Traducido del inglés al español - www.onlinedoctranslator.

com

Ciencia del medio ambiente total 566–567 (2016) 1552–1567

Listas de contenidos disponibles enCiencia Directa

Ciencia del Medio Ambiente Total

revista Página de inicio:www.elsevier.com/localize/sci totenv

Evaluación de la calidad del agua y distribución de las fuentes de contaminación

utilizando técnicas de modelado de receptores APCS-MLR y PMF en tres ríos principales
del sur de Florida

Mohammad Haji Gholizadeha,⁎, Assefa M. Melesseb, Lakshmi ReddiC

aDepartamento de Ingeniería Civil, Universidad Internacional de Florida, 10555 W Flagler Street, EC3781, Miami, FL 33174, EE. UU.
bDepartamento de Tierra y Medio Ambiente, Universidad Internacional de Florida, AHC-5-390, 11200 SW 8th Street, Miami, FL 33199, EE. UU.
CDepartamento de Ingeniería Civil, Universidad Internacional de Florida, PC 230, 11200 SW 8th St., Miami, FL 33199, EE. UU.

REFLEJOS GRÁFICAMENTE ABSTRACTO

• El método PCA/FA identificó las posibles fuentes

de contaminación en las estaciones húmedas y
secas.
• APCS-MLR y PMF prorratearon las
contribuciones de cada fuente potencial
de contaminación.
• La aplicabilidad de APCS-MLR y PMF en la
caracterización de la calidad del agua es un
concepto nuevo.
• Se presenta un enfoque para cambiar los
porcentajes negativos de las contribuciones de
las fuentes.
• Se identificaron diferentes fuentes de contaminación
para cada estación húmeda y seca.

información del artículo abstracto

Historia del artículo:
Recibido el 24 de marzo de 2016 Recibido en
forma revisada el 3 de junio de 2016 Aceptado el 8
de junio de 2016
Disponible en línea el 15 de junio de 2016
En este estudio, se utilizaron el análisis de componentes principales (PCA), el análisis factorial (FA) y la técnica de modelado de receptores
de regresión lineal múltiple de puntuación de componentes principales absolutos (APCS-MLR) para evaluar la calidad del agua e
identificar y cuantificar las posibles fuentes de contaminación. afectando la calidad del agua de tres ríos principales del sur de Florida.
Para este propósito, se utilizó un conjunto de datos de 15 años (2000-2014) de 12 variables de calidad del agua que cubren 16 estaciones
de monitoreo y aproximadamente 35 000 observaciones. El método PCA/FA identificó cinco y cuatro fuentes potenciales de

Editor: D. Barceló contaminación en las estaciones húmedas y secas, respectivamente, y se explicaron los mecanismos, reglas y causas efectivas. La APCS-
MLR prorrateó sus contribuciones a cada variable de calidad del agua. Los resultados mostraron que las descargas de contaminación de
Palabras clave: fuente puntual por factores antropogénicos debido a la descarga de desechos agrícolas y aguas residuales domésticas e industriales
Calidad del agua fueron las principales fuentes de contaminación del agua de los ríos. Además, las variables estudiadas se categorizaron en tres grupos de
Repartos de fuentes nutrientes (nitrógeno kjeldahl total, fósforo total, fosfato total y N-amoniaco), parámetros conducentes a la turbidez del agua (sólidos
Contaminantes suspendidos totales, turbidez y clorofila).a),y los iones de sal (magnesio, cloruro y sodio), y las contribuciones promedio de diferentes
APCS–MLR fuentes potenciales de contaminación a estas categorías se consideraron por separado. La matriz de datos también se sometió al modelo
PMF
del receptor PMF utilizando el programa EPA PMF-5.0 y se realizó el modelo bidireccional descrito para el PMF.
Sur de la Florida

⁎ Autor correspondiente.
Correos electrónicos:mhaji002@fiu.edu (M. Haji Gholizadeh),melessea@fiu.edu (AM Melesse),lreddi@fiu.edu (L. Reddy).

http://dx.doi.org/10.1016/j.scitotenv.2016.06.046 0048-9697/
© 2016 Elsevier BV Todos los derechos reservados.
 M. Haji Gholizadeh y otros. / Ciencia del Medio Ambiente Total 566–567 (2016) 1552–1567
análisis. La comparación de los resultados obtenidos de los modelos PMF y APCS-MLR mostró que había algunas diferencias
significativas en la contribución estimada para cada fuente potencial de contaminación, especialmente en la estación húmeda.
Finalmente, se concluyó que el enfoque de modelado del receptor APCS-MLR parece ser físicamente más plausible para el
estudio actual. Se cree que los resultados del prorrateo podrían ser muy útiles para las autoridades locales para el control y
gestión de la contaminación y una mejor protección de la importante calidad del agua fluvial.
1. Introducción
La calidad del agua superficial se ha convertido en una seria preocupación para los
planificadores y gestores urbanos. La calidad del agua superficial en una región es
función de factores naturales (precipitaciones, clima, fisiografía de la cuenca, erosión del
suelo, etc.) y factores antropogénicos (urbanización, actividades industriales y agrícolas,
etc.) (Carpenter y otros, 1998; Jarvie et al., 1998). Como resultado de sus impactos,
nutrientes, sustancias tóxicas y productos derivados del petróleo ingresan a los ríos,
estuarios, lagos y otros cuerpos de agua y reducen la calidad del agua. Los factores
antropogénicos, como las aguas residuales residenciales e industriales, son una fuente
constante de contaminación en las zonas urbanas, mientras que los factores naturales,
como las precipitaciones, la escorrentía superficial y el nivel freático son fenómenos
estacionales que se ven afectados principalmente por el clima (Singh y otros, 2004). Las
variaciones estacionales en las precipitaciones, la escorrentía superficial, el flujo de aguas
subterráneas y la interceptación y extracción de agua tienen efectos significativos en la
descarga de los ríos y, posteriormente, en la concentración de contaminantes en el agua
de los ríos (Vega, 1998). Por lo tanto, para investigar y evaluar mejor la calidad del agua
de las cuencas, el estudio de las variaciones temporales junto con las variaciones
espaciales de la calidad del agua parece inevitable.
Para tener información confiable sobre las propiedades inherentes a la calidad
del agua y comprender las variaciones espaciales y temporales en las propiedades
hidroquímicas y biológicas del agua, se requieren programas de monitoreo
continuo y regular (Singh y otros, 2005). Sin embargo, las bases de datos
generadas son grandes y complejas y sus análisis requieren herramientas
analíticas sólidas. Las técnicas estadísticas multivariadas, como el análisis de
componentes principales (PCA) y el análisis factorial (FA), se utilizan ampliamente
para la evaluación de variaciones temporales y espaciales y la interpretación de
conjuntos de datos grandes y complejos sobre la calidad del agua (Bhat y otros,
2014; Duan et al., 2016; Juahir et al., 2011; Kim y otros, 2005; Kowalkowski et al.,
2006; Kumar et al., 2014; Muangthong y Shrestha, 2015; Mustafa y Aris, 2012;
Schaefer y Einax, 2010; Shrestha y Kazama, 2007; Simeonov et al., 2003; Singh et
al., 2004, 2005, 2012; Wunderlin y otros, 2001; Xiao y otros, 2016). PCA/FA es una
técnica de reducción de dimensiones que proporciona información de los factores
más significativos con una representación más sencilla de los datos. PCA/FA se
utiliza generalmente para determinar la estructura de datos y para proporcionar
información cualitativa sobre posibles fuentes de contaminación. Sin embargo, la
PCA/FA por sí sola no puede determinar las contribuciones cuantitativas de las
fuentes de contaminación identificadas a cada variable. Para este fin se pueden
utilizar modelos basados en receptores, como APCS-MLR. El método APCS-MLR se
utilizó principalmente para la identificación y distribución de fuentes de
contaminación en estudios del entorno atmosférico. En los últimos años, la
aplicación de esta técnica para repartir las fuentes de contaminación en el medio
acuático ha aumentado (Chen et al., 2013, 2015; Fisher y Mostaza, 2004; Mustaffa
et al., 2014; Nasir y otros, 2011; Shrestha y otros, 2008; Simeonov et al., 2003;
Singh y otros, 2005; Su et al., 2011; Yang y otros, 2013; Zhao y otros, 2013).
Dadas las consideraciones anteriores, el objetivo principal de este estudio es
obtener una comprensión más profunda de las variaciones temporales y las
fuentes de contaminación del agua en tres ríos principales del sur de Florida. Una
gran matriz de datos obtenida durante un período de monitoreo de quince años
(2000-2014) en dieciséis sitios diferentes para doce parámetros de calidad del
agua, y en dos estaciones húmedas y secas (alrededor de 35 000 observaciones) se
sometió a PCA/FA, APCS-MLR y PMF. técnicas para (1) identificar los factores
latentes que explican la estructura de la base de datos y la influencia de posibles
fuentes de contaminación (naturales y antropogénicas) en los parámetros de
calidad del agua, (2) estimar la contribución de posibles fuentes de contaminación
en la concentración de parámetros seleccionados, y (3) comparar los modelos PMF
y APCS-MLR para el reparto de fuentes en agua
1553
© 2016 Elsevier BV Todos los derechos reservados.
estudios de calidad. Se cree que los resultados del prorrateo podrían ser muy
útiles para las autoridades locales para el control y gestión de la contaminación y
una mejor protección de la importante calidad del agua fluvial.
2. Área de estudio y metodología
2.1. Área de estudio
Los canales en el sur de Florida forman una extensa red para distribuir agua y
descargar el exceso de flujo estacional en los estuarios. Son sistemas
biológicamente productivos que sustentan una variedad de plantas, animales y
microorganismos acuáticos, muchos de los cuales también prosperan en
estanques, pantanos y marismas. En este estudio, se investiga la calidad del agua
de tres ríos principales del sur de Florida, el Canal de Miami, el Río Kissimmee y el
Río Caloosahatchee, aplicando diferentes técnicas de análisis multivariado. La
temperatura media anual oscila entre 19,2 °C y 28,7 °C y la precipitación anual en
toda la zona del sur de Florida es generalmente de unos 55 pulgadas (1400 mm).
Considerando el clima subtropical del sur de Florida, la precipitación promedio
sigue siendo considerable en la estación seca. Además, durante el fenómeno de El
Niño, Florida registra mayores precipitaciones entre noviembre y marzo
(temporada seca). Se verificó el caudal mensual en los ríos estudiados y se
encontró que no había ninguna variación significativa entre el caudal de los ríos
en las estaciones húmedas y secas. Los principales usos del suelo en sus cuencas
incluyen áreas agrícolas, humedales, ganaderías y granjas lecheras, y áreas
urbanas.Figura 1 muestra la ubicación del área de estudio y los sitios
seleccionados para monitorear la calidad del agua en tres ríos principales del sur
de Florida.
2.2. Preparación del conjunto de datos
La red hidrográfica del área de estudio, generada utilizando el conjunto de
datos de hidrografía nacional (NHD) 1:24,000 obtenido del catálogo de datos de
sistemas de información geográfica del Distrito de Gestión del Agua del Sur de
Florida (SFWMD), se utilizó para delinear la línea de flujo de tres ríos
seleccionados. En este estudio se utilizó el mapa de cobertura y uso del suelo más
reciente (2008-09), proporcionado por el Distrito de Administración del Agua del
Sur de la Florida. Luego, estos datos se recortaron para que se ajustaran a nuestra
área de estudio. El área de cada tipo de uso de suelo dentro de cada cuenca se
calculó utilizando una plataforma ESRI ArcGIS 10.0. Las estaciones de monitoreo,
descargadas de la misma fuente, se superpusieron con mapas de ríos en ArcGIS
para diseñar una red de estaciones de muestreo que incluyan datos históricos
suficientes para construir una base de datos estadística robusta de los parámetros
estudiados, considerando una distribución espacial adecuada en el río. Luego, se
utilizó DBHYDRO (base de datos ambiental de SFWMD) para obtener datos de
series de tiempo continuas para 12 parámetros seleccionados de calidad del agua
desde 2000 hasta 2014. Esta base de datos luego se dividió en estaciones secas y
húmedas (la temporada húmeda dura del 15 de mayo al 15 de octubre). , y la
estación seca dura del 16 de octubre al 14 de mayo). Los parámetros de calidad
del agua seleccionados para la investigación en este estudio incluyen clorofila-a (
chl-a),oxígeno disuelto (DO), nitrógeno kjeldahl total (TKN), fósforo total (TP),
fosfato total, amoníaco-N, temperatura del agua (WT), sólidos suspendidos totales
(SST), turbidez, magnesio, cloruro y sodio. Las estadísticas básicas de los
parámetros de calidad del agua en tres ríos principales del sur de Florida, basadas
en 34,560 observaciones (15 años × 12 meses × 16 sitios de muestreo × 12
parámetros), se resumen entabla 1.
Las aplicaciones exitosas de PCA a conjuntos de datos ambientales dependen
del método de pretratamiento de datos empleado y es necesario garantizar
1554 M. Haji Gholizadeh y otros. / Ciencia del Medio Ambiente Total 566–567 (2016) 1552–1567
Figura 1.La ubicación del área de estudio y los sitios de monitoreo de la calidad del agua.
la idoneidad de los datos. Debido a las diferencias en la naturaleza (unidades) de los
conjuntos de datos ambientales, se requiere una homogeneización mediante un
tratamiento previo de los datos. Aunque los estudios realizados porMoreda-Piñeiro et al.
(2001) yReid y Spencer (2009)han proporcionado un enfoque adecuado para los pasos
previos al tratamiento de los datos, existen otros estudios ambientales (Gargouri et al.,
2011; Praveena y otros, 2008), que proporcionan información limitada sobre los pasos de
pretratamiento de datos utilizados en sus aplicaciones ambientales utilizando PCA. Esto
muestra que las prácticas de pretratamiento de datos aún tienen un conocimiento y uso
limitados. En este estudio, antes de los análisis PCA/FA se realizaron métodos de
pretratamiento de datos, como la eliminación de variables no informativas, el
tratamiento de valores de datos faltantes y la detección y tratamiento de valores atípicos.
2.3. Método
2.3.1. Análisis de componentes principales y análisis factorial.
El análisis de componentes principales es una herramienta matemática que utiliza
transformación ortogonal para convertir un conjunto de observaciones de variables
posiblemente correlacionadas llamadas componentes principales (PC). FA está
estrechamente relacionado con PCA y se utiliza para describir la variabilidad entre
variables observadas y correlacionadas en términos de un número potencialmente
menor de variables no observadas llamadas factores. La idea principal de PCA es reducir
la dimensionalidad de un conjunto de datos que consta de una gran cantidad de
variables interrelacionadas con una pérdida mínima de información original (Helena y
otros, 2000). El componente principal (PC) se puede expresar como:
zyo¼ αi1X1jþ αi2X2 jþ αi3X3jþ…þ αsoyXmj
dónde,zes la puntuación del componente, α es la carga del componente,Xes el
valor medido de la variable,ies el número del componente,jes el número de
muestra, ymetroes el número total de variables. En PCA, los PC con valor propio
mayor que la unidad generalmente se consideran y contienen la mayor parte de la
variabilidad del conjunto de datos original.
Dado que las cargas originales pueden no ser fácilmente interpretables y
generalmente se rotan hasta lograr una “estructura simple”, eso significa que cada
variable tiene cargas factoriales muy altas (hasta 1) en una de las PC.
y cargas de factor muy bajas (tan bajas como 0) en las otras PC. Este proceso
se conoce como FA, que sigue a PCA, y las nuevas variables construidas
también se denominan varifactores (VF). En este estudio, se realizó PCA/FA
sobre las variables normalizadas en las estaciones húmedas y secas. El
método de rotación varimax, que maximiza la suma de las cargas al
cuadrado para cada componente, fue popular entre los investigadores y se
utilizó en este estudio (Chen y otros, 2015; Li y otros, 2009; Mustapha y
Abdu, 2012; Shrestha y otros, 2008; Simeonov et al., 2003; Su et al., 2011). El
FA se puede expresar como:
zyo¼ αƒ1ƒ1iþ αƒ2ƒ2iþ αƒ3ƒ3iþ…þ αƒmetroƒmiþmiƒi d2Þ
dónde,zes la puntuación del componente, α es la carga del componente,ƒes la
puntuación del factor,mies el término residual que tiene en cuenta errores u otras
fuentes de variación,ies el número de muestra, ymetroes el número total de
variables. Se utilizaron las pruebas de Kaiser-Meyer-Olkin (KMO) y de Bartlett para
comprobar siklas muestras procedían de poblaciones con varianzas iguales. Se
aplicaron al conjunto de datos para probar la hipótesis nula, H0que todosklas
varianzas poblacionales eran iguales frente a la alternativa de que al menos dos
fueran diferentes. La estadística KMO varía entre 0 y 1.Káiser (1974)recomienda
aceptar valoresnorte0,5 es aceptable. Además, los valores entre 0,5 y 0,7 son
mediocres, los valores entre 0,7 y 0,8 son buenos, los valores entre 0,8 y 0,9 son
excelentes y los valores superiores a 0,9 son excelentes (Hutcheson y Sofroniou,
1999). Se utilizaron la Regla de Kaiser y los Gráficos de Scree como único criterio
de corte para estimar el número de factores. La regla de Kaiser elimina todos los
componentes con valores propios inferiores a 1,0.
d1Þ
2.3.2. Distribución de fuentes mediante la técnica de modelado del receptor APCS-
MLR El enfoque de modelado de receptores para la distribución de fuentes de
contaminantes de la calidad del agua emplea una combinación de dos técnicas
estadísticas, el modelo de regresión lineal múltiple (MLR) y las puntuaciones
absolutas de componentes principales (APCS). Este modelo se desarrolla
basándose en el supuesto de que todas las posibles fuentes de contaminación
contribuyen linealmente a la concentración final del contaminante de interés en el
sitio receptor. Las APCS se utilizan para estimar la contribución de posibles fuentes
a cada variable (Singh y otros, 2008). Como se mencionó, el PCA/FA es
 M. Haji Gholizadeh y otros. / Ciencia del Medio Ambiente Total 566–567 (2016) 1552–1567 1555

