Stefano Marsili Libelli, Elisabetta Giusti: Halfon (1983) Beck (1987) Pearl (1978)

Machine Translated by Google
Disponible en línea en www.sciencedirect.com
Modelado ambiental y software 23 (2008) 451e463
www.elsevier.com/locate/envsoft
Modelado de la calidad del agua para pequeñas cuencas hidrográficas
Stefano MarsiliLibelli*, Elisabetta Giusti
Departamento de Sistemas y Computación, Universidad de Florencia, Via S. Marta, 3, 50139 Firenze, Italy
Recibido el 2 de septiembre de 2006; recibido en forma revisada el 19 de junio de 2007; aceptado el 20 de junio de 2007
Disponible en línea el 13 de agosto de 2007
Abstracto
El modelado de la calidad del agua en ríos pequeños a menudo se considera indigno desde un punto de vista práctico y económico. En cambio, este documento muestra que se
puede establecer una estructura de modelo simple para describir la calidad del agua estacionaria en cuencas de ríos pequeños en términos de compuestos de carbono y nitrógeno,
cuando el uso de modelos complejos es inviable. En resumen, las fuentes puntuales y no puntuales de los ríos juegan un papel clave en la configuración de la respuesta del modelo,
siendo tan importantes como la dinámica de autodepuración. Además, las características variables del río, en términos de morfología, hidráulica y vegetación, requieren la introducción de
parámetros variables, lo que complica la estructura del modelo originalmente simple. Para determinar la identificabilidad del modelo resultante se llevó a cabo una evaluación de
identificabilidad, basada en análisis de sensibilidad y criterios de diseño de experimentos óptimos. El subconjunto identificable se determinó clasificando los parámetros en términos de
sensibilidad y calculando las matrices de información de Fisher asociadas. Se encontró que la inclusión de las fuentes no puntuales como parámetros constantes por partes afectó la
identificabilidad en un grado considerable. Sin embargo, la calibración de fuentes de parámetros combinados fue posible gracias al uso de un algoritmo de estimación robusto, que también
proporcionó límites de confianza de estimación.
Las respuestas del modelo calibrado concuerdan bien con los datos y pueden usarse como generadores de escenarios en una estrategia general para conservar o mejorar la calidad del
agua.
2007 Elsevier Ltd. Todos los derechos reservados.
Palabras clave: calidad de los ríos; identificación del modelo; Estimación de parámetros; Modelos ecológicos; Sensibilidad; Análisis de incertidumbre
1. Introducción Halfon (1983) y Beck (1987) defendieron por primera vez la idea
de usar estructuras de modelo que sean apropiadas para la aplicación
En el desarrollo de modelos de calidad del agua, las cuencas de y los datos disponibles . Pearl (1978) también ha señalado que la
ríos pequeños presentan problemas específicos debido a la escasez tendencia a preferir modelos simples se basa en parte en la noción
de datos, la falta de grandes inversiones como consecuencia de su de que son más fáciles de calibrar y, por lo tanto, más confiables,
menor importancia y la gran cantidad de insumos diversos, como lo confirmaron Snowling y Kramer (2001), quienes demostraron
especialmente si fluyen a través de áreas densamente pobladas. Por que el modelo complejo es generalmente muy sensible. y por lo tanto
estas razones, es difícil adaptar los principales modelos de calidad difícil de identificar, y Lindenschmidt (2006), quien señaló que el
del agua, como los proporcionados por la Agencia de Protección modelo más complejo no es necesariamente el más preciso. Por otro
Ambiental de EE. UU.: QUAL2E (Brown y Barnwell, 1987), QUAL2K lado, la escasez de datos puede conducir a problemas de calibración
(Chapra y Pellettier, 2003), WASP6 (Wool et al., 2006). ), o el Modelo fuertemente sobredeterminados, porque la gran cantidad de
de calidad del río IWA No. 1 (Reichert et al., 2001), que requieren parámetros ajustables y las pocas restricciones experimentales
más información sobre el sistema fluvial de la que suele estar hacen que los buenos ajustes estén casi garantizados, al menos
disponible. En estos casos, tiene sentido utilizar modelos simples ad usando valores medios de los parámetros. Para investigar errores
hoc para derivar la información crucial sobre la calidad del río y formar potencialmente grandes en la salida creados por errores de interacción
parte de un sistema de apoyo a la toma de decisiones. en los parámetros, se realizó un análisis de sensibilidad múltiple
(Haefner, 2005) comparando el efecto de perturbaciones de
* Autor correspondiente. Tel./fax: þ39 055 47 96 264. parámetros independientes en las salidas del modelo. Cada valor de
Dirección de correo electrónico: marsili@dsi.unifi.it (S. MarsiliLibelli). parámetro se extrajo de una función de densidad de probabilidad gaussiana ind
13648152/$ consulte el material preliminar 2007 Elsevier Ltd. Todos los derechos reservados.
doi:10.1016/j.envsoft.2007.06.008
452 S. MarsiliLibelli, E. Giusti / Modelado ambiental y software 23 (2008) 451e463
Nomenclatura Si;j ¼ vyj=vpi sensibilidad de la jésima salida al iésimo parámetro p vector de
np parámetros
Bd (mg O2 L1 km1 ) carga de CBDD de fuente difusa del modelo pK coeficiente de pH a=2
Coeficiente de temperatura Ct ( C1 ) estadísticas de Student
t
DOph (mg O2 L1 km1 ) producción fotosintética de oxígeno ts de dos colas al 100 (1 a)% t N1 nivel de confianza para N 1 grados de libertad
F Matriz de información de Fisher (np np) tiempo de flujo u (m s1 ) velocidad de la corriente Ya Organismo
Tasa de decaimiento de NH4N de primer orden Kaa (día1 ) autótrofo factor
Tasa máxima de absorción de algas de nitrógeno Kal (día1 ) de rendimiento observaciones
Tasa máxima de nitrificación Ka_max (día1 ) experimentales ruidosas indexadas ( j ¼ 1, ., q)
exp
Kb (día1 ) Tasa de descomposición de CBDD y j;k yj;k salidas del modelo dependientes de parámetros indexadas ( j ¼ 1, .,
Kbm (día1 ) coeficiente de decaimiento de CBDD promedio q)
Kc (día1 ) coeficiente de aireación
Kf (mg N L1 ) constante de semisaturación para la absorción de N por las algas
Acrónimos
Tasa de desnitrificación Ko (día1 ) CBDD Demanda bioquímica de oxígeno carbonoso
