1 PASANTIA APOYO AL COMITÉ TÉCNICO NACIONAL DE LA CONTAMINACIÓN
MARINA EN EL GRUPO DE VERTIMIENTOS COMO PASANTE DE INGENIERÍA SANITARIA
JOHAN SEBASTIÁN GÓMEZ ANAYA Cód. 20132181032
UNIVERSIDAD DISTRITAL FRANCISCO JOSE DE CALDAS FACULTAD DEL MEDIO AMBIENTE Y RECURSOS NATURALES
INGENIERÍA SANITARIA BOGOTA D.C.
2 PASANTIA APOYO AL COMITÉ TÉCNICO NACIONAL DE LA CONTAMINACIÓN
MARINA EN EL GRUPO DE VERTIMIENTOS COMO PASANTE DE INGENIERÍA SANITARIA
JOHAN SEBASTIÁN GÓMEZ ANAYA Cód. 20132181032
INFORME FINAL PROYECTO DE GRADO BAJO LA MODALIDAD DE PASANTIA PARA OPTAR POR EL TITULO DE INGENIERO SANITARIO
DOCENTE DIRECTOR
M. Sc. JORGE ALONSO CÁRDENAS LEON
COMISIÓN COLOMBIANA DEL OCEANO
UNIVERSIDAD DISTRITAL FRANCISCO JOSE DE CALDAS FACULTAD DEL MEDIO AMBIENTE Y RECURSOS NATURALES
INGENIERÍA SANITARIA BOGOTA D.C.
3
Contenido
I. INDICE DE TABLAS ... 5
II. INDICE DE ECUACIONES ... 6
III. INDICE DE GRÁFICAS ... 8
IV. ANEXOS ... 9
V. AGRADECIMIENTOS ... 10
VI. RESUMEN ... 12
A. ABSTRACT ... 13
VII. PLANTEAMIENTO DEL PROBLEMA ... 14
VIII. JUSTIFICACIÓN ... 17
IX. OBJETIVO GENERAL ... 19
A. OBJETIVOS ESPEFICICOS ... 19
X. MARCO TEORICO ... 20
A. Coliformes. ... 20
B. Coliformes Termotolerantes (CTE). ... 20
C. Coliformes Totales (CTT). ... 20
D. Conductividad eléctrica... 21
E. Demanda Biológica de Oxigeno (DBO). ... 21
F. Enterococos Fecales (EFE). ... 21
G. Error Calculado. ... 22
H. Escherichia Coli (ECO). ... 23
I. Linealización. ... 23
J. Modelo Exponencial. ... 24
K. Modelo Hiperbólico. ... 26
L. Modelo Logarítmico. ... 28
M. Modelo Potencial. ... 30
N. Modelos de Regresión. ... 31
O. Oxígeno Disuelto (OD). ... 32
P. Parámetros fisicoquímicos del agua. ... 32
Q. Parámetros Invemar. ... 33
R. Parámetros Microbiológicos del agua. ... 33
S. Porcentaje de Saturación de Oxigeno (%SO). ... 34
T. Potencial de Hidrogeno (pH). ... 34
U. Raíz del Error Medio Cuadrático (REMC). ... 35
4
W. Salinidad (SAL). ... 37
X. Solidos suspendidos Totales (SST). ... 38
Y. Transparencia (TRANS). ... 39
Z. Turbidez (TURB). ... 40
XI. RESULTADOS Y ANALISIS DE RESULTADOS ... 41
A. Recopilación y clasificación por porcentaje de información faltante y representatividad en los periodos 2001-2016 de datos históricos de los parámetros fisicoquímicos y microbiológicos del departamento del Magdalena. ... 41
B. Cartografía del departamento del Magdalena, ubicando representativamente los sectores de estudio escogidos para el desarrollo del proyecto. ... 49
C. Clasificación de los parámetros escogidos según su época climática (en Colombia existen dos Épocas climáticas: Época de Verano o Época de Invierno) y aplicación de los modelos de regresión lineal en los parámetros con información faltante menor al 30%. ... 50
D. Gráficas de los parámetros fisicoquímicos y microbiológicos en el periodo 2001-2016 con los datos completos y su análisis. ... 61
1. Comparación de parámetros de los sectores IA – RP e IA – CGSM en época de verano. ... 62
2. Comparación de parámetros de los sectores IA – RP e IA – CGSM en época de invierno. ... 86
XII. EVALUACIÓN DE LAS PASANTIAS ... 116
XIII. CONCLUSIONES ... 117
XIV. RECOMENDACIONES ... 119
5
I.
INDICE DE TABLAS
Tabla:1. Cobertura en los Servicios de Saneamiento básico del departamento del Magdalena. Tabla 2. Relación Temperatura/ Salinidad.
Tabla 3. Relación DO/%SO
Tabla 4. Valores DBO época Húmeda Sector IA-RP Modelo Logarítmico. Tabla 5. Valores DBO época Húmeda Sector IA-RP Modelo Exponencial. Tabla: 6. Valores DBO época Húmeda Sector IA-RP modelo Potencial. Tabla: 7. Valores DBO época Húmeda Sector IA-RP modelo Hiperbólico. Tabla: 8. Valores REMC para DBO en época húmeda.
Tabla: 9. Promedio en porcentaje de la Información faltante en los sectores del departamento Tabla: 10. Promedio en porcentaje de la Información presente de parámetros en común presentes en ambos sectores.
Tabla: 11. Años de información faltante en cada sector de cada parámetro.
Tabla: 12. Porcentaje de información faltante de las épocas climáticas en cada parámetro. Tabla: 13. Raíz Del Error Medio Cuadrático en sector IA-CGSM.
Tabla: 14. Raíz Del Error Medio Cuadrático en el sector IA-RP. Tabla: 15. Parámetros Fisicoquímicos y microbiológicos del Invemar.
Tabla: 16. Escala de calidad según el parámetro de % solubilidad de oxígeno de la comisión nacional del agua de los estados unidos mexicanos.
Tabla: 17. Escala de calidad según el parámetro de DBO5 de la comisión nacional del agua de los estados unidos mexicanos.
Tabla: 18. Escala de calidad según el parámetro de Sólidos suspendidos totales de la comisión nacional del agua de los estados unidos mexicanos
6
II.
INDICE DE ECUACIONES
Ecuación:1. Ecuación de la recta.
Ecuación:2. Ecuación de matrices de los mínimos cuadrados. Ecuación:3. Función del Modelo Logarítmico.
Ecuación:4. Ecuación de la recta linealización logarítmica para DBO sector IA-RP Época Húmeda.
Ecuación:5. Ecuación logarítmica Para DBO sector IA-RP Época Húmeda Ecuación:6. Función del Modelo Exponencial.
Ecuación:7. Linealización del Modelo Exponencial.
Ecuación:8. Ecuación de la recta linealización exponencial para DBO sector IA-RP Época Húmeda
Ecuación:9. Ecuación Exponencial Para DBO sector IA-RP Época Húmeda Ecuación:10. Función del Modelo Potencial
Ecuación:11. Linealización de la función Modelo Potencial
Ecuación:12. Función del Modelo Potencial del sector IA-RP en época Húmeda para DBO Ecuación:13. Función del Modelo Hiperbólico.
Ecuación:14. Linealización de la Función del Modelo Hiperbólico
Ecuación:15. Función del Modelo Hiperbólico de la DBO en época Húmeda del sector IA-RP. Ecuación:16. Ecuación del modelo lineal en el sector IA-CGSM en época de invierno para el parámetro %SO.
Ecuación:17. Ecuación del modelo lineal en el sector IA-RP en época de invierno para el parámetro %SO.
Ecuación:18. Ecuación del modelo logarítmico en el sector IA-CGSM en época de invierno para el parámetro OD.
Ecuación:19. Ecuación del modelo logarítmico en el sector IA-RP en época de invierno para el parámetro OD.
Ecuación:20. Ecuación del modelo lineal en el sector IA-RP en época de invierno para el parámetro DBO.
Ecuación:21. Ecuación del modelo exponencial en el sector IA-CGSM en época de invierno para el parámetro SST.
Ecuación:22. Ecuación del modelo hiperbólico en el sector IA-RP en época de invierno para el parámetro SST.
Ecuación:23. Ecuación del modelo lineal en el sector IA-RP en época de verano para el parámetro SST.
Ecuación:24. Ecuación del modelo lineal en el sector IA-RP en época de verano para el parámetro ECO.
