83 10.04 0.12 0.43 8.48 500 54
EM16 13.8 8.39 5.73 40.11 28.37 0.08 0.49 8.27 1600 51
EM18 14.5 8.45 1.81 41.79 29.16 0 1.11 8.2 900 56
EM27 20.9 8.45 2.41 49.07 2.19 0 0 8.32 170 58
EM29 20.3 8.82 2.12 73.29 51.45 0.05 0.9 8.49 1600 51
EM30 19.8 8.45 1.59 33.11 21.31 0.09 0.89 8.34 900 54
EM31 20.8 8.25 5.15 68.18 49.22 0.08 1.61 8.23 1600 49
EM37 21.4 7.9 2.66 84.21 7.87 0.02 0.5 8.51 300 55
EM42 25.6 8.27 2.95 95.97 80.99 0.18 1.96 8.16 350 50
Tabla 11. Parámetros y cálculo del índice ICAD en dieciséis estaciones de

muestreo
EM Tur OD DBO5 pH CF NO3 ICAD

EM1 1.06 8.62 1.35 8.21 50 0.08 73
EM2 0.77 8.12 2.97 8.12 4 0.6 70
EM3 1.37 8.03 1.49 8.3 23 0.1 74
EM4 2.39 7.57 1.13 8.29 300 0.53 74
EM6 3.3 8.4 2.72 8.01 11 0.19 71
EM7 1.46 8.32 0.79 8.14 500 0.78 73
EM9 0.94 8.18 2.75 8.14 23 0.24 71
EM15 10.04 7.89 3.89 8.48 500 0.43 50
EM16 28.37 8.39 5.73 8.27 1600 0.49 50
83
EM18 29.16 8.45 1.81 8.2 900 1.11 53
EM27 2.19 8.45 2.41 8.32 170 0 73
EM29 51.45 8.82 2.12 8.49 1600 0.9 50
EM30 21.31 8.45 1.59 8.34 900 0.89 53
EM31 49.22 8.25 5.15 8.23 1600 1.61 50
EM37 7.87 7.9 2.66 8.51 300 0.5 60
EM42 80.99 8.27 2.95 8.16 350 1.96 53
4.5. Análisis estadístico de los modelos
4.5.1 Modelo Streeter-Phelps para estimar el oxígeno disuelto
Con los residuos obtenidos, entre el valor real y el pronosticado
por el modelo se realizó un análisis de normalidad de Shapiro Wilk de
0.9687 para once puntos de muestreo, ver Figura 14.
Figura 14. Prueba de normalidad de Shapiro Wilk para residuos
4.5.2 Red neuronal artificial para estimar un índice de calidad de agua
84
El coeficiente de correlación (R) para el entrenamiento,
validación y los conjuntos de prueba fueron 0.979, 1 y 0.940,
respectivamente. Los valores respectivos de RMSE para los tres
conjuntos de datos fue 2.562 para entrenamiento, 1.546 la validación,
y 1.997 la prueba.
Tabla 12. Desempeño de los parámetros de la RNA para estimar la calidad del agua del
río Utcubamba
Estructura Entrenamiento (70%) Validación (10%) Predicción (20%)