Kos (mg O2 L1 ) constante de semisaturación para NH4N Demanda bioquímica de oxígeno nitrogenada NBOD
tasa de oxidación Diseño de experimentos óptimos OED
Ksa (mg NNO3 L1 ) constante de semisaturación de nitrificación PDE Ecuación diferencial parcial pdf Función
(Michaelise Menten) de densidad de probabilidad
Kr (día1 ) tasa de aireación índice Software de estimación y precisión de parámetros PEAS
k que indica los lugares de muestreo a lo largo del río Planta de Tratamiento de Aguas Residuales EDAR
N número de datos experimentales letras griegas
NO3d (mg NO3N L1 km1 ) carga de nitratoN de fuente difusa d coeficiente preferencial para la absorción de NH4N por parte de las
Qk matriz de factores de ponderación indexados relacionados con el algas límites de confianza del parámetro
ruido de medición dpi x índice de sensibilidad global
intervalo de confianza estimado al cuadrado. A continuación, las simulaciones luego se discuten los modelos calibrados y su uso como herramienta de generación
resultantes se compararon con los rangos de incertidumbre de los datos, a fin de de escenarios.
cuantificar la posible dispersión de las respuestas del modelo.
1.1. Descripción de las cuencas
Dada la gran cantidad de parámetros del modelo frente a la cantidad limitada
de datos, se tuvo que identificar un subconjunto mínimo identificable. Esto se Los dos ríos considerados en este estudio, Sieve y Om brone, forman parte
obtuvo utilizando los criterios de diseño de experimentos óptimos (OED) (Fedorov, del sistema fluvial Arno y tienen características muy diferentes. Hidráulicamente,
1972; Atkinson y Donev, 1992) basados en la matriz de información de Fisher, que ambos ríos están sujetos a inundaciones masivas en invierno y otoño, pero se
proporciona una indicación del contenido de información de un experimento reducen a casi un goteo durante los meses de verano, cuando la calidad del río
determinado (modelo más datos). se vuelve crítica y es precisamente entonces cuando se necesita un modelo de
calidad del agua. Los modelos se desarrollaron para condiciones típicas de bajo
Este artículo presenta un modelo simple de calidad del agua para describir la caudal, que se determinaron promediando los caudales diarios durante los meses
dinámica del carbono y el nitrógeno en pequeñas cuencas fluviales junto con un de verano para obtener un caudal típico de 2,9 m3 s para el Ombrone.
esquema de estimación robusto (MarsiliLibelli et al., 2003; Checchi y MarsiliLibelli,
1 para el tamiz y 1,7 m3 s 1
2005; MarsiliLibelli y Checchi, 2005; Checchi et al., 2007) para calibrar sus
parámetros. Para tener en cuenta la naturaleza variable del río a lo largo de su
curso, se introdujo cierta variabilidad de parámetros a través de funciones de
conmutación y se analizaron las implicaciones de identificabilidad. Se consideraron 1.1.1. Cuenca Sieve La
dos ríos menores pero de importancia ambiental en la Toscana (Italia central): el calidad del río Sieve es definitivamente la mejor de la cuenca del Arno y se
Sieve y el Ombrone. Ambos son afluentes importantes del río Arno, como se están haciendo muchos esfuerzos para conservar sus condiciones vírgenes. El
muestra en la Fig. 1, y juegan un papel clave en la determinación de la calidad del tramo considerado aquí se extiende desde el embalse de Bilancino aguas arriba
agua en todo el sistema fluvial. hasta la confluencia con el Arno, con una longitud total de 47 km. El agua liberada
del embalse de Bilancino, normalmente 3 m3 s, está destinada a garantizar el
1
,suficiente agua
caudal mínimo sostenible durante los meses de verano y alimenta
El documento está organizado de la siguiente manera: primero se presenta la a la planta de potabilización de Florencia, unos 20 km aguas abajo de la confluencia
estructura básica del modelo, se describe el método de identificabilidad y luego se con el Arno.
considera la estimación de parámetros. la validez de
S. MarsiliLibelli, E. Giusti / Modelado ambiental y software 23 (2008) 451e463 453
norte
Bilancino W mi
reservorio Rabatta
EDAR S
Vicchio
EDAR
ombrón Tamiz
baciacavallo Pistoya
EDAR
Prato
Candelí florencia
EDAR
Pisa
arno
Tirreno
Mar
Livorno
0 10 20 30 40
Arezzo
kilómetros
Fig. 1. Ubicación de los ríos Ombrone y Sieve, que representan dos de los principales afluentes de la margen derecha del río Arno, en Toscana (área sombreada en la parte superior izquierda).
mapa).
La cuenca de Sieve es bastante grande e incluye muchos afluentes que Vicchio, mientras que muchas descargas no tratadas y no puntuales
pueden aumentar el flujo aguas abajo en más de fuente de contaminación de la agricultura, detectada durante este estudio,
cuatro veces con respecto al valor aguas arriba, como se muestra en constituyen una contribución considerable a la contaminación del río.
Fig. 2. La pendiente del tramo es menos pronunciada en la parte aguas arriba, Al configurar el modelo, la información sobre estas fuentes fue
hasta Vicchio, y aumenta en la parte final. obtenido a través de una entrevista directa con funcionarios municipales locales
Esto, junto con los principales afluentes ubicados en la parte de aguas abajo, o fue estimado en la fase de calibración del modelo, como se explicó
hace que la parte final del río sea mucho más rica en más tarde. La descripción del río en términos de características y
caudal y velocidad que la parte aguas arriba, al contrario de lo que sucede en fuentes (puntuales y no puntuales) se muestra en la Fig. 3.
la mayoría de los ríos donde la parte aguas arriba es más empinada y
rápido Sin embargo, el aumento de la profundidad en esta parte contrarresta 1.1.2. Cuenca Ombrone
el mayor flujo y no se observó un aumento en la tasa de reaireación. A diferencia del Sieve, el río Ombrone discurre por
observado. Hay dos plantas de tratamiento de aguas residuales que descargan un área fuertemente industrializada dominada por el centro textil
en el río Sieve, ubicadas en Rabatta y aguas abajo de de Prato y está sujeto a muchos vertidos, algunos de los cuales
Rufina
Vicchio
Dicomano
Pontassieve
14.0
S.Piero
Tamiz
a
1.0
S.Lorenzo
Borgo
12.0 0.9
10.0
Velocidad
(m/
s) 0.8
0.7
8.0 Vicchio 0.6

