Traducido del inglés al español - www.onlinedoctranslator.

com

Revista de hidrología de contaminantes 251 (2022) 104097

Listas de contenidos disponibles enCienciaDirecta

Revista de hidrología de contaminantes

revista Página de inicio:www.elsevier.com/locate/jconhyd

Evaluación de la efectividad de un enfoque geoestadístico con modelado de flujo de

agua subterránea para la estimación tridimensional de una pluma contaminante

Shizuka Takaia,b,*, Taro Shimadaa, Seiji Takedaa, Katsuaki Koikeb

aCentro de Investigación de Seguridad Nuclear, Agencia de Energía Atómica de Japón, 2-4 Shirakata, Tokai, Ibaraki 319-1195, Japón
b Departamento de Gestión Urbana, Escuela de Graduados en Ingeniería, Universidad de Kyoto, Katsura C1-2-215, Kyoto 615-8540, Japón

INFORMACIÓN DEL ARTÍCULO RESUMEN

Palabras clave: Al evaluar el riesgo de un entorno subterráneo que está contaminado por nucleidos radiactivos y productos químicos peligrosos y planificar la remediación, la
Estimación de pluma de contaminante distribución de la pluma contaminante y la incertidumbre asociada de los datos medidos deben estimarse con precisión. Si bien es posible que se desconozca el historial
Inversión geoestadística
de liberación de la pluma contaminante, la extensión de la pluma causada por una fuente conocida y la incertidumbre asociada se pueden calcular inversamente a partir
Muestreo de Gibbs
de los datos de concentración utilizando un método geoestadístico que tenga en cuenta la correlación temporal de su historial de liberación y las aguas subterráneas.
Contaminación de aguas subterráneas
modelado de flujo Sin embargo, los enfoques geoestadísticos anteriores tienen tres inconvenientes: (1) no hay aplicaciones de la estimación tridimensional de la pluma
Flujo de aguas subterráneas
utilizando datos de concentración de múltiples profundidades en situaciones reales, (2) ninguna restricción para la estimación de la distribución de la pluma, que puede

generar una concentración negativa y grandes incertidumbres, y (3) pocas aplicaciones a casos reales con múltiples contaminantes. Para abordar estos problemas, se

incorporó la restricción de no negatividad utilizando el muestreo de Gibbs en el método geoestadístico con el modelado del flujo de agua subterránea para la

estimación de la pluma contaminante. Luego, este método se probó en la contaminación del agua subterránea en el vertedero de Gloucester en Ontario, Canadá,

utilizando un modelo tridimensional de transporte de contaminantes y datos de concentración de múltiples profundidades. El método se aplicó a tres contaminantes

orgánicos solubles en agua: 1,4-dioxano, tetrahidrofurano y éter dietílico. La efectividad del método propuesto fue verificada por el acuerdo general de las

distribuciones de pluma calculadas de los tres contaminantes con datos de concentración de 66 puntos en 1982 (coeficiente de correlación lineal de alrededor de 0,7). En

particular, el pico reproducido de 1,4-dioxano correspondiente a la gran eliminación en 1978 fue más preciso que el resultado de los estudios anteriores basados en la

entropía relativa mínima. El mismo pico también apareció en las distribuciones de tetrahidrofurano y éter dietílico aproximadamente dentro del rango del factor de

retardo derivado de la fracción de carbono orgánico. El 4-dioxano correspondiente a la gran eliminación en 1978 fue más preciso que el resultado de los estudios

anteriores basados en la entropía relativa mínima. El mismo pico también apareció en las distribuciones de tetrahidrofurano y éter dietílico aproximadamente dentro

del rango del factor de retardo derivado de la fracción de carbono orgánico. El 4-dioxano correspondiente a la gran eliminación en 1978 fue más preciso que el

resultado de los estudios anteriores basados en la entropía relativa mínima. El mismo pico también apareció en las distribuciones de tetrahidrofurano y éter dietílico

aproximadamente dentro del rango del factor de retardo derivado de la fracción de carbono orgánico.

1. Introducción Los procesos físicos subyacentes que gobiernan el transporte de contaminantes y la

Durante las últimas décadas, el ambiente subterráneo en varias áreas
del mundo ha sido contaminado por sustancias químicas, radiológicas y
microbiológicas antropogénicas. Hay numerosos informes de contaminación
de las aguas subterráneas por sustancias que migran fácilmente a las aguas
subterráneas. Los ejemplos incluyen la contaminación por compuestos
orgánicos volátiles, metales pesados y radionúclidos como3Mano90Sr en
instalaciones nucleares como Hanford (Washington, EE. UU.), Sellafield
(Reino Unido) y Chalk River (Canadá) (OCDE, 2014). Evaluar el riesgo de
contaminación de aguas subterráneas y apoyar planes para remediar sitios
contaminados, las estructuras hidrogeológicas y
distribución de la pluma contaminante deben entenderse correctamente.
Existen tres desafíos principales al desarrollar métodos prácticos para estimar
la extensión y las concentraciones de las columnas de contaminantes reales. En
primer lugar, la cantidad y la ubicación de los datos de concentración medidos
pueden verse limitadas debido a restricciones temporales y presupuestarias. Si
hay suficientes datos, la distribución de la pluma se puede estimar por
interpolación o extrapolación de los datos utilizando un método de estimación
espacial, como kriging. Hasta la fecha, se han aplicado varios tipos de kriging,
como kriging ordinario e indicador, cokriging (para datos multivariados) y kriging
espacio-temporal en varios entornos (p. ej.,Saby et al., 2006;Juang et al., 2008;
Iskandar et al., 2012;Antunes y Alburquerque, 2013;Boente

* Autor para correspondencia en: Centro de Investigación de Seguridad Nuclear, Agencia de Energía Atómica de Japón, 2-4 Shirakata, Tokai, Ibaraki 319-1195, Japón.
Correos electrónicos:takai.shizuka@jaea.go.jp (S. Takai),shimada.taro@jaea.go.jp (T. Shimada),takeda.seiji@jaea.go.jp (S. Takeda),koike.katsuaki.5x@kyoto-u.ac. jp(K.
Koike).

https://doi.org/10.1016/j.jconhyd.2022.104097
Recibido el 27 de marzo de 2022; Recibido en forma revisada el 6 de octubre de 2022; Aceptado el 16 de octubre de 2022
Disponible en línea el 19 de octubre de 2022 0169-7722/© 2022 Elsevier
BV Todos los derechos reservados.
S. Takai et al.
et al., 2017;Dalla Libera et al., 2017;Liang et al., 2018;Masoudi et al., 2021). Sin
embargo, estos métodos de estimación espacial pueden no ser adecuados para
reproducir con precisión la distribución de la pluma en el agua subterránea
porque los pozos de monitoreo no siempre están ubicados de manera óptima
para permitir la delineación de las estructuras de la pluma formadas por
advección, dispersión y sorción junto con el flujo de agua subterránea (Shlomi y
Michalak, 2007). Por lo tanto, el modelado de flujo y transporte es indispensable
para reproducir la distribución de la pluma en un sistema de agua subterránea. En
segundo lugar, la fuente del contaminante (ubicación de la fuente o historial de
emisiones) de los incidentes de contaminación accidental generalmente no se
identifica, y los registros del historial de emisiones son particularmente raros. Por
ejemplo, al remediar sitios nucleares en el pasado, las ubicaciones de las fuentes
han sido detectadas mediante encuestas preliminares o evaluaciones históricas
del sitio (EE.UU.EPA, 2000) en líneas de drenaje, sumideros, tuberías y tanques, y
en todos los casos se desconocía el historial de liberación transitoria (OCDE, 2014).
En tal situación, el penacho no se puede estimar solo a partir de la simulación de
flujo y transporte o la incertidumbre asociada con la estimación será grande. En
tercer lugar, las evaluaciones de riesgos deben incluir una evaluación cuantitativa
de la incertidumbre de la estimación de la pluma. La incertidumbre de la
distribución estimada de la pluma puede ayudar a determinar el número y la
ubicación de nuevos puntos de medición (Snodgrass y Kitanidis, 1997).
Para superar estos problemas, se propuso un enfoque geoestadístico
que incorporó modelos de flujo y transporte de aguas subterráneas para
estimar la distribución de una pluma contaminante y la incertidumbre
asociada (Shlomi y Michalak, 2007). Este enfoque supone que se conocen las
ubicaciones de origen, pero se desconoce el historial de versiones. La
distribución de la pluma se calcula a partir del historial de liberación
estimado por inversión geoestadística que explica su covarianza temporal (p.
ej., Snodgrass y Kitanidis, 1997). Si la contaminación del agua subterránea es
el resultado de múltiples acciones de varias partes, el historial de descargas
reproducido puede ayudar a determinar cómo dividir el costo de
remediación entre las partes responsables (Skaggs y Kabala, 1994;Michalak,
2002;Michalak y Kitanidis, 2002;Butera y Tanda, 2003). Sin embargo, hay tres
problemas con los enfoques geoestadísticos anteriores:
(1) Aunque la contaminación real es tridimensional, hasta ahora se han
aplicado los enfoques geoestadísticos anteriores para estimar los
historiales de contaminación y liberación en una dimensión a lo largo
de los perfiles de profundidad (p. ej.,Michalak y Kitanidis, 2003) o
acuífero bidimensional modelado con una capa en la que se supone
una distribución vertical homogénea de contaminantes (p. ej., Butera
y Tanda, 2003;Gyzl et al., 2014). Este problema es común a los
enfoques geoestadísticos y estocásticos, como la entropía relativa
mínima y el seguimiento de probabilidad hacia atrás, porque la
mayoría de los estudios anteriores (por ejemplo,Colombo et al., 2020)
generalmente se han basado en modelos acuíferos bidimensionales (
Gómez-Hernández y Xu, 2022).
(2) Las concentraciones que se producen a partir de las estimaciones del
penacho pueden incluir valores negativos y grandes incertidumbres
debido a la falta de restricciones. Los valores negativos aparecen con
frecuencia en aplicaciones prácticas donde el problema está mal
condicionado y tiene grandes errores. Si bien los valores negativos se
pueden evitar transformando los datos con una ley de potencia (Caja y
Cox, 1964) (p.ej,Snodgrass y Kitanidis, 1997;Gyzl et al., 2014), la
transformación de datos puede cambiar los problemas de inversión lineal
a no lineal, y puede generar funciones de densidad de probabilidad
altamente asimétricas para los valores de los parámetros estimados en el
espacio no transformado que son poco realistas en algunos casos (
Michalak y Kitanidis, 2003). Los enfoques alternativos incluyen los métodos
de Monte Carlo de la cadena de Markov (MCMC), que utilizan la regla de
Bayes para restringir la función de densidad probabilística posterior (pdf) (
Michalak y Kitanidis, 2002, 2003, 2004a, 2004b, 2005;Michalak, 2008).
Michalak (2008) mostró que una aplicación de la restricción de no
negatividad utilizando el muestreo de Gibbs, un método MCMC, mejoró la
exactitud y precisión de las estimaciones del historial de liberación de
arsénico en North Fork del río Humboldt. La superioridad de Gibbs
2
Revista de hidrología de contaminantes 251 (2022) 104097
El muestreo sobre la transformación de energía ha sido verificado por un
estudio de caso del modelado inverso atmosférico de emisiones de gases
traza (Miller et al., 2014). Dicho estudio demostró la gran flexibilidad del
muestreador de Gibbs para determinar la forma de la PDF posterior y su
eficiencia computacional. Sin embargo, hasta ahora, el método de
muestreo de Gibbs no se ha aplicado para estimar los penachos en el flujo
de agua subterránea.
(3) Aunque la contaminación comúnmente es causada por múltiples
contaminantes, la mayoría de los estudios abordan solo un
contaminante como el 1,4-dioxano (14DNE;Michalak y Kitanidis, 2002)
y hexaclorociclohexano (Gyzl et al., 2014).Michalak y Kitanidis (2003)
estudia las historias de liberación de dos contaminantes,
tetracloroeteno (PCE) y tricloroeteno (TCE), pero no discutió la
consistencia entre los resultados de los dos contaminantes. Por lo
tanto, no estamos seguros de si es factible analizar múltiples
componentes en el mismo estudio.
Para abordar estos problemas, se incorporó la restricción de no
negatividad utilizando el muestreo de Gibbs en el método geoestadístico
con modelado de flujo de agua subterránea para estimar la distribución de
la pluma contaminante y la incertidumbre asociada. Luego, el método se
probó en la contaminación de aguas subterráneas en el vertedero de
Gloucester en Ontario, Canadá, utilizando un modelo tridimensional de
transporte de contaminantes y datos de concentración múltiple en 1982. El
método se aplicó a tres contaminantes orgánicos solubles en agua: 14DNE,
tetrahidrofurano (THF) y éter dietílico (DEE). La investigación surge de una
estimación del historial de liberación de un trazador conservador, 14DNE, y
su comparación con la gran disposición conocida en 1978; reproducción del
pico estimado de 14DNE calculando los factores de retardo de THF y DEE y
verificando los factores utilizando la fracción de carbono orgánico; a
estimaciones de pluma tridimensional de los tres contaminantes y su
verificación comparando los valores obtenidos con datos de concentración
de 66 puntos.
2. Métodos
2.1. Inversión geoestadística
Las columnas de contaminantes se calcularon con el método de modelado inverso/
directo deShlomi y Michalak (2007), que utiliza una ubicación de fuente conocida y un
flujo constante de agua subterránea para el transporte de materiales contaminantes. La
intensidad de la fuente se estima en un momentotj(j=
1,⋯,metrot) utilizando los datos de concentración medidosz*∈ℝnorte×1(espacio real n-
dimensional) en una ubicación de muestraXi(i=1,⋯,norte) y tiempotmes(>tmetro). t
Suponiendo un flujo constante,z*se puede relacionar linealmente con el historial de versiones,s ∈ℝmetrot×1,
como
z*=H*s+v, (1)
dóndeH*∈ℝnorte×metrotes la matriz jacobiana yv∈ℝnorte×1es el error de medida y
modelo. Esta relación lineal se ilustra esquemáticamente enFigura 1(a). Debido a
que la matriz jacobiana se puede definir de antemano, generalmente simulando el
flujo de agua subterránea, la distribución de la pluma contaminante se puede
calcular hacia adelante sobre un área aplicando un análisis inverso del historial de
liberación desconocido.scon datos limitadosz*
y el sistema lineal de la ecuación.(1).
El historial de liberaciones se puede estimar mediante métodos de inversión
geoestadísticos, como se demostró anteriormente (p. ej.,Kitanidis y Vomvoris,
1983; Kitanidis, 1995), dóndesyvse supone que son vectores aleatorios. Suponer
queses una distribución gaussiana multivariante con un parámetro estructuralθ:
s=Xsβs+ε,ε∼norte(0,qs(θ) ), (2)
dóndeXsβses la deriva (es decir, el valor esperado des),Xs∈ℝmetrot×pagsses una matriz
conocida de funciones base,βs∈ℝpagss×1sonpagsscoeficientes de deriva desconocidos, yqs(
θ)∈ℝmetrot×metrotes una matriz de covarianza des. Sobre la base de
S. Takai et al. Revista de hidrología de contaminantes 251 (2022) 104097

Figura 1.Ilustración de (a) la relación lineal entre las concentraciones medidas y la intensidad de la fuente y (b) los pasos tomados para estimar el historial de liberación
(paso 1) y la distribución de la pluma (paso 2) por inversión geoestadística.

Con esta configuración, el historial de versiones desconocidas se estima mediante los descrito de la siguiente manera:

siguientes dos pasos. En el primer paso, el óptimoθestá especificado . el pdf posterior

s=Λsz*, (10)
pags(s|z*) puede ser proporcional al producto de la probabilidad pags(z*|s) y el pdf
anterior depags(s) como en la regla de Bayes:
V̂ s=q s− qsH*TΛT s− XsMETROs. (11)
pags(s|z*)∝pags(z*|s)pags(s). (3)
Una vezsyV̂ s
se resuelven, la distribución estimada de la pluma en un
Asumiendo quev~norte(0,R), dóndeR∈ℝnorte×nortees una matriz de covarianza de error
Área de estudioẑ∈ℝmetro×1y su incertidumbreV ̂puede ser resuelto:
z
dez*,pags(s) ypags(z*|s) se puede expresar como:
[ ] ẑ=Ĥs, (12)
1 |qs|−1/2Exp 1
pags(s) =
(2π)metrot/2
− (s− Xsβs) Tq−1s (s− Xsβs) , (4)
2
V̂ z =HVHTs, (13)
[ ]
1 |R|−1/2Exp 1
pags(z*|s) =
(2π)norte/2
− (z*− H*s)TR−1(z*− H*s) . (5) dóndeH∈ℝnorte×metroes la matriz jacobiana ymetroes el número de puntos de
2
estimación. Los pasos para la estimación óptima de los historiales de liberación y
El parámetro estructural óptimoθse estima utilizando una restricción las distribuciones de penachos se ilustran enFigura 1(b).
enfoque de máxima verosimilitud que maximiza el siguiente marginal En la mayoría de los casos, se desconoce el historial de liberación y la forma de
∫ ( ∫⃒ )
probabilidadL(θ) =pags(z∗|βs, θ)dβs pags(z∗) =pags(z∗⃒s)pags(s)ds,en el cual deriva y/o la covarianza desson difíciles de identificar y determinar, como en el presente
estudio de caso. En consecuencia, la tendencia lineal más simple (Xs= [1t])
el desconocidoβsse elimina integrando. Esto es equivalente a minimizar
L(θ) (el logaritmo negativo deL(θ)): y una covarianza generalizada cúbica (qs(ti,tj|θ) =θ|ti−t3 j| ) fueron usados,
siguiendoKitanidis y Lee (2014). Esto se hizo asumiendo que el
1 1⃒ ⃒ 1
L(θ) = en|Σ| + en⃒ XsTH*TΣ−1H*X⃒ s + z*TΞ−1z*, (6) mejorsla estimación es continuamente diferenciable y suave, es decir,
2 2 2 equivalente a la interpolación spline cúbica (Dubrule, 1984). TiempoR
T contiene errores de medición y modelo, solo la medición no correlacionada
Σ=H*q sH*+R, (7) error de mención se consideró simplemente comoR=σ2 Ryo, dóndeσR2es la varianza
( ) * T− .
de errores de medición yyo∈ℝnorte×nortees una matriz identidad.
Ξ=Σ−1−Σ−1H*X sXs TH*TΣ−1H*X−1 s XsTH Σ 1
(8)