RNA RMSE R RMSE R RMSE R
6 -12-1 2,652 0,979 1,546 1 1,997 0,940
4.5.3 Lógica difusa para estimar un índice de calidad de agua
Se utilizó el coeficiente de determinación (R2) entre los índices
(Figura 15) para validar el modelo propuesto. Se obtuvo un valor de
0.81. Al tener un valor cercana a uno, los índices deberían mostrar
valores muy similares. Por lo tanto, la correlación obtenida satisfizo el
objetivo de la investigación, que era desarrollar un nuevo índice que
fuera riguroso en su desempeño de clasificación.
Figura 15. Correlación lineal entre los valores de ICAD y NSF WQI
85
CAPÍTULO V. ANÁLISIS Y DISCUSIÓN DE RESULTADOS
Los modelos para determinar calidad del agua en ríos son complejos de
utilizar, ya que requieren conocimientos en diferentes áreas como la biología, la
química, la física y la ingeniería (Costa et al. 2021). Sin embargo, la herramienta
para predecir diferentes escenarios de contaminación de la calidad de agua de los
ríos es la simulación de modelos matemáticos, pueden proveer una base y soporte
técnico para la administración ambiental (Sumita y Kaur 2017). Diversas
instituciones desarrollaron modelos de calidad de agua para ríos, en la Tabla 5 se
observa características como la institución, parámetros evaluados, etc. Por lo
tanto, numerosos modelos comerciales y de código abierto se aplican para simular
procesos complejos de calidad del agua en diversas condiciones ambientales
(Ejigu 2021). Algunos de estos modelos son: CE-QUAL, DELWAQ, TELEMAC,
AQUASIM, PC-QUASAR, MIKE 11, TOPCAT-NP, MONERIS, SIMCAT,
AQUATOX, WASP, CE-QUAL-RIV1, SWAT, DRAINMOD, TOMCAT, QUAL2K,
BASINS/HSPF.
El comportamiento de un contaminante o sustancia química una vez que
entra en un río, su concentración se ve afectada por varios fenómenos. Esta se
puede escribir a tráves de una ecuación diferencial, la cual permite analizar el
efecto de la inyección de contaminantes en una corriente uniforme y es útil en la
práctica para ofrecer una evaluación de la contaminación en el río, ver Ecuación
(1), cuya solución da en cualquier instante la concentración del contaminante en
cualquier punto del río. Sin embargo, la complejidad de la geometría de los ríos y
proceso de inyección de contaminantes no siempre puede modelarse con
precisión mediante el enfoque analítico. Gracias a los avances en la modelización
numérica, la realidad puede ser, por tanto, discretizada, de manera que los
86
detalles del problema pueden ser mejor analizados. Por tanto, la ecuación
diferencial fundamental se transforma en una expresión en términos finitos para
simular el comportamiento del río (Benedini y Tsakiris 2013).
Por otro lado, los métodos de predicción dados en la Tabla 5 no pueden
captar bien la no linealidad y no estacionariedad de la calidad del agua. En los
últimos años, el rápido desarrollo de la inteligencia artificial se viene empleando
para estimar calidad de agua en ríos. Una de los algoritmos empleados son las
RNAs, conviertiéndose en punto de interés para la predicción de la calidad del
agua (Chen et al. 2020).
La diferencia entre las dispersiones de los parámetros T, sulfatos y DBO5
se interpretan a partir de la Figura 4. Donde, la DQO es un parámetro con gran
dispersión de valores y DBO5 presenta pequeña dispersion de los datos
recolectados. Además, se puede interpretar que el parámetro de los sulfatos
presentó tres valores atípicos que fueron mayores que el valor del extremo
superior y un valor atípico menor que el valor del extremo inferior. En el caso del
parámetro DQO este presentó un valor atípico mayor que valor del extremo
superior. La distribución de los parámetros conductividad eléctrica, alcalinidad,
cloruros y dureza se comprenden a partir de la Figura 5. Los parámetros
alcalinidad, cloruros y dureza presentan valores atípicos mayores que los valores
extremos superiores de los mismos siendo dos, cuatro y uno respectivamente. Los
fosfatos y amonio presentan un valor atípico para cada uno, además los fosfatos
tienen menor dispersion de los valores recolectados, ver Figura 6. Sin embargo
los parámetros OD y pH presentaron una distribución simétrica de los valores
recolectados, ver Figura 7, pero con un valor atípico mayor que el límite extremo
superior. El parámetro turbidez presenta una dispersion de los datos, los mismos
que obtienen valores altos en la parte baja del río Utcubamba debido al desarrollo
87
de actividades antropogénicas (García Huamán et al. 2011). También el nitrito
presenta dos valores atípicos y su distribución de datos recolectados es
asimétrico, ver Figura 9.
Para estimar la asociación de los parámetros recolectados se determinó a
través del coeficiente de correlación de Pearson, debido a que nos permitió brindar
información sobre la magnitud de la asociación, o correlación, así como la
dirección de la relación. Es así que ha existido una correlación fuerte positiva entre
los pares de parámetros CE y T, CE y fostatos, dureza y alcalinidad. Entre los
pares conformado por los parámetros CE y nitrato, CE y sulfato, CE y amonio, T y
turbidez, T y fosfato, T y sultato, T y DBO5, turbidez y nitrato, turbidez y sulfato,
nitrato y fosfato, nitrato y sulfato, nitrato y amonio, fosfato y sulfato, fosfato y DBO5,
sulfato y amonio, DQO y DBO5 han tenido una correlación alta positiva. Sin
embargo entre los pares de parámetros CE y pH, pH y fosfatos, pH y sulfatos, ha
existido una correlación alta positiva.
Se ha empleado el modelo Streeter Phelps para descargas puntuales en el
río Ohio. El desarrollo del modelo correspondió un hito histórico en la evolución
de los modelos de calidad de agua (Streeter y Phelps 1925). Se estudiaron las
características hidrológicas, morfológicas, físicas, químicas y biológicas del río
Utcubamba, así como las principales fuentes de contaminación existentes que
están afectando al río. La herramienta permite determinar la evolución que sufre
la concentración de OD y la resiliencia de un cuerpo de agua, al ser este vertido
en un punto de un rio por un afluente (Barboza et al. 2017), (Quiñones Huatangari,
Milla Pino, et al. 2020) tal como se puede corroborar en la Figura 11, que el
OD se recupera después de cien kilómetros aproximadamente después de la
descarga puntual de las aguas residuales de la provincia de Leymebamba,
además de la materia orgánica que contamina al río, causado por la ganadería
88
que se desarrolla en la cabecera del cuerpo de agua y sus afluentes del mismo,
los cuales son descritas en el estudio realizado por el INDES-CES (Barboza
et al. 2017).
Los datos que se han utilizado para diseñar, emplear y usar la RNA, constó
de dieciséis puntos de muestreo del río Utcubamba; estas muestras de agua se
realizó con la estación de lluvias (Quiñones Huatangari, Ochoa Toledo, et al.
2020). La RNA fue perceptrón multicapa y permitió estimar el índice de calidad de