EDAR 0.5
Caudal
(m3/
s)
6.0
0.4
4.0 Rabatta 0.3

Velocidad (m/s)
EDAR
0.2
Caudal (m3 /s)
2.0
Liberacion controlada 0.1
del embalse de Bilancino
0.0 0.0
0 5 10 15 20 25 30 35 40 45 50
Distancia aguas abajo (km)
Fig. 2. Reconstrucción de caudal y velocidad a lo largo del río Sieve utilizada en el modelo de calidad del agua. El caudal aguas arriba está controlado por el embalse de Bilancino y el
muchos afluentes producen un aumento de flujo de cuatro veces al final del tramo.
tratado
Rabatta Vicchio
EDAR EDAR punto
Bilancino fuente
Reservorio
sin tratar
Vicchio Dicomano Rufina
fuentes puntuales
NH4 + CBD
río tamiz
fotosintético sin punto CBDD sin punto

Oxígeno NUMERO 3
Producción
Puente
Noci
ai Castellina Rabatta EDAR Sagginale Vicchio Vicchio EDAR Dicomano Forteto Stentatoio Colognole
0 5 10 15 20 25 30 35 40 45 50
Fig. 3. Distribución de puntos de medición (flechas hacia arriba), fuentes puntuales y no puntuales a lo largo del río Sieve.
sin tratar, además de la salida de las principales aguas residuales El flujo y la velocidad del río se muestran en la Fig. 4, mientras que el
obras de tratamiento de Baciacavallo, con una capacidad superior los detalles de carga y muestreo se muestran en la Fig. 5.
750.000 PE. Una planta de tratamiento de aguas residuales más pequeña se encuentra
en Candeli, 3 km aguas abajo de Baciacavallo, con capacidad 1.2. Materiales y métodos
de 5000 PE. El tramo en estudio tiene una longitud de 15 km y puede
dividirse en dos partes con características muy diferentes. Las mediciones de la calidad del agua se tomaron directamente en el sitio
La parte aguas arriba, de 10 km de longitud, discurre por un denso utilizando un OXI90 (WTW e WissenschaftlichTechnische Werk sta¨tten
zona poblada, con riberas artificiales y mucha contaminación GmbH, Weilheim, Alemania) para oxígeno disuelto y
fuentes, mientras que el tramo aguas abajo, de unos 5 km, es relativamente un fotómetro Spectroquant NOVA60 (Merck KGaA, Darm stadt, Alemania)
virgen con zonas ribereñas densamente vegetadas y para DQO y compuestos de nitrógeno inorgánico, utilizando
asentamientos humanos escasos. En este alcance la fotosintética kits de prueba DQO 160 C1/25, 15e160 mg L1 DQO (método 013);
actividad es considerable, dado el alto contenido de nutrientes amonioN A5/25, 0,20e8,00 mg L1 NH4N indofenol
del agua entrante, y la autopurificación es muy activa. (método 048); y nitratoN 50 N1/25, 0.5e23.0 mg
caserana Molín
N. Molino culo Castelletti Carmignano
4
1.0
3.5 0.9
2.5
Velocidad
(m/
s) 0.8
0.7
0.6
2 Candelí 0.5
EDAR
Caudal
(m3/
s)
0.4
1.5
0.3
Velocidad (m/s)
1 0.2
baciacavallo Caudal (m3/s)
0.5 EDAR 0.1
0 0.0
0 5 10 15
Fig. 4. Reconstrucción de caudal y velocidad a lo largo del río Ombrone utilizada en el modelo de calidad del agua. Descarga de la PTAR Baciacavallo cerca del muestreo Molino
punto contribuye significativamente al flujo aguas abajo, especialmente durante la temporada de bajo flujo.
Candelí
EDAR
tratado
punto
baciacavallo fuente
EDAR
río Ombrone
sin tratar
sin punto
CBDD no puntual y NO3 fuente
Producción de oxígeno fotosintético
caserana Molín
N. Molino culo Castelletti estación
0 5 10 15
Fig. 5. Distribución de puntos de medición (flechas hacia arriba), fuentes puntuales y no puntuales a lo largo del río Ombrone.
L1 NO3N 2,6dimetilfenol (método 029). Para el vC vC
¼ tu fðCÞ: ð2Þ
Río Ombrone la cooperación del laboratorio provincial Vermont vx
de la Agencia Regional de Protección Ambiental (ARPAT)
Tomando el diferencial completo de los rendimientos de C
es agradecido por el muestreo y la calidad del agua
análisis. Los puntos de muestreo fueron georreferenciados mediante un vC vC
dC ¼ dx þ dt: ð3Þ
Garmin GPS12 (Garmin, Olathe, KS, EE. UU.) portátil global vx Vermont
Sistema de posicionamiento. Desde el punto de vista de la precisión, los datos
Dividiendo por dt y teniendo en cuenta la Ec. (2) rendimientos
valores y barras de error asociadas que aparecen en el modelo
las cifras de respuesta se calcularon como la media y el estándar corriente continua vC dx vC vC vC
desviación de las muestras tomadas en un mismo transecto en fechas
¼
þ ¼
¼ fðCÞ: u þ ð4Þ
dt vx dt Vermont vx Vermont
diferentes entre julio y octubre de 2001 en el río Sieve y
en el mismo período de 2005 en el Ombrone. Por lo tanto, definiendo el tiempo de flujo ts como dt=dts ¼ 1 y
dx=dts ¼ u, la PDE (Ec. (2)) se convierte en una simple ordinaria
ecuación diferencial (ecuación (4)), cuya solución es válida no en
2. Estructura del modelo
todo el dominio (t, x), pero solo en la línea característica
definido por Ud. En este caso, el modelo Eq. (4) se puede expresar
2.1. Supuestos básicos de modelado en el tiempo de flujo ts, es decir, el tiempo de viaje de un tapón de agua dado
a lo largo del río se reduce al término reactivo f(C). permanecer en
La dinámica advectivadifusiva unidimensional general para un la línea característica las medidas deben tomarse usando
contaminante reactivo se puede escribir como una PDE (ver, por ejemplo, la suposición de "seguir el enchufe", donde dx = dts ¼ u y
Rinaldi et al., 1979; Thomann y Müller, 1987; Chapra, ecuación (4) describe completamente el comportamiento de la calidad del río.
1997)
2.2. Introducción de términos reactivos
vC vC v2 C
¼ tu þD fðCÞ; ð1Þ Los procesos reactivos incluidos en el modelo son: degradación de
vt vx vx2
sustancias carbonosas disueltas, oxidación de amonio, absorción y
desnitrificación de algas y oxígeno disuelto.
donde C (mg L1 ) es la concentración de un contaminante genérico, u equilibrio, incluido el agotamiento por procesos de degradación y
es la velocidad de la corriente (m s1 ), D es el coeficiente de difusión suministro por aireación física y producción fotosintética.
1
(m2 ∙s ), t es el tiempo (s), x es la distancia aguas abajo a lo largo Las interconexiones entre estos procesos, junto con
la longitud del río (m) y f(C) es el término reactivo genérico para las entradas de fuente no puntual, se muestran en la Fig. 6 y el modelo
el contaminante C. Despreciando el término de difusión, Eq. (1) Las ecuaciones se enumeran en la Tabla 1. Dado que el modelo está
se convierte referenciado al espacio a través de la suposición de "seguir el enchufe", la variación
variable modelo
Reaireación
proceso metabólico
Entradas distribuidas
HACER
DBO Biodegradación CO2

Bd
sin punto + Nitrificación Nitrificación N2

Fuentes NH4 NO3
NO3d
d Asimilación 1δ
Sumergido
vegetación
crecimiento
DOph
Fig. 6. Procesos de transformación incluidos en el modelo de calidad del agua.
de flujo y velocidad a lo largo del curso se incluyó en el El fósforo no se incluyó en el modelo porque en ambos
modelo, como ya se discutió en la Sección 1.1. Dada la diferencia ríos su concentración era demasiado baja para ser observada y
morfología de los dos ríos, el modelo general de la Tabla 1 modelada de manera confiable. Además, casi toda la población de algas es
tuvo que ser adaptado a cada río incluyendo los procesos apropiados compuesto de especies limitadas en N y su interacción con el nitrógeno
como se muestra en la Tabla 2. inorgánico disuelto se describe mediante el coeficiente de absorción
Comparar la estructura de este modelo con los grados de complejidad preferencial d introducido por Brown y Barnwell
introducido por Lindenschmidt (2006), la DBO se diferenció entre (1987) en la familia de modelos QUAL2. El relativamente simple
componentes carbonosos (CBOD) y nitrogenados (NBOD) (complejidad la estructura del modelo se compensa parcialmente al estructurar algún
2) con un acoplamiento débil entre parámetro en función de la morfología variable del río. de hecho
el ciclo DOeBOD y la interacción algaenitrógeno. se observó que solo relacionando algunos parámetros con el río
tabla 1
Estructura del modelo de calidad del agua del río
Dinámica
dB 1
KbðxÞB þ BdðxÞ
¼
dx uðxÞ
dNH4 1 1 NH4
¼
KaðxÞNH4 dKal
dx uðxÞ uðxÞ Kf + NH4
dNO3 1 1 NUMERO 3 1
KaðxÞNH4 ð1 dÞKal KoNO3 þ NO3dðxÞ
¼
dx uðxÞ uðxÞ Kf þ NO3 uðxÞ
dDO 1 1 1 ð4:57 YaÞ
KrðuÞðDOsat DOÞ KbðxÞB
¼
KaðxÞNH4 þ DOphðxÞ
dx uðxÞ uðxÞ uðxÞ ya
Tamiz ombrón
NH4
ka max KsaþNH4 X > 21 Ka máx1 fðT; pH;DOÞ 0 < x < 10:5
KaðxÞ ¼ KaðxÞ ¼
Kaa X < 21 Ka max2 fðT; pH;DOÞ x > 10:5
1 HACER
fðT; pH;DOÞ ¼ eCTðTðxÞ15Þ
1 þ 10pk1pHðxÞ þ 10pHðxÞpK2 Kos þ DO
8 1:802 0 < x 12:492 Kb1 0 < x < 10:5
KbðxÞ ¼
KbðxÞ ¼ Kbm 2:479 12:492 < x < 16:859 Kb2 x > 10:5
<
: 0:451 16:859 < x < 48:454
ffiffiffiffiffiffiffiffiffi
uðxÞ
KrðuÞ ¼ Kc
3:6 r
Tabla 2 cada fuente puntual se modela diluyendo la descarga con
Procesos incluidos en cada modelo (indicados por ) el flujo aguas arriba y reiniciando la integración con el nuevo
Proceso Tamiz ombrón condiciones iniciales. Las fuentes no puntuales de CBOD, NH4N y la tasa de
Degradación de DBO producción de oxígeno fotosintético DOph(x), que son muy difíciles de detectar,
Fuente no puntual de DBO se introdujeron como constantes por partes desconocidas.
Fuente difusa de NO3N las entradas del modelo y se estiman junto con los parámetros adecuados del
Nitrificación (primer orden)
modelo. Esto aumenta la dimensión de la estimación de parámetros.
Nitrificación (media saturación)
problema y afecta la identificabilidad global al introducir
Asimilación de NH4N
por vegetación sumergida más funciones de conmutación. Las fuentes puntuales conocidas a lo largo
Asimilación de NO3N ambos ríos y las cargas del tratamiento de aguas residuales
por vegetación sumergida plantas se muestran en la Tabla 3, mientras que su distribución espacial
desnitrificación
se muestra en la Fig. 3 para el tamiz y en la Fig. 5 para el Ombrone.
Reaireación
Producción de oxígeno fotosintético
3. Estimación de parámetros
características se podría obtener un buen ajuste de datos. Los principales La estructura del modelo relativamente simple de la Tabla 1, junto
ejemplos de este enfoque son la tasa de biodegradación de CBOD Kb, con las variaciones de parámetros paso a paso, puede producir confiable
que depende de las características del río (flujo de agua, resultados sólo si está respaldado por un procedimiento de estimación robusto.
morfología del lecho, profundidad) como lo señalan Thomann y Mueller (1987), Esta sección no solo se ocupa de la calibración de parámetros,
Chapra (1997), Chapra y Pellettier (2003). En sino también con la identificabilidad de un modelo de estructura variable en
el modelo este parámetro tiene una estructura variable, dependiendo qué fuentes no puntuales se incluyen como parámetros adicionales.
en la ubicación, como se muestra en la Tabla 1. Además, la producción de El algoritmo Simplex modificado descrito en MarsiliLibelli
oxígeno fotosintético por la vegetación sumergida (1992) como método de optimización básico, junto con
con una teoría más reciente (MarsiliLibelli et al., 2003) sobre las regiones de
DOph(x) varía ampliamente, dependiendo del nivel de eutrofización. Por lo tanto,
se introdujeron diferentes niveles de producción de oxígeno después de confianza de los parámetros estimados. Estos resultados se han aplicado con
inspeccionar la longitud del río y evaluar la éxito a los humedales construidos.
nivel de desarrollo vegetativo. También se encontró que la cinética de la (MarsiliLibelli y Checchi, 2005) y modelos respirométricos
oxidación del Namonio varía entre un primer orden (Checchi y MarsiliLibelli, 2005). Recientemente, una caja de herramientas de
y una cinética de media velocidad dependiendo de las condiciones del río. software llamada PEAS, un acrónimo de Parameter Estimation and
Todas estas estructuras de parámetros, además de requerir una cuidadosa Accuracy Software, ha sido publicado (Checchi et al.,
inspección de la morfología del río, introducir una gran cantidad 2007). El software está disponible gratuitamente como un kit de herramientas de Matlab 7
de cambiar funciones en el modelo, que no solo aumentan previa solicitud por correo electrónico al autor correspondiente de este artículo.
su complejidad, sino también hacer que la evaluación de sus parámetros sea más Incluye toda la teoría anterior e implementa la completa
difícil, como ya señalan MarsiliLibelli et al. (2003) procedimientos para la estimación de parámetros y análisis de confiabilidad
y Checchi et al. (2007). necesarios para calibrar el modelo de calidad del río de la Sección 2 y
Tabla 1.
2.3. Fuentes puntuales y no puntuales
3.1. Definición del problema de estimación de parámetros
Detectar los efectos de fuentes no puntuales puede ser una tarea desalentadora
tarea que implica la estimación indirecta de las características de la cuenca y La estimación de parámetros consiste en encontrar el mejor valor de
uso de la tierra, como lo muestran Azzellino et al. (2006). En este estudio, el vector de parámetros p de np dimensión en los mínimos cuadrados
Tabla 3
Fuentes puntuales conocidas a lo largo de los ríos Sieve y Ombrone
1
Río Distancia (km) Caudal (m3 s ) CBD (mg L1 ) DO (mg L1 ) NH4N (mg L1 ) Tipo de fuente
Tamiz 0.0 3.000 5.0 12.0 0.0 Condiciones aguas arriba

13.5 0.120 70.0 3.0 0.0 Vertido de la EDAR de Rabatta
18.4 0.0125 70.0 5.0 33.0 Punto de partida
alta en Vicchio
21.0 0.015 20.0 3.0 0.0 Vertido de la EDAR de Vicchio
30.0 0.0126 130.0 5.0 25,0 Punto de partida
alta en Dicomano
40.5 0.017 50.0 5.0 23.0 Punto de partida
alta en rufina
ombrón 0,0 0,3 1,97 Condiciones aguas arriba

