Modeling of Relationships between Physicochemical and Microbiological Parameters in Waters of the Interior Bay of Lake Titicaca-Puno (Peru) using Prediction Trees

Modeling of Relationships between Physicochemical and Microbiological Parameters in Waters of the Interior Bay of Lake Titicaca-Puno (Peru) using Prediction Trees

• Edgar Carpio Universidad Nacional del Altiplano. Puno, Perú. https://orcid.org/0000-0001-6457-4597

DOI: https://doi.org/10.22209/rt.v44n3a02

Keywords: machine learning, modeling; prediction tree, water quality

Abstract

The quantification of physicochemical and microbiological parameters is fundamental to define water quality, but understanding the relationships and behaviour of these parameters contributes to define the trophic state and environmental quality of aquatic ecosystems. In this context, the objective of the study was to determine the relationships between the physicochemical and microbiological parameters of the water of the inner bay of Lake Titicaca in the city of Puno-Peru, applying the technique of machine learning prediction trees. The sample consisted of 17 quality parameters, which were measured monthly during January 2013 and April 2019, obtaining a total of 76 data for each parameter. For the elaboration of the prediction trees and their subsequent interpretation, the statistical package R was used. It was found that the main physicochemical parameters of Lake Titicaca are temperature, dissolved oxygen, hydrogen potential, electrical conductivity, total suspended solids, chlorophyll-a, biochemical oxygen demand, chemical oxygen demand and transparency, from which the technique of prediction trees was applied and the efficiency of these statistical models in the prediction of these parameters was checked to make estimates, taking into account the characteristics of the place where it is used.

References

Alpaydin, E. (2010). Introduction to machine learning. Cambridge, Massachusetts: The MIT Press.

APHA, AWWA, WPCF. (2000). Métodos normalizados. Madrid: Ediciones Díaz de Santos.

Beltrán-Farfán, D., Palomino-Calli, R., Moreno-Terrazas, E., Peralta, C., Montesinos-Tubée, D. (2015). Calidad de agua de la bahía interior de Puno, lago Titicaca durante el verano del 2011. Revista Peruana de Biología, 22(3), 335-340.

Bollen, K. (2009). Structural equations with latent variables. New York: Wiley.

Bonansea, M., Ledesma, C., Rodríguez, C., Sánchez, A. (2012). Concentración de clorofila-a y límite de zona fótica en el embalse río Tercero (Argentina) utilizando imágenes del satélite CBERS-2B. Revista Ambiente & Água, 7(3), 61-71.

Brito, D., Rivero, J., Guevara, M., Vásquez, F., Díaz, B., Gil, J. (2016). Análisis fisicoquímico y microbiológico de la Laguna Grande, parroquia La Pica, Maturín - estado Monagas, Venezuela. Saber, 28(3), 502-510.

Bueno, J., Sastre, H., Lavín, A. (1997). Contaminación e ingeniería ambiental. Oviedo: FICYT.

Campaña, A., Gualoto, E., Chiluisa-Utreras, V. (2017). Evaluación físico-química y microbiológica de la calidad del agua de los ríos Machángara y Monjas de la red hídrica del distrito metropolitano de Quito. Bionatura, 2(2), 305-310.

Carbajal, J., Sánchez, L. (2013). Diagnóstico y predicción del hábitat en la camaronicultura. Computación y Sistemas, 17(3), 435-455.

Carbajo, I. (2016). Experimentos computacionales en un estudio de simulación de modelos se series temporales para una mejor comprensión de las herramientas random forest y conditional trees. Tesis de licenciatura. Madrid: Universidad Politécnica de Madrid.

Castillo, N. (2015). Técnicas de machine learning para el post-proceso de la predicción de la irradiancia. Tesis de maestría. Granada: Universidad de Granada.

Chura, R., Mollocondo, H. (2009). Desarrollo de la acuicultura en el lago Titicaca (Perú), Revista AquaTIC, 31(1), 6-19.

CONAMA. (1986). Dispõe sobre a classificação das águas doces, salobras e salinas do território nacional. Conselho Nacional do Meio Ambiente, Resolução N° 20 de 18/06/1986. Brasilia.

Intriago, F., Cuenca-Nevárez, G. (2014). Comportamiento de DBO5, DQO, NH4+ y NO3-, mediante el diseño de un humedal artificial subsuperficial para depurar aguas residuales de origen doméstico. La Técnica: Revista de las Agrociencias, 13, 82-89.