agua (NSF WQI), donde los parámetros de entrada estuvo conformado por: OD,
DBO, nitratos, coliformes fecales, pH y turbidez. La arquitectura de la RNA óptima
para estimar el NSF WQI se muestra en la Figura 12. Con el trabajo de
Thambavani D y Uma desarrollado el 2014, coincidiendo en la aplicación de
modelo RNA de tres capas para calcular el índice de calidad del agua (WQI) para
Batlagundu, Dindigul District, Tamilnadu en India. Sin embargo, existen diferencias
en la arquitectura de red óptima (8-3-1), los parámetros de entrada, las cuales
fueron el pH, OD, EC, TDS, TA, TH, Ca, Mg, el algoritmo de entrenamiento (retro
propagación) y el WQI empleado es calculado bajo la normativa del país donde se
realizó el estudio (Quiñones Huatangari, Ochoa Toledo, et al. 2020).
Las variables consideradas para el desarrollo del índice de calidad de agua
empleando lógica difusa (DWQI) fueron seis. Se añadió el nitrato porque aporta
información sobre los nutrientes, a las cinco propuestas por (Mishra y Jha 2014) y
también coincide con el trabajo de (Srivastava, Burande, y Sharma 2013), donde
consideraron la turbidez, OD, DBO5, pH y coliformes fecales. En la
implementación de los sistemas difusos se utilizan el sistema de inferencia difuso
tipo Mandani que consiste en reglas de decisión, las cuales están dadas por los
operadores "y" u "or". Sin embargo, en la investigación las reglas de decisión
tienen ambos operadores, cinco utilizan el operador "or" y las restantes el operador
89
"and". Se consideraron las clases muy pobre, pobre, media, alta y muy alta de las
variables Tur, DO, DBO5, pH, FC, NO3 formaban parte del antecedente y la
variable DWQI del consecuente. Sin embargo, destacar que las clases de cada
variable contribuyen de manera diferente a la calidad del agua, por lo que que las
variables DBO5, NO3, FC y Tur se comportan de tal manera que cuando el valor
de estas variables es menor, el DQWI es alto. El caso del pH es particular porque
hay clases que contribuyen igualmente a la calidad del agua, Muy Pobre= Muy
Alto, Pobre= Alto y se obtiene mayor DQWI cuando la variable toma valores de
medio. El DO y el DWQI, cuanto mayor sea el valor, mejor será la calidad del agua.
El índice considera seis variables relevantes en contraste con las nueve de sus
similares (Quiñones Huatangari, Ochoa, et al. 2020).
La prueba de normalidad que se desarrollado en la investigación es la de
Shapiro-Wilks obteniendo un valor de 0.9687 y por ende se comprueba que
los datos tienen tendencia normal. De esta manera se concluye que el modelo
Streeter Phelps puede ser empleado para realizar inferencias sobre el OD para
once puntos de muestreo (Quiñones Huatangari, Milla Pino, et al. 2020). Además,
la distribución óptima de la RNA propuesta, obtuvo el valor de R mayores que 0.94
y el RMSE menor que 2.65, para la distribución de los conjuntos de entrenamiento,
validación y prueba de la RNA, es el 70 %, 10 % y 20 %; esta distribución es la
misma encontrada en el trabajo de May y Sivakumar en el 2009 (Quiñones
Huatangari, Ochoa Toledo, et al. 2020). El DWQI, basado en la lógica difusa,
produce resultados similares al WQI de la NSF, R2 = 0.81. En este sentido, el
DQWI puede ser utilizado como una herramienta integral para la evaluación de la
calidad del agua por parte de las personas o instituciones interesadas según su
entorno, realidades y propósitos, con pequeñas modificaciones (Quiñones
Huatangari, Ochoa, et al. 2020).
90
CAPÍTULO VI. CONCLUSIONES Y RECOMENDACIONES
CONCLUSIONES
Lo que se ha realizado, constituye un ejercicio concreto en el empleo
de la modelación matemática para estimar el parámetro OD mediante el Streeter
Phelps; además del índice NSF WQI mediante redes neunorales artificiales y
lógica difusa tomando como referencia estudios y softwares desarrollados en otros
paises.
De los cuarenta y tres puntos de muestreo tomadas en la cuenca del
Utcubamba por el INDES-CES, los mismos que han sido tomados sobre el cauce
principal y sus afluentes. Para el trabajo, se han tomado en cuenta las
veinticinco estaciones del cauce principal y dentro de los cuales, solo once
cumplen con las condiciones necesarias como velocidad constante, altura
promedio, para emplear el modelo Streeter Phelps. Las predicciones del
comportamiento del OD realizado para un tramo, que comprende desde el 0 km
hasta 95.2 km del río, son fiables debido a que sus residuos poseen tendencia
normal, debido a la prueba de Shapiro-Wilks.
Se propone un modelo basado en redes neuronales artificiales para el
cálculo del índice NSF WQI del río Utcubamba. La red neuronal artificial que se
empleó ha sido el perceptrón de tres capas, el algoritmo de entrenamiento fue el
de Levenberg Marquardt. El presente estudio muestra que la red neuronal artificial
óptima que tiene la arquitectura 6-12-1 es capaz de capturar a largo plazo las
tendencias observadas a la tediosa variable como es determinar el índice de la
calidad del agua.
Se desarrolló un índice para determinar la calidad del agua del río
Utcubamba, denominado "Índice de calidad del agua difusa" (DWQI). Basándose
91
en opiniones de expertos y en experiencias internacionales, se consideraron como
indicadores del DWQI seis variables de calidad del agua, a saber, el OD, la
turbidez, el pH, los nitratos y coliformes fecales. La aplicación del indice se realizó
en dieciséis puntos de muestreo en el río Utcubamba durante octubre de 2014 en
la región amazónica del Perú, a partir de datos de calidad de agua observados.
El DQWI tiene un valor del coeficiente de correlación de 0.81, con el WQI de la
NSF, por lo tanto, permitiría tener una alta similitud con los resultados esperados
en el río Utcubamba y sus afluentes.
RECOMENDACIONES
A los profesionales que deseen emplear modelos matemáticos para
determinar calidad de agua en ríos, deben formar equipo multidisciplinario o recibir
asesoría de múltiples profesionales, los mismos que podrían ser un biólogo,
matemático, ingeniero de computación o sistemas y químico.
A las instituciones encargadas de monitorear y controlar los cuerpos de agua
en el Perú, colocar a disposición la información existente, por ejemplo, a través de
la Plataforma Nacional de Datos Abiertos del Estado Peruano. Puesto que la
disponibilidad de esta información es fundamental para el empleo de modelos
matemáticos que permiten determinar la calidad del agua en ríos.
Al Estado Peruano a través de los Gobiernos Locales o Regionales se
sugiere recolectar información en campo sobre calidad de agua de los ríos en
todas las regiones del país, debido que hay carencia de información válida para
un mejor sistema de administración y toma de decisiones con respecto a este
recurso.
92
CAPÍTULO VII. REFERENCIAS BIBLIOGRÁFICAS
Aguado García, Daniel. 2009. «Modelo de Streeter-Phelps incluyendo nitrificación