7,1 1,4 7 7 3,2 Descarga de la PTAR Baciacavallo
7,9 0,13 6,0 4,0 5,0 5,0 5,0 Vertido de la PTAR de Candeli
sentido (Seber y Wild, 1989; MarsiliLibelli et al., 2003), es decir , MarsiliLibelli et al., 2003; De Pauw, 2005), maximizando así
el que minimiza el error de salida cuadrático ponderado F implica minimizar el error de estimación. De hecho, al inspeccionar las
funcional sensibilidades de la trayectoria, la identificabilidad de los datos/
La combinación de modelos puede ser evaluada y experimental óptima.
1 2
Exp pueden diseñarse condiciones para maximizar la estimación
EðpÞ ¼Xq XN s2 y jk yj;kðpÞ ; ð5Þ
j¼1 k¼1 jk exactitud (Insel et al., 2003; De Pauw, 2005; Checchi y
MarsiliLibelli, 2005).
donde N es el número de datos experimentales para cada uno de los La identificabilidad de un subconjunto de parámetros se determina de
Exp
( j ¼ 1, ., q) salidas del modelo, y son observaciones experimentales acuerdo con el siguiente procedimiento: los parámetros se clasifican
jk
ruidosas y yj,k(p) son las salidas del modelo correspondientes dependientes de acuerdo con un índice de sensibilidad global (ecuación (7)), luego se forma
de los parámetros. El índice k indica las ubicaciones en las que una secuencia de submatrices FIM que incluye un número creciente de
los datos fueron muestreados a lo largo del río. Los factores de ponderación en parámetros comenzando con el más sensible;
ecuación (5) son inversamente proporcionales a la incertidumbre de medida luego, los criterios OED se prueban en cada matriz. El más largo
sj,k definida en la Sección 1.2. La optimización del error. el subconjunto identificable se compone entonces del número máximo
funcional se resuelve a través de una búsqueda numérica acoplada con de parámetros para los que los criterios no muestran una marcada
el modelo en la Tabla 1 calculando la salida del modelo y para cada salida del mínimo fijado (i ¼ 2). La mayoría de los criterios OED,
ensayo del vector de parámetros p. El algoritmo Simplex utilizado derivadas de la FIM, fueron originalmente concebidas como parte de
en esta aplicación es una versión mejorada del clásico poliedro flexible una teoría de experimentos óptimos (Fedorov, 1972) con la
(Himmelblau, 1972), donde la expansión objetivo de minimizar la covarianza de las estimaciones (De Pauw,
longitud está optimizada en la dirección de búsqueda (MarsiliLibelli, 2005). La Tabla 4 ilustra los principales criterios utilizados en la literatura (ver,
1992). Este método de optimización es inherentemente sin restricciones, por ejemplo, Atkinson y Donev, 1992; Versyck et al., 1998;
aunque en la práctica los parámetros del modelo pueden requerir restricciones, Petersen, 2000; Insel et al., 2003; De Pauw, 2005; checchi
ante todo positividad; sin embargo, hay varias razones que y MarsiliLibelli, 2005) y su efecto en la estimación.
evitar la introducción de restricciones en la búsqueda Simplex, Para el presente estudio las más efectivas resultaron ser A, E
como se discute en Checchi y MarsiliLibelli (2005), la mayoría y modo E.
siendo importante que las restricciones pueden interrumpir su convergencia Para aplicar estos criterios, primero se utiliza la matriz de sensibilidad S
propiedades y producir una matriz de covarianza menos realista. En para clasificar los parámetros según su identificabilidad definiendo el índice
Por otro lado, si la búsqueda se deja sin restricciones, un error de sensibilidad global:
la formulación del problema se puede detectar fácilmente a través de
ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
resultados.
1 2
xi ¼ Xq XN Si; jðkÞ yo ¼ 1;.; notario público; ð7Þ
norte
3.2. Análisis de sensibilidad y parámetros identificables j¼1 k¼1
vuut
El problema de seleccionar el mejor compromiso en términos de
identificabilidad, complejidad computacional y precisión del modelo el cual es similar al introducido por Reichert y Vanrolle ghem (2001) y De
ahora se considera. La necesidad de definir un máximo identificable Pauw (2005). Después de reordenar las filas
subconjunto de parámetros se justifica por la escasez de datos y la necesidad de S para una x descendente, una colección de submatrices FIM es
de identificar fuentes no puntuales, que se incluyen como parámetros formado por los principales menores de orden i ¼ 2, ., np, iethen
adicionales y aumenta aún más la dimensión y la los criterios OED se calculan para el conjunto Fi (i = 2, ., np). El
dificultad del problema de calibración. el subconjunto máximo identificable incluye los primeros i parámetros
La selección de subconjuntos de parámetros identificables es un tema para los cuales los criterios aún arrojan un valor aceptable. Este
particularmente relevante en la identificación de sistemas ambientales. procedimiento se aplicó al río Sieve y Ombrone
(Weijers y Vanrolleghem, 1997; Petersen, 2000; Dochain
y Vanrolleghem, 2001; Omlin et al., 2001; reichert y Tabla 4
Vanrolleghem, 2001; Brun et al., 2002; Gernaey et al., 2004; Criterios de diseño de experimentos óptimos basados en FIM
De Pauw, 2005). Casi todos estos estudios se basan en la trayectoria. Criterios Método Efecto
funciones de sensibilidad, definidas como la relación incremental entre A Mín. (tr F1 ) Minimización de la aritmética
la variación de cada salida (j ) y la del parámetro perturbado (i), es decir Si;j media de los errores de los parámetros.
¼ vyj=vpi. Las sensibilidades de la trayectoria juntas modelo A Máx. (tr F) Igual que A, pero insensible
con las matrices Qk ¼ diagðð1=s2 1;kÞð1=s2 2;kÞ.ð1=s2 q;kÞÞ forman al mal acondicionamiento FIM
D Máx (det F) Maximiza el volumen
la matriz de información de Fisher (FIM)
del elipsoide de confianza
mi Máx. (lmín.) Maximiza el mínimo
T
Si;jðkÞ QkSi;jðkÞ; ð6Þ valores propios de F, que
F¼XN
k¼1 es proporcional a la longitud
del eje mayor del
cuya inversa produce la matriz de covarianza de parámetros C ¼ F1 elipsoide de confianza
modo Mín. (lmáx./lmín.) Minimiza el número de condición
(Petersen, 2000; Dochain y Vanrolleghem, 2001;
Centro
F ... 1,1 F1, yo sin punto
F1,np ... parámetros fuentes
... ... ... ... ...
F F ... yo,1 Fi, yo , (8)
Fi, np ... 1020
... ... ... ... ... A
F ... 1015 mi
np ,1 F ... np, yo Fnp , np
modo
1010
105
modelos y se obtuvo el ranking de la Tabla 5 . Aplicar
estos criterios al conjunto Fi calculado para los dos ríos, el Criterios
DEO
del
100
gráficos de las Figs. 7 y 8 se obtuvieron. En ambos casos todos
los criterios indican que los cuatro parámetros más sensibles 105
forman un subconjunto identificable y que la inclusión de las fuentes no
1010
puntuales como parámetros adicionales disminuye la
identificabilidad Por otro lado, estos parámetros deben 1015
incluirse en la identificación, sin ningún conocimiento previo
1020
sobre las posibles fuentes difusas. Así lo identificable 2 3 4 5 6 7 8 9
el subconjunto está formado por los parámetros "básicos" más los no puntuales notario público
fuentes. Estos subconjuntos para los dos ríos están indicados por el
filas sombreadas de la Tabla 5. Para el resto de parámetros, se realizó una Fig. 7. Índices de identificabilidad del río Sieve en función del número de
parámetros estimados np. Los parámetros centrales (Ksa, Ka_max, Kbm y Ko) son
adaptación de los valores de la literatura basada en el conocimiento previo.
indexados del 1 al 4, mientras que los índices del 5 al 7 se refieren a las fuentes no puntuales
utilizado, particularmente para la constante de aireación Kr (Hornberger
Bd, NO3d, DOf.
y Kelly, 1975; Thomann y Müller, 1987; aalderink y
Jovin, 1997; Chapra, 1997; Izagirre et al., 2005). El actual
un método para determinar las regiones de confianza de no lineal
se llevó a cabo la estimación de parámetros y el análisis de incertidumbre
con el uso de la caja de herramientas PEAS (Checchi et al., 2007). modelos En este estudio, sin embargo, la aplicación de esa teoría es
impedido por la estructura parcheada de varios parámetros del modelo. Como
una alternativa robusta, el método de Monte Carlo tiene
3.3. Análisis de incertidumbre Monte Carlo
se ha aplicado para determinar la incertidumbre relativa de la estimación,
cuyos límites de confianza son inversamente proporcionales a su
Las estadísticas de las estimaciones incluyen al menos sus intervalos de
identificabilidad Después de que se haya determinado la estimación de un
confianza, pero pueden extenderse para incluir las regiones de plena confianza
parámetro pb; el método Monte Carlo genera una distribución de parámetros
(Bates y Watts, 1988; Seber y Wild, 1989)
basada en un gran número (Nsimul) de estimaciones
y un artículo anterior (MarsiliLibelli et al., 2003) ilustra
obtenido de observaciones perturbadas ~y ¼ yðpbÞð1 þ 3Þ,
2
donde 3 se muestra a partir de una función de densidad de probabilidad gaussiana N(0, s ) producido
Tabla 5
Puntajes de sensibilidad de los parámetros del modelo para los dos ríos calculados con
ecuación (7)
Centro sin punto
Río Parámetro X parámetros fuente
Tamiz Ksa 791.25 Parámetros básicos 1020