Ecuación:25. Ecuación del modelo logarítmico en el sector IA – CGSM en época de verano para el parámetro CTT.
Ecuación:26. Ecuación del modelo hiperbólico en el sector IA-RP en época de invierno para el parámetro CTT.
Ecuación:27. Ecuación del modelo exponencial en el sector IA-CGSM en época de invierno para el parámetro CTE.
7 parámetro CTE.
Ecuación:29. Ecuación del modelo logarítmico en el sector IA-CGSM en época de invierno para el parámetro SAL.
Ecuación:30. Ecuación del modelo logarítmico en el sector IA-RP en época de invierno para el parámetro SAL.
Ecuación:31. Ecuación del modelo potencial en el sector IA-RP en época de verano para el parámetro SAL.
Ecuación:32. Ecuación del modelo potencial en el sector IA-CGSM en época de invierno para el parámetro pH.
8
III.
INDICE DE GRÁFICAS
Gráfica 1. Comportamiento de la población del departamento del Magdalena y de la ciudad de Santa Marta.
Gráfica: 2. Comportamiento del parámetro dé % Solubilidad de oxígeno en época de verano. Gráfica: 3. Comportamiento del parámetro dé Oxígeno Disuelto en época de verano.
Gráfica: 4. Comportamiento del parámetro de demanda biológica de oxígeno en época de verano.
Gráfica: 5. Comportamiento del parámetro de sólidos suspendidos totales en época de verano. Gráfica: 6. Comportamiento del parámetro de turbidez en época de verano.
Gráfica: 7. Comportamiento del parámetro de Coliformes totales en época de verano.
Gráfica: 8. Comportamiento del parámetro de Coliformes termotolerantes en época de verano. Gráfica: 9. Comportamiento del parámetro de Escherichia Coli en época de verano.
Gráfica: 10. Comportamiento del parámetro de Enterococos Fecales en época de verano. Gráfica: 11. Comportamiento del parámetro de Salinidad en época de verano.
Gráfica: 12. Comportamiento del parámetro de pH en época de verano.
Gráfica: 13. Comportamiento del parámetro de conductividad en época de verano.
Gráfica: 14. Comportamiento del parámetro de % solubilidad de oxígeno en época de invierno. Gráfica: 15. Comportamiento del parámetro de oxígeno disuelto en época de invierno.
Gráfica: 16. Comportamiento del parámetro de demanda biológica de oxígeno en época de invierno.
Gráfica: 17. Comportamiento del parámetro de solidos suspendidos totales en época de invierno. Gráfica: 18. Comportamiento del parámetro de turbidez en época de invierno.
Gráfica: 19. Comportamiento del parámetro de Coliformes totales en época de invierno. Gráfica: 20. Comportamiento del parámetro de Coliformes termotolerantes en época de invierno.
Gráfica: 21. Comportamiento del parámetro de Escherichia Coli en época de invierno. Gráfica: 22. Comportamiento del parámetro de Enterococos Fecales en época de invierno. Gráfica: 23. Comportamiento del parámetro de Salinidad en época de invierno.
Gráfica: 24. Comportamiento del parámetro de pH en época de invierno.
9
IV.
ANEXOS
Anexo 1. Cartografía del departamento del Magdalena con la ubicación de los sectores de estudio establecidos por Invemar.
Anexo 2. Promedios anuales de los parámetros fisicoquímicos y microbiológicos de los sectores de estudios Isla de Aguja hasta Rio Piedras (IA – RP) e Isla de Aguja hasta Ciénaga Grande de Santa Marta Boca de la Barra (IA – CGSM).
Anexo 3. Aplicación de los modelos de regresión lineales en cada parámetro fisicoquímico y microbiológico.
10
V.
AGRADECIMIENTOS
Primero que todo quiero agradecerle a Dios por permitirme esta oportunidad de estudiar y seguir adelante, por la sabiduría que me ha otorgado y por la salud para seguir estudiando.
A la universidad Distrital por ser mi alma mater y brindarme los recursos necesarios para mi formación en la profesión de Ingeniero Sanitario.
Al Profesor Jorge Alonso Cárdenas León por su paciencia, tiempo, educación y dedicación que tuvo para que esto saliera de manera exitosa.
A la Ing. Natali Delgado Orozco, quien fue mi tutora externa en la Comisión Colombiana del Océano, y siempre estuvo disponible en asesorías y dudas presentadas durante la pasantía.
A mi abuela Edelmira Vargas de Anaya por inculcarme buenos valores en el transcurso de mi vida, entre ellos el valor del estudio.
A mi padre William Gómez y mi madre Diana Anaya, a mis hermanos Giovanny Gómez Anaya, Nicolás Gómez, Kathy Lina Anaya y Daniela Anaya, por siempre darme el apoyo para seguir realizando las metas propuestas, además colaboraron en la revisión de este documento.
A Karen Andrea Gracia por su colaboración y apoyo en la redacción de este documento, al igual que su apoyo incondicional, sus consejos, sus expresiones de cariño y por siempre estar presente en todos los momentos de mí vida.
12
VI.
RESUMEN
Este documento es el informe final de la pasantía desarrollada como requisito parcial para optar por el título de Ingeniero Sanitario, en la Universidad Distrital Francisco José de Caldas. En él están consignadas todas las actividades realizadas por el pasante Johan Sebastian Gomez Anaya en la Comisión Colombiana del Océano. El trabajo consistió en apoyar al Comité Técnico Nacional de la Contaminación Marina, en la determinación de la variabilidad de algunos parámetros fisicoquímicos y microbiológicos, mediante el establecimiento de promedios anuales de datos históricos durante el periodo 2001–2016, en los sectores Isla Aguja–Ciénaga Grande de Santa Marta Boca de la Barra (IA–CGSM) e Isla Aguja–Rio Piedras (IA–RP). Durante este trabajo
se recopiló la información existente en cada uno de estos sectores - invierno y verano- y se proyectó la información faltante -inferior al 30%- mediante la aplicación de modelos de regresión lineal (Modelo lineal, logarítmico, exponencial, potencial e hiperbólico). Finalmente se analizaron las concentraciones de los diferentes parámetros, según su época climática y se encontró que el sector Isla Aguja–Rio Piedras (IA–RP) posee menores concentraciones en algunos parámetros como
turbidez, DBO, sólidos suspendidos, Coliformes totales y termo tolerantes, Escherichia Coli y Enterococos Fecales) y mayores concentraciones en otros parámetros como porcentaje de saturación de oxígeno, salinidad, pH y conductividad eléctrica. Si bien estos valores están próximos a las concentraciones estándar del agua marina, la calidad del agua en este sector es mejor que la encontrada en el sector Isla Aguja–Ciénaga Grande de Santa Marta Boca de la Barra (IA–CGSM).
13
A. ABSTRACT
This document is the final report of the internship developed as a partial requirement to opt for the title of Sanitary Engineer, at the Francisco José de Caldas District University. In it are recorded all the activities carried out by the intern Johan Sebastian Gomez Anaya in the Colombian Ocean Commission. The work consisted in supporting the National Technical Committee of Marine Pollution, in the determination of the variability of some physicochemical and microbiological parameters, by establishing annual averages of historical data during the period 2001-2016, in the sectors Isla Aguja - Ciénaga Grande de Santa Marta Boca de la Barra (IA-CGSM) and Isla Aguja-Rio Piedras (IA-RP). During this work, the existing information was collected in each of these sectors - winter and summer - and the missing information - less than 30% - was projected through the application of linear regression models (linear, logarithmic, exponential, potential and hyperbolic model).). Finally, the concentrations of the different parameters were analyzed, according to their climate, and it was found that the Aguja-Rio Piedras Island sector (IA-RP) has lower concentrations in some parameters such as turbidity, BOD, suspended solids, total Coliforms and thermos tolerant, Escherichia Coli and Fecal Enterococci) and higher concentrations in other parameters such as percentage of oxygen saturation, salinity, pH and electrical conductivity. Although these values are close to the standard concentrations of seawater, the water quality in this sector is better than that found in the sector Isla Aguja-Ciénaga Grande of Santa Marta Boca de la Barra (IA-CGSM).
14
VII.
PLANTEAMIENTO DEL PROBLEMA
El departamento del Magdalena se encuentra ubicado en el norte del país, sobre uno de los 2 mares que bañan nuestra tierra, el mar Caribe. El departamento cuenta con una extensión de 23.188 Km2, en donde se ubican 29 municipios, entre ellos se encuentra su capital, Santa Marta, reconocida a nivel mundial por sus hermosas playas y parques naturales, conocida también como la ‘Perla de América’.