lo óptimoθse calcula iterativamente utilizando el método de puntuación de

2.2. Restricción de no negatividad utilizando el muestreo de Gibbs
Fisher (Kitanidis, 1995). Entonces, el historial de lanzamiento desconocidoses
estimado. Maximizando la pdf posteriorpags(s|z*), el sistema a resolver se
El historial de liberación de no negatividad se puede lograr restringiendo pags
describe como:
(s|z*) para ser no negativo utilizando el muestreo de Gibbs. El muestreo se puede
( )()( )
ΛTs H*qs ejecutar secuencialmente desde el condicional marginal (unidimensional)
Σ H*Xs
= , (9)
(H*X s) T 0 METROs XTs porque la función de densidad de probabilidad sin restricciones se deriva explícitamente
de un producto de distribuciones gaussianas multidimensionales, como se describe en
detalle enMichalak (2008). el pdf marginal posteriorpags(si|z*,s) se puede expresar
dóndeΛs∈ℝmetro es una matriz de pesos yMETRO s∈ℝ es un lagrange
pagss×metrot
t×norte

mediante la regla de Bayes:

multiplicador. La forma de la Ec.(9)es equivalente al kriging universal (o kriging
con tendencia), que se utiliza con frecuencia como estimador espacial en pagsi|(sz,s
* )∝pags(z*|si,s)pags(si|s)H(si) (i=1,⋯,metrot), (14)
geoestadística. La mejor estimación y covarianza posterior desson

3
S. Takai et al. Revista de hidrología de contaminantes 251 (2022) 104097

⎧
⎨1 si>0 calculado como infinito porquemera demasiado bajo (negativo) yτfue estrecho, el
H(si) = i= 0 (15) resultado se estableció en cero.
⎩
1/2 segundos

0i<0
3. Descripción del sitio y modelo físico
dóndesimedios(ti), yH(si)es la función de Heaviside. Basado en una
distribución gaussiana multidimensional de la probabilidad de las 3.1. Información general sobre el vertedero de Gloucester
medicionespags(z*|s) en la ecuación.(5), la probabilidad marginalpags(z*|si,s
) se puede expresar como: El vertedero de Gloucester en Ottawa, Ontario, Canadá, fue un vertedero municipal e
( )
1 1 (si− mL) industrial donde los desechos peligrosos que contenían desechos orgánicos se
pags(z*|si,s) = √̅ ̅Exp − , eliminaron desde 1969 hasta 1980 en un compuesto de desechos especiales (SWC) a lo
2πτL τL
(dieciséis)
2
largo del borde occidental del vertedero que se extendía a lo largo de aproximadamente

aTb σ2 3000 m2. Los desechos orgánicos eran principalmente solventes orgánicos (p. ej.,
mL= bT, t L= bRT, cloroformo, tetracloruro de carbono, metanol, acetona, benceno y hexano). Los solventes
b b
orgánicos solubles como el 14DNE causaron una contaminación generalizada en el
∑metrot
acuífero sobre la parte superior de la piedra caliza.
aj=z* j− Hjksk,bj=HJi. (17) lecho rocoso entre 25 y 30 m de profundidad (Figura 2(a)) (p. ej.,Jackson et al.,
k=1k∕=i
1985;Patterson et al., 1985;Jackson et al., 1989). Si bien hay muy poca información
Entonces, el pdf anterior marginalpags(si|s) Se define como: sobre el historial de emisiones, los registros muestran que en mayo de 1978 se
( ) eliminó aproximadamente 1 tonelada de solventes orgánicos (1 tonelada = 1000 L
1 1 (si− mPAGS)2
de solución acuosa) (Jackson et al., 1985).
pags(s i|s) = √̅ ̅Exp− , (18)
2πτPAGS 2 τ PAGS
El sitio se asienta sobre una secuencia compleja de depósitos fluvioglaciales y
costeros del Cuaternario (Figura 2(b)) que se clasificó en cinco unidades (Jackson et
dóndemPAGSyτPAGSse obtienen como solución del siguiente sistema para al., 1985). En orden ascendente, había una unidad de lecho rocoso de caliza
si: (Unidad A); una unidad de labranza basal de hasta 2 m de espesor (Unidad B); un
( )( )( ) acuífero confinado y espeso de hasta 25 m de espesor compuesto de limos,
qsk∕=yo k=∕i Xsk=∕ i Λ q sk∕
= , (19) arenas y gravas mal seleccionadas interestratificados e interdigitados (Unidad C);
=yo, yo

XTsk=∕ i 0 − METRO XTsi una unidad de limo arcilloso y limo actuando como acuitardo o capa de
confinamiento (Unidad D); y depósitos superficiales de arenas finas a gravas de
∑1
metrot−
∑1
metrot−
∑ pagss
hasta 10 m de espesor, que contienen agua subterránea no confinada a varios
mPAGS= Λjsj, tPAGS=qs ii− Λjqs-ji+ Xs ilMETROyo. (20)
metros de profundidad (Unidad E). Los contaminantes fluyeron lateralmente hacia
j=1 j=1 yo=1
el acuífero confinado desde el SWC a lo largo de la topografía, aproximadamente
Finalmente, la pdf marginal posteriorpags(si|z*) se puede expresar mediante una de oeste a este (Figura 2(a)) (Mac Farlane et al., 1983;Jackson et al., 1985).
distribución gaussiana truncada: De los contaminantes en los desechos, había una preocupación particular
( ) sobre tres compuestos (14DNE, THF y DEE) debido a su capacidad para
1 1 (s−i m)2
pags(si|z*)∝√̅ ̅Exp − H(s),i (21) migran rápidamente en los acuíferos (Lessage et al., 1990). 14DNE exhibe la mayor
2πτ 2 τ movilidad debido a su bajakAYy alta solubilidad (tabla 1). Debido a que el 14DNE se
( ) puede considerar como un marcador conservador, dos estudios previos estimaron
ττ mPAGS mL su historial de liberación en tres dimensiones, usando el
τ= ES , m=τ + . (22)
τPAGS+τL τ τL
PAGS
enfoque de entropía relativa mínima (MRE) (Woodbury et al., 1998) y una inversión

Para resumir los cálculos anteriores, el historial de liberación sin restricción de geoestadística con una restricción de no negatividad basada en un algoritmo

negatividad, la pluma de contaminantes y su incertidumbre se pueden obtener de Metropolis-Hasting (Michalak y Kitanidis, 2002). Sin embargo, las estimaciones de

la siguiente manera: la distribución de la pluma y la incertidumbre relacionada quedaron fuera del

alcance de estos estudios.
Aquí, se cuantificaron y evaluaron las distribuciones de la pluma de los
1. Establecer valores iniciales como la solución sin restriccioness0 CC =
T. tres contaminantes y las incertidumbres asociadas, y se comparó el historial
(suc(t1),⋯, suc(tmetro) t)
de liberación estimado de 14DNE con los de estudios anteriores. La
2. Dibujar una realización condicionals CCyo+1desyo CCen cada paso de tiempo por: estimación comprendió tres pasos. El primer paso fue estimar el historial de
yo+1 ( yo yo yo ) liberación de 14DNE y comparar el resultado con los de estudios anteriores
s CC (t1)∼p ŝ CC(t1) |s CC(t2),⋯, s CC(tmetrot),
( yo yo+1 yo ) que utilizaron el mismo modelo de flujo y transporte. A continuación, el
sCC
yo+1 (t2) ∼p ŝ CC(t2) |sCC (t1),⋯, s CC(tmetrot), (23) los factores de retardo de THF y DEE se especificaron al compararlos con el pico de
( yo ⋮ )
yo+1 liberación de 14DNE. Finalmente, se estimaron las distribuciones tridimensionales
sCC
yo+1 (tnorte) ∼p ŝ (t ) |s (t1),⋯, syoCC
CC +1 (tmetrot−1),
norte CC

de la pluma y las incertidumbres asociadas para los tres contaminantes.

yo+1.
y calcularẑyo+1=Hs
CC CC

3. Repita el paso 2 hasta que el cálculo converja (yo=yos). 3.2. Transporte de contaminantes en aguas subterráneas

4. Calcule la mejor estimación y el intervalo de confianza del 95% (diferencia

(
entre los límites superior e inferior) desCCyẑCCdesyoquemar+1,⋯CC El transporte de contaminantes generalmente se modela utilizando la ecuación de
) ( yo)s advección-dispersión. Para el transporte tridimensional de contaminantes en medios
, sCC
yos y ẑCC yoquemar+1
, ⋯,ẑ CC . El primeroyoquemarpasos hasta el algoritmo
porosos con un flujo de agua subterránea constante y uniforme a lo largo delX- eje, el
alcanza la convergencia se descartan como un período de quemado. La
transporte se describe como:
convergencia se evalúa rastreando los valores medios de probabilidad y
distribución previa, como enMichalak (2008). ∂c ∂c ∂2C ∂2C ∂2C
RF∂t + VX − DX∂x2 − Dy∂y2 − D = −λC (24)
∂x z∂z2
Muestreo depags(si|z*), una distribución Gaussiana truncada, fue
implementada basada enJohnson et al. (1994). Si el valor muestreado fue dóndeCes la concentración;tes la hora;VXes la velocidad real del agua
subterránea;DX,Dy, yDzson los coeficientes de dispersión en elX