ka_max 376.76
Kb 181.65
1015
ko 69.79
Bd 49,49 Fuentes no puntuales
1010
NO3d 25,29
10.77
DOph
5.28 Literatura o valores eurísticos 105
Kc
Kao 0.43 Criterios
DEO
del
100
ombrón 313,68 Parámetros básicos
ka_max
Kb 198,46 A
105
Kal 150.98 mi
44.61
modo
ko
42.38 1010
DOph fuente no puntual
Kc 17,29 Literatura o valores eurísticos
13,68 1015
Kf 2 3 4 5 6 7 8 9
Cos 11.12
notario público
Kao 4.90
En realidad, solo se calibraron los parámetros "básicos" de las áreas sombreadas. El Fig. 8. Índices de identificabilidad del río Ombrone en función del número de parámetros
otros valores de parámetros fueron adaptados de la literatura u obtenidos estimados np. Los parámetros principales (Ka_max, Kb, Kal y Ko)
de fuentes directas. están indexados del 1 al 4, mientras que el índice 5 se refiere a la fuente no puntual DOph.
por el generador de números aleatorios integrado de Matlab randn. A Tabla 6
2
Gaussian pdf Nðmbi;bs Parámetros calibrados del modelo del río Sieve
i Þ luego se ajusta al histograma de la
iésima estimación como Parámetro Valor estimado y Monte Longitud (km)
Límites de confianza de Carlos
un=2
bpiymbi; ppp t ð9Þ Ksa 0.037 0.032 0 < x < 48,4
Nsimul1 bsi;
ka_max 0.048 0.089 0 < x < 48,4
kbm 0.029 0.008 0 < x < 48,4
donde T un=2
Nsimul1
es la distribución t de Student de dos colas para la
ko 0,139 0,073 0 < x < 48,4
dado el nivel de confianza 100(1 a)% y Nsimul 1 es el de ¼ ð1=Nsimul 1Þ PNsimul 0,321 0,282 35 < x < 48,4
2 Bd
2
grados de libertad, y bs i j¼1 ðpj mbiÞ NO3d 0,385 0,158 8,2 < x < 21,4
es la varianza estimada de la fdp gaussiana ajustada al histograma del iésimo DOph 2,11 0,281 0 < X < 10
parámetro. Si el histograma se compone principalmente de intervalos centrales
Valor constante Referencia
angostos, el ajuste de una función de densidad de probabilidad gaussiana tiende a
sobrestimar las varianzas y, por lo tanto, los límites de confianza
ya 0.24 Brown y Barnwell (1987),
calculado con la Ec. (9). Un ejemplo de los histogramas obtenidos Chapa (1997)
del Monte Carlo y el análisis de distribuciones gaussianas ajustadas se muestra Kc 1.5 Chapra (1997), Thomann y
en la Fig. 9. Para algunos parámetros (p. ej., Kb) , la distribución calculada se Müller (1987)
Kaa 0.075 Chapa (1997)
aproxima bien con una función de densidad de probabilidad gaussiana,
mientras que para otros (por ejemplo, Ksa y ko) esta aproximación es
demasiado conservador. el comportamiento está bien explicado por el modelo en ambos casos,
con las fuentes puntuales y no puntuales jugando un papel crucial en
3.4. Resultados de la calibración la determinación de la calidad del agua y los muchos vertidos sin tratar siguen
representando una gran preocupación. Por el río Tamiz
Los parámetros identificados para los dos ríos se enumeran en el gradiente de temperatura es claramente visible en la Fig. 10 a través
Mesa 6 para Tamiz y Mesa 7 para Ombrone. El grande el valor decreciente de la concentración de saturación de oxígeno.
intervalos de confianza calculados con la ecuación. (9) confirmar el efecto Además, el efecto de la fuente difusa aguas abajo de Dicomano es considerable,
perjudicial de incluir las fuentes difusas en la identificación. Las respuestas del provocando un aumento de la CBOD en los últimos
modelo se muestran en las Figs. 10 y 11 para 15 kilómetros La Fig. 11 muestra la acumulación de nitratos como consecuencia de
el tamiz y los higos. 12 y 13 para el Ombrone. El río nitrificación del río, seguida de desnitrificación en la parte de aguas abajo,
favorecida por las espesas zonas de ribera.
Tamiz
100
40 Tabla 7
80 Parámetros calibrados del modelo del río Ombrone
30
Parámetro Valor estimado Longitud (km)
60
y Montecarlo
20 límites de confianza
40
Kb 0,109 0,043 0 < x < 10,5
20 10
0,009 0,001 10,5 < x < 14,6
Kal 0,512 0,106 0 < x < 10,5
0 0 0,093 0,092 10,5 < x < 14,6
0,01 0,02 0,03 0,04 0,05 0 0,05 0,1
ka_max 0,117 0,031 0 < x < 10,5
Kb Ksa
0,137 0,064 10,5 < x < 14,6
ko 0,117 0,077 0 < x < 10,5
ombrón
20 20 0,137 0,093 10,5 < x < 14,6
DOph 1,656 0,279 0 < x < 7.1
1,760 0,684 7,1 < x < 10,4
15
3,847 0,632 10,4 < x < 14,6
10 10
Valor constante Referencia
5
ya 0.24 Brown y Barnwell (1987),
Chapa (1997)
0 0 Kf 0,026
0 0.1 0.2 0 0.2 0.4 Lindenschmidt (2006)
Kc 0,85 0 < x < 10,5 Chapra (1997), Thomann y
Kb ko
Müller (1987)
0,67 10,5 < x < 14,6
Fig. 9. Un ejemplo de las distribuciones de los parámetros estimados para los dos
d 0.2 Marrón y Barnwell (1987)
ríos obtenidos con simulaciones Monte Carlo. Para algunos parámetros (por ejemplo, Kb)
Ct 0.1 Jorgensen y Bendoricchio (2001)
la distribución calculada se aproxima bien con una función gaussiana, en
pK1 5 Jorgensen y Bendoricchio (2001)
otros casos (p. ej., Ksa y ko) , la varianza de la aproximación gaussiana
pK2 8.8 Jorgensen y Bendoricchio (2001)
distribución es considerablemente mayor que la del histograma original, lo que provoca
Cos 1.34 Lindenschmidt (2006)
una sobreestimación del intervalo de confianza correspondiente.
14 11
DO Datos y error DO Datos y error CBDD Datos y error
HACER
12 10
CBDD Datos y error
DOsat
10 9
DOsat HACER
8
8 Candelí
mgO2L1 mgO2/
L EDAR
7
6 CDB
6
4
CDB 5
2 Rabatta EDAR Vicchio Vicchio EDAR Dicomano Rufina baciacavallo
4
EDAR
0
0 5 10 15 20 25 30 35 40 45 50 3
0 5 10 15
Fig. 10. Respuesta del modelo calibrado para el río Sieve: dinámica CBDD/DO.
Fig. 12. Respuesta del modelo calibrado para el río Ombrone: dinámica DBO/DO. Las líneas grises
Las líneas grises finas representan las respuestas del modelo con parámetros alterados.
finas representan las respuestas del modelo con parámetros alterados.
El margen de error para los datos de CBDD es mayor que para el Sieve debido a menos
campaña y mayor variabilidad de datos inherente. La brusca disminución del OD en
Para el río Ombrone, la Fig. 12 muestra el descenso abrupto del OD
10 km se debe a la mezcla de la PTAR Baciacavallo desoxigenada
causado por la afluencia masiva de oxígeno empobrecida desde descargar.
la PTAR Baciacavallo, aunque el aumento de DBO correspondiente es
limitado. El hundimiento del DO aguas abajo de la descarga
punto también es claramente visible. Una vez más, la eliminación y la varianza dada por los límites de confianza al cuadrado obtenidos por
insuficiente de nitrógeno es visible en la Fig. 13 con un fuerte aumento en el análisis de Monte Carlo de la Sección 3.3. Estos
el punto de descarga, seguido de nitrificación y absorción de algas en los resultados se muestran como grupos de líneas grises finas en el modelo
el alcance aguas abajo. La misma figura muestra la continuación cifras de respuesta (Figs. 10 y 11 para el Sieve y Figs. 12
desnitrificación y absorción de nitratos del alto nivel aguas arriba, y 13 para el Ombrone). Se puede ver que la envoltura de
parcialmente compensado por la descarga de Baciacavallo. estas trayectorias es casi siempre dentro de la experimental