La economía del departamento del Magdalena está centrada en actividades agropecuarias, ganaderas, turísticas y portuarias. Dichas actividades generan en su mayoría, impactos ambientales negativos sobre el medio ambiente, cuando no se realizan apropiadamente, como ocurre en la mayoría de los casos. Los municipios en los cuales se presentan una mayor concentración de actividades humanas y una mayor población son Santa Marta y Ciénaga (INVEMAR, 2017).
15 Gráfica:1. Comportamiento de la población del departamento del Magdalena y de la ciudad de Santa
Marta.
Fuente: (DANE, 2010)
Al ir creciendo la población de una manera exponencial, también lo hizo la demanda por los servicios públicos, especialmente los más esenciales para el desarrollo óptimo del departamento, como lo es el acceso a servicios de saneamiento básico, agua potable, acceso a sistemas de alcantarillado público y servicio de recolección de basuras, según la OMS. A continuación, se presenta la Tabla:1. Cobertura en los Servicios de Saneamiento básico del departamento del Magdalena, en el año 2010:
Servicio % Cobertura Urbana % Cobertura Rural
Acueducto 74% 95%
Alcantarillado 39% 85%
Aseo 84% 92%
Fuente: (Ministerio de Ambiente, Vivienda y Desarrollo Territorial, 2010),p. 8. Tabla:1. Cobertura en los Servicios de Saneamiento básico del departamento del Magdalena.
Como se observa en la Tabla 1, se presenta un déficit en la cobertura del servicio de acueducto en la parte urbana sobre el 100% del territorio departamental, indicando que puede haber más necesidades en encontrar el recurso hídrico en la ciudad que, en las veredas, señalando que puede haber una escasez en tener fuentes hídricas de este recurso. En cambio, para el servicio de aseo se observan valores más favorables, tanto en el acceso al servicio en la zona urbana como en la rural,
0 200,000 400,000 600,000 800,000 1,000,000 1,200,000 1,400,000
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020
PO
BL
A
CIÓ
N
AÑOS
Departamento del Magdalena
16 aunque ese porcentaje faltante se puede deber al difícil acceso que tiene la empresa de aseo en llegar a lugares donde no se posee una correcta malla vial.
17
VIII.
JUSTIFICACIÓN
Actualmente la ciudad de Santa Marta posee una baja cobertura de alcantarillado. Eso hace que se presenten varias conexiones ilegales al servicio por parte de la gente, que causa con ello el colapso del sistema y genera desbordamiento de aguas residuales en muchos sectores turísticos y residenciales (Cianci, 2017). Las aguas servidas siguen obedeciendo el concepto de cuenca hidrográfica y buscan una salida para llegar a una desembocadura o cierre de cuenca, en donde el destino final de estas aguas es el océano, ya que no poseen un sistema de contingencia para ellas y no se les hace un tratamiento previo, llegando al mar con una alta carga contaminante.
Sumado a esto, la ciudad de Santa Marta posee un tratamiento muy convencional para ciudades costeras, el cual consiste en emisarios submarinos para el tratamiento por dilución y disposición final de las aguas servidas, en donde se espera que los vertimientos no afecten los ecosistemas marinos próximos al vertimiento.
Para determinar si existe una incidencia ponderable en la calidad del agua marina por causa de los vertimientos provenientes de actividades antrópicas, se decidió estudiar dos sectores del departamento: El sector Isla Aguja–Ciénaga Grande de Santa Marta-Boca de la Barra IA-CGSM (en donde se encuentra la ciudad de Santa Marta) y el sector Isla Aguja–Rio Piedras IA-RP (Sector
de conservación natural en donde se encuentra el Parque Nacional Natural Tayrona). Estos dos sectores ya han sido estudiados por el INVEMAR.
19
IX.
OBJETIVO GENERAL
Apoyar al Comité Técnico Nacional de la contaminación Marina en el área de vertimientos de aguas residuales al océano.
A. OBJETIVOS ESPEFICICOS
● Determinar la variabilidad de los parámetros fisicoquímicos y microbiológicos mediante el
establecimiento de promedios anuales de datos históricos durante el periodo 2001–2016, entre el sector de Isla Aguja-Ciénaga Grande de Santa Marta Boca Grande y el sector Isla Aguja–Río Piedras, en el departamento del Magdalena.
● Estimar los valores de los datos faltantes cuando la ausencia de información sea inferior al 30%, mediante la aplicación de cinco modelos de regresión lineal (Modelos: Lineal, Logarítmico, Exponencial, Potencial e hiperbólico), con el fin de determinar con mayor precisión la variabilidad de los parámetros fisicoquímicos y microbiológicos en los sectores de estudio, escogiendo el que posea el menor REMC (Cálculo de la Raíz del Error Medio Cuadrático) para la proyección.
20
X.
MARCO TEORICO
A continuación, se fundamenta algunos de los conceptos a evaluar, extractado de la bibliografía consultada:
A. Coliformes.
Bacterias Gram Negativas en forma bacilar que fermentan la lactosa a temperatura de 35 a 37ºC, produciendo ácido y gas (CO2) en un plazo de 24 a 48 horas. Se clasifican como aerobias o anaerobias facultativas, son oxidasa negativa, no forman esporas y presentan actividad enzimática de la b galactosidasa. Es un indicador de contaminación microbiológica del agua para consumo humano. (MinSalud & MinAmbiente, 2007)p.1.
B. Coliformes Termotolerantes (CTE).
Las bacterias del grupo de los Coliformes totales que son competentes de fermentar lactosa a 44-45 ºC se conocen como Coliformes termo tolerantes. En la mayoría de las aguas, el género predominante es Escherichia, pero algunos tipos de bacterias de los géneros Citrobacter, Klebsiella y Enterobacter también son termo tolerantes. (Organización Mundial de la Salud, 2006)p. 233. Anteriormente estos los Coliformes termotolerantes eran conocidos como Coliformes fecales.
C. Coliformes Totales (CTT).
Los Coliformes totales incluyen una amplia variedad de bacilos aerobios y anaerobios facultativos, gramnegativos y no esporulantes capaces de proliferar en presencia de concentraciones relativamente altas de sales biliares fermentando la lactosa y produciendo ácido o aldehído en 24 h a 35–37 °C. Escherichia Coli y los Coliformes termo tolerantes son un subgrupo del grupo de
21
Klebsiella y Enterobacter, pero el grupo es más heterogéneo e incluye otros géneros como Serratia y Hafnia. El grupo de los Coliformes totales incluye especies fecales y ambientales. (Organización Mundial de la Salud, 2006)p.232.
D. Conductividad eléctrica.
La conductividad es la propiedad que presentan las soluciones para conducir el flujo de la corriente eléctrica y depende de la presencia de iones, su concentración y la temperatura de medición. La mayoría de los ácidos, bases y sales inorgánicos son mejores conductores que las moléculas de compuestos orgánicos que no se disocian en soluciones acuosas y por lo tanto conduce muy poco la corriente. (Gómez, 1995)p. 10.
E. Demanda Biológica de Oxigeno (DBO).
La Demanda Biológica de Oxigeno es una estimación semicuantitativa de la cantidad de materia orgánica fácilmente biodegradable, mayormente cinco días en promedio, que contiene una muestra de agua. Los métodos de medición se fundamentan en la hipótesis de que la cantidad de materia orgánica contenida en la muestra es directamente proporcional a la cantidad de oxigeno que requiere una población bacteriana para digerirla. (Leon, 2005)
F. Enterococos Fecales (EFE).
22 en las heces de animales de sangre caliente. El subgrupo de los enterococos intestinales está formado por las especies Enterococcus faecalis, E. faecium, E. durans y E. hirae. Este grupo se separó del resto de los estreptococos fecales porque son índices relativamente específicos de contaminación fecal. Sin embargo, ocasionalmente, algunos enterococos intestinales aislados del agua pueden también proceder de otros hábitats, como el suelo, en ausencia de contaminación fecal. (Organización Mundial de la Salud, 2006)p.235.
