Durante 25 años, el Departamento de Medio Ambiente (DOE) de Malasia ha implementado un Índice de Calidad del Agua (ICA) que utiliza seis parámetros clave: oxígeno disuelto (OD), demanda bioquímica de oxígeno (DBO), demanda química de oxígeno (DQO), pH, nitrógeno amoniacal (NA) y sólidos suspendidos (SS). El análisis de la calidad del agua es un componente importante de la gestión de los recursos hídricos y debe gestionarse adecuadamente para prevenir daños ecológicos por contaminación y garantizar el cumplimiento de las normativas ambientales. Esto aumenta la necesidad de definir métodos de análisis eficaces. Uno de los principales desafíos de la computación actual es que requiere una serie de cálculos de subíndices complejos, laboriosos y propensos a errores. Además, el ICA no se puede calcular si falta uno o más parámetros de calidad del agua. En este estudio, se desarrolla un método de optimización del ICA para la complejidad del proceso actual. Se desarrolló y exploró el potencial del modelado basado en datos, concretamente la máquina de vectores de soporte (SVM) de función de base Nu-Radial basada en validación cruzada 10x, para mejorar la predicción del ICA en la cuenca de Langat. Se realizó un análisis de sensibilidad exhaustivo bajo seis escenarios para determinar la eficiencia del modelo en la predicción del WQI. En el primer caso, el modelo SVM-WQI demostró una excelente capacidad para replicar el DOE-WQI y obtuvo niveles muy altos de resultados estadísticos (coeficiente de correlación r > 0,95, eficiencia de Nash-Sutcliffe, NSE > 0,88, índice de consistencia de Willmott, WI > 0,96). En el segundo escenario, el proceso de modelado muestra que el WQI puede estimarse sin seis parámetros. Por lo tanto, el parámetro DO es el factor más importante para determinar el WQI. El pH tiene el menor efecto sobre el WQI. Además, los escenarios 3 a 6 muestran la eficiencia del modelo en términos de tiempo y costo al minimizar el número de variables en la combinación de entrada del modelo (r > 0,6, NSE > 0,5 (bueno), WI > 0,7 (muy bueno)). En conjunto, este modelo mejorará y acelerará considerablemente la toma de decisiones basada en datos en la gestión de la calidad del agua, haciendo que los datos sean más accesibles y atractivos sin intervención humana.
1 Introducción
El término “contaminación del agua” se refiere a la contaminación de diversos tipos de agua, incluyendo aguas superficiales (océanos, lagos y ríos) y subterráneas. Un factor importante en el aumento de este problema es que los contaminantes no se tratan adecuadamente antes de ser liberados, directa o indirectamente, a los cuerpos de agua. Los cambios en la calidad del agua tienen un impacto significativo no solo en el medio marino, sino también en la disponibilidad de agua dulce para el abastecimiento público y la agricultura. En los países en desarrollo, el rápido crecimiento económico es común, y cualquier proyecto que promueva este crecimiento puede ser perjudicial para el medio ambiente. Para la gestión a largo plazo de los recursos hídricos y la protección de las personas y el medio ambiente, el monitoreo y la evaluación de la calidad del agua son esenciales. El Índice de Calidad del Agua (ICA) se deriva de datos de calidad del agua y se utiliza para determinar el estado actual de la calidad del agua de los ríos. Al evaluar el grado de cambio en la calidad del agua, se deben considerar muchas variables. El ICA es un índice adimensional. Consta de parámetros específicos de calidad del agua. El ICA proporciona un método para clasificar la calidad de los cuerpos de agua, tanto históricos como actuales. El valor significativo del Índice de Calidad del Agua (ICA) puede influir en las decisiones y acciones de los responsables de la toma de decisiones. En una escala del 1 al 100, cuanto mayor sea el índice, mejor será la calidad del agua. En general, la calidad del agua de las estaciones fluviales con puntuaciones de 80 o superiores cumple con los estándares para ríos limpios. Un valor de ICA inferior a 40 se considera contaminado, mientras que un valor de ICA entre 40 y 80 indica que la calidad del agua está ligeramente contaminada.
En general, el cálculo del Índice de Calidad del Agua (ICA) requiere una serie de transformaciones de subíndices que son largas, complejas y propensas a errores. Existen interacciones no lineales complejas entre el ICA y otros parámetros de calidad del agua. El cálculo del ICA puede ser difícil y llevar mucho tiempo, ya que cada ICA utiliza fórmulas diferentes, lo que puede generar errores. Un desafío importante es que resulta imposible calcular la fórmula del ICA si falta uno o más parámetros de calidad del agua. Además, algunas normas exigen procedimientos de recolección de muestras exhaustivos y que consumen mucho tiempo, los cuales deben ser realizados por profesionales capacitados para garantizar un análisis preciso de las muestras y la correcta presentación de los resultados. A pesar de las mejoras en la tecnología y los equipos, el monitoreo extenso, tanto temporal como espacial, de la calidad del agua de los ríos se ha visto obstaculizado por los altos costos operativos y de gestión.
Este análisis demuestra que no existe un enfoque global para el Índice de Calidad del Agua (ICA). Esto pone de manifiesto la necesidad de desarrollar métodos alternativos para calcular el ICA de forma eficiente y precisa. Dichas mejoras podrían ser útiles para que los gestores de recursos ambientales supervisen y evalúen la calidad del agua de los ríos. En este contexto, algunos investigadores han utilizado con éxito la IA para predecir el ICA; el modelado de aprendizaje automático basado en IA evita el cálculo de subíndices y genera rápidamente resultados del ICA. Los algoritmos de aprendizaje automático basados en IA están ganando popularidad debido a su arquitectura no lineal, su capacidad para predecir eventos complejos, su capacidad para gestionar grandes conjuntos de datos, incluyendo datos de tamaños variables, y su insensibilidad a los datos incompletos. Su capacidad predictiva depende totalmente del método y la precisión de la recopilación y el procesamiento de datos.
Fecha de publicación: 21 de noviembre de 2024