Modelo de calidad del agua de un río mediante el uso combinado de análisis de componentes principales (ACP) y regresiones lineales múltiples (RLM). Caso de estudio: Cuenca del río Guarapiche, Maturín, Monagas, Venezuela

• Autores: Gil-Marín, José Alexander, González C., Aliser
• Formato: artículo
• Fecha de Publicación: 2020
• Institución: Universidad Nacional Agraria La Molina
• Repositorio: Revistas - Universidad Nacional Agraria La Molina
• Lenguaje: español
• OAI Identifier: oai:revistas.lamolina.edu.pe:article/1586
• Enlace del recurso: https://revistas.lamolina.edu.pe/index.php/acu/article/view/1586
• Nivel de acceso: acceso abierto
• Materia: análisis de componentes principales; calidad del agua; regresión lineal múltiple.

Se estudió un conjunto de datos colectados durante el año 2011 en el río Guarapiche, Maturín, Monagas, Venezuela, en un intento para evaluar y determinar las aportaciones de la fuente que afectan la calidad del agua. Una técnica precisa de regresiones lineales múltiples (RLM) se utilizó como una herramienta avanzada para el modelado y pronóstico de la calidad de las aguas superficiales. Igualmente, se utilizó el análisis de componentes principales (ACP) para simplificar y comprender la compleja relación entre el agua y los parámetros de calidad. Se encontraron siete componentes principales responsables de la estructura de datos provisionalmente nombrados como componente de disolución, erosión del suelo, variabilidad fisicoquímica, microbiológico o residuos fecales, nutriente o residuos industriales o municipales, químico y antropogénico tóxico, que explican el 83% de la variación total para todos los conjuntos de datos. Mientras tanto, la contaminación doméstica urbana se considera el mayor contribuyente de contaminación al río Guarapiche. Por lo tanto, el avance de modelo receptor se aplicó con el fin de identificar las principales fuentes de contaminantes en el río Guarapiche. El resultado mostró que el uso de ACP como entradas mejoró la predicción del modelo RLM al reducir su complejidad y eliminar la colinealidad de datos, donde el valor de R2 en este estudio fue de 0,99, indicando que el 99% de la variabilidad de los ICA es explicada por las seis variables independientes utilizadas en el modelo. Esta evaluación presenta la importancia y las ventajas que plantea el análisis estadístico multivariante, de grandes y complejas bases de datos, con el fin de obtener información mejorada sobre la calidad del agua y luego ayudar a reducir el tiempo de muestreo y el costo de los reactivos utilizados antes de los análisis.