De La Hoz, C., Gotilla, C. (2009). Modelo para la predicción de parámetros de calidad del agua del lago de valencia utilizando imágenes de satélite. XIII Congreso de la Asociación Española de Teledetección (Teledetección, agua y desarrollo sostenible 2009). Ed. Salomón Montesinos Aranda y Lara Fernández Fornos.

Derisio, J. (1992). Introdução ao controle de poluição ambiental. Sao Paulo: Oficina de textos.

EPA. (2021). Revised total coliform rule and total coliform rule [en línea] disponible en: https://www.epa.gov/dwreginfo/revised-total-coliform-rule-and-total-coliform-rule [consulta 10 enero 2021].

Fadaeifard, F., Raissy, M., Faghani, M., Majlesi, A., Nodeh, G. (2012). Evaluation of physicochemical parameters of waste water from rainbow trout fish farms and their impacts on water quality of Koohrang stream – Iran. International Journal of Fisheries and Aquaculture, 4(8). 170-177.

Gianoli, A., Hung, A., Shiva, C. (2019). Relación entre coliformes totales y termotolerantes con factores fisicoquímicos del agua en seis playas de la bahía de Sechura-Piura 2016-2017. Salud y Tecnología Veterinaria, 6(2), 62-71.

Gil-Pavas, E., Arbeláez-Castaño, P., Medina-Arroyave, J., Gómez-Atehortua, C. (2018). Tratamiento de aguas residuales de la industria textil mediante coagulación química acoplada a procesos fenton intensificados con ultrasonido de baja frecuencia. Revista Internacional de Contaminación Ambiental, 34(1), 157-167.

Gobierno Regional de Puno. (2020). Información proyecto de presupuesto del sector público para el año 2021 - GORE Puno. Gerencia Regional de Planeamiento, Presupuesto y Acondicionamiento Territorial.

Gutiérrez-Guzmán, N., Valencia-Granada, E., Aragon-Calderon, R. (2014). Eficiencia de remoción en sistemas de tratamiento de aguas residuales del beneficio de café (Coffea arabica). Colombia Forestal, 17(2), 151-159

Haque, M., Jewel, M., Sultana, M. (2018). Assessment of physicochemical and bacteriological parameters in surface water of Padma River, Bangladesh. Applied Water Science, 9(1), 1-8.

Isea, D., Vargas, L., Durán, J., Delgado, J., Mendoza, R. (2021). Parámetros biocinéticos que rigen la ecuación de la DBO en aguas residuales de una industria procesadora de cangrejos. Revista Técnica de la Facultad de Ingeniería Universidad del Zulia, 38(2), 112-121.

Jimenez Monroy, L., Jahuira-Huarcaya, F., Ibañez-Quispe, V. (2016). Tratamiento de aguas eutrofizadas de la bahía interior de Puno, Perú, con el uso de dos Macrófitas. Rev. Investig. Altoandin, 18 (4), 403-410.

Kim, J., Lee, B., Shaw, M., Chang, H., Nelson, M. (2001). Application of decision-tree induction techniques to personalized advertisements on internet storefronts. International Journal of Electronic Commerce, 5(3), 45-62.

LII/Legal Information Institute. (2021). 40 CFR Part 136 - Guidelines establishing test procedures for the analysis of pollutants [en línea] disponible en: https://www.law.cornell.edu/cfr/text/40/part-136 [consulta 10 junio 2021].

Lin, G., Chen, L. (2006). Identification of homogeneous regions for regional frequency analysis using the self-organizing map. Journal of Hydrology, 324(1-4),1-9.

López, I., Figueroa, A., Corrales, J. (2016). Un mapeo sistemático sobre predicción de calidad del agua mediante técnicas de inteligencia computacional. Revista Ingenierías Universidad de Medellín, 15(28), 35-52.

Management Solutions (2019). Machine learning, una pieza clave en la transformación de los modelos de negocios [en línea] disponible en: http://bit.do/fF5JU [consulta: 27 enero 2021].

Marín, J. (2012). Los análisis clúster de tipo jerárquico y los dendogramas. Una visión para la triangulación metodológica en los estudios comparativos regionales en América Latina. Memorias. Revista Digital de Historia y Arqueología desde el Caribe, 39(1), 78-91.

Menacho-Chiok, C. (2017). Predicción del rendimiento académico aplicando técnicas de minería de datos. Anales Científicos, 78(1), 26-33.

