Análisis de la Calidad del Agua del Río Bogotá Dura nte el Periodo 2008 – 2015 a Par tir de Herra mientas de Minería de Datos

Mario Fernando Castro Fernández, Daissy Milena Díaz Casallas, Carlos Enrique Montenegro Marín

Resumen


Actualmente, llevar a cabo acciones que reduzcan el impacto ambiental en todo tipo de procesos, tanto industriales, como comerciales o de la vida cotidiana, son preocupaciones pertinentes [1]being them social, scientific, cultural, economical or political. Environmental sensing and monitoring initiatives will be gratified by new Information System (IS. Con la llegada del big data, los grandes volúmenes de datos con una relación armónica de “gente – tierra - tiempo” entró gradualmente en el campo de la gestión
de recursos naturales [2]. A diferencia de la cantidad de agua, dato que se puede expresar en términos precisos, la calidad es un atributo de múltiples parámetros. Este proceso arroja un volumen considerable
de datos, que finalmente se almacenan en las tablas de datos, pero que no se traducen en información inteligible que describa el estado de la masa de agua. Los índices de calidad del agua -ICA- se convierten en una herramienta de fácil comunicación de la información científica de expertos al público en general [3]. Las anteriores razones motivan la exploración de las diferentes herramientas de minería de datos que día tras día hacen presencia en el mundo. Se logró acceder a los monitoreos realizados a la
cuenca del río Bogotá durante el periodo comprendido entre 2007 – 2015. Con esta información se realizó el cálculo de los Indicadores de Calidad del Agua para cada una de las estaciones monitoreadas y cada uno de los diferentes periodos estudiados, logrando, así, analizar y evaluar el espacio temporal de la calidad del río Bogotá.

Palabras clave


calidad del agua; índice de calidad del agua; ICA; big data; minería de datos.

Texto completo:

PDF HTML

Referencias


L. Ferreira, G. D. Putnik, N. Lopes, A. Lopes, and M. M. Cruz-Cunha, “A Cloud and Ubiquitous Architecture for Effective Environmental Sensing and Monitoring,” Procedia Comput. Sci., vol. 64, , 2015, pp. 1256–1262.

H. Xie, Y. He, and X. Xie, “Exploring the factors influencing ecological land change for China’s Beijing–Tianjin–Hebei Region using big data,” J. Clean. Prod.,Apr. 2016.

M. Terrado, D. Barceló, R. Tauler, E. Borrell, and S. de Campos, “Surface-water-quality indices for the analysis of data generated by automated sampling networks,” TrAC Trends Anal. Chem., vol. 29, no. 1, Jan. 2010, pp. 40–52.

F. Yan, L. Liu, Y. Li, Y. Zhang, M. Chen, and X. Xing, “A dynamic water quality index model based on functional data analysis,” Ecol. Indic., vol. 57, Oct. 2015, pp. 249–258.

M.-L. Song, R. Fisher, J.-L. Wang, and L.-B. Cui, “Environmental performance evaluation with big data: theories and methods,” Ann. Oper. Res., Mar. 2016.

K. Zhou, C. Fu, and S. Yang, “Big data driven smart energy management: From big data to big insights,” Renew. Sustain. Energy Rev., vol. 56, Apr. 2016, pp 215–225.

I. A. T. Hashem, I. Yaqoob, N. Badrul Anuar, S. Mokhtar, A. Gani, and S. Ullah Khan, “The rise of ‘Big Data’ on cloud computing: Review and open research issues,” Inf. Syst., vol. 47, Aug. 2014, pp. 98–115.

C. Vitolo, Y. Elkhatib, D. Reusser, C. J. A. Macleod, and W. Buytaert, “Web technologies for environmental Big Data,” Environ. Model. Softw., vol. 63, Jan. 2015, pp. 185–198.

S. Nativi, P. Mazzetti, M. Santoro, F. Papeschi, M. Craglia, and O. Ochiai, “Big Data challenges in building the Global Earth Observation System of Systems,” Environ. Model. Softw., vol. 68, Jun. 2015, pp. 1–26.

C. Kacfah Emani, N. Cullot, and C. Nicolle, “Understandable Big Data: A survey,” Comput. Sci. Rev., vol. 17, Jun. 2015, pp. 70–81.

S. Fosso Wamba, S. Akter, A. Edwards, G. Chopin, and D. Gnanzou, “How ‘big data’ can make big impact: Findings from a systematic review and a longitudinal case study,” Int. J. Prod. Econ., vol. 165, Jan. 2015, pp. 234–246.

B. C. Pijanowski, A. Tayyebi, J. Doucette, B. K. Pekin, D. Braun, and J. Plourde, “A big data urban growth simulation at a national scale: Configuring the GIS and neural network based Land Transformation Model to run in a High Performance Computing (HPC) environment,” Environ. Model. Softw., vol. 51, Jan. 2014, pp. 250–268.

I. A. T. Hashem, V. Chang, N. B. Anuar, K. Adewole, I. Yaqoob, A. Gani, E. Ahmed, and H. Chiroma, “The role of big data in smart city,” Int. J. Inf. Manage., vol. 36, no. 5, Oct. 2016, pp. 748–758.

Instituto de Hidrología Meteorología y Estudios Ambientales Ideam, “Hoja metodológica del indicador Índice de calidad del agua,” Sistema de Indicadores Ambientales de Colombia - Indicadores de Calidad del agua superficial. p. 10, 2011.

CAR, “Boletín de Calidad de las Cuencas de la Jurisdicción CAR,” Bogotá, 2011.

CAR, Diagnóstico de la Cuenca Hidrográfica del Río Bogotá. 2006.

J. I. Bautista R., “Las curtiembres del corredor Villapinzón- Chocontá y el Río Bogotá,” Rev. Fac. Ciencias Económicas Investig. y Reflexión, vol. XII, no. 2, 2004, pp. 36–45.

U. F. Carreño Sayago and J. A. Méndez Sayago, “Estimación de la confiabilidad de las plantas de tratamiento de aguas residuales que operan con lagunas de estabilización en la cuenca alta y media del Río Bogotá,” Ing. Recur. Nat. y del Ambient., no. 10, 2011, pp. 55–64.




DOI: http://dx.doi.org/10.22490/25394088.1432

Licencia de Creative Commons
Este obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional.