Alertas de calidad del agua basadas en análisis de agrupamiento en las cuencas de los ríos colombianos

Autores/as

  • Edwin Ferney Castillo Universidad del Cauca, Popayán
  • Wilmer Fernando Gonzales Universidad del Cauca, Popayán
  • David Camilo Corrales Universidad del Cauca, Popayán
  • Iván Darío López Universidad del Cauca, Popayán
  • Miller Guzmán Hoyos Universidad del Cauca, Popayán
  • Apolinar Figueroa Universidad del Cauca, Popayán
  • Juan Carlos Corrales Universidad del Cauca, Popayán

DOI:

https://doi.org/10.18046/syt.v13i33.2077

Palabras clave:

Agrupamiento, datos de calidad del agua, macro-invertebrados acuáticos, taxón, árbol de decisión C4.5.

Resumen

El agua dulce es considerada uno de los recursos naturales renovables más importantes, Colombia se ubica entre los países con mayor oferta hídrica del mundo con cinco vertientes: Caribe, Orinoco, Amazonas, Pacifico y Catatumbo. En este sentido es de vital importancia estudiar y evaluar la calidad del agua de sus ríos y/o sistemas lóticos. Hoy por hoy, algunos científicos hacen uso de índices biológicos para calcular la calidad del agua, mientras que otros detectan la calidad del agua por medio de técnicas de aprendizaje automático, sin embargo los trabajos encontrados hasta el momento no permiten al usuario interpretar fácilmente los resultados. Estas investigaciones motivaron a proponer un conjunto de datos para la generación de alertas de la calidad del agua en la cuenca Rio Piedras basado en el análisis del algoritmo de agrupamiento K-Emanes y la técnica de clasificación C.4.5. 

Biografía del autor/a

  • Edwin Ferney Castillo, Universidad del Cauca, Popayán

    Estudiante de pregrado de último semestre en Electrónica e Ingeniería de Telecomunicaciones en la Universidad del Cauca, Colombia. Sus intereses de investigación se centran en el aprendizaje automático, el análisis de datos, las telecomunicaciones y la telemática.

  • Wilmer Fernando Gonzales, Universidad del Cauca, Popayán

    Estudiante de pregrado del último semestre de Electrónica e Ingeniería de Telecomunicaciones en la Universidad del Cauca, Colombia. Sus intereses de investigación se centran en el aprendizaje automático, el análisis de datos y la telemática.

  • David Camilo Corrales, Universidad del Cauca, Popayán

    Recibió los grados en Ingeniería Informática y Máster en Ingeniería Telemática de la Universidad del Cauca, Colombia, en 2011 y 2014 respectivamente. Actualmente es estudiante de doctorado en Ingeniería Telemática de la Universidad del Cauca y Ciencia y de Tecnologías Informáticas en la Universidad Carlos III de Madrid. Sus intereses de investigación se centran en la minería de datos, el aprendizaje automático y el análisis de datos.

  • Iván Darío López, Universidad del Cauca, Popayán

    Recibió el título de Ingeniero en Sistemas de Información de la Universidad del Cauca, Colombia, en 2011, donde actualmente estudia la Maestría en Ingeniería Telemática. Sus intereses de investigación se centran en las técnicas de inteligencia computacional para problemas de modelado y minería de datos.

  • Miller Guzmán Hoyos, Universidad del Cauca, Popayán

    Biólogo de la Universidad del Cauca, Colombia, institución donde actualmente estudia la Maestría en Recursos Hidrobiológicos Continentales. Es investigador, en el componente hidrobiológico, del Grupo de Estudios Ambientales de la Universidad del Cauca. Sus intereses se centran en la investigación de la calidad del agua basada en macroinvertebrados bentónicos y las características químicas y físicas del agua.

  • Apolinar Figueroa, Universidad del Cauca, Popayán

    Recibió el grado en biología de la Universidad del Cauca, Colombia, en 1982, una maestría en Ecología de la Universidad de Barcelona, España, en 1986, y el doctorado en Ciencias Biológicas de la Universidad de Valencia, España, en 1999. Es profesor titular y líder del Grupo de Estudios Ambientales de la Universidad del Cauca. Sus intereses de investigación se centran en la evaluación del impacto ambiental y la gestión de la biodiversidad.

  • Juan Carlos Corrales, Universidad del Cauca, Popayán

    Ingeniero Telemático y Máster en Ingeniería Telemática de la Universidad del Cauca, Colombia (1999 y 2004 respectivamente); Doctor en Ciencias –énfasis en Ciencias de la Computación– de la Universidad de Versailles Saint-Quentin-en-Yve-lines, Francia (2008). Es profesor titular y líder del Grupo de Ingeniería Telemática de la Universidad del Cauca. Sus intereses de investigación se centran en la composición de servicios y el análisis de datos.

Referencias

Alba-Tercedor, J. (1996). Macroinvertebrados acuáticos y calidad de las aguas de los ríos. In IV Simposio del agua en Andalucía (SIAGA). Almería (vol. 2, pp. 203-213).

Arango, M. C., Álvarez, L. F., Arango, G. A., Torres, O. E., & Monsalve, A. D. J. (2008). Calidad del agua de las quebradas La Cristalina y La Risaralda, San Luis, Antioquia. Revista EIA, 9, 121-141.