tabla 1
Resumen de estadísticas básicas de parámetros de calidad del agua entre 2000 y 2014.

Río/canal Sitio Estadísticas Chl-a Total disuelto Total Total Amoníaco-N Agua Total Turbidez Cloruro de magnesio y sodio (NTU)
nombre número (μg/L) oxígeno kjeldahl fósforo fosfato (mg/L) temperatura suspendido (mg/L) (mg/L) (mg/L)
(mg/L) nitrógeno (mg/L) (mg/L) (ºC) sólidos
(mg/L) (mg/L)

Kissimmee S65 mín. 4.0 0,93 0,05 0.007 0.002 0.005 7.5 3.0 1.1 2.2 11.6 7.2
río Significar 23.7 6.93 1.13 0.070 0.056 0,016 24.1 7.8 5.2 3.7 21,5 11.9
máx. 63.0 12.10 2.04 0.515 0.515 0.133 33.1 71,5 26,7 5.4 34.0 18.1
Dakota del Sur 10.8 1.71 0,24 0,045 0,046 0,015 5.1 5.7 2.5 0,8 4.6 2.5
S65A mín. 1.2 0,58 0,05 0,016 0.004 0.005 12.0 1.0 1.0 1.7 3.9 5.0
Significar 20.2 6.05 1.16 0.063 0.056 0.030 24.6 6.2 4.2 3.5 20.4 11.6
máx. 88.0 12.30 3.43 0.366 0.328 0,288 34,7 43.0 37,9 5.7 40.3 17.4
Dakota del Sur 11.4 2.14 0,25 0.033 0.033 0.040 5.0 4.2 2.7 0,9 5.0 2.7
KREA 95 mín. 1.9 0,20 0,05 0.032 0.002 0.005 12.1 3.0 1.6 2.2 6.3 6.8
Significar 15.1 5.02 1.20 0.080 0,075 0.060 24.3 11.2 7.9 4.5 22.9 12.6
máx. 65.0 10.20 3.07 0.242 0.273 0,359 32.2 59.0 37,9 15.0 71,9 30.2
Dakota del Sur 10.9 2.66 0,31 0.038 0.043 0,059 4.8 8.4 6.0 2.4 9.5 4.6
S65D mín. 1.0 0,08 0,05 0.022 0.002 0.005 12.0 1.0 0,9 2.2 10.1 6.5
Significar 11.3 5.27 1.13 0,077 0,073 0.044 24.4 4.7 3.5 3.7 20.8 11.8
máx. 223,6 10,40 3.03 0,398 0,721 0,489 33,5 45.0 19.9 5.9 34,7 17.2
Dakota del Sur 15,1 2,39 0,28 0.044 0,045 0.054 4.6 3.7 2.0 0,8 4.1 2.2
S154C mín. 1,1 0,14 0,05 0.060 0.002 0.005 11.3 1.0 0,6 14.0 63,5 95,9
Significar 8,7 3,85 1,54 0.370 0.344 0,147 23.9 8.1 5.8 75,8 1125.4 417,7
máx. 69,3 11,70 4.29 2.290 2.290 1.279 33,5 181.0 135.0 186,4 2421.1 1017.0
Dakota del Sur 7,5 2,55 0,75 0,296 0,292 0.227 4.9 12.6 11.2 49,5 525,6 270,6
Caloosahatchee S77 mín. 1.0 0,26 0,88 0.006 0.002 0.005 9.7 1.6 1.2 2.6 5.1 7.0
río Significar 19.0 5.70 1,50 0.100 0,087 0.068 25,5 13.3 10.0 11.0 52,9 32.1
máx. 181.0 13.10 6.39 0,838 0,838 0.304 36.3 158.0 71,4 19.1 108.2 59.0
Dakota del Sur 27,6 2.42 0,47 0,076 0,074 0,058 4.7 14.6 11.2 3.0 16.8 9.4
S78 mín. 1.0 0,63 0,88 0.010 0.043 0.005 14.3 1.0 1.1 6.1 27.0 15.5
Significar 5.5 5,99 1.30 0.100 0.108 0.060 25.6 6.1 4.8 10.1 52,5 29.6
máx. 31,0 12,50 2.72 0.561 0.840 0.304 32,9 36.0 24.9 18.2 133.3 73,4
Dakota del Sur 6,6 2,16 0,22 0.056 0.056 0,058 4.3 5.0 4.3 2.4 15.6 8.8
CR-32.0 mín. 0,7 1,53 0,95 0.053 0,047 0.005 15.7 2.0 0,8 6.4 34.0 20.0
Significar 10.8 5.29 1.41 0.140 0.113 0.052 25,7 5.9 4.0 10.9 57.2 33.1
máx. 49.0 9.45 2.00 0.490 0,757 0,596 31.4 20.0 13.7 17.4 120.0 57,6
Dakota del Sur 11.2 2.04 0,26 0.080 0.053 0,058 4.0 4.0 3.4 2.7 17.4 8.4
S79 mín. 0,5 0,91 0,81 0,028 0.050 0.005 15.0 1.4 0.1 5.6 3.3 1.1
Significar 12.9 6.65 1.18 0.113 0.118 0,045 25,8 5.0 2.0 11.8 76,8 42,9
máx. 370,0 12,20 4.67 0.311 0,673 0,887 33.1 14.0 17.7 38.4 451,0 248,6
Dakota del Sur 21,9 2,05 0,29 0,047 0.051 0,058 4.1 2.3 2.3 4.8 61,4 34,2
CES03 mín. 1,0 0,04 0,30 0.037 0.010 0.031 14.7 1.0 0,6 4.8 4.0 11.7
Significar 12,7 5,45 1.07 0,185 0,132 0,049 26.4 9.0 3.7 110.4 554,8 199,2
máx. 133.0 13.38 2.35 0.810 0.680 0.063 34.4 66,5 17.1 793.0 12.500,0 1350.0
Dakota del Sur 15.0 2.27 0,28 0.136 0,073 0.012 3.8 9.9 3.1 149,3 1484.3 284.2
canal de miami S354 mín. 1.0 2.33 0,58 0,018 0.014 0.010 12.9 2.8 2.7 8.9 45,8 26.0
Significar 25.2 7.03 1,50 0,097 0.096 0,074 25.1 9.8 9.7 16.2 76,9 50,4
máx. 133,4 14,11 13.70 0,485 0.534 0,395 32,5 44.0 32,7 19.8 170,4 63.1
Dakota del Sur 26,1 2,14 0,55 0.056 0.055 0.061 4.4 7.5 6.3 3.1 21.0 10.6
T8 mín. 0,7 0,42 0,98 0.007 0.007 0.005 13.4 1.2 0.1 4.8 24.2 21.2
Significar 10.4 5.17 1,72 0.037 0.036 0.080 24.9 6.2 3.1 13.6 77,9 49,9
máx. 290.0 11.40 3,89 1.286 1.286 0,485 31,9 21.2 20.3 27.0 142.3 90,9
Dakota del Sur 24.3 1,89 0,40 0.051 0,047 0.066 3.9 4.8 3.1 4.5 23.4 15.4
C123SR84 mín. 0,7 0,64 0,89 0.007 0.002 0.009 10.0 1.0 0.1 7.4 29.3 22.8
Significar 8.7 4.17 1.41 0.030 0.031 0,045 25.2 6.2 2.9 10.6 61,8 39.0
máx. 160.0 12.03 2,97 0.136 0,141 0.383 32.4 52,4 33,5 21,5 98,6 61.0
Dakota del Sur 14.0 2.17 0,25 0.020 0.023 0.051 4.1 8.0 4.0 2.4 13.5 9.2
S151 mín. 1.00 0,61 0,23 0.006 0.002 0.005 10.50 1.0 0.1 4.8 28.0 18.2
Significar 4,99 3,71 1,49 0,015 0,016 0.104 25.28 4.0 1.9 15.9 80,5 54.0
máx. 52,00 11,61 3.91 0,072 0.080 0,398 31,70 14.0 8.1 27.3 163.0 100,5
Dakota del Sur 7,46 1,61 0,28 0.010 0.011 0,078 3.77 2.7 1.5 4.3 18.4 14.0
S31 mín. 0,5 0,51 0,98 0.006 0.005 0.009 12.50 1.0 0.1 8.8 45,5 28,7
Significar 3.0 3.34 1.34 0.013 0.013 0.111 25.23 3.0 1.5 14.7 75.1 50,7
máx. 9.7 8,99 1,99 0.090 0.090 0,349 32.05 7.0 6.2 18.8 122.0 76,8
Dakota del Sur 2.7 1,77 0,20 0.008 0.008 0.066 3.33 1.9 1.0 1.8 13.8 9.0
MR01 mín. 0,6 0,61 0,15 0.150 0.002 0.020 12.14 0,8 0.1 7.0 38.0 26.0
Significar 17.6 5.14 1.08 1.082 0,069 0.100 25,99 19.9 2.2 10.6 59.1 39,6
máx. 68,0 10,71 2.40 2.400 0.160 0.230 33.14 102.0 14.0 20.4 140.0 81.0
Dakota del Sur 16,3 1,40 0,55 0.548 0,049 0.038 3.55 27.3 2.4 2.2 12.2 7.3