4
S. Takai et al. Revista de hidrología de contaminantes 251 (2022) 104097

Figura 2.(a) Vista en planta del área de

estudio (vertedero de Gloucester en Ottawa,
Ontario, Canadá) y (b) sección transversal
geológica que muestra la distribución de las
cinco unidades estratigráficas a lo largo de la
sección transversal (línea roja) (modificada de
Jackson et al., 1985). Las ubicaciones de la
fuente contaminante (compuesto de desecho
especial), muestreadores multinivel con los
números utilizados enJackson et al. (1985), y
se indica la dirección supuesta del flujo de
agua subterránea. (Para la interpretación de
las referencias al color en la leyenda de esta
figura, se remite al lector a la versión web de
este artículo).

z1yz2son las profundidades límite superior e inferior de la fuente, yy0es la

tabla 1
mitad del ancho de la fuente. Para un tiempo discreto del historial de
Solubilidades y coeficientes de partición octanol-agua de 14DNE, THF y DEE.
lanzamiento, t(0<t < T,Tes el tiempo de medición), la solución analítica de la
contaminante* 14DNE THF DEE matriz jacobianaHse expresa como:
Fórmula molecular C4H8O2 C4H8O (C2H5)2O [ ]
Solubilidad+ Miscible (>8.0×105) Miscibles (1×106) 6.9×104 X(z2−z ) 1 (X− VX(T− t) )2
H(x, y, z, t− t) = √̅ ̅1̅ Exp − − λRF(T− t)
(T− t)1.5 4DX(T− t)
++
Iniciar sesiónkAY − 0.27 0.46 0.89 4B πDX
+
Solubilidad en agua (mg/L) (Yalkowsky et al., 2010;Wishart et al., 2007; CAPI,
2017). [ ( ) ( )]
++ y− y0 y+y 0
Logaritmo del coeficiente de partición octanol-agua (Hansch et al., 1995;Brooke et • erfc( ) − erfc ( ) 1/2
al., 1998). 2D y(T− t)1/2 2Dy(T− t)
*
14DNE: 1,4-dioxano; THF: tetrahidrofurano; DEE: éter dietílico.
[ ]
X 1 (X− V(XT− t) )2
+ √̅π̅ 1.5 Exp − − λRF(T− t)
(longitudinal),y(horizontales transversales), yz(vertical) direcciones, 4DX(T− t).15 4DX(T− t)
respectivamente;RFes el factor de retardo; yλes la constante de descomposición
bioquímica de primer orden. Para facilitar la comparación, el modelo de
[ ( ) ( )]
y− y0 y+y 0
transporte de contaminantes con una solución analítica tridimensional utilizado en • erfc ( ) − erfc( ) 1/2
este estudio fue el mismo que se utilizó en los estudios anteriores discutidos 2Dy(T− t)1/2 2Dy(T− t)
anteriormente. Suponemos que un contaminante se origina en un área
∑∞1 [ ( lπz2
) ( )]()[
lπz1 lπz yo2π2Dz (T− t)
]
rectangular en elyzavión y transportado desde allí en un acuífero. La extensión del • − Exp − . (26)
yo B B B B2
pecado pecado porque

acuífero es semi-infinita, infinita y finita con espesorBen elX-,y-, yz-direcciones, yo=1

respectivamente. Las condiciones iniciales y de contorno de la solución son las
Los valores de los parámetros en la ecuación.(26)utilizados en los dos estudios
siguientes:
anteriores discutidos anteriormente, derivados del análisis de los datos
C(x, y, z,0) = 0, informados por Jackson et al. (1985), se utilizaron en este estudio (Tabla 2). El
{
s(t) ( -y 0≤y≤y0z1≤z≤z2) 0 (de lo límite superior del dominio de cálculo se fijó en la superficie del suelo porque el
C(0,y, z, t) = ,
contrario) nivel freático, el acuitardo y la parte superior del lecho rocoso eran
aproximadamente paralelos. Las profundidades superior e inferior del acuífero de
C(∞,y, z, t) =0,C(X,±∞,z,t) =0, lavado confinado se asignaron az1yz2, respectivamente.Woodbury
⃒ (25)
∂c ∂c⃒ et al. (1998)calculó la velocidad de transporteVXsobre la base de un análisis
=0, ⃒ =0
∂zx,y,b, t ∂z⃒ x,y,0,t del centro de masa de la pluma, que generalmente fue consistente con los
valores informados: Un estudio de dilución de pozo en un solo piezómetro
dóndezes la profundidad desde la superficie del suelo,s(t) es el historial de versiones, mostró que la velocidad media del agua subterránea en el

