Resumen:
El monitoreo de la calidad del agua superficial es insuficiente en México debido a las limitadas
estaciones de monitoreo del agua. El principal parámetro de monitoreo para evaluar la calidad
del agua superficial es la demanda bioquímica de oxígeno. Este parámetro estima la materia
orgánica biodegradable presente en el agua. Concentraciones superiores a 30 mg/l indican un
alto nivel de contaminación por residuos domésticos e industriales. Por lo tanto, el objetivo de
este trabajo es proporcionar una referencia al proceso convencional de determinación de la
demanda bioquímica de oxígeno utilizando el aprendizaje máquina y un dispositivo electrónico
de medición con sensores de bajo costo. La base de datos utilizada fue recopilada por la
Comisión Nacional del Agua (CONAGUA). Se aplicaron las técnicas de correlación de Pearson
y Forward Selection para identificar los parámetros con mayor contribución a la predicción de
la demanda bioquímica de oxígeno. Se formaron tres grupos y se utilizaron como entrada a
cuatro algoritmos de aprendizaje máquina. El algoritmo Random Forest obtuvo el mejor
rendimiento. Los grupos A, B y C de parámetros obtuvieron un coeficiente de determinación
de 0.76, 0.75 y 0.46 respectivamente. Esto permite elegir un grupo adecuado de parámetros que
se pueden determinar con los instrumentos de análisis químicos disponibles en la zona de
estudio.
Descripción:
The monitoring of surface water quality is insufficient in Mexico due to the limited water
monitoring stations. The main monitoring parameter to evaluate surface water quality is the
biochemical oxygen demand. This parameter estimates the biodegradable organic matter
present in the water. Concentrations above 30 mg/l indicates a high level of contamination by
domestic and industrial waste. Therefore, the aim of this work to provide a reference to the
conventional process of determining biochemical oxygen demand using machine learning and
an electronic measuring device with low-cost sensors. The database used was collected by the
National Water Commission (CONAGUA). Pearson’s correlation and Forward Selection
techniques were applied to identify the parameters with the most important contribution to
prediction of biochemical oxygen demand. Three groups were formed and used as input to four
machine learning algorithms. Random forest algorithm obtained the best performance. Group
A, B and C of parameters obtained a coefficient of determination of 0.76, 0.75 and 0.46
respectively. This allows choosing an adequate group of parameters that can be determined
with the chemical analysis instruments available in the study area.
Excepto si se señala otra cosa, la licencia del ítem se describe como CC0 1.0 Universal