según modelo simplificado». Universidad Politécnica de Valencia, junio 15.
APECO. 2009. «Plan estratégico regional del recurso hídrico de Amazonas».
Arango, María Cecilia, Luisa Fernanda Álvarez, Gloria Alexandra Arango, Orlando
Elí Torres, y Asmed de Jesús Monsalve. 2008. «Calidad del agua de las quebradas
la cristalina y la risaralda, San Luis, Antioquia». Revista EIA (9):121-41.
Arroyave Gómez, Diana Marcela, Agustín Alejandro Moreno Tovar, Francisco

Mauricio Toro Botero, Darío de Jesús Gallego Suárez, y Luis Fernando Carvajal
Serna. 2013. «Estudio del modelamiento de la calidad del agua del Río Sinú,
Colombia». Revista Ingenierías Universidad de Medellín 12(22):33-44.
Ayer, Alfred Julius. 1993. El positivismo lógico. Madrid: Fondo de Cultura

Económica.
Barboza, Elgar, Fernando Corroto, Rolando Salas, Oscar Gamarra, Daniel

Ballarín, y Alfredo Ollero. 2017. «Hidrogeomorfología en áreas tropicales:
aplicación del índice hidrogeomorfológico (IHG) en el río Utcubamba (Perú)».
Ecología Aplicada 16(1):39-47.
Bartram, Jamie, y Richard Ballance. 1996. Water quality monitoring: a practical

guide to the design and implementation of freshwater quality studies and
monitoring programmes. CRC Press.
Benedini, Marcello, y George Tsakiris. 2013. Water Quality Modelling for Rivers
and Streams. Springer Netherlands.
Bracho Perez, Julio Cesar, y Yosselin Amelia Rivera Puma. 2017. «Evaluación del
Impacto de Vertimiento de Aguas Residuales de Una Industria Papelera a Un
Tramo Del Río Rimac». Trabajo de suficiencia, Universidad Nacional Tecnológica
de Lima Sur, Lima, Perú.
Cajas Parra, Valeria Andrea. 2015. «Estimación de valores de contaminación

difusa para el río Tomebamba en zonas periféricas y urbanas. Primera
Aproximación». Universidad de Cuenca.
Calvo-Brenes, Guillermo, y Jesús Mora Molina. 2009. «Evaluación y clasificación

preliminar de la calidad del agua de las Cuencas de los ríos Tárcoles y
Reventazón». Tecnología en Marcha 22(1):57-64.
Cárdenas Pestana, Jorge Alberto. 2016. «Propuesta y análisis de un modelo

matemático para la determinación de la calidad del agua de aguas superficiales».
Thesis, Universidad Central «Marta Abreu» de Las Villas.
93
Carrasco Venegas, Luis, Luis Castañeda Perez, Jorge Lescano Sandoval, y José
Iannacone Oliver. 2020. «Simulación de los procesos de desoxigenación y
reoxigenación en aguas contaminadas». Simulation of deoxygenation and
reoxygenation processes in polluted water. 25(30):289-308. doi:
10.24265/campus.2020.v25n30.06.
Carrera González, Carmen Gabriela. 2011. «Modelación de oxígeno disuelto y

materia orgánica y su influencia en la distribución y diversidad de indicadores
bentónicos de la Cuenca del Río San Pedro en el tramo Amaguaña Guangopolo».
Universidad de las Fuerzas Armadas ESPE, Ecuador.
Chau, Kwok-wing. 2006. «A review on integration of artificial intelligence into water

quality modelling». Marine pollution bulletin 52(7):726-33.
Chen, Y., L. Song, Y. Liu, L. Yang, y D. Li. 2020. «A review of the artificial neural
network models for water quality prediction». Applied Sciences (Switzerland)
10(17). doi: 10.3390/app10175776.
Cornford, Francis Macdonald. 2010. La filosofía no escrita: y otros

ensayos/Francis M. Cornford; introducción de WKC Guthrie. Barcelona: Ariel, DL
1974.
Corroto, Fernando, Oscar Gamarra, Elgar Barboza, Fernando Corroto, Oscar

Gamarra, y Elgar Barboza. 2018. «Evaluación multivariante de la calidad del agua
en la cuenca del Utcubamba (Perú)». Tecnología y ciencias del agua 9(5):33-57.
doi: 10.24850/j-tyca-2018-05-02.
Costa, C. M. S. B., I. R. Leite, A. K. Almeida, y I. K. de Almeida. 2021. «Choosing

an appropriate water quality model—a review». Environmental Monitoring and
Assessment 193(1). doi: 10.1007/s10661-020-08786-1.
Domínguez, Eduardo, y H. R. Fernández. 2009. Macroinvertebrados bentónicos

sudamericanos: sistemática y biología. Tucumán, Argentina: Fundación Miguel
Lillo.
Ejigu, Mamuye Tebebal. 2021. «Overview of water quality modeling» editado por
M. K. Amosa. Cogent Engineering 8(1):1891711. doi:
10.1080/23311916.2021.1891711.
Gamarra, Oscar, Fernando Corroto, Jesús Rascón, y Jhesibel Chávez. 2018.

Calidad ecológica del agua en la cuenca del río Utcubamba, Amazonas, Perú
(Primera). Primera. Chachapoyas: Universidad Nacional Toribio Rodríguez de
Mendoza de Amazonas.
Gao, Liangliang, y Daoliang Li. 2014. «A review of hydrological/water-quality

models». Front. Agr. Sci. Eng 1(4):267-76. doi: 10.15302/J-FASE-2014041.
Garayar, Carlos, Walter H. Wust, Germán Coronado, y Martha Muñoz de

Coronado, eds. 2003. Atlas departamental del Perú: imagen geográfica,
estadística, histórica y cultural. 1. ed. Lima, Perú: PEISA : La República.
94
García Huamán, Flor Teresa, Jorge Torres Delgado, y Segundo Edilberto Vergara
Medrano. 2011. «Calidad ecológica del agua del río Utcubamba en relación a
parámetros fisicoquímicos y biológicos. Amazonas-Perú». Revista de
investigación científica Sciendo 14(2):7-19.
García, Renier Esquivei, Gerardo Félix Benjamín, y Rafael Bello Pérez. 2014.
«Evaluación del impacto de la capacitación con lógica difusa». Ingeniare. Revista
chilena de ingeniería 22(1):41-52. doi: 10.4067/S0718-33052014000100005.
Gómez, Walter Arévalo, Enrique Guadalupe Gómez, Renán Pacheco Abad, Lia
Concepción Gamarra, Carlos Cabrera Carranza, y Silvia Iglesias León. 2008.
«Valoración de los paisajes naturales y del impacto paisajístico de las cataratas
en la cuenca media del río Utcubamba». Revista del Instituto de Investigación de
la Facultad de Ingeniería Geológica, Minera, Metalúrgica y Geográfica 11(21):68-
75.
Grafton, R. Quentin, y Karen Hussey. 2011. Water resources planning and

management. Cambridge University Press.
Gutiérrez, Juan David, Wolfgang Riss, y Rodulfo Ospina. 2004. «Bioindicación de

la calidad del agua con macroinvertebrados acuáticos en la sabana de Bogotá,
utilizando redes neuronales artificiales». Caldasia 26(1):151-60.
INEI. 2018. «Censos Nacionales 2017 – XII de Población, VII de Vivienda y III de
Comunidades Indígenas». Instituto Nacional de Estadística e Informática-INEI.
Recuperado 25 de junio de 2021 (http://censo2017.inei.gob.pe/).
Jáimez-Cuéllar, Pablo, Soledad Vivas, Núria Bonada, Santiago Robles, Andrés

Mellado, Maruxa Álvarez, Juan Avilés, Jesús Casas, Manuel Ortega, y Isabel
Pardo. 2002. «Protocolo GUADALMED (prece)». Limnetica 21(3-4):187-204.
Kannel, Prakash R., Sushil R. Kanel, Seockheon Lee, Young-Soo Lee, y Thian Y.
Gan. 2011. «A Review of Public Domain Water Quality Models for Simulating
Dissolved Oxygen in Rivers and Streams». Environmental Modeling & Assessment
16(2):183-204. doi: 10.1007/s10666-010-9235-1.
Kayode, Olowe, y Muthukrishna Kumarasamy. 2018. «Assessment of Some

Existing Water Quality Models». Nature Environment and Pollution Technology
17:939-48.
Kolakowski, Leszek. 1988. «La filosofía positivista. 3. a edición». Madrid: Cátedra.
Leiva Tafur, Dámaris, Elver Coronel, y Fernando Corroto. 2017. «Uso de

diatomeas para medir el impacto de la extracción de agregados en ríos
altoandinos, Amazonas, Perú». INDES Revista de Investigación para el Desarrollo
Sustentable 3(1):33-42.
Mancheno Domínguez, Gabriela Alejandra, y Christian Alberto Ramos Rosero.

2015. «Evaluación de la calidad del agua en la quebrada Huarmiyacu del cantón
Urcuquí, provincia de Imbabura para el prediseño de la planta de potabilización de
95
agua para consumo humano de las poblaciones de San Blas y Urcuquí». Tesis de
licenciatura, Escuela Politécnica Nacional, Quito.
Mishra, Nidhi, y P. Jha. 2014. «Fuzzy expert system for drinking water quality
index». Recent Research in Science and Technology 6(1).
Ordoñez Machicao, Noe. 2020. «Análisis de la calidad del agua en el río chili
(distritos de Tiabaya y Uchumayo) antes y después de la puesta en marcha y
operación de la planta de tratamiento de agua residuales “La Enlozada” aplicando
un modelo matemático». Tesis de doctorado, Universidad Nacional de San
Agustín de Arequipa, Arequipa.
Pérez Ramírez, Fredy Ocaris, y Horacio Fernández Castaño. 2007. «Las redes
neunorales y la evaluación del riesgo de crédito». Revista Ingenierías Universidad
de Medellín 6(10):77-91.
Quintana, Jorge Luis Maicelo, Karen Analí Miñano Guevara, William Bardales
Escalante, y Santos Triunfo Leiva Espinoza. 2018. «Inventario de
macroinvertebrados bentónicos en la cuenca del río Utcubamba, región Amazonas
(Perú)». INDES Revista de Investigación para el Desarrollo Sustentable 2(2):39-
48 Doi:10.25127/indes.201402.004. doi: 10.25127/indes.20142.74.
Quiñones Huatangari, Lenin, Manuel Emilio Milla Pino, Oscar Andrés Gamarra
Torres, Rolando Salas López, y José Federico Bazán Correa. 2020. «Empleo del
Modelo Streeter-Phelps para estimar el oxígeno disuelto del Río Utcubamba».
Ecuadorian Science Journal 4(2):12-16. doi: 10.46480/esj.4.2.59.
Quiñones Huatangari, Lenin, Luis Ochoa, Manuel Emilio Milla-Pino, José Federico
Bazán, Oscar Andrés Gamarra, y Jesús Rascón. 2020. «Water Quality Index
Using Fuzzy Logic Utcubamba River, Peru». Revista de Ciencias Agrícolas
37(1):6-18. doi: 10.22267/rcia.203701.124.
Quiñones Huatangari, Lenin, Luis Ochoa Toledo, Oscar Gamarra Torres, José
Bazán Correa, Jorge Delgado Soto, Nicolás Kemper Valverde, Lenin Quiñones
Huatangari, Luis Ochoa Toledo, Oscar Gamarra Torres, José Bazán Correa, Jorge
Delgado Soto, y Nicolás Kemper Valverde. 2020. «Red neuronal artificial para
estimar un índice de calidad de agua». Enfoque UTE 11(2):109-20. doi:
10.29019/enfoque.v11n2.633.
Ranjith, S., Anand V. Shivapur, P. Shiva Keshava Kumar, Chandrashekarayya G.

Hiremath, y Santhosh Dhungana. 2019. «Water Quality Model for Streams: A
Review». Journal of Environmental Protection 10(12):1612-48. doi:
10.4236/jep.2019.1012097.
Ríos Tobón, Sandra, Ruth Marina Agudelo Cadavid, y Lina Andrea Gutiérrez
Builes. 2017. «Patógenos e indicadores microbiológicos de calidad del agua para
consumo humano». Revista Facultad Nacional de Salud Pública 35(2):236-47.
Russell, Bertrand. 1970. «La revolución copernicana». Revista de la Universidad

Nacional (1944-1992) (5):237-54.
96
Sáenz Bajo, N., y M. Álvaro Ballesteros. 2002. «Redes neuronales: concepto,
aplicaciones y utilidad en medicina». Atención Primaria 30(2):119-20.
Sainz Borda, José Ángel, Agustín Ascorbe Salcedo, Andrés Liaño Herrera, María
del Mar Presmanes García, y Juan Ignacio Tejero Monzón. 1990. «Modelo de
simulación de calidad del agua de los ríos Nalon, Caudal, y Nora ( Asturias,
España ): I. establecimiento de premodelos». Revista de obras públicas, 1990,
137, (3297), 41-49.
Sambursky, S. 1990. «El mundo físico de los griegos, trad». MJ Pascual, Alianza.
Sánchez Flores, Fabio Anselmo Sánchez. 2019. «Fundamentos Epistémicos de

la Investigación Cualitativa y Cuantitativa: Consensos y Disensos». Revista Digital
de Investigación en Docencia Universitaria 101-22. doi: 10.19083/ridu.2019.644.
Sharma, Deepshikha, y Arun Kansal. 2013. «Assessment of river quality models:

a review». Reviews in Environmental Science and Bio/Technology 12(3):285-311.
Sierra Ramírez, Carlos Alberto. 2011. Calidad del agua. Evaluación y diagnóstico.
Sello Editorial de la Universidad de Medellín.
Srivastava, Pankaj, Anjali Burande, y Neeraja Sharma. 2013. «Fuzzy

environmental model for evaluating water quality of Sangam zone during Maha
Kumbh 2013». Applied Computational Intelligence and Soft Computing 2013.
Streeter, H. W., y E. B. Phelps. 1925. «A study of the Pollution and Natural

Purification of the Ohio Rivers». US Public Health Service Bulletin 146.
Sumita, Nair, y Bhatia Sukhpreet Kaur. 2017. «Water quality models: A review».
International Journal of Research-Granthaalayah 5(1):395-98. doi:
https://doi.org/10.5281/zenodo.266433.
Tiyasha, Tran Minh Tung, y Zaher Mundher Yaseen. 2020. «A Survey on River
Water Quality Modelling Using Artificial Intelligence Models: 2000–2020». Journal
of Hydrology 585:124670. doi: 10.1016/j.jhydrol.2020.124670.
Torres Mori, Willy. 2021. «Calidad del agua, en la parte media de la quebrada
Misquiyaquillo, mediante uso de Modelación del Oxígeno Disuelto y DBO5 en
constantes cinéticas de autodepuración Moyobamba, 2019». Tesis para título,
Universidad Nacional San Martín - Tarapoto, Moyobamba, Perú.
Trento, Alfredo. 2001. «Reseña sobre modelos unidireccionales de calidad de

aguas en rios». Revista Brasileira de Recursos Hídricos 6(4):175-83. doi:
10.21168/rbrh.v6n4.p175-183.
Ying, S. U. N., CHEN Zhao-he, F. A. N. Xiao-na, y L. I. Zhi-qun. 2001. «A Review

of River and Reservoir Water Quality Models and General Software». Water
Resources Protection 2.
97
Zadeh, Lotfi Asker, George J. Klir, y Bo Yuan. 1996. Fuzzy sets, fuzzy logic, and
fuzzy systems: selected papers. Vol. 6. World Scientific.
98
Anexo 1. Datos empleados para el modelamiento sobre parámetros recolectados del cauce principal
Esch
Muestreo OD CE T pH Turb Nitra Nitri Fosf Sulf Am DQO DBO5 Alc Clor Dur ColifTot ColifFec Entfaecalis Salm
coli
EM1 8.16 206.2 11.1 8.28 18.51 0.32 0 0.08 15.85 0 24.61 2.69 172 17.86 80 80 17 17 <2 A
EM3 8.11 216.3 12.6 8.4 2.92 0.12 0 0.02 1.87 0 24.85 1.44 146 24.17 132 9 4 4 <2 A
EM5 8.45 218.6 12.8 8.44 2.98 0.22 0.01 0.19 4.3 0 22.81 2.94 125 23.36 126 >=1600 >=1600 >=1600 <2 P
EM7 8.63 220 13.9 8.48 2.71 0.37 0.01 0.19 6.23 1.04 22.21 2.52 107 4.2 110.25 >=1600 >=1600 >=1600 130 P
EM8 8.44 212 14 8.44 3.98 0.14 0 0.27 5.21 0.82 22.33 2.65 105 5.25 11.3 1600 500 500 130 P
EM10 8.84 218 13.3 8.5 3.53 0.54 0.01 0 3.39 3.34 14.23 3.29 103 5.75 110.25 >=1600 >=1600 >=1600 >=1600 P
EM12 8.53 155.9 13.4 8.44 28.46 0.74 0.02 0.11 2.78 0.12 20.83 5.43 14 3.15 115.5 1600 1600 900 2 P
EM14 9.18 215 14.1 8.59 7.49 0.34 0.01 0 5.82 0 21.67 5.96 101 4.23 105 900 900 900 7 A
EM16 9.11 218 14.8 8.63 6.59 0 0 0.1 4.91 0.56 21.55 7.53 107 3.96 102.9 500 500 500 17 A
EM18 8.47 171.1 13.8 8.26 71.72 1.54 0.07 0.05 8.86 2.31 22.45 0.86 87 4.93 94.5 >=1600 >=1600 >=1600 500 A
EM19 9 176.4 14.7 8.31 112.85 1.12 0.09 0 17.37 0.267 21.67 0.62 101 1.05 101.85 >=1600 >=1600 >=1600 >=1600 A
EM21 8.83 174.3 16.3 8.23 77.52 0.66 0.07 0.05 10.07 0.28 21.55 1.31 80 7.36 86.1 >=1600 1600 350 350 A
EM23 8.68 196.1 15.9 8.38 48.94 1.48 0.04 0 9.16 0 15.05 1.82 90 8.41 118.65 >=1600 >=1600 >=1600 220 P
EM25 8.56 234 16.7 8.44 38.42 1.41 0.04 0.45 33.14 1.75 21.13 1.81 98 22.07 238.35 >=1600 >=1600 >=1600 1600 P
EM26 8.7 313 17.3 8.42 126.65 1.39 0.1 0.08 21.02 1.08 19.27 4.96 108 24.17 153.3 >=1600 >=1600 >=1600 170 A
EM28 8.74 312 19.4 8.48 136.6 2.01 0.08 0.14 49.58 0.77 20.65 3.61 110 25.22 194.25 >=1600 >=1600 >=1600 1600 A
EM29 8.54 315 20.5 8.51 129.43 1.77 0.15 0.01 27.09 0 20.35 5.85 115 25.72 168.85 >=1600 >=1600 >=1600 1600 A
99
EM31 8.77 298 19.8 8.44 78 0.8 0.06 0.21 41.98 0.21 21.85 1.74 109 25.29 172.2 >=1600 >=1600 >=1600 280 A
EM34 8.21 332 21.4 8.46 31.61 0.87 0.02 0.68 4.05 1.5 25.03 5.54 78.59 23.12 88.8 350 >=1600 >=1600 170 P
EM35 8.32 326 22.7 8.46 85.17 2.09 0.07 0.39 46.85 0.38 14.35 3.17 117 36.78 177.45 1600 >=1600 >=1600 280 A
EM36 8.69 345 22.2 8.39 52.14 1.69 0.19 0.95 14.13 7.22 21.01 3.9 116 32.07 71.2 >=1600 >=1600 >=1600 >=1600 P
EM38 8.57 372 22.6 8.46 42.33 2.35 0.03 0.66 27.15 2.13 13.57 3.77 108 29.42 67.2 >=1600 >=1600 >=1600 170 A
EM39 8.54 356 25.4 8.4 52.88 2.75 0.04 0.57 26.12 2.72 21.01 5.5 110 36.78 78 >=1600 >=1600 >=1600 >=1600 P
EM42 8.04 386 24.7 8.3 27.66 2.08 0.04 0.29 39.55 0.22 23.75 3.62 115 28.37 100.8 >=1600 >=1600 >=1600 140 A
EM43 9.08 393 25.9 8.34 22.83 2.3 0.05 0.35 38.03 0.2 23.89 6.1 105 27.32 152.25 >=1600 >=1600 >=1600 500 A
100
Anexo 2. Matrices de correlación de Pearson empleando Rstudio
#Matriz de correlación
install.packages("corrplot")
library(ggplot2)
library(corrplot)
head(Data_Utcubamba_2014)
Data_Utcubamba_2014$EstMuestreo=NULL
Data_Utcubamba_2014.cor=cor(Data_Utcubamba_2014,method = 'pearson')
round(cor(Data_Utcubamba_2014.cor), 1)
corrplot(Data_Utcubamba_2014.cor,type="upper")
# Matriz de correlación parámetros fisico químicos 2015

library(ggplot2)
library(corrplot)
head(Data_Utcubamba_2015)
Data_Utcubamba_2015$EstMuestreo=NULL
Data_Utcubamba_2015.cor=cor(Data_Utcubamba_2015,method = 'pearson')
round(cor(Data_Utcubamba_2015.cor), 1)
corrplot(Data_Utcubamba_2015.cor,type="upper")
101
Anexo 3. Programación del modelo Streeter Phelps
%----------------------------------------------------------%
%------ Script llamada por StreeterPhelps.m -----------%
clear all %borra memoria
clf %borra imagenes
global D V O DBOu O0 Os
DBOu=4.47; Os=8.8;V=6.75;
D=[0 6.4 16.8 26.0 35.9 44.8 54.3 64.6 73.8 81.0 95.2]';
O=[8.62 8.03 8.08 8.32 8.22 8.45 8.47 8.47 8.39 8.45 8.66]';
O0=O(1);
Opciones=optimset('TolX',1e-20,'TolFun',...
1e-20,'MaxFunEvals',10000)
Est=fminsearch('AutodepurMin',[0.4 0.9],Opciones);
k1=Est(1);
k2=Est(2);
%Dc=D;
Dc=linspace(D(1),D(length(D)),100);
Oc=Os-k1*DBOu/(k2-k1)*exp(-k1*(Dc/V))+(k1*...
(Os+DBOu-O0)+k2*(O0-Os))/...
(k2-k1)*exp(-k2*(Dc/V));
plot(Dc,Oc,'k-','LineWidth',1), hold on,

plot(D,O,'ko')
axis([0 110 8 8.8])
grid on
ylabel('\fontsize{13} Conc. de Oxígeno (mg/L)')
xlabel('\fontsize{13}Distancia (kilómetros)')
%text(1.5,8.85,'\fontsize{13}Conc. de oxígeno a saturación')
%line([D(1) D(length(D))],[Os Os],'Color','k','LineWidth',1)
%Text1=['\fontsize{13}k_d= ',num2str(round(1000*k1)/1000)];
%Text2=['\fontsize{13}k_a= ',num2str(round(100*k2)/100)];
%text(80,8.2,Text1), text(80,8.1,Text2)
%----------------------------------------------------------%
%------ Funcion llamada por AutodepurMin.m -----------%
function q=AutodepurMin(p);
global D V O DBOu O0 Os
k1=p(1); k2=p(2);
Oc=Os-k1*DBOu/(k2-k1)*exp(-k1*(D/V))+...
(k1*(Os+DBOu-O0)+k2*(O0-Os))/(k2-k1)*exp(-k2*(D/V));
Error=O-Oc; q=sum((Error).^2);
%--------------------------------------------------
102
Anexo 4. Sistema difuso realizado en el software matlab
[System]
Name='ICAD'
Type='mamdani'
Version=2.0
NumInputs=6
NumOutputs=1
NumRules=10
AndMethod='min'
OrMethod='max'
ImpMethod='min'
AggMethod='max'
DefuzzMethod='centroid'
[Input1]
Name='Turbidez'
Range=[0 90]
NumMFs=5
MF1='MuyBajp':'trapmf',[0 0 1 2]
MF2='Bajo':'trimf',[1 2 3]
MF3='MuyAlto':'trapmf',[8 10 90 90]
MF4='medio':'trimf',[2 5 8]
MF5='Alto':'trimf',[5 8 10]
[Input2]
Name='Oxigeno_Disuelto'
Range=[0 12]
NumMFs=5
MF1='MuyBajo':'trapmf',[0 0 2 4]
MF3='Medio':'trimf',[4 6 8]
[Input3]
103
Name='DBO'
Range=[0 6]
NumMFs=5
[Input4]
Name='pH'
Range=[0 14]
NumMFs=5
[Input5]
Name='ColiformesFecales'
Range=[0 4000]
NumMFs=5
MF3='Bajo':'trimf',[10 255 500]
MF4='Medio':'trimf',[255 897 2000]
MF5='Alto':'trimf',[877 1700 3000]
[Input6]
Name='Nitrato'
Range=[0 35]
NumMFs=5
MF2='Bajo':'trimf',[10 15 20]
104
MF5='Alto':'trimf',[20 25 30]
[Output1]
Name='CalidadAgua'
Range=[0 100]
NumMFs=5
MF2='Bajo':'trimf',[10 30 50]
MF5='Alto':'trimf',[50 70 90]
[Rules]
3 1 2 1 2 3, 1 (1) : 2
5 2 5 4 5 5, 2 (1) : 2
4 3 4 5 4 4, 4 (1) : 2
2 5 3 5 3 2, 5 (1) : 2
1 4 1 2 1 1, 3 (1) : 2
3 1 2 1 2 3, 1 (1) : 1
5 2 5 4 5 5, 2 (1) : 1
4 3 4 5 4 4, 4 (1) : 1
2 5 3 5 3 2, 5 (1) : 1
1 4 1 2 1 1, 3 (1) : 1
Anexo 5. Determinación de índice de calidad de agua NSF WQI
105