5
S. Takai et al.
Tabla 2
Valores de los parámetros utilizados para el modelo de transporte de contaminantes utilizando la ecuación de advección-dispersión.
Parámetro VX(Maryland) αX(metro) αy(metro) αz(metro)
Valor 0.127 2.6 0.5 0.1
área objetivo fue de 0,07 m/día, mientras que una prueba de bombeo mostró que fue de
0,15 m/día (Jackson et al., 1985, 1989). Los coeficientes de dispersividad se pueden
expresar como (DX,Dy,Dz) = (Dmetro+VXαX,Dmetro+VXαy,Dmetro+VXαz), dóndeDmetro
es el coeficiente de difusión molecular yαX,αy, yαzson las dispersividades
longitudinal, transversal y vertical, respectivamente. Los valores de los
coeficientes de dispersividad se definieron a partir de los momentos de la
pluma y haciendo referencia a la teoría clásica (Domenico y Schwartz, 1990),
y correspondió a los valores estimados de (αX,αy) = (2.0, 1.5) (m) calibrando
con la carga hidráulica y los datos de concentración (Gailey et al., 1991). losλ
el valor se fijó en 0. La fecha de inicio de las actividades de residuos
especiales, 1 de mayo de 1969, se fijó ent=0. El historial de liberación se
recuperó hasta el comienzo del período de medición, septiembre de 1982, ot
=4870 días.
La siguiente relación empírica se puede utilizar para definirRF:
/ realizaciones y las primeras 100 realizaciones se consideraron como el
RF=1 +ρb•kpagsε, Kpags=Fjefe•kjefe,
dóndeρbes la densidad aparente del suelo,εes la porosidad (0–1),kpagses el
coeficiente de reparto,Fjefees la fracción de carbono orgánico, ykjefees el
coeficiente de reparto del carbono orgánico relacionado con el coeficiente
de reparto octanol-agua,kAY, derivado del estudio de la sorción de bencenos
clorados para sedimentos con unaFjefe>0.001 (Schwarzenbach y Westall,
1981):
logKjefe=0.72logKAY+0.49.
losRFlos valores se derivaron como se muestra enTabla 3configurandoρb
=2000 kg/m33, yε= 0,35 basado en los valores de 0,3 a 0,35 para el acuífero
de lavado externo (Jackson et al., 1985), y usando elkAYvalores de cada
contaminante (Tabla 2). Los valores resultantes fueron los mismos que los
de Jackson et al. (1985). Porque elRFde 14DNE estaba cerca de 1
independientemente deFjefe, la sorción de 14DNE no se consideró como en
estudios anteriores (Woodbury et al., 1998;Michalak y Kitanidis, 2002). Por el
contrario, el RFvalores de THF y DEE dependieron deFjefe. Por lo tanto,
calculamos el valor deRF, reproduciendo el pico estimado de 14DNE y
verificándolo contra un rango de valores derivado delFjefe.
3.3. Medición y estimación de la pluma contaminante
Utilizamos los datos de concentración recopilados porJackson et al. (1985). En ese
momento, los compuestos orgánicos en el agua subterránea se midieron utilizando
muestreadores multinivel de tipo haz (Cereza et al., 1983) con pantallas colocadas a
intervalos de profundidad de aproximadamente 1 m (Nos. 14, 17, 21, 34, 37, 38, 39, 47 y
54;Figura 2) o 4 m (Nos. 12, 18, 33, 40, 52 y 56) a lo largo de 15 pozos de observación. Los
compuestos orgánicos en las muestras de agua subterránea se analizaron mediante
cromatografía de gases/espectrometría de masas (sistema Finnigan 4000 GC/MS). De
todos los datos, se seleccionaron 176 puntos medidos de septiembre a diciembre de
1982 (el espacio en blanco se trató como cero, como enJackson et al., 1985). Luego, los
datos del intervalo de 1 m se ajustaron a los datos del intervalo de 4 m promediando los
datos originales en cada rango de profundidad de 4 m, para tener en cuenta la variación
en las distribuciones de ubicación de la muestra y los intervalos de tiempo de medición.
Las distribuciones de los 66 puntos de datos que resultaron se muestran enFig. 3. El
promedio no
Tabla 3
Definiciones del factor de retardo (RF) valores de los tres contaminantes utilizando las dos
fracciones de carbono orgánico (Fjefe).
contaminante 14DNE THF
RF(Fjefe=0.0035) RF 1.0 1.1
(Fjefe=0.01) 1.1 1.4
Revista de hidrología de contaminantes 251 (2022) 104097
Dmetro(metro2/d) λ(/d) y0(metro) z1(metro) z2(metro) B(metro)
0.0 0.0 25,0 6.0 24.0 24.0
cambiar significativamente la tendencia original del perfil de profundidad (Figura 4).
Los datos de concentración medidos se mostraron por el dígito menos significativo
de 0,1 (μg/L), peroJackson et al. (1985)no proporcionó información sobre la precisión de
los datos. Suponiendo que este dígito incluyera incertidumbre y que los errores de
medición se distribuyeran normalmente, la varianza del error
fue asignado porσR2=0,25 (μg/L)2, para corresponder con el 95% confi-
intervalo de dencia de±1 (μg/L) (Michalak, 2008). Mientras tanto, se informó
que el límite de detección de 14DNE usando purga y trampa convencional
junto con GC/MS oscila entre 3 y 20 (μg/L) debido a la pobre eficiencia de
purga (Isaacson et al., 2006;Mohr, 2001;Draper et al., 2000). Por lo tanto,
también hemos considerado el gran error de medición para 14DNE en
nuestra discusión, es decir,σR=3,0 (μg/L), asumiendo que el límite de
detección era 10 (μg/L) y este límite era igual a tres vecesσR(Loconto, 2001).
El intervalo de tiempo fue de un día. El muestreo de Gibbs se fijó en 5000
(27)
período de rodaje. Los historiales de liberación y las distribuciones de
penachos se calcularon para el área rectangular que cubreX= [0,300] (m)×y=
[-150, 150] (m) como se muestra enFigura 2(a).
4. Resultados
4.1. Historial de versiones de 14DNE
(28) Para el historial de liberación recuperado de 14DNE, el valor deθutilizado en la
covarianza cúbica fue 1.3×10−3(mg2/L2/día3). Los historiales de liberación
resultantes sin una restricción de no negatividad y aquellos restringidos usando el
muestreo de Gibbs se comparan enFigura 5(a y B). Vale la pena señalar que el pico
correspondiente a la gran disposición en mayo de 1978 fue claramente
reproducido por la restricción de no negatividad. La concentración máxima fue
mucho más baja que el límite de solubilidad.>8×105miligramos por litro (
Yalkowsky et al., 2010). También vale la pena señalar que el intervalo de confianza
del 95% fue casi equivalente a la mejor estimación y respalda la precisión del
resultado de la inversión. Por el contrario, la mejor estimación sin la restricción de
no negatividad contenía concentraciones negativas poco realistas. Además, el
intervalo de confianza del 95 % fue mucho mayor que la mejor estimación por un
factor de dos órdenes (p. ej., la concentración máxima de la mejor estimación fue
de 0,4 mg/L y tenía un intervalo confidencial de aproximadamente 206 mg/L), lo
que significaba que la incertidumbre era muy grande y la precisión de las
estimaciones era baja.
La comparación de los historiales de liberación recuperados mostró que
el método propuesto era superior al enfoque MRE deWoodbury et al. (1998)
que supuso distribuciones previas gaussianas o uniformes (Figura 5(C)). Al
asumir el anterior gaussiano, el último pico de los dos picos estimados
correspondió a la gran disposición en 1978 (Woodbury et al., 1998). Sin
embargo, los historiales de lanzamiento resultantes dependían en gran
medida de la distribución anterior. Por el contrario, pudimos reproducir el
gran derrame sin ninguna información previa, lo cual es una ventaja de la
inversión geoestadística (Michalak y Kitanidis, 2002).
Los resultados presentados en este trabajo difieren de los presentados por Michalak
y Kitanidis (2002), a pesar de que se utilizó el enfoque de inversión geoestadística. Esto se
debe principalmente a que también utilizaron los datos desde 1983 en adelante; la
diferencia en los datos de medición da como resultado una configuración diferente de la
estructura de covarianza (θ) y el error (σR). El flujo de agua subterránea y las condiciones
de contaminación pueden cambiar después de 1983 mediante la prueba del pozo de
purga GTC en octubre de 1983 (Jackson et al., 1985), la remediación del suelo de 1987 a
1989, y la remoción de contaminantes de la columna de agua subterránea profunda y
poco profunda después de abril de 1992 (Franz Environmental Inc., 2007). Por lo tanto,
DEE
los cálculos que utilizan datos posteriores a 1983 en condiciones de flujo constante
1.3 pueden considerarse engañosos. Además, Michalak y Kitanidis (2002)restringió la no
1.8
negatividad con la
6
S. Takai et al. Revista de hidrología de contaminantes 251 (2022) 104097

Fig. 3.Distribución de datos de concentración de agua subterránea desde 1982 para los tres contaminantes: (a) 14DNE, (b) THF, (c) DEE.

Figura 4.Ejemplos de los datos de concentración medidos y promediados para los tres contaminantes a intervalos de profundidad de 4 m en los tres pozos. Las líneas continuas y discontinuas indican
los datos originales del intervalo de 1 m y las concentraciones promediadas, respectivamente (Jackson et al., 1985).

Figura 5.Los historiales de liberación de 14DNE se recuperaron usando inversión geoestadística (a) sin restricción y (b) con una restricción de no negatividad. Las líneas rojas y negras
discontinuas indican la mejor estimación (BE) y el intervalo confidencial del 95 % (IC del 95 %), respectivamente. (c) Comparación de las mejores estimaciones con las de dos estudios
previos utilizando un enfoque de entropía relativa mínima (Woodbury et al., 1998) e inversión geoestadística utilizando el algoritmo Metropolis-Hasting (Michalak y Kitanidis, 2002). (Para
la interpretación de las referencias al color en la leyenda de esta figura, se remite al lector a la versión web de este artículo).

Algoritmo Metropolis-Hasting, un método MCMC. El muestreo de Gibbs se considera
superior al algoritmo de Metoropolis-Hasting (el procedimiento de caminata aleatoria
que contiene la prueba de aceptación) debido a su eficiencia computacional y su tiempo
de cálculo más corto. Si la función de densidad de probabilidad posterior para cada
tiempo se puede calcular utilizando la Ec.(21)de antemano, como en este estudio,
la solución restringida se puede obtener de manera eficiente utilizando el
muestreo de Gibbs. Anteriormente, valores de varianza residual de 22,5 (μg/L)2(
Woodbury et al., 1998) y 12,3 (μg/L)2(Michalak y Kitanidis, 2002) Fue reportado.
Solo es posible una comparación aproximada debido a la diferencia en los datos
utilizados; sin embargo, la varianza residual de nuestro resultado fue 1.07