G. Error Calculado.
El error corresponde a la diferencia de la variable observada (O real) en campo en determinado
periodo de tiempo, con respecto a la variable calculada mediante algún método de regresión lineal en el mismo periodo de tiempo, esto se eleva al cuadrado para evitar signos negativos en la lectura del error, ya que no es recomendable que de negativo. Para dar un ejemplo del error calculado nos remitiremos a la ecuación 5. Para encontrar la variable dependiente esperada con respecto a la variable independiente que será en el año 2012, la variable observada en este mismo periodo de
tiempo fue 0.4 mg/l de DBO.
𝑌 = −765.79 + 100.75 ∗ 𝐿𝑛(2012)
𝑌 = 0.6036
23 H. Escherichia Coli (ECO).
Escherichia Coli se puede distinguir de los demás Coliformes termo tolerantes por su capacidad para producir indol a partir de triptófano o por la producción de la enzima E-glucuronidasa. E. Coli está presente en concentraciones muy grandes en las heces humanas y animales, y raramente se encuentra en ausencia de contaminación fecal, aunque hay indicios de que puede crecer en suelos tropicales. (Organización Mundial de la Salud, 2006). p.233. La Escherichia Coli puede causar graves infecciones de las vías urinarias, bacteriemia y meningitis. (Organización Mundial de la Salud, 2006).
Se ha verificado que esta bacteria siempre está presente en un número elevado en las heces de humanos y animales de sangre caliente y comprende casi 95% de los Coliformes en las heces. (Zumaeta, 2004). Por lo anterior, la Escherichia Coli es un parámetro fundamental en la determinación de la calidad del agua, a la vez es un claro indicador de contaminación fecal.
I. Linealización.
La linealización es el término que corresponde de transformar una función que no es lineal a una función lineal, por eso su nombre, porque se reemplaza la ecuación no lineal por una función lineal. La linealización se hace con respecto a un punto en el cual se cruzan las 2 funciones, pero este proceso tiene sus límites ya que es una aproximación al comportamiento de la función original y es válido en una región, aunque no se sabe con certeza que tan grande es la región en donde la linealización es óptima. (T., 2009)
24 J. Modelo Exponencial.
La función o Modelo exponencial, es modelo demográfico, el cual se expresa para el crecimiento de poblaciones, sobre todo se usa para explicar el comportamiento de la población microbiológica. Para definir el modelo exponencial de una manera matemática, es correcto decir, que en este modelo la variable independiente (X) aumenta o disminuye un porcentaje constante en la variable dependiente (Y). (Altman, Comparatore, & Kurzrok, 2007). La función que representa este modelo es la siguiente:
𝑌 = 𝑎 ∗ 𝑏𝑥𝑖; 𝐷𝑜𝑛𝑑𝑒: 𝑎 = 𝑒𝑝
𝑏 = 𝑒𝑚
Ecuación:6. Función del Modelo Exponencial.
En donde:
Y = Variable dependiente.
A, B= Parámetros de la ecuación que son desconocidos hasta aplicar una linealización. Xi: Valor independiente de la i-esima observación.
Para encontrar los parámetros de la ecuación que son desconocidos, es necesario aplicar una linealización de los datos para poder encontrar la ecuación de la recta y sus parámetros P y M. La linealización se realiza según la siguiente ecuación:
𝐿𝑛(𝑌) = 𝐿𝑛(𝑎) + 𝐿𝑛(𝑏) ∗ 𝑥
Ecuación:7. Linealización del Modelo Exponencial.
25 observar un ejemplo utilizando los datos de DBO del sector Isla Agua – Rio Piedras (IA-RP) en época húmeda:
Regresión exponencial X
observado Y observado Ln Y Y calculado Error
2012 0,4 -0,91629073 0,5650732 0,02724916
2013 1,05 0,048790164 0,63178887 0,17490055
2014 0,5 -0,69314718 0,70638137 0,04259327
Promedio error 0,08158099
p -225,11
m 0,1116
a 1,7217E-98
b 1,11806554
REMC 0,28562387
Tabla: 5. Valores DBO época Húmeda Sector IA-RP modelo Exponencial.
Se puede observar que, para la linealización de estos datos para poder aplicar el modelo exponencial, fue necesario aplicar logaritmo natural a los valores dependientes (Y), de esta manera encontrábamos la ecuación de la recta de los datos, con el cambio de que se hace es en función de las variables independientes X y en se utilizan como variables dependientes el logaritmo natural de las Y. La ecuación de la recta para los valores de X con logaritmo natural de Y es la siguiente:
𝑌 = 0.116𝑥 − 225.11
Ecuación:8. Ecuación de la recta linealización exponencial para DBO sector IA-RP Época Húmeda
Al encontrar la ecuación de la recta de los datos linealizados se debe transformar esa función lineal en una exponencial. Dicho lo anterior, se procede a completar la función exponencial presentada anteriormente en la ecuación 6 transformando los parámetros M y P a parámetros A y B:
𝑌 = (1.7217 ∗ 10−98) ∗ 1.118065𝑥
26 Este es el producto final de una linealización para poder aplicar la función exponencial, la cual se podrá evaluar por medio del REMC (Raíz del error medio cuadrático) y de acuerdo con su resultado, si su REMC es el menor de los demás modelos, se podría aplicar para hacer las proyecciones.
K. Modelo Hiperbólico.
Es un método más de una regresión lineal, en donde se escoge para ajustar de la manera más adecuada la dependencia entre las variables. (Fernández, 2004)
De esta manera este modelo se aplica para ajustar los datos que posean un crecimiento hiperbólico, es un modelo bastantemente usado para definir el comportamiento de los suelos, pero también puede aplicarse el modelo para explicar el crecimiento de poblaciones. La función que define el modelo hiperbólico es la siguiente:
𝑌 = 𝑥 𝑎
𝑖+ 𝑏 ; 𝐷𝑜𝑛𝑑𝑒:
𝑎 =𝑚1
𝑏 =𝑚𝑝
Ecuación:13. Función del Modelo Hiperbólico.
En donde:
Y = Variable dependiente.
A, B= Parámetros de la ecuación que son desconocidos hasta aplicar una linealización. Xi: Valor independiente de la i-esima observación.
27 esta manera podemos apreciar la función del modelo hiperbólico cambia al ser linealizado de la siguiente manera:
(1𝑌) = 𝑏𝑎 + (1𝑎 ∗ 𝑥)
Ecuación:14. Linealización de la Función del Modelo Hiperbólico.
Esta linealización indica que, para poder obtener la ecuación de la recta, todos los valores dependientes (Y) medidos en campo deben dividir a 1, para que de esta manera se obtenga la ecuación de la recta de la información y poderle aplicar a esta el modelo de regresión hiperbólico, como se muestra en el siguiente ejemplo usando los datos de DBO en época húmeda del sector Isla Aguja – Rio Piedras:
Regresión hiperbólica
X observado Y observado 1/Y Y calculado Error
2012 0,4 2,5 0,48309179 0,00690425
2013 1,05 0,95238095 0,54945055 0,25054975
2014 0,5 2 0,63694268 0,0187533
Promedio error 0,0920691
p 505,07
m -0,25
a -4
b -2020,28
REMC 0,3034289
Tabla: 7. Valores DBO época Húmeda Sector IA-RP modelo Hiperbólico.
28 son A y B. A continuación, se presentará la función del modelo de regresión hiperbólico para los datos de DBO en época húmeda del sector Isla Aguja-Rio Piedras:
𝑌 =𝑥 − 2020.28 ; 𝐷𝑜𝑛𝑑𝑒: −4 𝑎 = 1 −0.25 𝑏 =505.07−0.25
Ecuación:15. Función del Modelo Hiperbólico de la DBO en época Húmeda del sector IA-RP.
Este es el producto final de una linealización para aplicar la función hiperbólica, la cual se podrá evaluar por medio del REMC (Raíz del error medio cuadrático) y de acuerdo con su resultado, si su REMC es el menor de los demás modelos, se podría aplicar para hacer las proyecciones.
L. Modelo Logarítmico.
Este modelo de regresión es una alternativa cuando el modelo lineal no logra un coeficiente de Correlación lineal optimo, o cuando el fenómeno en estudio tiene un comportamiento que puede considerarse potencial o logarítmico, o que simplemente no se ajusta la línea de tendencia a un comportamiento lineal. (Chávez, 2011). La función que representa al modelo es la siguiente:
𝑌 = 𝑎 + 𝑏 ∗ 𝐿𝑛(𝑥𝑖); 𝐷𝑜𝑛𝑑𝑒: 𝑎 = 𝑃𝑏 = 𝑀 Ecuación: 3. Función del Modelo Logarítmico.
