Aplicando la técnica kriging para modelar parámetros de calidad del agua, sólidos en suspensión TSS y pH en una sección del río Quindío, Colombia
DOI:
https://doi.org/10.61799/2216-0388.1284Palabras clave:
Potencial de hidrógeno, sólidos suspendidos totales, método de interpolación Kriging, autocorrelación espacial, ríos, recursos hídricosResumen
Antecedentes: El Río Quindío, principal fuente de agua en el Departamento de Quindío, se ve afectado por la contaminación, especialmente de origen doméstico, agrícola e industrial, siendo la zona de La María una de las más perjudicadas. Objetivo: Este estudio se propuso recopilar datos durante la temporada de lluvias en el sector de La María para analizar la calidad del agua en términos de pH y sólidos totales en suspensión (TSS). Se empleó la técnica de Kriging para estimar estos parámetros en puntos no muestreados, considerando la dependencia espacial y temporal de los datos. Métodos: Se llevaron a cabo muestreos en diferentes puntos a lo largo del río y en distintos momentos. La técnica de Kriging se aplicó para analizar y estimar los valores de pH y sólidos totales en suspensión en ubicaciones no muestreadas, minimizando errores y permitiendo una validación cruzada. Resultados: Los errores más pequeños se obtuvieron cuando las muestras de pH y sólidos totales en suspensión se ajustaron a una distribución normal, destacando la eficacia del Kriging en datos con fuerte autocorrelación espacial positiva. Esto garantizó una fiabilidad ideal en los resultados de estimación para pH y sólidos totales en suspensión en ubicaciones no muestreadas. Conclusión: La aplicación exitosa de la técnica de Kriging para estimar la calidad del agua en puntos no muestreados destaca su utilidad en la gestión de la incertidumbre en parámetros críticos para la calidad del agua, como el pH y los sólidos totales en suspensión, contribuyendo así a estrategias efectivas de preservación y manejo de recursos hídricos.
Descargas
Citas
J. F. Ortiz-Giraldo, M. J. Mesa y O. E. Molina, “Regular time series for physical-chemical water parameters: Total suspended solids and hydrogen potential”, Journal of Physics: Conference Series, vol. 1448, no. 1, 2020. Doi: 10.1088/1742-6596/1448/1/012021
J. M. García-Usuga, G. Olivar-Tost, M. J. Mesa-Mazo, y C. A. Acosta-Minoli, “Modeling the dynamics of total suspended solids in a mountain basin using network theory”, River Research and Applications, pp. 1-1, 2 febrero 2021. DOI: 10.1002/rra.3828
W. R. Tobler, “A computer movie simulating urban growth in the Detroit region”, University of Michigan-Clark University, vol. 52, no. 2, pp. 95-102, 1970
E. S. Anderson, J. A. Thompson, y R. E. Austin, “LIDAR density and linear interpolator effects on elevation estimates,” International Journal of Remote Sensing, vol. 26, no. 18, pp. 3889-3900, 2005. DOI: 10.1080/01431160500181671
R. Giraldo, Estadística espacial. Bogotá: Universidad Nacional de Colombia, 2011
X. Liu, “Airborne LiDAR for DEM generation: some critical issues”, Progress in Physical Geography, vol. 32, no. 1, pp. 31-49, 2008. Doi: 10.1177/0309133308089496
M. Villatoro, C. Henríquez, y F. Sancho, “Comparación de los interpoladores IDW y KRIGING en la variación espacial de pH, Ca, CICE y P del suelo”, Agronomía Costarricense, vol. 1, no. 32, pp. 95-105, 2008
A. Sajid, R. Rudra, y G. Parkin, “Systematic Evaluation of Kriging and Inverse Distance Weighting Methods for Spatial Analysis of Soil Bulk Density”, vol. 55, 1983, pp. 1-13, 2013. Doi: 10.7451/CBE.2013.55.1.1
A. Hartemink y A. McBratney, GEOMORPHOMETRY: Concepts, Software, Applications (Development). Developments in Soil Science, 2009. Doi: 10.1007/978-3-319-28295-4
J. Márquez Pérez, Modelos Digitales de Elevaciones, Métodos de Interpolación y Parámetros Morfométricos del Relieve. Sevilla-España: Departamento de Geografía Física y Análisis Geográfico Regional, 2004
A. Felicísimo, “Modelos digitales del terreno: introducción y aplicaciones a las ciencias ambientales,” Universidad de Oviedo, Oviedo, 1994
J. S. Duque Martínez, “Comparación Estadística de Métodos Interpolación Determinísticos y Estocásticos para la generación de Modelos Digitales del Terreno a partir de datos LIDAR, en la parroquia de Tumbabiro, cantón San Miguel de Urcuquí, provincia de Imbabura”, Universidad San Francisco de Quito, 2015
J. P. Celemín, “Autocorrelación espacial e indicadores locales de asociación espacial. Importancia, estructura y aplicación”, Revista Universitaria de Geografía, vol. 18, no. 1, pp. 11-31, 2009
J. Garzón, “Validación cruzada como método de investigación en la calidad de Modelos Digitales de Elevación,” Universidad San Francisco de Quito, 2013
P. F. Fisher y N. J. Tate, “Causes and consequences of error in digital elevation models,” Progress in Physical Geography, vol. 30, no. 4, pp. 467-489, 2006. Doi: 10.1191/0309133306pp492ra
A. Vega y J. F. Mas, “Error assessment of digital elevation models obtained by interpolation”, Investigaciones Geográficas, vol. 69, no. 8701, pp. 53-67, 2009
W. E. Salinas, C. U. Paredes, X. Martínez, y F. Guevara, “Evaluación de la exactitud posicional vertical de una nube de puntos topográficos LiDAR usando topografía convencional como referencia,” Investigaciones Geográficas, vol. 85, pp. 5-17, 2013
Q. Guo, W. Li, H. Yu, y O. Alvarez, “Effects of topographic variability and Lidar sampling density on several DEM interpolation methods”, Photogrammetric Engineering & Remote Sensing, vol. 76, pp. 701-712, junio 2010. Doi: 10.14358/PERS.76.6.701
X. Liu, Z. Zhang, J. Peterson, y S. Chandra, “The effect of LiDAR data density on DEM accuracy,” en International Congress on Modelling and Simulation (MODSIM07), pp. 1363-1369, 2007
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Mundo FESC
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