Arbelaitz, O., Gurrutxaga, I., Muguerza, J., Pérez, J. M., & Perona, I. (2013). An extensive comparative study of cluster validity indices. Pattern Recognition, 46(1), 243-256.

Bae, M. J., & Park, Y. S. (2014). Biological early warning system based on the responses of aquatic organisms to disturbances: a review. Science of the Total Environment, 466, 635-649.

Bucak, I. O., & Karlik, B. (2011). Detection of drinking water quality using CMAC based artificial neural Networks. Ekoloji, 20(78), 75-81.

Corrales, D. C., Corrales, J. C., & Figueroa-Casas, A. (2015). Towards detecting crop diseases and pest by supervised learning. Ingeniería y Universidad, 9(1) 207-228. doi:10.11144/Javeriana.iyu19-1.tdcd

Gan, G., Ma, C., & Wu, J. (2007). Data clustering: theory, algorithms, and applications (vol. 20). Philadelphia, PA: Society for Industrial and Applied Mathematics.

González, D. P. (2010). Algoritmos de agrupamiento basados en densidad y validación de clusters (Thesis), Universitat Jaume I: Castellón, España.

Gurrutxaga, I., Muguerza, J., Arbelaitz, O., Pérez, J. M., & Martín, J. I. (2011). Towards a standard methodology to evaluate internal cluster validity indices. Pattern Recognition Letters, 32(3), 505-515.

Lin, C. R., & Chen, M. S. (2005). Combining partitional and hierarchical algorithms for robust and efficient data clustering with cohesion self-merging. Knowledge and Data Engineering, IEEE Transactions on, 17(2), 145-159.

Liu, S., Tai, H., Ding, Q., Li, D., Xu, L., & Wei, Y. (2013). A hybrid approach of support vector regression with genetic algorithm optimization for aquaculture water quality prediction. Mathematical and Computer Modelling, 58(3), 458-465.

Madhulatha, T. S. (2012). An overview on clustering methods. IOSR Journal of Engineering, 2(4), 719-725.

de-Mantaras, R. L., & Saitia, L. (2004). Comparing conceptual, divisive and agglomerative clustering for learning taxonomies from text. In ECAI 2004: 16th European Conference on Artificial Intelligence, August 22-27, 2004, Valencia, Spain: Including Prestigious Applications of Intelligent Systems (PAIS 2004): Proceedings (vol. 110, p. 435). IOS Press. Addison.

Moreno, A. H. (2000). La clasificación numérica y su aplicación en la ecología. Santo Domingo, República Dominicana: Instituto Tecnológico de Santo Domingo.

Pang-Ning, T., Steinbach, M., & Kumar, V. (2006). Introduction to data mining. Boston, MA: Addison Wesley.

Park, Y. S., Chon, T. S., Kwak, I. S., & Lek, S. (2004). Hierarchical community classification and assessment of aquatic ecosystems using artificial neural networks. Science of the Total Environment, 327(1), 105-122.

Pérez, G. R. (2003). Bioindicación de la calidad del agua en colombia: Propuesta para el uso del método BMWP Col. Medellín, Colombia Universidad de Antioquia.

Pino, W., García, D. M., Mosquera, M. L., Caicedo, K. P., Palacios, J. A., Castro, A. A., & Guerrero, J. E. (2011). Diversidad de macroinvertebrados y evaluación de la calidad del agua de la quebrada La Bendición, municipio de Quibdó (Chocó-Colombia). Acta Biológica Colombiana, 8(2), 23-30.

Quiroz, R., Pla, F., Badia, J. M., Chover, M. (Eds.). (2007). Métodos informáticos avanzados. Castellón, España: Universitat Jaume I.

Rico, C., Paredes, M., & Fernandez, N. (2009). Modelación de la estructura jerárquica de macroinvertebrados bentónicos a través de redes neuronales artificiales. Acta Biológica Colombiana, 14(3), 71-96.

Saraçli, S., Doğan, N., & Doğan, İ. (2013). Comparison of hierarchical cluster analysis methods by cophenetic correlation. Journal of Inequalities and Applications, 2013(1), 1-8.

Sasirekha, K., & Baby, P. (2013). Agglomerative hierarchical clustering algorithm–A Review. International Journal of Scientific and Research Publications, 3(3) [on-line]. Retrieved from
http://www.ijsrp.org/research-paper-0313/ijsrp-p1515.pdf

Singh, K. P., & Gupta, S. (2012). Artificial intelligence based modeling for predicting the disinfection by-products in water. Chemometrics and Intelligent Laboratory Systems, 114, 122-131.

Theodoridis, S., Pikrakis, A., Koutroumbas, K., & Cavouras, D. (2010). Introduction to Pattern Recognition: A Matlab Approach. Punta Gorda, FL: Academic Press.

Velmurugan, T., & Santhanam, T. (2010). Computational complexity between K-means and K-medoids clustering algorithms for normal and uniform distributions of data points. Journal of Computer Science, 6(3), 363-368.

Viceministerio de Ambiente. (2010). Política nacional para la gestión integral del recurso hídrico. Bogotá Colombia: Ministerio de Ambiente, Vivienda y Desarrollo Territorial.

Descargas

Publicado

2015-06-30

Número

Vol. 13 Núm. 33 (2015)

Sección

Investigación científica y tecnológica

Licencia

Esta publicación está licenciada bajo los términos de la licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/deed.es)