En donde:
Y= Variable dependiente.
A, B= Parámetros de la ecuación que son desconocidos hasta aplicar una linealización. Xi: Valor independiente de la i-esima observación.
29 Regresión logarítmica
X observado Y observado Ln X Y calculado Error
2012 0,4 7,60688453 0,60361652 0,04145969
2013 1,05 7,60738143 0,65367863 0,15707063
2014 0,5 7,60787807 0,70371588 0,04150016
Promedio error 0,08001016
a=p -765,79
b=m 100,75
REMC 0,28286067
Tabla: 4. Valores DBO época Húmeda Sector IA-RP Modelo Logarítmico.
Para este ejemplo se observa un comportamiento de la DBO en época Húmeda en el sector de Isla Aguja-Rio Piedras (IA-RP), para poder encontrar su función logarítmica es necesario hacer la linealización de los datos, para esto se aplica el logaritmo natural a todos los valores independientes observados, por esta razón se encuentra una columna de más con el nombre de ‘Ln X’. Posterior de esto, se emplea una regresión lineal, pero en función al logaritmo natural de las X como eje independiente y de las Y como eje dependiente, esta ecuación para este caso es la siguiente:
𝑌 = 100.75𝑥 − 765.79
Ecuación:4. Ecuación de la recta linealización logarítmica para DBO sector IA-RP Época Húmeda.
Al encontrar la ecuación de la recta de los datos linealizados, se procede a completar la función logarítmica expuesta anteriormente en la ecuación 3:
𝑌 = −765.79 + 100.75 ∗ 𝐿𝑛(𝑥)
Ecuación:5. Ecuación logarítmica Para DBO sector IA-RP Época Húmeda.
30 resultado, si su REMC es el menor de los demás modelos, se podría aplicar para hacer las proyecciones.
M. Modelo Potencial.
El modelo potencial es un modelo más para la proyección de parámetros, en donde la variable
independiente X se verá afectada directamente siendo elevada por una constante b, condicionando la ecuación y obteniendo un resultado de la variable dependiente Y por valores históricos de la variable independiente X, en donde por cada crecimiento de X se esperaría que haya un crecimiento o disminución en Y. La función que define el modelo potencial es la siguiente:
𝑌 = 𝑎 ∗ 𝑥𝑖𝑏; 𝐷𝑜𝑛𝑑𝑒: 𝑎 = 𝑒 𝑝
𝑏 = 𝑚
Ecuación:10. Función del Modelo Potencial
En donde:
Y = Variable dependiente.
A, B= Parámetros de la ecuación que son desconocidos hasta aplicar una linealización. Xi: Valor independiente de la i-esima observación.
Se puede observar que la Función del modelo Potencial muestra que para aplicar una posible linealización se debe aplicar logaritmo natural a ambos lados, siendo la ecuación lineal de la siguiente manera:
𝐿𝑛(𝑌) = 𝐿𝑛(𝑎) + 𝑏 ∗ 𝐿𝑛(𝑥)
Ecuación:11. Linealización de la función Modelo Potencial
31 Regresión potencial
X observado Y observado Ln X LN Y Y calculado Error
2012 0,4 7,60688453
-0,91629073 NC* NC*
2013 1,05 7,60738143 0,04879016 NC* NC*
2014 0,5 7,60787807
-0,69314718 NC* NC*
Promedio
error NC*
p -1710,2
m 224,74
a 0
b 224,74
REMC NC*
Tabla: 6. Valores DBO época Húmeda Sector IA-RP modelo Potencial. NC* = No Calculable.
Como se puede observar, para linealizar se aplicó logaritmo natural en variables dependientes e independientes, y de esta manera se puede encontrar la ecuación de la recta de esa función, para que así puedan ser transformados los parámetros M y P de la ecuación de la recta a parámetros del Modelo potencial, los cuales son A y B. La función del modelo potencial para el sector Isla Aguja – Rio Piedras en época húmeda sobre datos históricos de DBO queda de la siguiente manera:
𝑌 = 0 ∗ 𝑥𝑖224.74; 𝐷𝑜𝑛𝑑𝑒: 𝑎 = 𝑒 −1710.2
𝑏 = 224.74
Ecuación:12. Función del Modelo Potencial del sector IA-RP en época Húmeda para DBO
Como se observa en la Tabla 6, un parámetro de la función tiende a 0 que es A que multiplica al resto de la función, lo cual no hace posible que se pueda calcular errores, ni el REMC, mostrando que el modelo no es compatible o no se ajusta con los datos de DBO del sector IA-RP en época húmeda. La Ecuación 12 es el resultado final de una linealización para poder aplicar el Modelo Potencial, aunque se demuestra que para el ejemplo este modelo no es óptimo.
N. Modelos de Regresión.
32 las variables independientes (X). Se relacionan de una manera matemática estimando un comportamiento medido para tener una proyección estimada del comportamiento de las variables a futuro. (Walpole, Myers, Myers, & Ye, 2012). Entonces es correcto decir que los modelos de regresión son métodos empleados para la predicción de una variable en función de los valores dados por otra variable, viendo cómo se comporta esta variable cuando la otra permanece constante.
O. Oxígeno Disuelto (OD).
Todos los organismos vivos dependen del oxígeno en una u otra forma para mantener el proceso metabólico que produce la energía necesaria para su crecimiento y reproducción. El oxígeno libre es de primordial interés en los procesos aeróbicos. Todos los gases de la atmósfera tienen un grado de solubilidad en el agua. El nitrógeno y el oxígeno son clasificados como poco solubles, y no reaccionan químicamente con el agua, su solubilidad es directamente proporcional a su presión parcial de vapor saturado y de la temperatura del agua. La solubilidad también se ve afectada por el contenido de sólidos solubles. En aguas salinas disminuye la solubilidad. En los desechos líquidos, el OD. es el factor que indica el tipo de transformación biológica que está ocurriendo, y si esta es llevada a cabo por microorganismos aeróbicos o anaeróbicos. (Gómez, 1995).p.123.
P. Parámetros fisicoquímicos del agua.
Es un conjunto de variables las cuales son medibles cualitativa o cuantitativamente, dando una información extensa de componentes químicos y propiedades físicas del agua. (Samboni Ruiz, Carvajal Escobar, & Escobar, 2007).
33 Q. Parámetros Invemar.
A continuación, se mostrará en una tabla los parámetros medidos por el Invemar que serán expuestos en el presente documento, así como su acrónimo y sus unidades de medida:
Parámetros Acrónimo Unidades de medida
Porcentaje de solubilidad del oxigeno
% Saturación de Oxígeno En porcentaje. (%)
Transparencia Trans En metros. (m)
Turbidez Turb Unidades de turbiedad nefelométricas. (NTU) Demanda Biológica de
Oxigeno
DBO En miligramos sobre litro. (mg/l)
Oxígeno Disuelto. OD En miligramos sobre litro. (mg/l)
Solidos Suspendidos Totales
SST En miligramos sobre litro. (mg/l)
Escherichia Coli ECO
Número más probable sobre 100 mililitros (NMP/100ml) Coliformes Totales CTT
Número más probable sobre 100 mililitros (NMP/100ml) Coliformes Termotolerantes
CTE
Número más probable sobre 100 mililitros (NMP/100ml) Salinidad SAL Unidades prácticas de
salinidad.
Potencial de Hidrogeno pH Unidad.
Enterococcus Fecales EFE
Unidades formadoras de colonia sobre 100 ml
(UFC/100ml) Conductividad CON micro Siemens sobre
centímetro (mS/cm) Tabla: 15. Parámetros Fisicoquímicos y microbiológicos del Invemar.
R. Parámetros Microbiológicos del agua.
34 S. Porcentaje de Saturación de Oxigeno (%SO).
El término porcentaje de saturación a menudo se usa para las comparaciones de la calidad del agua. El porcentaje de saturación es la lectura de oxígeno disuelto en mg/L dividido por el 100% del valor de oxígeno disuelto para el agua (a la misma temperatura y presión del aire). En algunos casos, el agua puede exceder el 100% de saturación y deviene supersaturada por cortos periodos de tiempo. (Vernier Software & Technology, 2013). En la siguiente tabla se relaciona el porcentaje de saturación de oxigeno con la calidad del agua:
Tabla: 3. Relación DO/%SO
Tomado de: (Vernier Software & Technology, 2013).