7
S. Takai et al. Revista de hidrología de contaminantes 251 (2022) 104097

(μg/L)2, que estaba aproximadamente en la misma escala que la del error alrededor de la 1×10−3(mg/L) para THF y DEE (Figura 7(b)). Estos datos fueron
ajusteσ2 R=0,25 (μg/L)2. recolectados a poca profundidad (z=4 a 12 m) en el punto de muestreo No. 34 (
Figura 2(a)), que se encuentra en la zona estratificada de baja permeabilidad del
acuífero confinado (Unidad C, que se muestra enFigura 2(b)). Estas diferencias de
4.2. Verificación de los factores de retardo de THF y DEE
permeabilidad dependientes de la unidad no se consideraron en la solución
analítica y, por lo tanto, pueden haber causado la sobreestimación. Esto se
Los factores de retardo de THF y DEE estimados teniendo en cuenta la
considera con más detalle en la discusión.
fracción de carbono orgánico (Tabla 2) se verificaron usando el pico de
liberación reproducido de 14DNE. Los historiales de lanzamiento de THF y
5. Discusión
DEE (Figura 6) se reprodujeron utilizando el método óptimoθde 1.8×10−3y
2.5× 10−3(mg2/L2/día3). Los picos de THF (25 mg/L) y DEE (77 mg/L) son
5.1. Efecto de promediar las concentraciones de medición
mucho más bajos que los límites de solubilidad de THF (1,0×106mg/l) (
Wishart et al., 2007) y DEE (6.9×104mg/l) (CAPI, 2017). Los factores de retardo
Como se describió anteriormente, los datos de concentración originales en los
se determinaron en 1,75 para THF y 1,8 para DEE para reproducir el pico de
176 puntos se promediaron en un rango de profundidad de 4 m para calcular el
14DNE causado por la gran disposición en 1978 (Figura 5(b)) bajo los
historial de liberación usando las concentraciones medidas en 66 puntos. Para
siguientes ajustes: de 1,1 a 1,4 para THF y de 1,3 a 1,8 para DEE (Tabla 3).
examinar si el promedio afectó la precisión del cálculo, se calculó el historial de
Esta comparación respalda la idoneidad del conjunto de parámetros para
liberación de 14DNE utilizando los datos originales con la restricción de no
DEE, pero indica que el factor de retardo de THF se sobreestimó
negatividad. El valor deθen la covarianza cúbica fue 1.2×10−3(mg2/ L2/día3). Se
ligeramente. Esto puede reflejar ubicaciones de medición insuficientes, lo
estimaron dos historiales de liberación utilizando los datos originales y
que podría haber disminuido la precisión del resultado de la inversión, o la
promediados (Figura 8). Si bien el historial de lanzamientos basado en los datos
biodegradación cometabólica de 14DNE con THF (Kohlweyer et al., 2000;
originales tuvo un pico ligeramente mayor y más incertidumbre que el basado en
Vainberg et al., 2006;Sol et al., 2011), lo que puede haber afectado las
los datos promediados, las distribuciones de los historiales de lanzamientos
formas y concentraciones de los penachos de 14DNE y THF.
fueron similares. La varianza residual del resultado fue de 1,55 (μg/L)2, que es
similar al uso de datos promediados (1.07 (μg/L)2). En consecuencia, esto confirmó
4.3. Distribuciones de penacho de contaminantes de los tres contaminantes que el promedio tuvo poco efecto en el historial de liberación y las estimaciones
de distribución de la pluma.
Se calcularon las distribuciones de la pluma de los tres contaminantes (
Figura 7(a)) de los historiales de liberación estimados utilizando la restricción
5.2. Efecto del gran error de medición
de no negatividad. La precisión de las estimaciones se comprobó mediante
diagramas de dispersión del error absoluto entre las concentraciones
El efecto del error de medición causado por la mala eficiencia de purga
calculadas y medidas (Figura 7(b)), el error absoluto medio (MAE) y el
se examinó utilizando unσRvalor de 3,0 (μg/L) para 14DNE. El valor deθen la
coeficiente de correlación lineal (r) valores de estas concentraciones (Tabla 4
covarianza cúbica fue 4.9×10−2(mg2/L2/día3). El historial de emisiones
). Con la restricción de no negatividad, los MAE de todos los contaminantes
estimado con un gran error de medición mostró una concentración máxima
disminuyeron considerablemente, con disminuciones de 46%, 67% y 59%
más amplia que el historial de emisiones con un pequeño error de medición
para 14DNE, THF y DEE, respectivamente, y elrlos valores aumentaron entre
(Figura 9(a)), pero las distribuciones de la pluma fueron similares
0,60 y 0,77. Estos resultados indican una alta precisión de reproducción y
independientemente del error de medición (Figura 9(b)), en el que MAE era
demuestran la eficacia de la restricción de no negatividad. Además, las bajas
2,0×10−2(μg/L) yrfue 0,76. La incertidumbre máxima de la distribución
incertidumbres de estas distribuciones pueden confirmarse a partir de los
estimada de la pluma con el gran error de medición fue hasta 1,9 veces
intervalos de confianza del 95 %, que fueron uno o más órdenes inferiores a
mayor que la del pequeño error de medición. Sin embargo, el área de alta
las mejores estimaciones comunes a los tres contaminantes (Figura 7
incertidumbre (la mitad del área de estudio) era la misma
(a)). Las incertidumbres para los tres contaminantes fueron relativamente altas en
independientemente del error de medición y correspondía a un pico de
la mitad del área de estudio, probablemente debido a las concentraciones
liberación grande y falta de puntos de medición.
relativamente altas en esa área asociadas con el gran pico después de 1978 y la
escasa densidad de los puntos de medición. La distribución de incertidumbre se
puede utilizar para determinar el número y la ubicación de las mediciones 5.3. Verificación de los historiales de liberación y distribuciones de penachos
adicionales.
La discrepancia en las mediciones probablemente se debió al uso de la Los historiales de liberación y las distribuciones de penachos de los tres
solución analítica para el transporte de contaminantes. Los errores contaminantes se examinan en detalle a continuación. Una sección transversal
absolutos entre las concentraciones calculadas y medidas fueron grandes vertical eny=0 m en dirección E–O (a lo largo de laX-eje) se dibujó para los tres

Figura 6.Comparación de los historiales de liberación de (a) THF y (b) DEE recuperados mediante inversión geoestadística con una restricción de no negatividad. Las líneas gruesas y discontinuas indican
la mejor estimación (BE) y el intervalo confidencial del 95 % (95 % IC), respectivamente.

8
S. Takai et al. Revista de hidrología de contaminantes 251 (2022) 104097

Figura 7.(a) Vistas en perspectiva de las distribuciones de la pluma de los tres contaminantes (la fila superior muestra las mejores estimaciones, la fila inferior muestra los intervalos
confidenciales del 95 %). La superficie superior (z=24 m) corresponde al fondo del acuífero. (b) Gráficos de dispersión que muestran la relación entre el error absoluto y las
concentraciones medidas de los tres contaminantes utilizando la restricción de no negatividad (círculo rojo) y sin ninguna restricción (círculo negro) con cada error absoluto medio (línea
discontinua). (Para la interpretación de las referencias al color en la leyenda de esta figura, se remite al lector a la versión web de este artículo).

contaminantes y superpuestos con las concentraciones medidas originales (no

Tabla 4
promediadas) (Figura 10). Las distribuciones calculadas de la pluma fueron
Comparación del error absoluto medio (MAE) y el coeficiente de correlación lineal (
generalmente consistentes con las concentraciones medidas. Cualquier
r) de las relaciones entre las concentraciones calculadas y medidas con y sin la
desacuerdo entre las concentraciones calculadas y medidas puede haber sido
restricción de no negatividad.
causado por la heterogeneidad de la permeabilidad del acuífero. La sección
contaminante 14DNE THF DEE
columnar geológica tenía más unidades geológicas y sugería zonas
Sin restricción MAE (mg/L) 3.4×10−2 2.7×10−1 4.0×10−1 interestratificadas de baja permeabilidad en el acuífero (Unidad C;Jackson et al.,
r 0,60 0.39 0.56
1985). Debido a esta baja permeabilidad, las concentraciones medidas fueron
no negatividad MAE (mg/L) 1.8×10−2 9.0×10−2 1.6×10−1
r 0.77 0,60 0.71 notablemente bajas en el área (p. ej., zonas bajas de THF y DEE extendidas a través
del acuífero a una altura de alrededor de 85 m). Además, se supuso que la
dirección del flujo de agua subterránea era heterogénea, dependiendo de la
estructura geológica. Sin embargo, en este estudio se adoptó un modelo de
transporte simple con flujo unidireccional para comparar nuestros resultados con
los de los estudios deWoodbury et al. (1998)y Michalak y Kitanidis (2002). La matriz
jacobiana en las Ecs.(1) o (12) expresa la sensibilidad de la concentración en cada
punto y en cada momento. Esto se puede calcular numéricamente ejecutando un
modelo de flujo y transporte con la liberación de un pulso de concentración
unitario. Por lo tanto, se necesitan modelos de flujo de agua subterránea
tridimensionales precisos que tengan en cuenta las estructuras geológicas
detalladas para mejorar la precisión de la estimación en lugar de la solución
analítica.
Las diferencias también pueden ocurrir al simplificar el transporte de contaminantes
desde la fuente (SWC) al acuífero (Unidad C). Aunque el SWC estaba a una profundidad de
unos 10 m, asumimos que la fuente estaba uniformemente distribuida en el borde del
acuífero en la solución analítica. Esta suposición se originó por el hecho de que el
Figura 8.Comparación del historial de liberación de 14DNE con la restricción de no negatividad acuitardo (Unidad D) bajo el SWC era localmente discontinuo debido a litofacies
utilizando todos los datos originales (líneas sólidas) y los datos promediados en cada rango de heterogéneas o excavaciones para la eliminación de desechos (Jackson et al., 1985). Esto
profundidad de 4 m (líneas translúcidas). Las líneas gruesas y discontinuas indican la mejor implica que la mayoría de los contaminantes pueden haberse movido rápidamente a
estimación (BE) y el intervalo confidencial del 95 % (95 % IC), respectivamente.
través de las discontinuidades en el acuitardo, provocando así el pico después de la gran
disposición en

9
S. Takai et al. Revista de hidrología de contaminantes 251 (2022) 104097

Figura 9.Estimación de (a) historial de liberación y (b) distribución de la pluma de 14DNE utilizando una configuración de error de medición grande. Las líneas gruesas y discontinuas indican la mejor
estimación (BE) y el intervalo confidencial del 95 % (95 % IC), respectivamente.

Figura 10.Secciones transversales este-oeste que muestran las concentraciones calculadas de los tres compuestos orgánicos a lo largo de laX-eje eny=0 m (Figura 2(a)). Se superponen cinco unidades
hidrogeológicas (AE), concentraciones medidas en los lugares de muestreo a lo largo de los pozos de observación (círculos de colores), una distribución heterogénea de limo en el acuífero confinado
(Unidad C) y la dirección supuesta del flujo de agua subterránea en el acuífero confinado y no confinado.

1978. Mientras tanto, los historiales de liberación estimados de THF y DEE
mostraron segundos picos en 1981 (Figura 6) debido a las altas concentraciones
medidas en la parte superior del acuífero alrededor de EL = 100 m cerca del SWC.
Aunque pueden haber ocurrido otros grandes derrames en 1980, el segundo pico
estimado puede considerarse como resultado del lento transporte de
contaminantes a través del acuitardo. Suponiendo que el gradiente hidráulico (ih)
fue 0.002, la conductividad hidráulica del acuitardo (kD) fue 7.9×10−6(m/s) y la
porosidad (ρD) fue 0.4, siguiendoJackson et al. (1985), y el espesor del acuitardo (h)
fue de 1,5 m, el tiempo de transporte calculado comoh•RF/(ih•kD/ρD), en el
acuitardo se estimó en 769 días para THF y 791 días para DEE. El tiempo de
transporte en el acuitardo fue aproximadamente consistente con los lapsos de
tiempo entre el primer y el segundo pico del historial de liberación estimado, que
fue de 880 días para THF y 890 días para DEE. Para mejorar la precisión de las
estimaciones, es necesario modelar la liberación de contaminantes del SWC.
Las diferencias también pueden ocurrir debido al cambio estacional en las precipitaciones.
Después de la gran disposición en mayo de 1978, casi todos los años se registraron
estaciones lluviosas con precipitaciones de aproximadamente 100 mm/mes. Nuestra
suposición de flujo constante puede ser válida para el transporte de contaminantes a
largo plazo. Por lo tanto, es necesario confirmar los efectos de la infiltración de lluvia y
los cambios estacionales en los campos de flujo de agua subterránea en la configuración
de las condiciones de liberación (cantidad y dirección del flujo) de contaminantes de una
fuente.
6. Conclusiones
El objetivo de este estudio fue demostrar la aplicabilidad y efectividad de un
enfoque geoestadístico que incorporó modelos de flujo de agua subterránea para
estimar la pluma contaminante cuando se desconoce el historial de liberación. El
enfoque se probó en la contaminación del agua subterránea en el vertedero de
Gloucester. El enfoque fue efectivo, ya que se mejoró la precisión de la estimación
al aplicar un criterio de no negatividad.