Metcalf & Eddy, Inc. (1996). Ingeniería de aguas residuales. Ciudad de México: McGraw-Hill.

MINAM. (2013). Línea base ambiental de la cuenca del lago Titicaca. Viceministerio de Gestión Ambiental.

Molina, C., Lazzaro, X., Guédron, S., Achá, D. (2017). Contaminación de la bahía de Cohana, lago Titicaca (Bolivia): desafíos y oportunidades para promover su recuperación. Ecología en Bolivia, 52(2), 65-76.

Muñoz, H., Orozco, S., Vera, A., Suárez, J., García, E., Neria, M., Jiménez, J. (2015). Relación entre oxígeno disuelto, precipitación pluvial y temperatura: río Zahuapan, Tlaxcala, México. Tecnología y Ciencias del Agua, 6(5), 59-74.

Muñoz, H., Suárez, J., Vera, A., Orozco, S., Batlle, J., Ortiz, A., Mendiola, J. (2012). Demanda bioquímica de oxígeno y población en la subcuenca del río Zahuapan, Tlaxcala, México. Revista Internacional de Contaminación Ambiental, 28(1), 27-38.

Nabi, B., Parveen, S., Hassan, T. (2018). Seasonal assessment of physicochemical parameters and evaluation of water quality of river Yamuna, India. Advances in Environmental Technology, 4(1), 41-49.

Narváez, S., Gómez, M., Acosta, J. (2008). Coliformes termotolerantes en aguas de las poblaciones costeras y palafíticas de la ciénaga grande de Santa Marta, Colombia. Acta Biológica Colombiana, 13(3), 113-122.

Northcote, T., Morales, P., Levy, D., Greaven, M. (1989). Pollution in Lake Titicaca, Peru: training research and management. Vancouver: University British Columbia.

Northcote, T., Morales, P., Levy, D., Greaven, M. (1991). Contaminación en el lago Titicaca, Perú: Capacitación, investigación y manejo. Vancouver: University British Columbia.

Okeola, F., Kolawole, O., Ameen, O. (2010). Comparative study of physico-chemical parameters of water from a river and its surrounding wells for possible interactive effect. Advances in Environmental Biology, 4(3), 336-340.

Pompe, P., Feelders, A. (1997). Using machine learning, neural networks, and statistics to predict corporate Bankruptcy. Computer-Aided Civil and Infrastructure Engineering, 12(4), 267-276.

Raccuglia, P., Elbert, K., Adler, P., Falk, C., Wenny, M., Mollo, A., Zeller, M., Friedler, S., Schrier, J., Norquist, A. (2016). Machine-learning-assisted materials discovery using failed experiments. Nature, 533(7601), 73-76.

Rodrigo, J. (2020). Árboles de decisión, random forest, gradient boosting y C5.0 [en línea] disponible en https://www.cienciadedatos.net/documentos/33_arboles_de_prediccion_bagging_random_forest_boosting [consulta 9 junio 2021].

Rodrigo, J. (2017). «Clustering y heatmaps: aprendizaje no supervisado», RPubs. Recuperado de https://rpubs.com/Joaquin_AR/310338

Sánchez, J. (2008). Estudio estadístico para la obtención de las relaciones necesarias entre parámetros analíticos de las aguas residuales para su caracterización según los modelos matemáticos de fangos activados. Tesis de maestría. Valencia: Universidad Politécnica de Valencia

Sandoval, L. (2018). Algoritmos de aprendizaje automático para análisis y predicción de datos. Revista Tecnológica, 11, 36-40.

Sawyer, C., McCarty, P., Parkin, G., Arteaga de García, L., Agudelo Quigua, D. (2001). Química para ingeniería ambiental. Ciudad de México: McGraw-Hill.

SIGAM. (2004). Resumen ejecutivo agenda ambiental del municipio de Pasto. Alcaldía Municipal de Pasto y Corporación Autónoma Regional de Nariño.

Solís-Castro, Y., Zúñiga-Zúñiga, L., Mora-Alvarado, D. (2018). La conductividad como parámetro predictivo de la dureza del agua en pozos y nacientes de Costa Rica. Revista Tecnología en Marcha, 31(1), 35-46

Vásquez, O., Pineda, S., Quiroga, E., Jara, B., Montiel, A. (2012). Relación entre clorofila-a y las variables oceanográficas en el área preglaciar del Seno Gallegos (Cordillera Darwin, Chile): bajo condiciones invernales. Anales del Instituto de la Patagonia, 40(1), 139-151.