realizado enz-Las variables estandarizadas transformadas y las puntuaciones de los
factores normalizados obtenidos no se pueden implementar directamente para las
contribuciones de fuentes cuantitativas. Estas puntuaciones de factores normalizados
luego deben reescalarse y convertirse a valores APCS no normalizados. Una descripción
detallada del modelo de receptor viene dada porThurston y Spengler (1985). Las
contribuciones de la fuente a la concentración del contaminante (Cj) se puede calcular
utilizando una regresión lineal múltiple como:
XF
Cj¼ ðr0Þjþ
k¼1kj
r - APCSk
dónde, (r0)jes término constante de regresiones múltiples para el
contaminantej (contribución promedio de lajº contaminante de fuentes no
determinadas por PCA/FA),rkjes el coeficiente de regresión múltiple de la
fuentekpor contaminantej,APCSkes el valor escalado del factor rotado k para
la muestra considerada. El término combinadorkj×APCSkrepresenta la
contribución de la fuente k aCj. Además, la media del producto rkj×APCSken
todas las muestras representa la contribución promedio de las fuentes (
NORTE).Las contribuciones cuantitativas de cada fuente identificada para
parámetros individuales de calidad del agua se pueden comparar con sus
d3Þ valores medidos originales para examinar la precisión de los cálculos.
1556 M. Haji Gholizadeh y otros. / Ciencia del Medio Ambiente Total 566–567 (2016) 1552–1567

Tabla 2
Varianza total explicada en la temporada de lluvias.

Valores propios iniciales Sumas de extracción de cargas al cuadrado. Sumas de rotación de cargas al cuadrado.

Componente Total % de variación % acumulado Total % de variación % acumulado Total % de variación % acumulado

1 4.569 38.071 38.071 4.569 38.071 38.071 3.906 32.550 32.550

2 2.205 18.378 56.449 2.205 18.378 56.449 2.042 17.019 49.569
3 1.225 10.212 66.660 1.225 10.212 66.660 1.688 14.066 63.634
4 1.169 9.743 76.404 1.169 9.743 76.404 1.326 11.052 74.687
5 1.006 8.379 84.783 1.006 8.379 84.783 1.212 10.096 84.783
6 0,577 4.806 89.589
7 0.535 4.459 94.048
8 0.347 2.893 96.941
9 0.225 1.874 98.814
10 0,085 0.707 99.521
11 0,048 0,397 99.918
12 0.010 0.082 100.000

los valores paraCj, (r0)j, yrkjtener las dimensiones de las mediciones de
concentración originales (Singh y otros, 2005).
En APCS-MLR, las estimaciones de contribución de la fuente pueden ser
negativas (Miller y otros, 2002). Las cargas factoriales pueden oscilar entre −1 y 1,
donde las cargas cercanas a −1 o 1 indican que el factor afecta fuertemente a la
variable, y las cargas cercanas a cero indican que el factor tiene un efecto débil
sobre la variable. El signo y la dirección de la carga se tienen en cuenta para
interpretar la relación de una variable con el factor. Los signos negativos implican
una relación inversa con el factor y varían inversamente con otras variables que
tienen cargas positivas. Se aplican significados similares para interpretar las
contribuciones de las posibles fuentes de contaminación identificadas por APCS-
MLR. Sin embargo, la existencia de estas aportaciones negativas, a pesar de ser
correctas, podría generar confusión en la interpretación y análisis de los
resultados del prorrateo de fuentes. Por ejemplo, en un estudio realizado porGuo
et al. (2004) Se obtienen contribuciones negativas para algunas fuentes de
contaminación, lo que ha resultado en valores de contribución observados
superiores al 100% para otras fuentes de contaminación de una variable. Además,
en la literatura se observó que en un gran número de estudios se ignoraron las
contribuciones negativas. Este asunto puede afectar la exactitud y precisión de los
cálculos de prorrateo de fuentes.
Para superar este problema, en este estudio se presenta un nuevo
enfoque para cambiar los porcentajes negativos a cantidades positivas,
teniendo en cuenta correctamente sus contribuciones. Considere un caso
hipotético con dos cargas de contribución altas de 0,85 y −0,85, que tienen
valores de contribución iguales pero en direcciones inversas, y con una
suma igual a cero. En este caso se producirá un error instantáneo al obtener
una división entre cero al calcular el porcentaje de cada factor (es decir, 0,85
× 100/0). Una solución podría ser tomar la diferencia entre los dos números
y utilizarla como base. En el caso hipotético mencionado, la diferencia de
0,85 y −0,85 es 1,7. Por tanto, la carga positiva (0,85) contribuye al 50% (0,85
× 100/1,7). La función absoluta de carga negativa (−0,85) se puede utilizar
para obtener el mismo porcentaje de contribución igual al 50% ([abs (−0,85)
× 100]/1,7). El método de la diferencia también funciona bien cuando se trata
de más de dos números. Las contribuciones porcentuales denorteLas
fuentes potenciales de contaminación (S) utilizando la función absoluta de
todas las cargas (positivas y negativas) se pueden calcular como:
dabdominalesdS1Þ -100Þ=ðabdominalesdS2Þ þabdominalesdS3Þ þabdominalesdS4Þ þ…þabdominalesdSnorteÞÞ ð
abdominalesdS2Þ -100Þ=ðabdominalesdS1Þ þabdominalesdS3Þ þabdominalesdS4Þ þ…þabdominalesdSnorteÞÞ ð
abdominalesdS3Þ -100Þ=ðabdominalesdS1Þ þabdominalesdS2Þ þabdominalesdS4Þ þ…þabdominalesdSnorteÞÞ :
d4Þ
: penalización de modo que ninguna muestra pueda tener una contribución de
: fuente negativa y ninguna especie pueda tener una concentración negativa en
dabdominalesdSnorteÞ -100Þ=ðabdominalesdS1Þ þabdominalesdS2Þ þabdominalesdS3Þ þ…þabdominalesdSnorte-1ÞÞ
La aplicabilidad del modelo APCS-MLR en la caracterización y clasificación de la
calidad del agua es un concepto relativamente nuevo en comparación con su aplicación
en estudios de evaluación y monitoreo de la calidad del aire. Investiga que
utilizó su potencial en exámenes hidrológicos y demostró su significativa eficacia
en evaluaciones de la calidad del agua. La evaluación de las contribuciones de
todas las posibles fuentes de contaminación a las cantidades de contaminantes
acuáticos es un requisito esencial para la gestión estratégica de los preciosos
recursos de agua dulce. Por lo tanto, se recomienda encarecidamente tener en
cuenta incluso las pequeñas contribuciones de los factores. Se recomienda
difundir el papel del modelo de receptor APCS-MLR en la gestión del agua.
2.3.3. Reparto de fuentes utilizando el modelo PMF
El modelo de factorización de matriz positiva (PMF) es una herramienta de
análisis factorial multivariado que descompone una matriz de datos de muestra en
dos matrices: contribuciones de factores y perfiles de factores. PMF es un nuevo
enfoque del análisis factorial en el que se ha abordado explícitamente el problema
del escalamiento no óptimo. Para escalar adecuadamente los datos, es necesario
considerar explícitamente el problema como un problema de mínimos cuadrados.
El PMF también se utiliza como uno de los modelos de receptores más
importantes y ha sido recomendado por la EPA de EE. UU. para el reparto de
fuentes y se ha utilizado ampliamente a lo largo de los años (Al-Dabbous y Kumar,
2015; Li y otros, 2015; Liu y otros, 2015; Manousakas et al., 2015; Parworth y otros,
2015; Saeaw y Thepanondh, 2015). De manera similar a los modelos de análisis
factorial general, el modelo PMF intenta distribuir el perfil de la fuente y la
contribución de la fuente sobre la base del conjunto de datos de composición
química del receptor, lo que permite identificar las fuentes por su perfil de fuente
extraído (Shi et al., 2016). Una descripción detallada del modelo PMF viene dada
porPaatero y Tapper (1994). El objetivo de los modelos de receptores es resolver el
balance de masa química (CMB) entre las concentraciones de especies medidas y
los perfiles de fuentes, como se muestra enEc. (5), con número de factorespag,el
perfil de la especieFde cada fuente, y la cantidad de masagramoaportado por cada
factor a cada muestra individual:
XPAG
Xyo¼ novia
k¼1ik kj
þmiyo d5Þ
dónde,miyoes el residual para cada muestra/especie. Elegir el mejor número de
factores modelados para un conjunto de datos es la decisión más crítica para la
interpretación de los resultados del PMF (Ulbrich y otros, 2009). Existen varias
métricas cualitativas para realizar la determinación del número de hechos. En este
estudio, el número de factores,pag,en el conjunto de datos real se definió en
función de los resultados de PCA/FA para hacer más razonable la comparación
entre PMF y APCS-MLR. Las posibles fuentes de contaminación de cada factor se
determinaron utilizando la relación entre variables y su porcentaje de contribución
en el mismo grupo. Los resultados están restringidos por una función de
ningún perfil de fuente. La ventaja del PMF es que puede sopesar individualmente
cada punto de datos. Esta característica permite ajustar la influencia de cada
punto de datos, dependiendo de la confianza en la medición. Al pesar los datos
individualmente, las muestras con algunas especies faltantes o por debajo del
 M. Haji Gholizadeh y otros. / Ciencia del Medio Ambiente Total 566–567 (2016) 1552–1567 1557

Tabla 3
Varianza total explicada en época seca.

Valores propios iniciales Sumas de extracción de cargas al cuadrado. Sumas de rotación de cargas al cuadrado.

Componente Total % de variación % acumulado Total % de variación % acumulado Total % de variación % acumulado

1 4.347 36.221 36.221 4.347 36.221 36.221 4.196 34.965 34.965

2 2.207 18.392 54.613 2.207 18.392 54.613 2.036 16.968 51.933
3 1.341 11.179 65.791 1.341 11.179 65.791 1.548 12.902 64.835
4 1.016 8.466 74.257 1.016 8.466 74.257 1.131 9.422 74.257
5 0.919 7.655 81.912
6 0,684 5.704 87.616
7 0.468 3.900 91.515
8 0.424 3.532 95.047
9 0.242 2.016 97.063
10 0,188 1.565 98.628
11 0.119 0,988 99.616
12 0,046 0.384 100.000

