Metodología para predecir el índice de calidad del agua con parámetros fáciles de medir en campo mediante RNA

La calidad del agua en las fuentes hídricas superficiales es un tema apremiante a nivel mundial porque está directamente relacionado con la salud pública y el desarrollo sostenible (SciELO - Salud Pública - Calidad del agua y desarrollo sostenible Calidad del agua y desarrollo sostenible, 2018). Esta investigación se desarrolló para abordar una metodología que ajuste el índice de calidad del agua de la Fundación Nacional de Saneamiento de los Estados Unidos (NSF-WQI, por sus siglas en inglés) mediante parámetros fisicoquímicos fáciles de medir en campo, para facilitar la medición de la calidad del agua y toma de decisiones en comunidades vulnerables. Para lograrlo, se procesaron bases de datos provenientes del Instituto de Hidrología, Meteorología y Estudios Ambientales (IDEAM), las cuales fueron agrupadas mediante la técnica de Clusterización. Después de estimar modelos de Redes Neuronales Artificiales (RNA) por cada clúster, se calcularon intervalos de confianza del 95% y las métricas de desempeño Error Medio Absoluto (MAE), Raíz del Error Cuadrático Medio (RMSE), Coeficiente de correlación de Pearson (R) y Coeficiente de determinación (R^2 ) para cada uno. Como resultado, los modelos de dos de las cuatro agrupaciones presentaron alta capacidad predictiva, especialmente el clúster 3 con un R^2=0.97. Finalmente, mediante el análisis de sensibilidad se determinó que las variables de importancia fueron turbidez en ambos modelos; y pH y temperatura en los modelos del clúster 2 y 3 respectivamente. También, se requiere entrenar las redes con bases de datos más grandes para ampliar el rango de aplicación de los modelos.

Water quality in surface water sources is a very important issue worldwide because it is directly related to public health and sustainable development. The research was developed to propose a methodology that adjusts the US National Sanitation Foundation Water Quality Index (NSF-WQI) using physicochemical parameters that are easy to measure, to allow vulnerable communities to know the quality of the water and make decisions in terms of usage and treatment. To ensure the purpose, databases from the Institute of Hydrology, Meteorology and Environmental Studies (IDEAM) were processed, which were grouped using the Clusterization technique. After estimating Artificial Neural Network (ANN) models for each cluster, 95% confidence intervals and the performance metrics Mean Absolute Error (MAE), Root Mean Square Error (RMSE), Pearson correlation coefficient (R) and Coefficient of determination (R^2) were estimated for each one. As a result, two of the four cluster models presented high predictive capacity, especially cluster 3 with an R^2=0.97. Finally, through sensitivity analysis it was determined that the important variables were turbidity in both models; and pH and temperature in cluster models 2 and 3 respectively. Also, it is required to train the networks with larger databases to expand the range of application of the models.

Pregrado