Aunque estos resultados muestran que la respuesta del modelo siempre límites. Las únicas excepciones moderadas son la respuesta de nitrato en
cae dentro de los límites de error experimental, debe ser el río Sieve y el segundo hundimiento de DO en el río Om brone. La
consideró que dado el pequeño número de puntos de datos y primera instancia se puede explicar con la
la gran cantidad de parámetros no es difícil de obtener variabilidad real de la entrada no puntual de NO3, mientras que en el
un buen ajuste promedio. Para evaluar más a fondo la validez del modelo, Caso Ombrone, la producción fotosintética de oxígeno en ese
un análisis de sensibilidad de múltiples parámetros, como se describe por Se encontró que el alcance representaba la mayor contribución al modelo.
Haefner (2005), se realizó. una serie de simulaciones
fueron producidos con parámetros extraídos de independientes
6
Distribuciones gaussianas con media igual al valor calibrado
NO3 Datos y error NH4 Datos y error
5
baciacavallo Candelí
EDAR EDAR
3.5
4
3 NO3 Datos y error
NUMERO 3
3
mg
N/
L
2.5 NH4 Datos y error
2
2
NL1)
(mg
N
NH4
1.5
EDAR Vicchio
1
EDAR Rabatta
Vicchio Rufina
Dicomano
0
0 5 10 15
0. 5
0
Fig. 13. Respuesta del modelo calibrado para el río Ombrone: dinámica del nitrógeno.
0
0 5 10 15 20 25 30 35 40 45 50 Las líneas grises finas representan las respuestas del modelo con parámetros alterados. El efecto de
Distancia aguas abajo (km) las dos WWTP es un aumento abrupto de NH4N, que luego se metaboliza a un ritmo más rápido
que en la parte aguas arriba debido al aumento de las algas.
Fig. 11. Respuesta del modelo calibrado para el río Sieve: dinámica del nitrógeno. El población. La conversión reducida de NO3N en la parte aguas abajo se debe a
las líneas grises finas representan las respuestas del modelo con parámetros alterados. una mayor absorción de NH4N por parte de las algas .
Condiciones reales Eliminando Dicomano sin tratar
descarga de fuente puntual
Mejora de la EDAR de Rabatta Eliminación de fuentes no puntuales
Descarga de CBDD aguas abajo
6 de Dicomano
CBD
(mg
O2
L1) 2
Rabatta EDAR Vicchio Vicchio EDAR Dicomano Rufina
0
0 5 10 15 20 25 30 35 40 45 50
Fig. 14. Efecto de todas las posibles opciones de mejora en el río Sieve: la mejora de la EDAR de Rabatta tiene un efecto limitado, mientras que la eliminación de la
La descarga de fuente puntual no tratada de Dicomano o la fuente no puntual aguas abajo de CBOD tiene un impacto considerable en la calidad del agua aguas abajo, con la
siendo este último el de mayor efecto.
incertidumbre. Vandenberghe utilizó un enfoque similar Determinar la identificabilidad del modelo resultante. Se llevó a cabo una
et al. (2007) quienes complementaron la respuesta del modelo promedio evaluación de la identificabilidad basada en el análisis de sensibilidad.
con el rango de incertidumbre (percentiles 95 y 5%) debido a la incertidumbre y criterios OED. El subconjunto identificable fue determinado por
de los parámetros. clasificar los parámetros en términos de sensibilidad decreciente y
calcular las matrices de información de Fisher asociadas. Teniendo
determinado un subconjunto de parámetros "núcleo" identificable, fue
4. Generación de escenarios
encontró que la inclusión de las fuentes no puntuales como
El modelo calibrado se puede utilizar para evaluar la eficacia parámetros afectaron la identificabilidad en un grado considerable.
Sin embargo, la calibración de fuentes de parámetros combinados fue
de decisiones de gestión con respecto a los problemas no resueltos que
posible gracias al uso de un algoritmo de estimación robusto,
afectan a la cuenca: mejorar el tratamiento de aguas residuales existente
que también proporcionó una estimación de los límites de confianza
las plantas y/o controlar la carga de fuentes difusas. El efecto
a través del análisis de Montecarlo. Las respuestas del modelo calibrado
de estas acciones se muestra en la Fig. 14, reduciendo a la mitad la salida
y sus envolventes de sensibilidad están en buen acuerdo con la
Concentración de CBDD de la EDAR de Rabatta con respecto a
datos de calidad del agua observados, por lo tanto, el modelo es consistente
los valores de la Tabla 3 o eliminando la descarga no tratada en Dicomano
y se puede utilizar para generar escenarios como parte de un general
o la fuente no puntual CBOD aguas abajo de ese asentamiento. Se puede
estrategia para conservar o mejorar la calidad del agua.
ver en la Fig. 14 que
el efecto del vertido de la EDAR de Rabatta es bastante limitado
en el espacio, mientras que eliminar la fuente no tratada en
Reconocimiento
Dicomano o la fuente no puntual aguas abajo de Rufina ha
un gran impacto en todo el alcance final de la Criba, con
Esta investigación fue financiada en parte por la Agencia Regional
la última acción produce la mayor mejora.
para la Protección del Medio Ambiente (ARPAT) a través de la cooperación
con el Centro Nacional de Investigaciones de Aguas Interiores y Costeras
5. Conclusión (CTNAIM). Los autores también desean reconocer la
cooperación del laboratorio provincial ARPAT de Prato para
El objetivo de este estudio fue establecer un modelo simple para su apoyo en el muestreo del río Ombrone.
describir la calidad del agua estacionaria en pequeñas cuencas fluviales donde
el uso de modelos completos, como los distribuidos por
Referencias
USEPA, es demasiado complejo desde un punto de vista práctico y
económico. Después de presentar la estructura básica del modelo, se
Aalderink, RH, Jovin, J., 1997. Identificación de los parámetros que describen
mostrado cómo esto podría adaptarse a ríos de muy diferentes
producción primaria a partir de señales continuas de oxígeno. Ciencias del Agua y
características. Dada la corta longitud del río en comparación con el
Tecnología 36, 43e51.
medida requerida por la dinámica de autopurificación, punto y Atkinson, AC, Donev, AN, 1992. Diseños experimentales óptimos. Claren
las fuentes no puntuales desempeñan un papel clave en la configuración don Press, Oxford, 352 págs.
de la respuesta del modelo y deben tenerse en cuenta, ya sea mediante Azzellino, A., Salvetti, R., Vismara, R., Bonomo, L., 2006. Uso combinado de
el modelo de simulación EPAQUAL2E y el análisis factorial para evaluar la
inspección directa o estimación paramétrica. Además, el río variable
distribución de fuentes de cargas puntuales y no puntuales de nutrientes a la superficie
características, en términos de morfología, hidráulica y vegetación, aguas Ciencia del Medio Ambiente Total 371, 214e222.
requieren la introducción de parámetros variables, por lo tanto Bates, D., Watts, D., 1988. Análisis de regresión no lineal y sus aplicaciones. John Wiley &
complicando la estructura del modelo originalmente simple. A Sons, Nueva York, 365 págs.