límite de detección, no es necesario excluirlos en su totalidad. La
incertidumbre se puede ajustar para minimizar el efecto de las especies
faltantes o por debajo del límite de detección en la solución final (Paatero y
Tapper, 1994; Paatero, 1997). En este estudio, la incertidumbre para cada
variable estimada por DBHYDRO (base de datos ambiental de SFWMD) se
utilizó como archivo de datos de incertidumbre de entrada. En general, la
restricción de no negatividad por sí sola no es suficiente para producir una
solución única. Se puede generar un número infinito de soluciones
plausibles y no se pueden descalificar simplemente mediante algoritmos
matemáticos. Rotar una solución determinada y evaluar cómo los resultados
rotados llenan el espacio de la solución es un enfoque para reducir la
cantidad de soluciones.
También se puede utilizar información adicional, como contribuciones de
fuentes conocidas y/o composiciones de fuentes, para reducir el número de
soluciones y determinar si una solución es más realista físicamente que
otras soluciones. Matemáticamente, un par de matrices de factores (G y F)
que se pueden transformar en otro par de matrices (G⁎y f⁎)con el mismo
valor Q se dice que está "girado". Es bien sabido que los resultados del
reparto de fuentes de datos ambientales siempre fueron impredecibles y
difíciles de juzgar. Por lo tanto, es esencial realizar la distribución de fuentes
con más de un modelo, ya que la validez de una conclusión puede aumentar
después de comparar los resultados de diferentes modelos. En este estudio,
se utilizó el modelo PMF-5.0 de la EPA de EE. UU. para comparar los
resultados de PMF con los resultados de APCS-MLR y mejorar la validez de
los resultados de distribución de fuentes.
3. Resultados y discusión
3.1. Determinación de la estructura de datos mediante PCA y FA.
Antes de realizar PCA y FA, se utilizaron las estadísticas de Kolmogorov-
Smirnov (K-S) para probar la bondad de ajuste de los datos al registro normal.
distribución. Según la prueba K-S, todas las variables tienen una distribución log-
normal con un nivel de confianza del 95% o más. Además, para examinar la
idoneidad de los datos para PCA/FA, KMO y esfericidad de Bartlett, se aplicaron
pruebas en el conjunto de datos preparado para las estaciones húmedas y secas.
Los valores de KMO para la temporada húmeda y seca fueron 0,631 y 0,709,
respectivamente. De manera similar, los valores de la prueba de esfericidad de
Bartlett fueron 1009 y 704 (pagb0,05), respectivamente, lo que indica que puede
haber una interrelación estadísticamente significativa entre las variables y que la
idoneidad del análisis PCA/FA fue válida. Para reducir la superposición de las
variables originales en cada PC, se realizó el método de rotación varimax.
Las matrices de datos normalizadas se utilizaron para el análisis PCA/FA.
Tablas 2 y 3representan los PC iniciales determinados, sus valores propios y el%
acumulado de varianza aportada en cada PC para las estaciones húmedas y secas,
respectivamente. Basado en la Regla de Kaiser, los primeros cinco y cuatro
componentes principales se obtienen con valor propionorte1 para las estaciones
húmedas y secas, sumando el 85% y el 74% de la varianza total en el conjunto de
datos de calidad del agua, respectivamente. Se obtuvo el mismo número de VF
durante dos temporadas mediante FA realizada en las PC. Las cargas de VF
correspondientes para 12 variables seleccionadas se presentan enTabla 4. De
acuerdo aLiu y cols. (2003)yHuang et al. (2010), cargas factorialesnorte0,75, [0,50–
0,75] y [0,30–0,50] se consideraron cargas fuertes, moderadas y débiles,
respectivamente.
3.1.1. Identificación de posibles fuentes de contaminación en la temporada de lluvias.
En la temporada de lluvias, el primer varifactor (VF1), que representa el 32,6%
de la varianza total, tuvo cargas fuertes y positivas en TP, fosfato total, magnesio,
cloruro y sodio. Las cargas de los componentes para cada variable en cinco
componentes seleccionados después de la rotación varimax se muestran
gráficamente enFigura 2. Las altas concentraciones de TP, fosfato total en aguas
superficiales, podrían provenir de diversas fuentes, incluidas aguas residuales
domésticas e industriales, aplicaciones de fertilizantes y desechos animales (Dils et
al., 1999). Fuentes de iones de sal (magnesio, cloruro y sodio)

Tabla 4
Cargas de 12 variables seleccionadas en factores rotados varimax de diferentes estaciones en tres ríos principales del sur de Florida.

Temporada húmeda Estación seca

Parámetros VF1 VF2 VF3 VF4 VF5 VF1 VF2 VF3 VF4

Chl-a − 0,076 0.708 0,088 0.050 0,495 − 0,095 0,769 − 0,030 − 0,151
Oxígeno disuelto 0.063 0.862 − 0,220 − 0,049 − 0,024 − 0,283 0.575 − 0,618 − 0,141
Nitrógeno kjeldahl total 0,292 − 0,123 0.806 − 0,046 0,074 − 0,085 − 0,088 0.180 0.926
Fósforo total 0,759 0.005 0,496 0.093 0.101 0,866 0,156 0.001 − 0,071
fosfato total 0.750 0.010 0.509 0.111 0,124 0,882 0.250 0.035 0.081
Amoníaco-N 0,234 − 0,439 − 0,151 0,749 0.140 0.302 − 0,080 0.609 − 0,025
Temperatura de agua − 0,051 0,042 0.043 0.005 0.936 − 0,158 0,018 0.670 0.191
Solidos totalmente suspendidos 0.037 0.416 0.190 0,796 − 0,085 0.120 0.611 0,458 − 0,198
Turbiedad 0.090 0.633 0.590 0,293 − 0,114 0.093 0,753 − 0,267 0.331
Magnesio 0,929 0,072 − 0,091 0.011 − 0,060 0.817 − 0,154 0,123 − 0,182
Cloruro 0.946 0.030 0.100 0.064 − 0,083 0,952 − 0,151 0.107 0.011
Sodio 0.920 − 0,097 0.230 0.118 − 0,096 0.926 − 0,159 0,071 − 0,005
1558 M. Haji Gholizadeh y otros. / Ciencia del Medio Ambiente Total 566–567 (2016) 1552–1567
Figura 2.Cargas de componentes para doce variables después de la rotación varimax en la temporada de lluvias.
Los recursos hídricos varían desde fuentes naturales (océanos, deposición
atmosférica, erosión de rocas, minerales y suelos comunes, y depósitos de sal y
salmueras) hasta fuentes antropogénicas (vertederos, tratamiento de aguas y
aguas residuales, agricultura y aplicación de sales deshielo) (Mullaney y otros,
2009). A partir del conjunto de datos se observó que las concentraciones promedio
de estos cinco componentes son significativamente mayores en los sitios aguas
abajo, específicamente en el río Kissimmee y el río Caloosahatchee (sitios S154C y
CES03), que están asociados con áreas urbanas y Permisos de Recursos
Ambientales de alta densidad. (ERP) con más efluentes industriales y aguas
residuales domésticas. En general, las concentraciones promedio de los
parámetros de calidad del agua en el Canal de Miami son peores que las de los
otros dos ríos. El río Kissimmee demostró valores promedio aún más bajos. No
obstante, los valores atípicos en la base de datos estaban relacionados con la
concentración promedio de las variables representadas en dos sitios altamente
contaminados de S154C y CES03 en el río Kissimmee y el río Caloosahatchee,
respectivamente. Análisis previo por Gholizadeh et al. (2016)Indicó que estos dos
sitios altamente contaminados se encuentran sumamente afectados por áreas
urbanizadas, y también por alta densidad de recursos ambientales permisos (ERP)
con mayor cantidad de efluentes industriales y aguas residuales domésticas. Sin
embargo, TP mostró que un patrón diferente y las concentraciones promedio de
esta variable eran mucho más altas en el río Caloosahatchee y el río Kissimmee,
respectivamente, en comparación con el Canal de Miami. Además de los dos sitios
altamente contaminados mencionados, se encontró TP más alto en el río
Caloosahatchee y el río Kissimmee que en los sitios del Canal de Miami. El
porcentaje de áreas agrícolas y urbanizadas en la cuenca del Canal de Miami se
midió a partir del mapa de uso y cobertura del suelo en GIS y se consideró que era
incluso mayor que el de los otros dos ríos. Por lo tanto, esto podría estar
relacionado con la efectividad de los proyectos de eco-restauración
implementados en su cuenca y cuencas adyacentes vinculadas (el área de
conservación de agua-3, WCA-3) para disminuir las cantidades de nutrientes. Por
lo tanto, VF1 se identificó como “descargas de contaminación de fuente puntual”.
El segundo varifactor (VF2), que representa el 17,02% de la varianza
total, tuvo cargas fuertes y positivas en OD, cargas positivas moderadas
en turbidez y cloro.a,una carga positiva débil (0,42) en TSS y una carga
negativa débil (−0,44) en amoníaco-N. Fue visto desde el
matriz de correlación para el conjunto de datos de la estación húmeda queatuvo
fuertes correlaciones con OD y turbidez en la temporada de lluvias. Componentes
acuáticos, como plantas y algas que contienen cloro.aDurante el proceso químico
de la fotosíntesis oxigenada, se utiliza dióxido de carbono, agua y luz solar para
producir oxígeno (Fitch y Kemker, 2014). Las aguas superficiales que tienen altas
condiciones de clorofila suelen tener un alto contenido de nutrientes, que pueden
provenir de muchas fuentes, como fertilizantes, deposición atmosférica, erosión y
descargas de plantas de tratamiento de aguas residuales. Entre todos los
parámetros de calidad del agua, el OD es el mejor índice para indicar la calidad
ambiental porque toda la vida acuática depende del OD para metabolizar los
alimentos y producir energía para mantener la vida y el crecimiento (Mallya, 2007).
Por lo tanto, el nivel de OD en un cuerpo de agua es de gran importancia para
toda la vida acuática aeróbica; niveles más altos de OD mantendrán la diversidad
biológica. Las variaciones estacionales y espaciales de DO, chl-a,y WT se
observaron en el conjunto de datos, en el que chl-ay la temperatura del agua
mostró una clara relación inversa con el OD. Esto podría explicarse que a medida
que aumenta la temperatura del agua en el río, se fortalece la actividad biológica
de los organismos acuáticos y, por tanto, aumenta el consumo de concentración
de OD. Además, también se disuelve más oxígeno en agua más fría. La turbidez es
el indicador más visible de la calidad del agua y una determinación óptica de la
claridad del agua. Las partículas suspendidas en el agua pueden provenir de la
erosión del suelo, escorrentía, sedimentos del fondo agitados o proliferación de
algas (Kemker, 2014). Por lo tanto, las altas cargas de VF2 en los parámetros
mencionados y el análisis de sus posibles fuentes pueden interpretar este factor
como “fuentes fisicoquímicas y biológicas no puntuales de contaminación”.
El tercer varifactor (VF3), que representa el 14,07% de la varianza total,
tuvo cargas fuertes y positivas en TKN y cargas positivas moderadas en TP,
fosfato total y turbidez. TKN es una medida de la cantidad de N-amoniaco y
nitrógeno orgánico en el agua (Patton y Kryskalla, 2003). Un nivel alto de
nitrógeno puede aumentar la cantidad de algas y cloro.aniveles en el río,
pero generalmente es menos preocupante en agua dulce en comparación
con el fósforo. Este factor de “Fuentes difusas de nutrientes” representa
influencias de fuentes difusas, como los fertilizantes aplicados a los campos
agrícolas, la deposición de nitrógeno de la atmósfera, los céspedes
suburbanos y la erosión del suelo que contiene nutrientes (Dale y otros,
2007).
 M. Haji Gholizadeh y otros. / Ciencia del Medio Ambiente Total 566–567 (2016) 1552–1567
El cuarto varifactor (VF4), que representa el 11,05% de la varianza total, tuvo fuertes
cargas positivas en amoníaco-N y SST. El amoníaco-N es un contaminante tóxico que a
menudo se encuentra en los lixiviados de los vertederos (Aziz y otros, 2004) y en
productos de desecho, como aguas residuales, estiércol líquido y otros productos de
desecho orgánicos líquidos (Manios et al., 2002). Entre las numerosas fuentes de N-
amoniaco que se encuentran en el cuerpo de agua, el nitrógeno liberado por la
descomposición de la materia orgánica y los fertilizantes liberados por las aplicaciones
agrícolas son los principales contribuyentes (Mikkelsen, 2009). Diferentes tipos de áreas
agrícolas en el sur de Florida generan fuentes difusas de contaminación que tienen un
alto porcentaje de amoníaco procedente de pesticidas y fertilizantes. La mayoría de los
sólidos suspendidos están formados por materiales inorgánicos, aunque las bacterias y
las algas también pueden contribuir a la concentración total de sólidos. Las partículas
orgánicas de materiales en descomposición también pueden contribuir a la
concentración de TSS. A medida que las algas, las plantas y los animales se
descomponen, el proceso de descomposición permite que pequeñas partículas orgánicas
se desprendan y entren en la columna de agua como sólidos suspendidos (Kemker, 2014
). Además, existen claras diferencias espaciales para los niños.ay en los ríos estudiados se
observó OD, como medida de la vitalidad de la vida y el nivel de actividad de las plantas y
animales que viven. Los valores promedio más altos de estas dos variables se
encontraron en el río Kissimmee y el río Caloosahatchee, lo que indica el dinamismo y
fuerza de la vida acuática en este río. Además, el Canal de Miami tuvo menores
concentraciones promedio de cloro.ay DO, que indicó que la contaminación orgánica
puede desempeñar un papel importante en el canal de Miami, especialmente en áreas
urbanizadas que están bajo la influencia de más aguas residuales domésticas e
industriales. La integración del análisis anterior mostró que la fuente principal de estos
contaminantes en los ríos estudiados podría estar estrechamente relacionada con la
producción y descomposición de materia orgánica transportada por el agua que
proviene principalmente de descargas de aguas residuales y fuentes difusas, por lo que
este factor puede denominarse como “orgánico”. contaminantes”.
Finalmente, el quinto varifactor (VF5), que representa el 10,1% de la varianza total en
los conjuntos de datos, estaba altamente correlacionado solo con WT. La WT influye
significativamente en la vida acuática porque sólo puede sobrevivir en un rango estrecho
de temperatura y es muy sensible a las fluctuaciones en la WT (Hamilton y otros, 2004).
Por lo tanto, la magnitud de la temperatura de una corriente afecta directamente su
ecología, la supervivencia de la vida acuática e incluso la concentración de DO de la
corriente, por lo que la temperatura de la corriente puede ser un parámetro importante
para indexar la calidad del agua. La temperatura de la corriente en este
Fig. 3.Cargas de componentes para doce variables después de la rotación varimax en estación seca.
1559
El estudio sólo depende de la temporada. Por tanto, el quinto factor puede considerarse
como un factor “estacional”. En cuanto a la contribución de cada factor en la varianza
total, como el factor “descargas contaminantes de fuente puntual” (VF1) tiene la mayor
proporción de la varianza total (32,6%) en la estación húmeda, se puede concluir que la
contaminación antropogénica, debida principalmente Además de los desechos agrícolas,
la eliminación de aguas residuales domésticas e industriales, es la principal fuente de
contaminación del agua de los tres principales ríos del sur de Florida.
3.1.2. Identificación de fuentes potenciales de contaminación en temporada seca.
El primer varifactor (VF1), que representa el 35% de la varianza total, tuvo cargas
fuertes y positivas en TP, fosfato total, magnesio, cloruro y sodio. Esto fue análogo al
primer factor en la estación húmeda y fuentes similares de contaminación pueden
considerarse como el primer factor en la estación seca. El patrón de variables identificado
en la estación seca a partir de la base de datos mostró que las concentraciones promedio
de magnesio y cloruro en el Canal de Miami son peores que las de los otros dos ríos, y el
río Kissimmee demostró valores promedio más bajos. No obstante, los valores atípicos
observados nuevamente estuvieron relacionados con la concentración promedio de las
variables representadas en dos sitios altamente contaminados de S154C y CES03 en el río
Kissimmee y el río Caloosahatchee, respectivamente. Las cantidades más altas de estos
componentes se observaron en los sitios S154C y CES03, que son los sitios más aguas
abajo del río Kissimmee y el río Caloosahatchee, respectivamente. Estos sitios están
extremadamente afectados por áreas urbanizadas y Permisos de Recursos Ambientales
(ERP) de alta densidad con más efluentes industriales y aguas residuales domésticas. Por
lo tanto, VF1 en la estación seca también se interpretó como “descargas de
contaminación de fuente puntual”. Las cargas de los componentes para cada variable en
cuatro componentes seleccionados después de la rotación varimax se muestran
gráficamente enFig. 3.
El segundo varifactor (VF2), que representó el 17% de la varianza total, tuvo
fuertes cargas positivas en chl-ay turbidez, y carga positiva moderada en SST y OD.
La importancia y las posibles fuentes de estos componentes se discutieron
anteriormente. Debido a la fuerte relación entre chl-a,DO, turbiedad y SST, y el
estudio preciso de la posible fuente de estos parámetros, se reveló que tanto
factores fisicoquímicos como biológicos podrían ser las principales fuentes
responsables de las altas cargas de estos parámetros en VF2. Estas fuentes
incluyen fertilizantes, erosión y descargas de plantas de tratamiento de aguas
residuales, sedimentos agitados del fondo y algas.
1560 M. Haji Gholizadeh y otros. / Ciencia del Medio Ambiente Total 566–567 (2016) 1552–1567