Aunque el porcentaje de solubilidad de oxigeno puede dar un dimensionamiento de la calidad del agua, no es muy fundamental en aguas marinas debido a su gran extensión y volumen, es necesario que se complemente con otros parámetros para poder dar un mejor dimensionamiento de la calidad del agua.
T. Potencial de Hidrogeno (pH).
35 El pH es una expresión del carácter acido o base de un sistema acuoso. En un sentido estricto, es una medida de la actividad del ion hidronio; en un sistema acuoso. El pH es una medida de la intensidad acida o alcalina de una muestra de agua, que difiere de los términos de acidez y/o alcalinidad, en la medida en que estos últimos expresan esencialmente la capacidad de amortiguadora de la muestra, más que su carácter acido o base propiamente dicho. Los conceptos de alcalinidad y acidez se relacionan mutuamente debido a que el pH de la muestra se utiliza como criterio para determinar si la capacidad amortiguadora de una muestra de agua se hace en función de su acidez o en función de su alcalinidad. (Leon, 2005).
El pH en agua de mar se encuentra ligeramente afectado a comparación del pH de aguas dulces, apuntando a tener una capacidad amortiguadora ligeramente alcalina ya que su valor se encuentra entre 7.5 y 8.4 y puede variar en función de la temperatura, salinidad, presión, profundidad y también de la actividad vital de los organismos marinos. (Cifuentes Lemus, Torres García, & Frías M., 1997)
U. Raíz del Error Medio Cuadrático (REMC).
La raíz del error medio cuadrático es una medida frecuentemente utilizada para la comparación de modelos de predicción, el cual es el error promedio del error calculado elevado al cuadrado, finalmente aplicando una raíz cuadrada al resultado, apreciando una pequeña desviación en los datos a proyectar. Esta desviación es el REMC, en donde mejor sea una predicción tendera a 0 el valor del REMC, ya que no habrá desviación entre los datos observados con los datos calculados. A continuación, realizara un ejemplo calculando el REMC del sector Isla Aguja – Rio Piedras del
36
𝐸𝑟𝑟𝑜𝑟 𝑃𝑟𝑜𝑚:0.04145 + 0.1570 + 0.04153 = 0.08001 𝑅𝐸𝑀𝐶 = √0.08001 = 0.2828
Después de demostrar el proceso de cálculo del REMC, se procederá a comparar los REMC de cada modelo de proyección utilizados anteriormente y escoger el que posea un menor valor, en este caso será el mejor modelo para proyectar las variables de DBO, pero esta misma metodología será utilizada para los demás parámetros. Dicho lo anterior, se procederá a escoger el mejor modelo:
Modelo REMC
Lineal 0.28284271
Logarítmico 0.28286067
Exponencial 0.28562387
Potencial No se puede calcular
Hiperbólico 0.3034289
Tabla: 8. Valores REMC para DBO en época húmeda.
En este caso, el que posee un menor valor en el REMC es el modelo lineal, se recomienda usar el modelo lineal para realizar las proyecciones de los periodos de tiempo faltantes.
V. Regresión lineal.
El modelo de regresión lineal se aplica de manera matemática de la siguiente manera, esto se aplica para todos los datos históricos:
𝑌 = 𝑃 + 𝑀 ∗ 𝑥
Ecuación: 1. Ecuación de la recta
Donde:
Y = Variable dependiente.
37 M = Pendiente de la recta.
P = Punto en el cual la recta corta con el eje vertical del plano cartesiano.
Esta función nos representa un comportamiento de los datos en un plano cartesiano, de esta manera se puede hacer una proyección o estimación de un periodo de tiempo en el cual no se posean datos, usando la tendencia de los demás datos. Aunque para poder encontrarla se debe resolver la siguiente matriz:
[∑ 𝑋𝐹 ∑ 𝑋𝑖
𝑖 ∑ 𝑋𝑖2]* [𝑃𝑀] = [
∑ 𝑌𝑖
∑(𝑋𝑖 ∗ 𝑌𝑖)]
Ecuación: 2. Ecuación de Matrices mínimos cuadrados.
En donde:
F = Número de datos.
∑Xi = Sumatoria de los datos de la variable X hasta el i-ésimo valor.
∑Yi = Sumatoria de los datos de la variable Y hasta el i-ésimo valor.
P = Punto en el cual la recta corta con el eje vertical del plano cartesiano. M = Pendiente de la recta.
Para resolver esta matriz se tienen los valores dependientes (Y) e independientes (X), para ambos se hace una sumatoria pero solo las variables independientes se elevan al cuadrado y se vuelven a sumar, y se hayan las variables incógnitas que son P y M, encontrando de esta manera la ecuación de la recta, aunque actualmente cualquier calculadora o programa matemático hace la solución de esta matriz encontrando de una vez la ecuación de la recta.
W. Salinidad (SAL).
38 básicamente el mar es una solución acuosa de sales, característica que le confiere su sabor. De estas sales, el cloruro de sodio, conocido como sal común, destaca por su cantidad, ya que constituye por sí sola el 80 por ciento de las sales. El restante 20 por ciento corresponde a los otros componentes (Cifuentes Lemus, Torres García, & Frías M., 1997).p.72.
La salinidad se encuentra relacionada con la temperatura y la profundidad, dependiendo de estos 2 parámetros puede variar, como se puede observar en la siguiente tabla:
Tabla: 2. Relación Temperatura/ Salinidad.
Tomado de: (Cifuentes Lemus, Torres García, & Frías M., 1997)
Viendo el comportamiento del experimento se puede deducir que mayor profundidad y menor temperatura disminuye la salinidad, entonces se puede decir que la salinidad es directamente proporcional a la temperatura e inversamente proporcional a la profundidad.
X. Solidos suspendidos Totales (SST).
39 contaminación de las aguas residuales domésticas y establecer la eficiencia de las plantas de tratamiento. (Gómez, 1995)
En los trabajos de control de polución de las corrientes todos los sólidos suspendidos se consideran que tienden a ser sólidos estables. La desublimación ocurre a través de la floculación biológica o química. La medición de los sólidos suspendidos se considera una variable tan significativa como la DBO. (Gómez, 1995).p.20.
En palabras más simples, los sólidos suspendidos totales son todas aquellas sustancias que están suspendidas en el agua y no decantan de forma natural. Esta variable es relacionada directamente con el Color y con la turbidez del medio acuoso.
Y. Transparencia (TRANS).
La zona donde la producción de oxígeno por fotosíntesis excede al consumo respiratorio es la zona fotosintética, y la profundidad donde el consumo y la producción son iguales se llama zona o profundidad de compensación. Esta profundidad varía grandemente de un océano a otro y depende, principalmente, de la transparencia del agua, por lo que la profundidad de compensación será menor en los lugares de mayor densidad de partículas en suspensión, a lo que se denomina turbiedad. (Cifuentes Lemus, Torres García, & Frías M., 1997).p.20.
40 últimos dos contribuyen al aumento de Color y también generan barreras a la entrada de la luz solar.
Z. Turbidez (TURB).
41
XI.
RESULTADOS Y ANALISIS DE RESULTADOS
Los objetivos planteados en el trabajo de grado son interdependientes, ya que el primer objetivo depende directamente de haber realizado el segundo objetivo que se refiere a aplicar los modelos de regresión lineal encontrando la que posea mejor ajuste al parámetro y aplicando ese modelo para su proyección, pero para este objetivo mencionado se debió recopilar la información de los sectores anteriormente, por esta razón los resultados y sus análisis se verán presentados en fases, en donde cada fase contribuye con el cumplimiento de los objetivos. Las fases del trabajo se nombrarán a continuación, en orden secuencial y de ejecución:
A. Recopilación y clasificación por porcentaje de información faltante y representatividad en el
periodo 2001-2016 de datos históricos de los parámetros fisicoquímicos y microbiológicos del departamento del Magdalena.
B. Cartografía del departamento del Magdalena, ubicando representativamente los sectores de
estudio escogidos para el desarrollo del proyecto.
C. Clasificación de los parámetros escogidos según su época climática (en Colombia existen dos
Épocas climáticas: Época de Verano o Época de Invierno) y aplicación de los modelos de regresión lineal en los parámetros con información faltante menor al 30%.
D. Gráficas de los parámetros fisicoquímicos y microbiológicos en el periodo 2001-2016 con los
datos completos y su análisis.
A. Recopilación y clasificación por porcentaje de información faltante y
representatividad en los periodos 2001-2016 de datos históricos de los
parámetros fisicoquímicos y microbiológicos del departamento del Magdalena.