Ingind Qui Hua 2021

Cargado por

Información del documento

Descripción 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

Ingind Qui Hua 2021

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL DE PIURA

PROGRAMA DE DOCTORADO EN INGENIERÍA

“ESTIMACIÓN DE LA CALIDAD DEL AGUA, MEDIANTE EL

PARA OBTENER EL GRADO ACADÉMICO DE DOCTOR EN

“ESTIMACIÓN DE LA CALIDAD DEL AGUA, MEDIANTE EL

SECCIÓN DE INGENIERÍA INDUSTRIAL

“ESTIMACIÓN DE LA CALIDAD DEL AGUA, MEDIANTE EL

LOS SUSCRITOS DECLARAMOS QUE EL PRESENTE TRABAJO DE TESIS

LENIN QUIÑONES HUATANGARI JOSÉ FEDERICO BAZÁN CORREA

A Dios todo poderoso por protegerme y permitir concluir con el programa de

Doctorado en Ingeniería Industrial.

y Darwin por su apoyo incondicional y cariño sincero.

su amor, paciencia y apoyo, para terminar con la meta del doctorado.

Al asesor Dr. José Federico Bazán Correa por su apoyo en el desarrollo de la

A todos los docentes del programa de Doctorado en Ingeniería Industrial de la

Escuela de Postgrado de la Universidad Nacional de Piura por cada una de sus

enseñanzas brindadas durante el desarrollo del doctorado.

Desarrollo Sustentable de Ceja de Selva (INDES-CES) de la Universidad Nacional

“Desarrollo de índices biológicos para la evaluación de espacio temporal de la

por la información brindada y orientaciones sobre la calidad del agua.

Sistemas Inteligentes del Instituto de Ciencias Aplicadas y Tecnologías de la

Universidad Nacional Autónoma de México por su orientación en la pasantía

realizada en su centro de labores.

Los modelos matemáticos, permiten entender y describir el

comportamiento de las variaciones de ciertos parámetros que influyen la calidad

de agua en los ríos. Por lo cual, el objetivo de la investigación fue desarrollar un

modelo matemático dinámico tridimensional a los fines de aproximar la estimación

el río Utcubamba perteneciente a la vertiente de los Andes orientales del norte de

Perú, una longitud aproximada de 250 km de cauce principal y atraviesa cinco de

evaluaron los modelos matemáticos existentes, de acorde a los parámetros

recolectados en estudios previos, identificó y seleccionó las variables que influyen

basados en Streeter Phelps, redes neuronales y lógica difusa respectivamente, de

acorde a las características propias del afluente de agua, garantizando la

aplicación del modelo, mediante estadísticos de bondad de ajuste de los mismos.

A través del modelamiento, se identificaron puntos críticos de contaminación

dentro del cauce principal del río Utcubamba, representando el comportamiento

de los contaminantes descargados en éste.

PALABRAS CLAVE: Minería de datos, Contaminación del agua,

Mathematical models allow us to understand and describe the behaviour of

the objective of the research was to develop a three-dimensional dynamic

mathematical model to approximate the estimation of the water quality of the

mathematical models were evaluated, according to the parameters collected in

water tributary, ensuring the application of the model, through goodness-of-fit

behaviour of the pollutants discharged into it.

KEY WORDS: Data mining, Water pollution, Computer application.

Os modelos matemáticos nos permitem compreender e descrever o

comportamento das variações de certos parâmetros que influenciam a qualidade

da água nos rios. Portanto, o objetivo da pesquisa era desenvolver um modelo

matemático dinâmico tridimensional para aproximar a estimativa da qualidade da

pertence à encosta leste dos Andes no norte do Peru, com um comprimento de

aproximadamente 250 km do leito principal do rio e atravessa cinco das sete

províncias que compõem a região amazônica. Para desenvolver o trabalho, foram

avaliados os modelos matemáticos existentes, de acordo com os parâmetros

coletados em estudos anteriores, identificadas e selecionadas as variáveis que

influenciam a qualidade da água do rio Utcubamba, e foram propostos três

modelos baseados no Streeter Phelps, redes neurais e lógica fuzzy,

respectivamente, de acordo com as características do afluente da água,

garantindo a aplicação do modelo por meio de estatísticas de goodness-of-fit.

Através da modelagem, foram identificados pontos críticos de contaminação

dentro do canal principal do rio Utcubamba, representando o comportamento dos

poluentes descarregados nele.

PALAVRAS-CHAVE: Mineração de dados, Poluição da água, Aplicação

1.1. Planteamiento del problema ..................................................................... 16