Tabla 5
Contribuciones medias de las fuentes a las concentraciones de diferentes variables en la estación húmeda.

Contribución de la fuente (%) *

No identificado Media observada Media estimada Relación

Variable T1 T2 T3 T4 T5 fuentes concentración concentración (estimado/observado) R2

Chl-un (μg/L) 3,9 47,9 1,6 2,4 38,8 5,3 17,10 ± 11,24 17,10 ± 9,81 1.07 0,76
Oxígeno disuelto (mg/L) 2,9 66,6 3,9 2,2 1,1 23,2 4,47 ± 1,50 4,42 ± 1,34 1.02 0,80
Nitrógeno kjeldahl total 22,4 6,2 23,1 2,7 4,5 40,9 1,41 ± 0,24 1,41 ± 0,21 1.01 0,76
(mg/L)
Fósforo total (mg/L) 75,2 0,0 8,6 4,1 4,3 7,9 0,11 ± 0,10 0,11 ± 0,10 1.42 0,84
Fosfato total (mg/L) 69,5 0,3 9,3 4,9 5,6 10,4 0,11 ± 0,10 0,11 ± 0,09 1.36 0,85
Amoníaco-N (mg/L) 10,9 17,6 2,4 49,6 6,3 13,3 0,10 ± 0,10 0,10 ± 0,09 1.09 0,85
Temperatura del agua (°C) 0,7 0,4 0,2 0.1 98,3 0,3 28,44 ± 1,44 28,44 ± 1,35 1.00 0,88
Solidos totalmente suspendidos 1,5 17,7 3.0 67.0 3,7 7,0 7,96 ± 5,55 7,96 ± 5,12 1.06 0,85
(mg/L)
Turbidez (NTU) 5,6 49,7 15.3 21.2 7,3 0,8 4,56 ± 2,86 4,56 ± 2,64 1.03 0,86
Magnesio (mg/L) 95,2 1,2 0,7 0,2 1.3 1.4 18,91 ± 31,76 18,91 ± 29,81 1.18 0,88
Cloruro (mg/L) 95,4 0,5 0,7 1,3 1,7 0,4 141,46 ± 301,55 141,46 ± 288,85 1.01 0,92
Sodio (mg/L) 87,8 2,4 2,6 3,6 3,0 0,6 67,75 ± 118,55 67,75 ± 114,49 1.12 0,93
Significar 39,3 17,5 6,0 13,3 14,7 9.3 1.11 0,85

Notas: *: S1=Descargas contaminantes de fuente puntual, S2=Fuentes difusas de contaminación fisicoquímicas y biológicas, S3=Fuentes difusas de nutrientes, S4=Contaminantes orgánicos, y
S5=Estacional.

florece. Por lo tanto, VF2 sigue representando “las fuentes difusas
fisicoquímicas y biológicas de contaminación” en la estación seca.
El tercer varifactor (VF3), que representa el 12,9% de la varianza total, tuvo
cargas moderadas y positivas en amoníaco-N y WT, una carga negativa moderada
en DO y una carga positiva débil en TSS. A partir de la matriz de correlación para el
conjunto de datos de la estación seca se encontró que la OD estaba
correlacionada negativamente con el N-amoniaco y la WT, lo que indica que
grandes cantidades de OD en la estación seca fueron consumidas por grandes
cantidades de materia orgánica de las aguas residuales urbanas y agrícolas, y
conduce a un proceso de fermentación anaeróbica que causa altos niveles de
amoníaco. Con respecto a la tendencia decreciente de DO y la tendencia creciente
del N-amoniaco desde aguas arriba hacia aguas abajo, estas correlaciones indican
que las aguas residuales de áreas domésticas e industriales ubicadas en las partes
aguas abajo de los ríos y su carga orgánica se vierten a los ríos. Por lo tanto, VF3
representaba un grupo de parámetros indicadores de contaminación de fuentes
“orgánicas”.
Finalmente, el cuarto varifactor (VF4), que representó el 9,4% de la varianza
total, tuvo fuertes cargas positivas sólo en TKN y, por lo tanto, el cuarto factor en
la estación seca se denomina factor de “Fuentes no puntuales de nutrientes”. Los
resultados mostraron el primer factor (VF1) con la mayor proporción de la varianza
total (35%) en la estación seca, representando las fuentes puntuales (efluentes
municipales e industriales) y no puntuales.
(escorrentía agrícola), es el principal contribuyente a la contaminación del agua de
los tres ríos principales del sur de Florida.
3.2. Reparto de fuentes utilizando los modelos APCS-MLR y PMF
Después de identificar posibles fuentes de contaminación, las contribuciones de cada
fuente a las variables de calidad del agua se prorratearon utilizando APCS-MLR. Se
seleccionaron doce parámetros de calidad del agua de tres ríos principales del sur de
Florida y el modelo PCA/APCS analizó las fuentes de contaminación en las estaciones
húmedas y secas durante el período de observación (2000-2014). Según los resultados
porThurston y Spengler (1985), cuando norte≥m + 50 (n representa el número de
muestras y m representa el número de contaminantes para el análisis), se puede obtener
un resultado de PCA/FA confiable. El número de muestras de datos en el presente
estudio cumplió con este requisito. Durante el proceso de extracción de factores, el
principio de valor propionorte1 fue adoptado (criterios de Kaiser) para identificar cinco y
cuatro factores principales en la estación húmeda y seca, respectivamente, que afectan
significativamente la variación de parámetros seleccionados de calidad del agua en el
área de estudio. Los resultados del reparto de fuentes en dos temporadas diferentes se
presentan enTablas 5 y 6. Como se muestra en estas tablas, la R2Los valores de las
concentraciones de los 12 parámetros estudiados obtenidos con los cálculos utilizando el
modelado del receptor y las observaciones reales fueron ambos.

Tabla 6
Contribuciones medias de las fuentes a las concentraciones de diferentes variables en la estación seca.

Contribución de la fuente (%) *

No identificado Media observada Media estimada Relación

Variable T1 T2 T3 T4 fuentes concentración concentración (estimado/observado) R2

Chl-un (μg/L) 1,9 93,2 0,4 2,7 1,8 11,35 ± 7,16 11,35 ± 5,66 1.18 0,62
Oxígeno disuelto (mg/L) 8,4 32,3 14.6 3,3 41,3 6,23 ± 1,43 6,23 ± 1,29 1.01 0,81
Nitrógeno kjeldahl total 3,6 5,7 5,9 71,9 12.9 1,25 ± 0,20 1,25 ± 0,19 1.00 0,91
(mg/L)
Fósforo total (mg/L) 86,9 8,9 0,0 2,4 1,8 0,081 ± 0,07 0,084 ± 0,07 1.14 0,86
Fosfato total (mg/L) 63,7 16,4 0,8 2,4 16,6 0,078 ± 0,06 0,078 ± 0,06 1.14 0,85
Amoníaco-N (mg/L) 22,2 8,1 40,6 0,8 28,3 0,071 ± 0,06 0,070 ± 0,04 1.18 0,47
Temperatura del agua (°C) 9,6 1,4 43,2 9,9 35,8 21,54 ± 2,39 21,54 ± 1,74 1.01 0,51
Solidos totalmente suspendidos 9,5 85,3 3,1 0,6 1.5 6,80 ± 3,59 6,80 ± 3,03 1.07 0,71
(mg/L)
Turbidez (NTU) 2,8 71,1 6,3 9,4 10,5 4,40 ± 3,16 4,40 ± 2,75 1.04 0,76
Magnesio (mg/L) 58,1 9,7 3,6 6,3 22,2 25,52 ± 43,47 25,52 ± 37,38 1.15 0,74
Cloruro (mg/L) 84,8 7,6 2,4 0,3 4.8 163,20 ± 315,48 163,20 ± 305,92 0,98 0,94
Sodio (mg/L) 81.0 8,7 1,7 0,1 8.5 67,75 ± 118,55 67,75 ± 114,49 1.05 0,89
Significar 36.0 29,0 10,2 9,2 15,5 1.08 0,76

Notas: *: S1 = Descargas contaminantes de fuentes puntuales, S2 = Fuentes difusas de contaminación fisicoquímicas y biológicas, S3 = Contaminantes orgánicos, y S4 = Fuentes difusas de nutrientes.
 M. Haji Gholizadeh y otros. / Ciencia del Medio Ambiente Total 566–567 (2016) 1552–1567 1561

Figura 4.Contribuciones promedio de diferentes fuentes de contaminación a la calidad del agua de tres ríos principales del sur de Florida en la estación húmeda (a) y la estación seca (b) utilizando el modelo APCS-MLR.

norte0,5 (en la mayoría de los casos más de 0,8), lo que indica que hubo una
buena coherencia entre los valores modelados y observados, y que los resultados
de distribución de fuentes fueron confiables (Simeonov y otros, 2003). Además, la
relación entre los valores medios observados y estimados de casi todas las
variables de calidad del agua (Tablas 5 y 6) sugiere la bondad del enfoque de
modelado de receptores para la distribución de la fuente de agua del río. Además,
las contribuciones de fuentes no identificadas como valores estimados de (r0)jen la
ecuación.(3)fueron considerados.
En la temporada de lluvias, la mayoría de las variables estuvieron influenciadas
principalmente por la contaminación de fuentes puntuales provenientes de
efluentes industriales y aguas residuales domésticas (S1: Descargas de
contaminación de fuentes puntuales), que representan los nutrientes (TKN, 22,4%;
TP, 75,2%; fosfato total, 69,5%; y amoníaco). -N, 10,9%) y los iones sal (magnesio,
95,2%; cloruro, 95,4%; y sodio, 87,8%), respectivamente. Las contribuciones de la
contaminación fisicoquímica y biológica por fuentes difusas (S2) para diferentes
parámetros de calidad del agua estuvieron entre 0,4% (WT) y 66,6% (DO). Estas
fuentes representaron entre el 17,7% y el 49,7% de los parámetros de claridad del
agua (SST y turbiedad, respectivamente) y el 47,9% del componente biológico
(cloro).a)en la calidad del agua ribereña del área de estudio. Los aportes de
fuentes difusas de nutrientes (S3) para diferentes variables fueron responsables
entre 0.2% (WT) y 23.1% (TKN). Los resultados de APCS-MLR también indicaron que
el 15,3% de la turbiedad está relacionada con fuentes difusas de nutrientes. Se
encontró que las contribuciones de contaminantes orgánicos (S4) a la calidad del
agua del río en la temporada de lluvias representaron entre 0,1% (WT) y 67%.
(TSS). También se observó que el mayor porcentaje de N-amoniaco (49,6%) está
relacionado con contaminantes orgánicos. Además, comoTabla 5 Como muestra,
el 21,2% de la turbidez se debe a contaminantes orgánicos. Considerando el alto
porcentaje de contribución de estas fuentes a los SST (67%), se puede concluir que
S4 acompañado de S2 son las principales fuentes de turbidez y color del agua en
tres ríos seleccionados. El factor estacional (S5) fue responsable del 98,3% del peso
y del 38,8% del chl.a,respectivamente. Este factor también representó entre el
4,3% y el 6,3% de las concentraciones de nutrientes y el 7,3% de la turbidez. Aparte
de estas, fuentes diversas no identificadas contribuyeron a la contaminación del
agua del río para la mayoría de las variables de calidad del agua y representaron
entre 0,3% (WT) y 40,9% (TKN) en la temporada de lluvias. También se observó a
partir de los resultados del modelo de receptor que el 23,2% del OD, el 13,3% del
N-amoniaco y el 10,4% del fosfato total provinieron de fuentes no identificadas.
Esto muestra la necesidad de realizar trabajos de campo para identificar mejor las
fuentes de contaminación. Las contribuciones promedio indicaron que las
descargas de contaminación de fuentes puntuales (S1), las fuentes de
contaminación fisicoquímicas y biológicas no puntuales (S2), las fuentes no
puntuales de nutrientes (S3), los contaminantes orgánicos (S4), las fuentes
estacionales (S5) y las no identificadas para diferentes variables. las
concentraciones en la estación húmeda fueron 39,3%, 17,5%, 6,0%, 13,3%, 14,7% y
9,3%, respectivamente (Figura 4-a).
En la estación seca, la mayoría de las variables estuvieron influenciadas principalmente por
fuentes puntuales de contaminación provenientes de efluentes industriales y aguas residuales
domésticas (S1), representando entre 1,9% (DO) y 86,9% (TP). Contaminación de fuente puntual