42 cuales de estas podemos disponer de la información. Durante este proceso se halló que las entidades autónomas regionales (CAR) de cada departamento pueden poseer esta información, aunque el Instituto de Investigaciones Marinas y Costeras ‘José Benito Vives de Andréis´ INVEMAR, es la máxima autoridad competente en temas relacionados con la investigación científica y desarrollo tecnológico en el océano colombiano. Al ser la entidad encargada de realizar investigación científica y tecnológica en asuntos marinos y costeros nacionales, ellos deben poseer los medios y recursos para tal fin; sin embargo, al ser una tarea extensa, difícil y costosa para un país cuyo territorio es 50% océano, es necesario el apoyo de otras entidades y de esta manera se conforma la ‘Red de Calidad del Agua Marina –REDCAM’, conformada por el Ministerio de Ambiente y Desarrollo Sostenible (MADS), las corporaciones autónomas relacionadas y el INVEMAR.
La REDCAM es utilizada por las entidades como una herramienta para la gestión y toma de decisiones en temas de contaminación marina. La idea de la REDCAM es muy simple y consiste, en cooperación con todas las entidades inscritas, brindar información sobre los parámetros fisicoquímicos y microbiológicos del agua marina, para que entre todas puedan formar la base de datos de todos los departamentos y poder generar los reportes REDCAM, en los cuales se establece la calidad del agua marina año tras año en Colombia.
43 ➢ Boca de Ceniza a Ciénaga Grande de Santa Marta Boca de la Barra. (BC-CGSM). ➢ Ciénaga Grande de Santa Marta. (CGSM).
➢ Isla Aguja a Ciénaga Grande de Santa Marta Boca de la Barra. (IA-CGSM). ➢ Isla Aguja a Rio Piedras. (IA-RP).
➢ Rio Piedras a límite con la Guajira. (RP-LG)
Cabe recordar que todos los sectores de estudio son costeros, ya que el volumen de control o espacio de estudio es el océano colombiano. En estos espacios el INVEMAR, con ayuda de las demás entidades ambientales que se encuentran asociadas a la REDCAM, disponen de puntos de muestreos en diferentes partes del mar, con el fin de tomar los parámetros fisicoquímicos en cada zona y encontrar el promedio anual de los parámetros del agua oceánica. La información que se encuentra disponible para el público contiene promedios anuales de cada parámetro fisicoquímico en diferentes periodos de tiempo y también en ambos periodos climáticos del país.
Se procede a catalogar estos sectores según su información faltante en el periodo de tiempo de 2001 a 2016, en donde se elabora un promedio del porcentaje de información faltante de los 5 sectores:
Sectores % Promedio de información faltante
Cantidad de variables medidas
BC-CGSM 57,81% 44
CGSM 57,04% 47
IA-CGSM 58,23% 63
IA-RP 43,60% 42
RP-LG 37.72% 36
Tabla: 9. Promedio en porcentaje de la Información faltante en los sectores del departamento.
44 son los de menor número de variables medidas en campo, así que la información faltante se promedia con menor número de muestras, ayudando así a este resultado que es apreciable a simple vista. Ahora se puede observar que el mayor porcentaje de información faltante (mayor al 50%) es de los sectores que miden más de 42 variables, entre ellos se encuentra el sector de estudio Isla Aguja – Ciénaga Grande de Santa Marta Boca de la Barra IA-CGSM, en donde el sector posee el 58.23% promedio de información faltante y miden 63 variables. Este porcentaje tan grande de información faltante en el sector se debe a que muchos parámetros son medidos una vez en el periodo de tiempo 2001 a 2016, como lo son: Plaguicidas organoclorados (P01, P07, P09, P10, P11, P17, P20, P27, P30, P31, P32, P33, P35 y P36), Vibrio Sp, Staphylococcus, Salmonella Sp, Mohos, Levaduras, Demanda Química de Oxigeno y Aerobios mesófilos. Se puede considerar que el mayor porcentaje de información faltante depende de estos parámetros que solo poseen información de un año o no la poseen, siendo un porcentaje demasiado sesgado.
Solo pocas variables poseen información completa en el periodo de tiempo 2001 – 2016 en todos los sectores, lo que indica que puede haber una dificultad (Personal, recursos, presupuesto, clima, vías de acceso, etc.) por parte de la entidad para tener un buen desarrollo de los muestreos de estos parámetros, ya que el ideal es poseer la menor información faltante en cada variable para lograr así una elaboración adecuada en el análisis de la variabilidad de los parámetros fisicoquímicos y microbiológicos del océano en el departamento.
Se escogen los siguientes sectores para elaborar el análisis: Isla Aguja – Ciénaga Grande de Santa
IA-45 CGSM, además de que es una zona de conservación natural y no se encuentran actividades industriales o agrícolas en la zona, tampoco se tiene en el inventario de la REDCAM puntos de vertimientos de agua residual en esa zona, siendo óptima para el desarrollo de la comparación de la variabilidad de los parámetros fisicoquímicos y microbiológicos.
La clasificación de los parámetros fisicoquímicos y microbiológicos entre los 2 sectores se realizó observando las variables que posean una información faltante hasta del 30% y que esta se presente en ambos sectores, a su vez también se tuvo en cuenta la representatividad de esta variable en el océano, es decir si tiene mayor representatividad en aguas oceánicas, ya que el comportamiento puede variar de manera significativa de los compuestos en aguas dulces o en aguas saladas. A continuación, podemos observar las variables presentes en ambos sectores con su porcentaje de información presente por parámetro en común:
Parámetros % información Presente IA-CGSM
% información presente IA-RP
% Solubilidad Oxigeno 100% 100%
Enterococcus fecales 68.75% 68.75%
Hidrocarburos disueltos y dispersos
100% 100%
Amonio 100% 100%
Nitritos 100% 94.75%
Nitratos 100% 100%
Oxígeno disuelto 100% 100%
pH 100% 100%
Fosfatos 100% 100%
Salinidad 100% 100%
Solidos suspendidos totales
100% 100%
Temperatura 100% 100%
Transparencia 81.25% 75%
Turbidez 43.75% 43.75%
Demanda Biológica de Oxigeno
12.5% 37.5%
46 Coliformes Termo
tolerantes
100% 100%
Conductividad 100% 100%
E. Coli 50% 50%
Tabla: 10. Promedio en porcentaje de la Información presente de parámetros en común presentes en ambos sectores.
Se encontró que de todos los parámetros que son medidos en el campo en cada sector, tan solo 19 parámetros cumplen con lo establecido, ya que se encuentran cuantificados en ambos sectores de estudio y poseen un porcentaje promedio de la información mayor al 70%. Aunque en la tabla se encuentran parámetros que poseen menos del 70% de la información, pero la razón de estos parámetros al ser seleccionados es que tienen una mayor representatividad en aguas oceánicas, además de que se pueden relacionar de una manera complementaria en el análisis de la información, como es el caso de los sólidos suspendidos totales y la turbidez del agua oceánica, ya que si se presenta un valor alto en determinado año de los sólidos suspendidos totales se puede confirmar o comparar con los valores de turbidez y viceversa. Estos parámetros fueron escogidos por que, al tener una mayor representatividad en aguas oceánicas, también guardan un orden cronológico en la información. En el caso de la Demanda Biológica de oxigeno es un parámetro importante ya que permite determinar qué sector tiene una mayor demanda a comparación del otro y de esta manera tener un indicador de que el sector contiene mayor materia orgánica en el medio y puede deberse a una posible contaminación por un vertimiento de una actividad de origen antrópico.
47 El amonio (NH3) es altamente soluble en el agua y es toxico para los peces, este compuesto proviene de un proceso de transformación anaerobia del amoniaco a amonio (Gómez, 1995). La medición de este compuesto en agua oceánica no es óptima, ya que el agua oceánica posee buen oxígeno disuelto, siendo un medio aerobio y no anaerobio, limitando la lectura de este compuesto y no siendo representativo para la calidad del agua marina.