10
S. Takai et al.
restricción utilizando el muestreo de Gibbs. Con el enfoque geoestadístico y una
restricción de no negatividad, las distribuciones tridimensionales de la pluma se
produjeron con precisión adecuada para los tres solventes orgánicos (14DNE, THF
y DEE) con coeficientes de correlación lineal entre la estimación y la medición de
0,60 a 0,77 para la datos de concentración de múltiples profundidades. Además, el
pico de liberación reconstruido para 14DNE que correspondía a la gran disposición
en 1978 fue más correcto que para los estudios anteriores, sin ninguna
información previa del historial de liberación. Los historiales de liberación
reconstruidos para THF y DEE también indicaron los mismos picos con factores de
retardo que generalmente fueron consistentes con la estimación usando la
fracción de carbono orgánico. Este estudio puede ser la primera aplicación para
estimar las distribuciones tridimensionales de la pluma y las incertidumbres
asociadas cuando se desconoce el historial de liberación, apuntando a múltiples
contaminantes. El método propuesto se puede aplicar ampliamente a campos de
agua subterránea contaminados.
Para aumentar la precisión de la estimación, se debe mejorar el modelado del
flujo de agua subterránea y la estructura hidrogeológica. La precisión de las
predicciones del transporte futuro de la pluma podría mejorarse con una
estimación precisa de la estructura hidrogeológica, lo que sería útil al planificar la
remediación. La estructura hidrogeológica podría estimarse a partir de
mediciones transitorias de las concentraciones de agua subterránea. Por ejemplo,
los parámetros hidráulicos utilizados en la solución analítica podrían calibrarse
mediante análisis de sensibilidad con una función objetiva, como la
reproducibilidad de la medición. El filtro Ensemble Kalman es uno de los métodos
potenciales, que también se puede aplicar a una estimación conjunta de la fuente
de contaminantes y la conductividad hidráulica (por ejemplo,Chen et al., 2021). La
tomografía hidráulica basada en geoestadística que utiliza datos de pruebas
hidráulicas de pozos podría usarse para ayudar a explicar la heterogeneidad de la
conductividad hidráulica a partir de datos limitados (por ejemplo,Lee y Kitanidis,
2014). Las estimaciones en este estudio también podrían mejorarse considerando
la correlación espacial de los datos de medición (Shlomi y Michalak, 2007), además
de la correlación temporal del historial de versiones. Sin embargo, las
suposiciones de flujo constante pueden no ser válidas si aumenta el cambio
transitorio del flujo de agua subterránea (p. ej., por bombeo de pozos). En este
caso, nuestro método debe repetirse con datos de medición temporales para
estimar las distribuciones de la pluma.
Declaración de contribución de autoría CRediT
Shizuka Takai:Conceptualización, Curación de datos, Análisis formal,
Investigación, Metodología, Validación, Visualización, Redacción – borrador
original.Taro Shimada:Adquisición de fondos, Supervisión, Redacción:
revisión y edición.Seiji Takeda:Adquisición de fondos, Supervisión,
Redacción: revisión y edición.Katsuaki Koike:Supervisión, Metodología,
Validación, Redacción – revisión y edición.
Declaración de interés en competencia
Los autores declaran que no tienen intereses financieros en competencia ni
relaciones personales conocidas que pudieran haber influido en el trabajo
informado en este documento.
Disponibilidad de datos
Los datos que se han utilizado son confidenciales.
Expresiones de gratitud
Este estudio fue financiado por la Secretaría de la Autoridad de Regulación
Nuclear, Autoridad de Regulación Nuclear, Japón.
Referencias
Antunes, IMHR, Albuquerque, MTD, 2013. Uso de indicador kriging para la evaluación
de posible contaminación por arsénico en una zona minera abandonada (Portugal).
ciencia Entorno Total. 442, 545–552.
11
Revista de hidrología de contaminantes 251 (2022) 104097
Boente, C., Matanzas, N., García-González, N., Rodríguez-Valdés, E., Gallego, JR, 2017.
Oligoelementos de preocupación que afectan a la agricultura urbana en áreas industrializadas:
un enfoque multivariante. Quimiosfera 183, 546–556.
Box, GEP, Cox, DR, 1964. Un análisis de las transformaciones. Estado JR. Soc. Se. b 26,
353–360.
Brooke, I., Cocker, J., Delic, JI, Payne, M., Jones, K., Gregg, NC, Dyne, D., 1998.
Absorción dérmica de solventes de la fase de vapor: un estudio experimental en humanos.
Ana. ocupar Hig. 42, 531–540.
Butera, I., Tanda, MG, 2003. Un enfoque geoestadístico para recuperar el historial de liberación de
contaminantes de las aguas subterráneas. Recurso de agua. Res. 39 (12), 1372.
Chen, Z., Xu, T., Gomez-Hernandez, JJ, Zanini, A., 2021. Derrame de contaminantes en un arenero
con conductividades no gaussianas: identificación simultánea por el filtro de Kalman del conjunto de
puntuación normal de reinicio. Matemáticas. Geol. 53, 1587-1615.
Cherry, JA, Gillham, RW, Anderson, EG, Johnson, PE, 1983. Migración de
contaminantes en aguas subterráneas en un vertedero: un estudio de caso. 2. Dispositivos de monitoreo de
aguas subterráneas. J. Hydrol. 63, 31–49.
Colombo, L., Alberti, L., Mazzon, P., Antelmi, M., 2020. Partícula Monte Carlo de espacio nulo
retrospectiva para identificar las fuentes de tetracloroetileno de aguas subterráneas. Frente. Reinar. ciencia 8,
142.
Dalla Libera, N., Fabbri, P., Mason, L., Piccinini, L., Pola, M., 2017. La geoestadística como herramienta
para mejorar la definición del nivel de fondo natural: una aplicación en aguas subterráneas.
ciencia Entorno Total. 598, 330–340.
Domenico, PA, Schwartz, FW, 1990. Hidrogeología física y química, 1S tedición
Wiley, Nueva York.
Draper, WM, Dhoot, JS, Remoy, JW, Perera, SK, 2000. Determinación a nivel de trazas de
1,4-dioxano en agua por dilución isotópica GC y GC-MS. Analista 125, 1403–1408.
Dubrule, O., 1984. Comparación de splines y kriging. computar Geosci. 10 (2–3), 327–338. Franz
Environmental Inc, 2007. Plan de gestión de riesgos: antiguo vertedero de Gloucester. En:
Informe final presentado a Transport Canada.
Gailey, RM, Crowe, AS, Gorelick, SM, 1991. Estimación de parámetros de procesos acoplados
e incertidumbre de predicción usando datos de cabeza hidráulica y concentración. Adv. Recurso de
agua. 14 (5), 301–314.
Gomez-Hernandez, JJ, Xu, T., 2022. Identificación de fuentes contaminantes en acuíferos: una
visión crítica. Matemáticas. Geosci. 54 (2), 437–458.
Gyzl, G., Zanini, A., Fraczek, R., Kura, K., 2014. Fuente de contaminantes e historial de emisiones
identificación en aguas subterráneas: un enfoque de varios pasos. J. Contam. Hidrol. 157, 59–
72.
Hansch, C., Loe, A., Hoekman, D., 1995. Exploración de QSAR: hidrofóbico, electrónico y
Constantes estéricas. Sociedad Química Americana, Washington, DC.
Base de datos ICSC, 2017. Fichas internacionales de seguridad química. Trabajo Internacional
Organización, Ginebra.https://www.ilo.org/safework/info/publications/W
CMS_113134/lang–en/index.htm(consultado el 24 de marzo de 2022).
Iskandar, I., Koike, K., Sendjaja, P., 2012. Identificación de la contaminación por arsénico en las aguas subterráneas
mecanismos en relación con las concentraciones de arsénico en agua y rocas huésped. Reinar.
Ciencias de la Tierra 65 (7), 2015–2026.
Issacson, C., Mohr, TKG, Field, JA, 2006. Determinación cuantitativa de 1,4-dioxano
y tetrahidrofurano en aguas subterráneas por extracción en fase sólida GC/MS/MS. Reinar. ciencia
Tecnología 40, 7305–7311.
Jackson, RE, Patterson, RJ, Graham, Bahr, J., Belanger, D., Lockwood, J., Priddle, M.,
1985. Hidrogeología de contaminantes de sustancias químicas orgánicas tóxicas en un sitio de
eliminación, Gloucester, Ontario: 1. Conceptos químicos y evaluación del sitio. Instituto Nacional de
Investigaciones Hidrológicas. NHRI Paper No. 23, IWD Scientific Series, No. 141, 114p. Jackson, RE,
Crowe, AS, Lesage, S., Priddle, MW, 1989. Contaminación de acuíferos y
Restoration at the Gloucester Landfill, Ontario, Canadá, Publicación de IAHS, 185.
Asociación Internacional de Ciencias Hidrológicas, Walingford, Oxfordshire, Reino Unido,
págs. 181–188
Johnson, N., Kotz, S., Balakrishnan, N., 1994. Distribuciones univariadas continuas, segundo
edición Wiley, Nueva York.
Juang, K.-W., Liao, W.-J., Liu, T.-L., Tsui, L., Lee, D.-Y., 2008. Muestreo adicional basado
sobre el umbral de regulación y la varianza de kriging para reducir la probabilidad de una
delineación falsa en un sitio contaminado. ciencia Entorno Total. 389 (1), 20–28. Kitanidis,
PK, 1995. Teoría geoestadística cuasi lineal para invertir. Recurso de agua. Res.
31, 2411–2419.
Kitanidis, PK, Lee, J., 2014. Enfoque geoestadístico de componentes principales para
problemas dimensionales inversos. Recurso de agua. Res. 50, 5428–5443.
Kitanidis, PK, Vomvoris, EG, 1983. Un enfoque geoestadístico del problema inverso en
modelado de aguas subterráneas (estado estacionario) y simulaciones unidimensionales.
Recurso de agua. Res. 19, 677–690.
Kohlweyer, U., Thiemer, B., Schrader, T., Andreesen, JR, 2000. Tetrahidrofurano
degradación por un cultivo recién aislado de Pseudonocardia sp. cepa K1. FEMS
Microbiol. Letón. 186, 2, 301–306.
Lee, J., Kitanidis, PK, 2014. Tomografía hidráulica a gran escala e inversión conjunta de
datos de cabeza y trazador utilizando el enfoque geoestadístico de componente principal (PCGA).
Recurso de agua. Res. 50, 5410–5427.
Lessage, S., Jackson, RE, Priddle, MW, Rlemann, PG, 1990. Ocurrencia y destino de
Residuos de disolventes orgánicos en aguas subterráneas anóxicas en el vertedero de Gloucester, Canadá.
Reinar. ciencia Tecnología 24 (4), 559–566.
Liang, CP, Chen, JS, Chien, YC, Chen, CF, 2018. Análisis espacial del riesgo para los humanos
salud por exposición a aguas subterráneas contaminadas con arsénico: un enfoque kriging. ciencia
Entorno Total. 627, 1048–1057.
Loconto, PR, 2001. Análisis Cuantitativo Ambiental de Trazas, Principios: Técnicas
y Aplicaciones, 1ª ed. CRC Press, Boca Ratón, Florida.
MacFarlane, DS, Cherry, JA, Gillham, RW, Sudicky, EA, 1983. Migración de
Contaminantes en aguas subterráneas en un vertedero: Un estudio de caso: 1. Flujo de aguas subterráneas y
delineación de la pluma. J. Hydrol. 63 (1–2), 1–29.
S. Takai et al.
Masoudi, P., Desnoyers, Y., Grey, M., 2021. Optimización espacio-temporal de
red de monitoreo de aguas subterráneas en la estación de generación nuclear de Pickering. En: Geostats
2021, del 12 al 16 de julio de 2021. Toronto, Canadá.
Michalak, AM, 2002. Contaminación ambiental con múltiples fuentes potenciales y
el derecho consuetudinario: enfoques actuales y oportunidades emergentes. Entorno de Fordham.
Ley J. 14 (1), 147–206.
Michalak, AM, 2008. Una muestra de Gibbs para datos geoestadísticos con restricciones de desigualdad
interpolación y modelado inverso. Recurso de agua. Res. 44, 1–14. Michalak, AM,
Kitanidis, PK, 2002. Aplicación de métodos de inferencia bayesiana a
modelado inverso para la identificación de fuentes de contaminantes en el Relleno Sanitario de
Gloucester, Canadá. En: Hassanizadeh, SM, et al. (Eds.), Computational Methods in Water Resources
XIV, 2. Elsevier, Ámsterdam, Países Bajos, págs. 1259–1266. Michalak, AM, Kitanidis, PK, 2003. Un
método para hacer cumplir la no negatividad de los parámetros
en problemas inversos bayesianos con una aplicación a la identificación de fuentes
contaminantes. Recurso de agua. Res. 39 (2), 1033.
Michalak, AM, Kitanidis, PK, 2004a. Aplicación de modelos geoestadísticos inversos a
identificación de fuentes contaminantes en dover AFB, Delaware. J. Hydraul. Res. 42, 9–18.
Michalak, AM, Kitanidis, PK, 2004b. Un método para la interpolación de no negativos
funciones con una aplicación a la estimación de carga contaminante. Stoch. Env. Res. 18, 1–
16.
Michalak, AM, Kitanidis, PK, 2005. Un método para la interpolación de no negativos
funciones con una aplicación a la estimación de carga contaminante. Stoch. Env. Res. Riesgo
A. 19 (1), 8–23.
Miller, SM, Michalak, AM, Levi, PJ, 2014. Modelado inverso atómico con
Límites físicos conocidos: un ejemplo de emisiones de gases traza. Geosci. Desarrollo del modelo 7,
303–315.
Mohr, TKG, 2001. Estabilizadores de solventes, Distrito de Agua del Valle de Santa Clara; San José,
California. OCDE, 2014. Remediación y restauración de sitios nucleares durante el desmantelamiento de
Instalaciones nucleares: un informe del programa cooperativo NEA sobre
desmantelamiento. Gestión de Residuos Radiactivos. NEA N° 7192.
12
Revista de hidrología de contaminantes 251 (2022) 104097
Patterson, RJ, Jackson, RE, Graham, BW, Chaput, D., Priddle, M., 1985. Retraso
de productos químicos tóxicos en un acuífero contaminado. Wat. ciencia tecnología 17,
57–69. Saby, N., Arrouays, D., Boulonne, L., Jolivet, C., Pochot, A., 2006. Geoestadística
evaluación de Pb en suelo alrededor de París, Francia. ciencia Entorno Total. 367 (1), 212–
221. Schwarzenbach, RP, Westall, J., 1981. Transporte de compuestos orgánicos no polares de
aguas superficiales a aguas subterráneas, estudios de laboratorio. Reinar. ciencia Tecnología 15, 1300–
1367.
Shlomi, S., Michalak, AM, 2007. Un marco geoestadístico para incorporar el transporte
información para estimar la distribución de una pluma contaminante de aguas subterráneas.
Recurso de agua. Res. 43, 1–12.
Skaggs, TH, Kabala, ZJ, 1994. Recuperación del historial de liberación de agua subterránea
contaminante Recurso de agua. Res. 30 (1), 71–79.
Snodgrass, MF, Kitanidis, PK, 1997. A geostatistical approach to contaminant source
identificación. Recurso de agua. Res. 33 (4), 537–546.
Sun, B., Ko, K., Ramsay, JA, 2011. Biodegradación de 1,4-dioxano por Flavobacterium.
Biodegradación 22 (3), 651–659.
EPA de EE. UU., 2000. Manual de estudio e investigación de sitios de radiación de múltiples
agencias (MARSSIM), revisión 1, EPA-402-R-97-016, agosto.
Vainberg, S., McClay, K., Masuda, H., Root, D., Condee, C., Zylstra, GJ, Steffan, RJ,
2006. Biodegradación de contaminantes de éter por Pseudonocardia sp. cepa ENV478.
aplicación Reinar. Microbiol. 72 (8), 5218–5224.
Wishart, DS, Tzur, D., Knox, C., et al., 2007. HMDB: la base de datos del metaboloma humano.
Ácidos Nucleicos Res. 35 (edición de la base de datos), D521–D526, enero de 2007.
Woodbury, A., Sudicky, E., Ulrych, TJ, Ludwig, R., 1998. Penacho tridimensional
reconstrucción de la fuente utilizando inversión de entropía relativa mínima. J. Contam. Hidrol. 32,
131.
Yalkowsky, SH, He, Yan, Jain, P., 2010. Manual de datos de solubilidad acuosa, 2.ª ed.
CRC Press, Boca Ratón, Florida.