Figura 5.Contribuciones promedio de diferentes fuentes de contaminación a nutrientes, turbiedad del agua e iones de sal en la estación húmeda (a) y la estación seca (b) utilizando el modelo APCS-MLR.
1562 M. Haji Gholizadeh y otros. / Ciencia del Medio Ambiente Total 566–567 (2016) 1552–1567

Figura 6.Las cifras de los factores de doce variables estudiadas resultaron del modelo PMF de la EPA en las estaciones húmedas (a) y secas (b).

Los vertidos representaron entre el 3,6% y el 86,9% de los nutrientes (TKN, 3,6%;
TP, 86,9%; fosfato total, 63,7%; y amoniaco-N, 22,2%) y entre el 58,1 y el 84,8% de
los iones de sal (magnesio, 58,1%). ; cloruro, 84,8%; y sodio, 81%). Las
contribuciones de las fuentes difusas de contaminación (S2) fisicoquímicas y
biológicas para diferentes parámetros de calidad del agua estuvieron entre 1,4%
(WT) y 93,2% (chl-a).Fueron las principales fuentes de los parámetros de claridad
del agua (SST, 85,3% y turbidez, 71,1%), y el componente biológico (cloruro de
sodio, 85,3% y turbidez, 71,1%).a,93.2). Fisicoquímicos y biológicos no puntuales.
Las fuentes de contaminación (S2) también representaron el 8,9% de TP, el 16,4%
del fosfato total y el 32,3% de OD en la calidad del agua ribereña del área de
estudio. Los aportes de contaminantes orgánicos (S3) para diferentes variables
estuvieron entre 0,0% (TP) y 43,2% (WT). Los resultados de las mediciones de
APCS-MLR indicaron que el mayor porcentaje de N-amoniaco (40,6%) y WT está
relacionado con contaminantes orgánicos. Generalmente, la WT, el movimiento o
flujo del cuerpo de agua y la cantidad de materia orgánica en el agua pueden
afectar la cantidad de OD en el agua. Se encontró que

Figura 7.Contribuciones promedio de diferentes fuentes de contaminación a la calidad del agua de tres ríos principales del sur de Florida en la estación húmeda (a) y la estación seca (b) utilizando el modelo PMF de la EPA.
 M. Haji Gholizadeh y otros. / Ciencia del Medio Ambiente Total 566–567 (2016) 1552–1567
Figura 8.Variaciones de contribución de fuentes basadas en los resultados de los modelos PMF y APCS-MLR.
los aportes de las fuentes difusas de nutrientes (S4) a la calidad del agua de
los ríos en la época seca representaron entre 0,1% (sodio) y 71,9% (TKN), lo
que indicó que el mayor porcentaje de TKN, como indicador del nitrógeno
total , resultó de estas fuentes. Además, el 9,4% de la turbidez y el 6,3% del
magnesio estuvieron representados por fuentes difusas de nutrientes. Sin
embargo, las diversas fuentes no identificadas en la estación seca también
contribuyeron a la contaminación del agua del río, ya que la mayoría de las
variables de calidad del agua estuvieron entre 1,5% (TSS) y 41,3% (DO). De
los resultados del modelo de receptor se observó que altos porcentajes de
WT (35,8%) y magnesio (22,2%), y un porcentaje significativo de nutrientes
(amoníaco-N, 28,3%; fosfato total, 16,6%; y TKN, 12,9 %) también resultó de
fuentes no identificadas, lo que muestra la necesidad de trabajo de campo
para identificar mejor las fuentes de contaminación. Contribuciones
promedio de las descargas contaminantes de fuentes puntuales (S1),
fuentes difusas de contaminación fisicoquímicas y biológicas (S2),
contaminantes orgánicos (S3), fuentes difusas de nutrientes (S4) y fuentes
no identificadas para diferentes concentraciones variables en las zonas
secas. temporada fueron 36,0%, 29,0%, 10,2%, 9,2% y 15,5%,
respectivamente (Figura 4-b).
Además, las variables estudiadas se pueden categorizar en tres grupos de nutrientes
(TKN, TP, fosfato total y amoniaco-N), parámetros propicios a la turbidez del agua (SST,
turbiedad y cloro).a),e iones de sal (magnesio, cloruro y sodio). Contribuciones promedio
de diferentes fuentes potenciales de contaminación a nutrientes, turbidez del agua e
iones de sal calculadas en función de su porcentaje enTablas 5 y 6, se presentan como un
gráfico circular enfigura 5para estaciones húmedas y secas. Como se muestra enfigura 5,
en la temporada de lluvias, las descargas contaminantes de fuente puntual (S1) con una
contribución del 45% y las fuentes no identificadas (UIS) con una contribución del 18%, y
en
1563
Durante la estación seca, las descargas contaminantes de fuente puntual (S1) con una
contribución del 44% y las fuentes difusas de nutrientes (S4), fueron las principales
fuentes de nutrientes en la calidad del agua del río. Turbidez, SST y cloro.afueron
considerados como parámetros que afectan la claridad del agua. Así, en la estación
húmeda las fuentes de contaminación difusa fisicoquímicas y biológicas (S2) con un 38%
de contribución y los contaminantes orgánicos (S4) con un aporte del 30%, y en la
estación seca las fuentes de contaminación difusa fisicoquímicas y biológicas ( S2) con
una contribución del 83%, fueron las principales fuentes de turbidez del agua en la
calidad del agua de los ríos. Las descargas de contaminación de fuente puntual (S1),
tanto en la estación húmeda como en la seca con contribuciones del 93% y 75%,
respectivamente, fueron la principal fuente de magnesio, cloruro y sodio en los tres ríos
seleccionados del sur de Florida.
La matriz de datos también se sometió al modelo de receptor PMF
utilizando el programa EPA PMF-5.0 y el modelo bidireccional descrito por
Paatero y Tapper (1994)se realizó para los análisis PMF. Una de las ventajas
de este modelo es que pondera la incertidumbre de cada punto de datos y
aplica una restricción de no negatividad a los datos, lo que garantiza que las
contribuciones de la fuente sean siempre positivas (Paatero y Tapper, 1994;
Paatero, 1997). Las incertidumbres de los puntos de datos individuales se
determinaron utilizando la incertidumbre estimada por DBHYDRO para cada
variable.
Con base en la relación entre variables y su porcentaje de contribución en un
mismo grupo, se determinaron cada seis factores en la época húmeda y cada
cinco factores en la época seca. Las fuentes de contaminación consistieron en
factores que tenían en cuenta TP, el fosfato total, el magnesio, el cloruro y el sodio
fueron la firma de las descargas de contaminación de fuentes puntuales. El factor
compuesto por DO, chl-a,Los TSS y la turbiedad, que se consideran el índice de
turbidez del agua, se utilizaron como firma.
1564 M. Haji Gholizadeh y otros. / Ciencia del Medio Ambiente Total 566–567 (2016) 1552–1567

Figura 9.Gráficos de dispersión de las proporciones previstas y observadas para TKN, fosfato total, TP, N-amoniaco, SST y turbidez en la estación húmeda utilizando los modelos EPA PMF y APCS-MLR.