Los nitritos y nitratos son indicadores ampliamente usados en la calidad del agua dulce y de aguas residuales, la cantidad de nitritos disponibles representan la cantidad de nitrógeno orgánico intermedio potencialmente disponible para la Re-mineralización y los nitratos representan una posible eutrofización en el medio. En cambio, en agua marina no son usados para su comparación, ya que se disuelve en proporción 1:1000 (Fuente: Juan Pablo Rodríguez Miranda, Profesor Universidad Distrital Francisco José de Caldas) por el gran volumen que tiene el océano, además de que su disolución no se puede cuantificar con certeza a menos que exista un modelo de dispersión del nitrito y nitrato, por esta razón no se aplica estos parámetros para la comparación de los sectores de estudio, ya que no son representativos en los muestreos.
El contenido de fósforos en los océanos es mínimo en la superficie (por el consumo presente por actividades metabólicas de la biota oceánica) y máximo a los 1000 m de profundidad; a partir de este límite decrece ligeramente, con más o menos regularidad, o bien permanece casi constante. (Montalvo, y otros, 2010). Al igual que los compuestos de nitrógeno, los fósforos y fosfatos tienden a un comportamiento parecido el cual es la disolución de este compuesto en el océano, al obtener una disolución parcial en el océano, no es posible cuantificar ese cambio ni su concentración, siendo no representativos en los sectores de estudio.
48 en donde la actividad microbiana depende de la cantidad presente de nitrógeno y fosforo en el medio, además de que al ser promedios anuales no permite observar los valores fluctuantes del nitrógeno y del fosforo por cada punto de muestreo, siendo un valor sesgado, esto se puede observar en el modelo propuesto por: Patricia Abdul, Ernesto Mancera y Brigitte Gavio, en donde toman parámetros de nitratos y fosfatos de cada estación de muestreo, para la evaluación de la calidad del agua marina en San Andrés y Providencia (Abdul Azis, Mancera Pineda, & Gavio, 2017). En cambio, en aguas oceánicas es más representativo por promedios de los sectores anuales poseer parámetros de: Coliformes totales, termo tolerantes, E. Coli y Enterococcus Fecales; de esta manera se decide estudiar estos parámetros siendo que son la actividad microbiana directa proveniente de vertimientos por actividades antrópicas.
La temperatura no es significativa en aguas oceánicas, en aguas servidas lo es porque se encuentran en un sistema cerrado (Tubería de alcantarillado o planta de tratamiento de aguas residuales) y cualquier actividad microbiana que se presente se verá reflejado en su temperatura como parte del proceso metabólico, de degradación de los recursos o de transformación de materias primas en procesos industriales que son vertidos de manera puntual a la red de alcantarillado público; por esta razón es que el límite máximo permitido de temperatura son 40° en alcantarillado público. (Ver Resolución 0631 de 2015, artículo 5 ‘Del parámetro de temperatura y de la zona de mezcla térmica’). Las aguas oceánicas son un sistema abierto, en donde la temperatura del vertimiento puede ser alta, pero será dispersada en todo el cuerpo.
49 complementarse el actual estudio con un estudio oceanográfico de los sectores para entender el comportamiento de los parámetros fisicoquímicos y microbiológicos en el océano.
Los parámetros seleccionados para su posterior análisis, los cuales tienen la mayoría de información y/o guardan orden cronológico en sus datos, que son representativos en ambos sectores de estudio son: Porcentaje de Solubilidad de oxígeno, Enterococcus Fecales, Oxígeno disuelto, pH, Salinidad, Solidos suspendidos totales, Transparencia, Turbidez, Demanda Biológica de oxígeno, Coliformes Totales, Coliformes Termo Tolerantes, Escherichia Coli y Conductividad.
B. Cartografía del departamento del Magdalena, ubicando
representativamente los sectores de estudio escogidos para el desarrollo del
proyecto.
50 C. Clasificación de los parámetros escogidos según su época climática (en
Colombia existen dos Épocas climáticas: Época de Verano o Época de
Invierno) y aplicación de los modelos de regresión lineal en los parámetros con
información faltante menor al 30%.
Colombia debido a su localización en su globo terráqueo goza de diferentes y hermosos climas, en donde es clasificado como un país tropical. El clima tropical, es un tipo clima que se presenta en los países ubicados o cercanos al meridiano del Ecuador, por lo general este clima se presenta a los 23° de lado norte y de lado sur, definido por Wladimir Peter Köppen como un clima no árido en el que los 12 meses tiene temperaturas iguales o mayores a lo 18° centígrados, aunque no se tiene en cuenta los pisos térmicos, se refiere a que no existe una época o estación en donde la temperatura sea igual o inferior a los 0° centígrados, esto es cierto ya que en Colombia se presentan los pisos térmicos cálidos, glaciales, paramos, selvas tropicales, tropicales de estepa y tropical de desierto, en donde cada uno obedece a su ubicación y altitud Geoespacial. Debido a esto Colombia no posee ni obedece a las estaciones, tan solo tiene 2 estaciones las cuales son: Época de Verano y época de invierno.
51 centro y norte del país con una intensidad de precipitación de 500 a 700 milímetros. (Molano C. & Batista C., 1967)
Por eso es necesario realizar toma de muestras en ambas épocas, ya que los vertimientos se pueden realizar en todo momento y en cualquier lugar sin importar la época. De esta manera se clasifica por años de información faltante de los parámetros escogidos para realizar la variabilidad fisicoquímica y microbiológica de los sectores de estudio en cada época climática, para observar el comportamiento de estos parámetros tanto en el peor escenario que se espera que lo sea (verano) y el mejor escenario (invierno). En la siguiente tabla se podrá observar los años faltantes de cada parámetro en el periodo de tiempo 2001-2016:
Parámetros
Años faltantes en Sector
IA-CGSM IA-RP
Invierno Verano Invierno Verano
% SO 2006 N/A 2006 N/A
Trans 2003-2006-2011-2012 2003-2004- 2006-2012-2013 2003-2006- 2011-2012-2013 2003-2004- 2006-2012-2013
DBO N/A N/A 2015 N/A
OD 2006 N/A 2006 N/A
SST 2006-2007 N/A 2006-2007 2001-2002
ECO N/A N/A N/A 2010-2012
CTT 2006 N/A 2006 N/A
CTE 2006 N/A 2006 N/A
SAL 2006 N/A 2006 2001
pH 2006 N/A 2006 N/A
EFE N/A N/A N/A N/A
Con 2006 N/A 2006 2001
Turb N/A N/A N/A N/A
N/A = No Aplica.
52 Como se puede observar en la anterior tabla, los únicos parámetros que no necesitan la aplicación de un modelo de regresión lineal son Enterococcus Fecales y Turbidez, en cambio los demás parámetros necesitan la aplicación de un modelo con el fin de poder proyectar el valor faltante en ese año. El año 2006 se presenta en ambos sectores y en ambas épocas climáticas por resaltar en que no se reportar información, esto indica que la entidad encargada de realizar los muestreos tubo una dificultad para realizarlos en ese lapso.
53 Tabla: 12. Porcentaje de información faltante de las épocas climáticas en cada parámetro
La tabla se realizó conforme a la información presente en el periodo de tiempo 2001-2016, aunque hubo excepciones en los siguientes parámetros: Demanda Biológica de Oxigeno, Turbidez,
Escherichia Coli, y Enterococcus Fecales; en donde estos parámetros no poseen información desde el 2001 al 2016 pero si guardan un orden cronológico de los datos que poseen que se encuentran en este rango.
Se puede observar que la única variable que no cumple para aplicar un modelo de regresión lineal es la Transparencia, ya que posee un porcentaje de información faltante mayor al 30% en ambos sectores y de igual manera en ambas épocas climáticas, siendo la única variable en ser descartada para análisis.
Se examina que para el parámetro de demanda biológica de oxigeno del sector IA-CGSM en época de verano posee una información faltante del 40%, esto se debe a que el orden cronológico
Variable
Sectores con información faltante en % Años
IA-CGSM IA-RP
IA-CGS M IA-RP Época Verano Época Invierno Época Verano Época Invierno E V E I E V E I %SO 0 5,555555556 0 11,11111111 18 18 18 18 TRANS 35 31,57894737 35 36,84210526 20 19 20 19
TURB 0 0 0 0 6 6 6 6
DBO 40 0 0 25 10 4 5 4
OD 0 10 0 20 20 20 20 20
SST 0 13,33333333 12,5 13,33333333 16 15 16 15
ECO 0 0 25 0 8 8 8 8
CTT 0 5 0 10 20 20 20 20
CTE 0 5 0 10 20 20 20 20
SAL 5 10 10 15 20 20 20 20
pH 5 5 5 10 20 20 20 20
EFE 0 0 0 0 11 9 11 9