Beck, MB, 1987. Modelado de la calidad del agua: una revisión del análisis de uncer Lindenschmidt, KE, 2006. El efecto de la complejidad en la sensibilidad de los parámetros y la
manchado Investigación de recursos hídricos 23, 1393e1442. incertidumbre del modelo en el modelado de la calidad del agua del río. Modelo Ecológico
Brown, LC, Barnwell, TO, 1987. Modelos mejorados de calidad del agua corriente QUAL2E y ling 190, 72e86.
QUAL2EUNCAS. EPA/600/387007. Agencia de Protección Ambiental de EE. UU., MarsiliLibelli, S., 1992. Estimación de parámetros de modelos ecológicos. Modelado
Athens, GA, 189 págs. ecológico 62, 233e258.
Brun, R., Kuhni, M., Siegrist, H., Gujer, W., Reichert, P., 2002. Identificación práctica de MarsiliLibelli, S., Checchi, N., 2005. Identificación de modelos dinámicos para humedales
parámetros ASM2d y selección sistemática y ajuste de subconjuntos de parámetros. artificiales subterráneos horizontales. Modelado ecológico 187, 201e218.
Investigación del agua 36, 4113e4127.
Chapra, S., Pellettier, G., 2003. QUAL2K: Un marco de modelado para simular la calidad del MarsiliLibelli, S., Guerrizio, S., Checchi, N., 2003. Regiones de confianza de parámetros
agua de ríos y arroyos. Documentación y Manual de uso. estimados para sistemas ecológicos. Modelado ecológico 165, 127e146.
Departamento de Ingeniería Civil y Ambiental, Universidad de Tufts, Medford, MA.
Disponible en: http://www.epa.gov/athens/wwqtsc/html/qual2k.html Chapra, S., 1997. Omlin, M., Brun, R., Reichert, P., 2001. Modelo biogeoquímico del lago de Zúrich: análisis de
Modelado de la calidad del agua superficial. McGrawHill Int. Ed., Nuevo sensibilidad, identificabilidad e incertidumbre. Modelado ecológico 141, 105e123.
York, 844 págs.
Checchi, N., MarsiliLibelli, S., 2005. Confiabilidad de la estimación de parámetros en modelos Pearl, J., 1978. Sobre la conexión entre la complejidad y la credibilidad de los modelos
respirométricos. Investigación del agua 39, 3686e3696. inferidos. Revista Internacional de Sistemas Generales 4, 255e264.
Checchi, N., Giusti, E., MarsiliLibelli, S., 2007. PEAS: una caja de herramientas para evaluar Petersen, B., 2000. Calibración, identificabilidad y diseño experimental óptimo de modelos de
la precisión de los parámetros estimados en modelos ambientales. Modelado Ambiental lodos activados. Tesis doctoral, Universidad de Gante, Gante, Bélgica. Disponible en:
y Software 22, 899e913. <http://biomath.ugent.be/publications/download/ >.
De Pauw, DJW, 2005. Diseño experimental óptimo para la calibración de modelos de
procesos biológicos: una caja de herramientas de software validada. Tesis de doctorado Reichert, P., Vanrolleghem, PA, 2001. Análisis de identificabilidad e incertidumbre del Modelo
en Ciencias Biológicas Aplicadas, BIOMATH, Universidad de Gante. Disponible en: <http:// de Calidad del Agua del Río No. 1 (RWQM1). Ciencia y tecnología del agua 43 (7),
biomath.ugent.be/publications/download/>. 329e338.
Dochain, D., Vanrolleghem, PA, 2001. Modelado dinámico y estimación en procesos de Reichert, P., Borchardt, D., Henze, M., Rauch, W., Shanahan, P., Somlyo´dy, L., Vanrolleghem,
tratamiento de aguas residuales. IWA Publishing, Londres, 342 págs. PA, 2001. River Water Quality Model No. 1. Informe científico y técnico No. 12. IWA
Fedorov, VV, 1972. Teoría de los Experimentos Óptimos. Prensa Académica, Nuevo Publishing, Londres, 131 págs.
York, 292 págs. Rinaldi, S., SonciniSessa, R., Stehfest, H., Tamura, H., 1979. Modelización y control de la
Gernaey, KV, van Loosdrecht, MCM, Henze, M., Lind, M., Jørgensen, SB, 2004. Modelado y calidad del río. McGrawHill, Nueva York, 380 págs.
simulación de plantas de tratamiento de aguas residuales con lodos activados: estado Seber, GA, Wild, CJ, 1989. Regresión no lineal. John Wiley & Sons, Nueva
del arte. Modelado ambiental y software 19, 763e783. York, 768 págs.
Haefner, JW, 2005. Modelado de sistemas biológicos, principios y aplicaciones. Springer, Snowling, SD, Kramer, JR, 2001. Evaluación de la incertidumbre del modelo para
Nueva York, 475 págs. selección de modelo. Modelado Ecológico 138, 17e30.
Halfon, E., 1983. ¿Existe una mejor estructura modelo? 1. Modelar el destino de una sustancia Thomann, RV, Mueller, JA, 1987. Principios de modelado y control de la calidad del agua
tóxica en un lago. Modelado ecológico 20, 135e152. superficial. Harper & Row, Nueva York, 644 págs.
Himmelblau, D., 1972. Programación no lineal aplicada. McGrawHill, Nueva Vandenberghe, V., Bauwens, W., Vanrolleghem, PA, 2007. Evaluación de la propagación de
York, 498 págs. la incertidumbre en las predicciones de la calidad del agua del río para guiar futuras
Hornberger, GM, Kelly, MG, 1975. Reaireación atmosférica en un río usando análisis de campañas de monitoreo. Modelado Ambiental y Software 22, 725e732.
productividad. Revista ASCE de Ingeniería Ambiental 101, 729e739.
Versyck, KJ, Claes, JE, van Impe, JF, 1998. Diseño experimental óptimo para la identificación
Insel, G., Orhon, D., Vanrolleghem, PA, 2003. Identificación y modelado de mecanismos de práctica de modelos de crecimiento no estructurados. Matemáticas y Computación en
hidrólisis aeróbica y aplicación de diseño experimental óptimo. Revista de Tecnología Simulación 46, 621e629.
Química y Biotecnología 78, 437e445. Weijers, SR, Vanrolleghem, PA, 1997. Un procedimiento para seleccionar los mejores
parámetros identificables en la calibración del modelo de lodos activados n.° 1 a datos de
Izagirre, O., Bermejo, M., Pozo, J., Elosegi, A., 2005. RIVERMET: una herramienta basada planta a gran escala. Ciencia y tecnología del agua 36 (5), 69e79.
en Excel para calcular el metabolismo del río a partir de las curvas de concentración de Wool, TA, Ambrose, RB, Martin, JL, Comer, EA, 2006. Programa de simulación de análisis de
oxígeno diel. Modelado Ambiental y Software 22, 24e32. calidad del agua (WASP) Versión 6.0 BORRADOR: Manual del usuario. Agencia de
Jørgensen, SE, Bendoricchio, G., 2001. Fundamentos de la modelización ecológica. Elsevier, Protección Ambiental de los Estados Unidos, Athens, GA. Disponible en: <http://
Ámsterdam, 530 págs. www.epa.gov/athens/wwqtsc/html/wasp.html>.

Stefano Marsili Libelli, Elisabetta Giusti: Halfon (1983) Beck (1987) Pearl (1978)

Cargado por

Información del documento

Descripción original:

Título 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

Stefano Marsili Libelli, Elisabetta Giusti: Halfon (1983) Beck (1987) Pearl (1978)

Cargado por

Copyright:

Formatos disponibles

Machine Translated by Google

8.0 Vicchio 0.6

4.0 Rabatta 0.3

fotosintético sin punto CBDD sin punto

DBO Biodegradación CO2

sin punto + Nitrificación Nitrificación N2

dx uðxÞ uðxÞ Kf þ NO3 uðxÞ

Tamiz 0.0 3.000 5.0 12.0 0.0 Condiciones aguas arriba

ombrón 0,0 0,3 1,97 Condiciones aguas arriba

Tamiz Ksa 791.25 Parámetros básicos 1020

También podría gustarte