del grupo de fuentes difusas de contaminación fisicoquímicas y biológicas. Las
fuentes difusas de factores de nutrientes estuvieron dominadas por TKN, TP,
fosfato total y turbidez. Los contaminantes orgánicos estuvieron dominados por el
amoníaco-N y los SST. El factor que fue el principal contribuyente al WT fue
considerado como la firma del factor estacional. En relación con los resultados de
PCA/FA, el sexto factor que no tuvo contribución explicable a diferentes variables
se asignó a las fuentes no identificadas (UIS) para hacer más razonable la
comparación de los resultados.Figura 6 muestra las “Cifras Factoriales” de doce
variables estudiadas resultantes
del modelo PMF de la EPA en las estaciones húmedas y secas, que demuestran un
porcentaje esquemático de posibles contribuciones a la contaminación.
figura 7muestra las contribuciones promedio de diferentes fuentes de contaminación a la
calidad del agua de tres ríos principales del sur de Florida en las estaciones húmedas y secas
obtenidas del modelo PMF de la EPA. Las contribuciones promedio indicaron que las descargas
de contaminación de fuentes puntuales, las fuentes difusas de contaminación fisicoquímicas y
biológicas, las fuentes difusas de nutrientes, los contaminantes orgánicos, las fuentes
estacionales y no identificadas para diferentes variables, las concentraciones en la temporada de
lluvias fueron del 17%, 22%, 16 %, 13%, 11%,
 M. Haji Gholizadeh y otros. / Ciencia del Medio Ambiente Total 566–567 (2016) 1552–1567
y 20%, respectivamente. Además, las contribuciones promedio de las descargas
contaminantes de fuentes puntuales, fuentes difusas de contaminación
fisicoquímicas y biológicas, contaminantes orgánicos, fuentes difusas de
nutrientes y fuentes no identificadas para diferentes concentraciones variables en
la estación seca fueron 19%, 40%, 21%. , 8% y 12%, respectivamente.
La comparación de los resultados obtenidos de los modelos PMF y APCS-MLR se
muestra gráficamente enFigura 8. Esto demostró que había algunas diferencias
significativas en la contribución estimada para cada fuente potencial de contaminación,
especialmente en la estación húmeda. La diferencia más tremenda entre las
contribuciones distribuidas utilizando dos modelos se observó en el caso de las
descargas contaminantes de fuentes puntuales.
Para facilitar la comparación, se utilizaron diagramas de dispersión previstos
versus observados a partir de los resultados de dos análisis PMF y APCS-MLR para
algunas especies químicas (Figura 9). Análisis de los resultados y laR-Los valores
cuadrados de las gráficas predichas/observadas para la mayoría de las variables
de calidad del agua mostraron una mejor bondad de ajuste con el enfoque de
modelado del receptor APCS-MLR para la distribución de las fuentes de
contaminación en las aguas fluviales estudiadas. Además, en algunas variables,
como ejemplo de WT, los resultados del modelo APCS-MLR mostraron una clara
correlación entre esta variable con el factor estacional identificado, mientras que
en el modelo PMF no se encontró una contribución distinguida a un determinado
factor.
A pesar de estos desafíos, cuando PCA se combina con APCS-MLR, se convierte
en una herramienta versátil para la identificación y distribución de fuentes (
Anderson y otros, 2002; Guo y otros, 2004, 2009). Además, en comparación con
PMF, el procedimiento involucrado en los análisis APCS-MLR es relativamente
simple. Hasta donde sabemos, han aparecido en la literatura relativamente pocas
descripciones de la aplicación del enfoque PMF (que de APCS-MLR) a los datos de
concentración del número de partículas. En particular, aunque el método PMF se
ha utilizado ampliamente en estudios de contaminación del aire, no hay muchos
informes previos sobre la aplicación del PMF a la distribución de fuentes de
contaminación en los campos de los recursos hídricos. Por lo tanto, los resultados
de APCS-MLR parecen ser físicamente más plausibles para el estudio actual.
4. Conclusión
En este estudio, se utilizaron técnicas de análisis estadístico multivariado,
incluidas PCA y FA, junto con las técnicas de modelado de receptores APCS-MLR y
PMF, para evaluar la calidad del agua y distribuir las contribuciones de diferentes
fuentes potenciales de contaminación a cada variable de calidad del agua en tres
ríos principales. del sur de Florida. Para este propósito, se utilizó un conjunto de
datos de 15 años (2000-2014) de 12 variables de calidad del agua que cubren 16
estaciones de monitoreo y aproximadamente 35 000 observaciones.
Se aplicaron los métodos PCA y FA para identificar cinco y cuatro fuentes potenciales
de contaminación en las estaciones húmedas y secas, respectivamente. Se utilizó APCS-
MLR para distribuir sus contribuciones a cada variable de calidad del agua. Los resultados
mostraron que en la estación húmeda las descargas contaminantes de fuente puntual
(S1) con un 45% de contribución y las fuentes no identificadas (UIS) con un 18% de
contribución, y en la estación seca, las descargas contaminantes de fuente puntual (S1)
con un 44% de contribución y no Las fuentes puntuales de nutrientes (S4), con una
contribución del 19%, fueron las principales fuentes de nutrientes en la calidad del agua
del río. Así, en la estación húmeda las fuentes de contaminación difusa fisicoquímicas y
biológicas (S2) con un 38% de contribución y los contaminantes orgánicos (S4) con un
30% de contribución, y en la estación seca solo las fuentes de contaminación difusa
fisicoquímicas y biológicas ( S2), con una contribución del 83%, fueron las principales
fuentes de turbidez del agua en la calidad del agua de los ríos. Las descargas de
contaminación de fuente puntual (S1) en las estaciones húmedas y secas con
contribuciones del 93% y 75%, respectivamente, fueron la principal fuente de magnesio,
cloruro y sodio en tres ríos seleccionados del sur de Florida. Además, dos sitios S154 y
CES03 mostraron cantidades muy mayores de algunos parámetros, como chl-a,DO, TKN,
TP, fosfato total y N-amoniaco en las estaciones húmeda y seca en comparación con
otros sitios. Una de las posibles razones pueden ser los vertidos de aguas residuales
industriales y domésticas, que generalmente se mantienen a un nivel relativamente
estable durante todo el año. Se puede concluir que el
1565
Las descargas de contaminación de fuentes puntuales provenientes de factores
antropogénicos debido a la descarga de desechos agrícolas y aguas residuales
domésticas e industriales, fueron las principales fuentes de contaminación del agua de
los ríos en tres ríos principales del sur de Florida.
La matriz de datos también se sometió al modelo de receptor de PMF
utilizando el programa EPA PMF-5.0 y se realizó el modelo bidireccional descrito
para los análisis de PMF. La comparación de los resultados obtenidos de los
modelos PMF y APCS-MLR mostró que había algunas diferencias significativas en
la contribución estimada para cada fuente potencial de contaminación,
especialmente en la estación húmeda. La diferencia más tremenda entre las
contribuciones distribuidas utilizando dos modelos se observó en el caso de las
descargas contaminantes de fuentes puntuales. Análisis de los resultados y la R-
Los valores al cuadrado de las gráficas predichas/observadas para la mayoría de
las variables de calidad del agua mostraron una mejor bondad de ajuste con el
APCS-MLR a la distribución de las fuentes de contaminación en las aguas fluviales
estudiadas. Finalmente, se concluyó que el enfoque de modelado del receptor
APCS-MLR parece ser físicamente más plausible para el estudio actual.
Este estudio mostró la viabilidad y confiabilidad del uso combinado de estas
técnicas estadísticas multivariadas en la investigación de la calidad del agua de los
ríos. Es deseable que tanto las agencias estatales como locales presten más
atención y consideración para mejorar y proteger la vulnerable calidad de los ríos.
Se necesitarán estudios adicionales para evaluar con precisión las fuentes no
identificadas de contaminación y la variación de otros parámetros de calidad del
agua que no se analizaron en este estudio.
Contribuciones de autor
Mohammad Haji Gholizadeh conceptualizó la idea y dirigió la redacción
de este artículo. El primer borrador fue escrito por Mohammad Haji
Gholizadeh y luego enviado a Lakshmi Reddi y Assefa M. Melesse para sus
comentarios y ediciones. Mohammad Haji Gholizadeh y Assefa M. Melesse
compilaron todas las ediciones y produjeron el artículo final.
Conflictos de interés
Los autores declaran no tener ningún conflicto de intereses.
Expresiones de gratitud
La investigación fue financiada por la Universidad Internacional de Florida,
Miami, EE.UU. Los datos de observación se obtuvieron del Distrito de Gestión del
Agua del Sur de Florida (SFWMD). También agradecemos a los revisores y a los
funcionarios de la revista por brindar comentarios interesantes.
Referencias
Al-Dabbous, AN, Kumar, P., 2015. Reparto de fuentes de nanopartículas en el aire en un
ciudad del Medio Oriente utilizando factorización matricial positiva. Reinar. Ciencia. Impactos de los
procesos 17, 802–812.http://dx.doi.org/10.1039/C5EM00027K.
Anderson, MJ, Daly, EP, Miller, SL, Milford, JB, 2002. Fuente de distribución de la exposición
seguros a compuestos orgánicos volátiles: II. Aplicación de modelos de receptores a los
datos del estudio TEAM. Atmos. Reinar. 36, 3643–3658.http://dx.doi.org/10.1016/
S1352-2310(02)00280-7.
Aziz, HA, Adlan, MN, Zahari, MSM, Alias, S., 2004. Eliminación de nitrógeno amoniacal (N-
NUEVA HAMPSHIRE3) a partir de lixiviados de residuos sólidos urbanos mediante el uso de carbón activado y
piedra caliza. Gestión de residuos. Res. 22, 371–375.http://dx.doi.org/10.1177/0734242X04047661. Bhat, SA,
Meraj, G., Yaseen, S., Pandit, AK, 2014.Evaluación estadística de la calidad del agua.
Parámetros para la identificación de fuentes de contaminación en la corriente Sukhnag: una corriente de entrada
del lago Wular (sitio Ramsar), Cachemira Himalaya. J. Ecosistema. 2014.
Carpenter, S., Caraco, N., Correll, D., Howarth, RW, Sharpley, AN, Smith, VH, 1998.
Contaminación puntual de las aguas superficiales con fósforo y nitrógeno. Ecológico. Aplica.
8, 559–568.http://dx.doi.org/10.1890/1051-0761(1998)008[0559:NPOSWW]2.0.CO;2. Chen, H.,
Teng, Y., Yue, W., Song, L., 2013. Caracterización y distribución de fuentes de
Contaminación del agua en el río Jinjiang, China. Reinar. Monit. Evaluar. 185, 9639–9650.
http://dx.doi.org/10.1007/s10661-013-3279-z.
Chen, P., Li, L., Zhang, H., 2015. Variaciones espacio-temporales y distribución de fuentes de
Contaminación del agua en la cuenca del embalse de Danjiangkou, China central. Agua
(Suiza) 7, 2591–2611.http://dx.doi.org/10.3390/w7062591.
Dale, V., Bianchi, T., Blumberg, A., Boynton, W., Conley, DJ, Crumpton, W., David, M.,
Gilbert, D., Howarth, R., Kling, C., 2007.Hipoxia en el norte del Golfo de México: una
1566 M. Haji Gholizadeh y otros. / Ciencia del Medio Ambiente Total 566–567 (2016) 1552–1567
actualización realizada por el consejo asesor científico de la EPA. EPA-SAB-08-003. Junta Asesora Científica de la
EPA, Washington, DC (333 págs.).
Dils, R., Leaf, S., Robinson, R., Sweet, N., 1999.Fósforo en el medio ambiente: ¿por qué debería hacerlo?
¿Será la recuperación una cuestión de política?
Duan, W., He, B., Nover, D., Yang, G., Chen, W., Meng, H., Zou, S., Liu, C., 2016.Calidad del agua
Evaluación e identificación de fuentes de contaminación de la cuenca oriental del lago Poyang
utilizando métodos estadísticos multivariados. Sostenibilidad 8, 133.
Fisher, JI, Mostaza, JF, 2004.Climatología de la superficie del mar de alta resolución espacial obtenida por Landsat
datos infrarrojos térmicos. Sensores remotos. Medio ambiente. 90, 293–307.
Fitch, K., Kemker, C., 2014. Algas, fitoplancton y clorofila. Fundamentos del medio ambiente
Medidas medioambientales (Documento WWW) Fondrest Environ. Inc. (URLhttp://
www.fondriest.com/environmental-measurements/parameters/water-quality/
algaephytoplankton-clorofila/(consultado el 1.1.16)).
Gargouri, D., Azri, C., Serbaji, MM, Jedoui, Y., Montacer, M., 2011. Concentración de metales pesados
ciones en los sedimentos marinos superficiales de la costa de Sfax, Túnez. Reinar. Monit.
Evaluar. 175, 519–530.http://dx.doi.org/10.1007/s10661-010-1548-7.
Gholizadeh, MH, Melesse, AM, Reddi, L., 2016. Análisis de tendencias espaciotemporales de
Parámetros de calidad del agua mediante análisis de conglomerados en el sur de Florida. Congreso
Mundial sobre Medio Ambiente y Recursos Hídricos 2016. Sociedad Estadounidense de Ingenieros
Civiles, Reston, VA, págs. 519–528http://dx.doi.org/10.1061/9780784479858.054.
Guo, H., Wang, T., Louie, PKK, 2004.Distribución de fuentes de hidrocarburos ambientales no metano.
Carbonos en Hong Kong: aplicación de un modelo de receptor de análisis de componentes principales/
puntuaciones absolutas de componentes principales (PCA/APCS). Reinar. Contaminación. 129, 489–498.
Guo, H., Ding, AJ, So, KL, Ayoko, G., Li, YS, Hung, WT, 2009. Modelado de receptor de fuente
Distribución de los aerosoles de Hong Kong y las implicaciones de la contribución urbana y
regional. Atmos. Reinar. 43, 1159-1169.http://dx.doi.org/10.1016/j.atmosenv.2008.04. 046.
Hamilton, PA, Miller, TL, Myers, DN, 2004.Calidad del agua en los arroyos del país y
Acuíferos: descripción general de hallazgos seleccionados, 1991-2001. Servicio Geológico de EE. UU. Helena, B.,
Pardo, R., Vega, M., Barrado, E., Fernández, JM, Fernández, L., 2000. Evolución temporal
Lución de la composición del agua subterránea en un acuífero aluvial (río Pisuerga, España) mediante
análisis de componentes principales. Agua Res. 34, 807–816.http://dx.doi.org/10.1016/
S0043-1354(99)00225-0.
Huang, F., Wang, X., Lou, L., Zhou, Z., Wu, J., 2010. Variación espacial y distribución de fuentes.
de la contaminación del agua en el río Qiantang (China) mediante técnicas estadísticas. Agua Res. 44,
1562-1572.http://dx.doi.org/10.1016/j.watres.2009.11.003.
Hutcheson, G., Sofroniou, N., 1999. The Multivariate Social Scientist, Introducción a la estadística
Uso de modelos lineales generalizados.http://dx.doi.org/10.4135/9780857028075. Jarvie, HP,
Whitton, BA, Neal, C., 1998. Nitrógeno y fósforo en los ríos británicos de la costa este:
especiación, fuentes y significado biológico. Ciencia. Medio ambiente total. 210-211, 79-109.
http://dx.doi.org/10.1016/S0048-9697(98)00109-0.
Juahir, H., Zain, SM, Yusoff, MK, Hanidza, TIT, Armi, ASM, Toriman, ME, Mokhtar, M.,
2011. Evaluación espacial de la calidad del agua de la cuenca del río Langat (Malasia)
mediante técnicas medioambientales. Reinar. Monit. Evaluar. 173, 625–641.http://dx.doi.org/
10. 1007/s10661-010-1411-x.
Káiser, HF, 1974.Un índice de simplicidad factorial. Psicometrika 39, 31–36. Kemker, C., 2014.
Turbidez, sólidos suspendidos totales y claridad del agua”. Fundamentos de En-
Medidas ambientales (Documento WWW) Fondriest Environ. Inc. (URLhttp://
www.fondriest.com/environmental-measurements/parameters/water-quality/
turbidez-total-suspended-solids-water-clarity/).
Kim, J.-H., Kim, R.-H., Lee, J., Cheong, T.-J., Yum, B.-W., Chang, H.-W., 2005. Estadística multivariada
Análisis estadístico para identificar los principales factores que rigen la calidad del agua subterránea
en la zona costera de Kimje, Corea del Sur. Hidrol. Proceso. 19, 1261-1276.http://dx.doi.org/10. 1002/
hip.5565.
Kowalkowski, T., Zbytniewski, R., Szpejna, J., Buszewski, B., 2006. Aplicación de
Quimiometría en la clasificación de aguas fluviales. Agua Res. 40, 744–752.http://dx.doi.org/
10.1016/j.watres.2005.11.042.
Kumar, AS, Reddy, AM, Srinivas, L., Reddy, PM, 2014.Evaluación de la calidad del agua superficial.
en Hyderabad Lakes mediante el uso de técnicas estadísticas multivariadas, Hyderabad-India. Reinar.
Contaminación. 4, 14.
Li, Y., Xu, L., Li, S., 2009. Análisis de la calidad del agua de la cuenca del río Songhua mediante análisis multivariado.
técnicas. J. Recursos hídricos. Prot. 01, 110–121.http://dx.doi.org/10.4236/jwarp.2009. 12015.
Li, H., Hopke, PK, Liu, X., Du, X., Li, F., 2015. Aplicación de factorización matricial positiva.
ción para el reparto de fuentes de la calidad del agua superficial de la cuenca del río
Daliao, noreste de China. Reinar. Monit. Evaluar. 187, 1–12.http://dx.doi.org/10.1007/
s10661-014-4154-2.
Liu, C.-W., Lin, K.-H., Kuo, Y.-M., 2003.Aplicación del análisis factorial en la evaluación de
Calidad del agua subterránea en un área con enfermedad del pie negro en Taiwán. Ciencia. Medio ambiente total. 313, 77–89.
Liu, Y., Wang, S., Lohmann, R., Yu, N., Zhang, C., Gao, Y., Zhao, J., Ma, L., 2015. Fuente apropiada
Evaluación de HAP gaseosos y particulados provenientes de las emisiones del tráfico mediante
mediciones de túneles en Shanghai, China. Atmos. Reinar. 107, 129-136.http://dx.doi.org/10.1016/j.
atmosenv.2015.02.041.
Mallya, YJ, 2007.Los efectos del oxígeno disuelto en el crecimiento de los peces en la acuicultura. Unido
Universidad de las Naciones. Pez. Tren. Programa. Proyecto final, pág. 30
Manios, T., Stentiford, EI, Millner, PA, 2002. La eliminación de NH3-N de los tratados primarios
aguas residuales en cañaverales subterráneos utilizando diferentes sustratos. J. Medio
Ambiente. Ciencia. Salud Un Tox. Peligro. Sust. Reinar. Ing. 37, 297–308.http://dx.doi.org/
10.1080/ 09593332408618367.
Manousakas, M., Diapouli, E., Papaefthymiou, H., Migliori, A., Karydas, AG, Padilla-Alvarez,
R., Bogovac, M., Kaiser, RB, Jaksic, M., Bogdanovic-Radovic, I., Eleftheriadis, K., 2015. Distribución de
fuentes por PMF sobre concentraciones elementales obtenidas mediante análisis PIXE de muestras de
PM10 recolectadas en las proximidades de Centrales eléctricas de lignito y minas en Megalópolis,
Grecia. Núcleo. Instrumento. Métodos Phys. Res. Secta. Interacción de haz B. Madre. Átomos 349,
114-124.http://dx.doi.org/10.1016/j.nimb.2015.02.037.
Mikkelsen, R., 2009.Emisiones de amoniaco procedentes de operaciones agrícolas: fertilizantes. Mejor
Cultivos 93, 9-11.
Miller, SL, Anderson, MJ, Daly, EP, Milford, JB, 2002. Fuente de distribución de la exposición
Seguros para compuestos orgánicos volátiles. I. Evaluación de modelos de receptores utilizando datos
de exposición simulados. Atmos. Reinar. 36, 3629–3641.http://dx.doi.org/10.1016/
S1352-2310(02)00279-0.
Moreda-Piñeiro, A., Marcos, A., Fisher, A., Hill, SJ, 2001. Evaluación del efecto de los datos previos
Procedimientos de tratamiento sobre reconocimiento de patrones clásicos y análisis de componentes
principales: un estudio de caso para la clasificación geográfica del té. J. Medio Ambiente. Monit. 3,
352–360. http://dx.doi.org/10.1039/b103658k.
Muangthong, S., Shrestha, S., 2015.Evaluación de la calidad de las aguas superficiales mediante análisis multivariado.
Técnicas estadísticas: estudio de caso del río Nampong y el río Songkhram, Tailandia.
Reinar. Monit. Evaluar. 187, 1–12.
Mullaney, JR, Lorenz, DL, Arnston, AD, 2009.Cloruro en aguas subterráneas y superficiales
Agua en áreas sustentadas por el sistema acuífero glacial del norte de Estados Unidos, Informe de
investigaciones científicas del Servicio Geológico de EE. UU. 2009-5086.
Mustaffa, NIH, Latif, MT, Ali, MM, Khan, MF, 2014.Reparto de fuentes de superficie
Tantes en aerosoles marinos en diferentes lugares a lo largo del Estrecho de Malaca. Reinar. Ciencia.
Contaminación. Res. 21, 6590–6602.
Mustapha, A., Abdu, A., 2012.Aplicación del análisis de componentes principales y múltiples.
Modelos de regresión en la evaluación de la calidad del agua superficial. J. Medio Ambiente. Ciencia de la Tierra.
2, 16-23. Mustapha, A., Aris, AZ, 2012. Aspectos espaciales de la calidad del agua superficial en la cuenca de Jakara, Ni-
geria mediante análisis quimiométrico. J. Medio Ambiente. Ciencia. Salud Un Tox. Peligro. Sust. Reinar.
Ing. 47, 1455-1465.http://dx.doi.org/10.1080/10934529.2012.673305.
Nasir, MFM, Samsudin, MS, Mohamad, I., Awaluddin, MRA, Mansor, MA, Juahir, H.,
Ramli, N., 2011.Modelado de la calidad del agua del río utilizando análisis de componentes principales
(PCA) combinado y regresiones lineales múltiples (MLR): un estudio de caso en el río Klang, Malasia.
Aplicación mundial. Ciencia. J. 14, 73–82.
Paatero, P., 1997. Formulación de mínimos cuadrados de análisis factorial robusto no negativo.
Quimiometría y sistemas de laboratorio inteligentes, págs. 23-35http://dx.doi.org/10.
1016/S0169-7439(96)00044-5.
Paatero, P., Tapper, U., 1994. Factorización matricial positiva: un modelo de factor no negativo
con una utilización óptima de las estimaciones de error de los valores de los datos. Ambientalmetría 5,
111–126.http://dx.doi.org/10.1002/env.3170050203.
Parworth, C., Fast, J., Mei, F., Shippert, T., Sivaraman, C., Tilp, A., Watson, T., Zhang, Q., 2015.
Mediciones a largo plazo de la química de aerosoles submicrométricos en las Grandes Llanuras del
Sur (SGP) utilizando un monitor de especiación química de aerosoles (ACSM). Atmos. Reinar. 106, 43–
55.http://dx.doi.org/10.1016/j.atmosenv.2015.01.060.
Patton, CJ, Kryskalla, JR, 2003.Métodos de análisis del Servicio Geológico Nacional de EE. UU.
Laboratorio de Calidad del Agua: Evaluación de la digestión con persulfato alcalino como alternativa a
la digestión Kjeldahl para la determinación de nitrógeno y fósforo total y disuelto en el agua.
Praveena, SM, Ahmed, A., Radojevic, M., Abdullah, MH, Aris, AZ, 2008.Metales pesados en
Sedimento superficial de manglares de la laguna Mengkabong, Sabah: enfoques de índice
multivariado y de geoacumulación.
Reid, MK, Spencer, KL, 2009. Uso del análisis de componentes principales (PCA) en sedimentos estuarinos
Conjuntos de datos de elementos: el efecto del tratamiento previo de datos. Reinar. Contaminación. 157, 2275–
2281.http://dx.doi.org/10.1016/j.envpol.2009.03.033.
Saeaw, N., Thepanondh, S., 2015. Análisis de distribución de fuentes de COV en el aire utilizando
Factorización matricial positiva en áreas industriales y urbanas de Tailandia. Atmos. Contaminación.
Res. 6, 644–650.http://dx.doi.org/10.5094/APR.2015.073.
Schaefer, K., Einax, JW, 2010. Caracterización analítica y quimiométrica de las Cruces.
Río en el sur de Chile. Reinar. Ciencia. Contaminación. Res. 17, 115-123.http://dx.doi.org/10.1007/
s11356-009-0116-6.
Shi, G.-L., Xu, J., Peng, X., Tian, Y.-Z., Wang, W., Han, B., Zhang, Y.-F., Feng, Y.-C ., Russell, AG,
2016. Uso de un nuevo modelo WALSPMF para cuantificar las contribuciones de la fuente a
PM2.5 en un puerto en China. Atmos. Reinar. 126, 66–75.http://dx.doi.org/10.1016/j.
atmosenv.2015.11.046.
Shrestha, S., Kazama, F., 2007. Evaluación de la calidad del agua superficial utilizando estadísticas multivariadas.
Técnicas estadísticas: un estudio de caso de la cuenca del río Fuji, Japón. Reinar. Modelo.
Software. 22, 464–475.http://dx.doi.org/10.1016/j.envsoft.2006.02.001.
Shrestha, S., Kazama, F., Nakamura, T., 2008. Uso del análisis de componentes principales, factor
análisis y análisis discriminante para evaluar variaciones espaciales y temporales en la
calidad del agua del río Mekong. J. Hidroinf. 10, 43.http://dx.doi.org/10.2166/hidro.2008. 008.
Simeonov, V., Stratis, JA, Samara, C., Zachariadis, G., Voutsa, D., Anthemidis, A., Sofoniou,
M., Kouimtzis, T., 2003. Evaluación de la calidad del agua superficial en el norte de Grecia.
Agua Res. 37, 4119–4124.http://dx.doi.org/10.1016/S0043-1354(03)00398-1. Singh, KP, Malik,
A., Mohan, D., Sinha, S., 2004. Técnicas estadísticas multivariadas para el
Evaluación de variaciones espaciales y temporales en la calidad del agua del río Gomti (India): un
estudio de caso. Agua Res. 38, 3980–3992.http://dx.doi.org/10.1016/j.watres.2004.06.011. Singh, KP,
Malik, A., Sinha, S., 2005. Evaluación de la calidad del agua y reparto de la contaminación.
Fuentes de lución del río Gomti (India) utilizando técnicas estadísticas multivariadas: un
estudio de caso. Anal. Chim. Actas 538, 355–374.http://dx.doi.org/10.1016/j.aca.2005.02.006.
Singh, KP, Malik, A., Kumar, R., Saxena, P., Sinha, S., 2008. Modelado de receptores para fuente
Distribución de hidrocarburos aromáticos policíclicos en la atmósfera urbana.
Monitoreo y evaluación ambiental, págs. 183-196http://dx.doi.org/10.1007/
s10661-007-9674-6.
Singh, SP, Sharma, NK, Sharma, BK, 2012.Uso de clustering para mejorar el estándar de
sistema educativo. En t. J. Aplica. inf. Sistema. 1, 16-20.
Su, S., Li, D., Zhang, Q., Xiao, R., Huang, F., Wu, J., 2011. Tendencia temporal y referencia de fuente.
ción de la contaminación del agua en diferentes zonas funcionales del río Qiantang, China.
Agua Res. 45, 1781-1795.http://dx.doi.org/10.1016/j.watres.2010.11.030. Thurston, GD,
Spengler, JD, 1985. Una evaluación cuantitativa de las contribuciones de las fuentes a
Contaminación por partículas inhalables en el área metropolitana de Boston. Atmos. Reinar.
19, 9–25.http://dx.doi.org/10.1016/0004-6981(85)90132-5.
 M. Haji Gholizadeh y otros. / Ciencia del Medio Ambiente Total 566–567 (2016) 1552–1567
Ulbrich, IM, Canagaratna, MR, Zhang, Q., Worsnop, DR, Jiménez, JL, 2009. Interpreta-
ción de componentes orgánicos a partir de la factorización de matriz positiva de datos
espectrométricos de masas de aerosoles. Atmos. Química. Física. 9, 2891.http://dx.doi.org/10.5194/
acp-9-2891-2009.
Vega, M., 1998. Evaluación de efectos estacionales y contaminantes sobre la calidad del agua de los ríos.
mediante análisis exploratorio de datos. Agua Res. 32, 3581–3592.http://dx.doi.org/10.1016/
S0043-1354(98)00138-9.
Wunderlin, AD, Díaz, MDP, Amé, MV, Pesce, FS, Hued, AC, Bistoni, MDLÁ., 2001.
Técnicas de reconocimiento de patrones para la evaluación de variaciones espaciales y temporales en
la calidad del agua. Un estudio de caso: Cuenca del río Suquía (Córdoba-Argentina). Agua Res. 35,
2881–2894.http://dx.doi.org/10.1016/S0043-1354(00)00592-3.
1567
Xiao, M., Bao, F., Wang, S., Cui, F., 2016.Evaluación de la calidad del agua del segmento del río Huaihe.
ment de Bengbu (China) utilizando técnicas estadísticas multivariadas. Recurso Acuático. 43,
166-176.
Yang, L., Mei, K., Liu, X., Wu, L., Zhang, M., Xu, J., Wang, F., 2013. Distribución espacial y
Distribución de fuentes de contaminación del agua en diferentes zonas administrativas de la
cuenca del río Wen-Rui-Tang (WRT), China. Reinar. Ciencia. Contaminación. Res. 20, 5341–
5352. http://dx.doi.org/10.1007/s11356-013-1536-x.
Zhao, J., Xu, Z., Liu, X., Niu, C., 2013.Reparto de fuentes en la cuenca del río Liao. Porcelana
Reinar. Ciencia. 5, 13.