Perceptions of Quality of Reproductive Care Services in Bolivia: Use of Photo Prompts and Surveys as...
Transcript of Perceptions of Quality of Reproductive Care Services in Bolivia: Use of Photo Prompts and Surveys as...
Aplicación de modelos de redes neuronales
artificiales en la predicción de índices de calidad de
agua en el Río Tunjuelito – Bogotá D.C.
John Chavarro1, Wilson Patiño
1
1. Clase de Seminario II, Maestría en Hidrosistemas, Facultad de Ingeniería Pontificia Universidad Javeriana, Bogotá
B.C.
[email protected] [email protected]
Resumen: En la búsqueda de la gestión óptima del abastecimiento de agua y la recuperación ambiental de
cuerpos de agua superficiales han aumentado la necesidad de nuevas técnicas de modelación que puedan
proporcionar una representación confiable, eficiente y precisa de la dinámica no lineal de la calidad del agua
en los sistemas de distribución de agua. Dado que las redes neuronales artificiales (RNA) han sido
ampliamente aplicadas a la aproximación de funciones de transferencia no lineal, en este trabajo se presenta
un desarrollo de redes de perceptrón multicapa para estimar los índices de calidad del agua (DBO, OD) en el
Río Tunjuelito localizado al costado suroccidental de la Ciudad de Bogotá. En este articulo, se utilizo la
información y datos de la calidad del agua en el Río Tunjuelito que incluye cinco parámetros quincenales
registrados en un periodo de dos años en cada una de las diez estaciones de monitoreo, para el cálculo de la
demanda biológica de oxígeno (DBO) y de oxígeno disuelto (OD) como índices que afectan a la calidad del
agua. Para la etapa de entrenamiento de las RNA se tomaron un conjunto de datos seleccionados
aleatoriamente, los cuales representan el 80% de la base de datos original, para las etapas de validación y
comprobación se utilizaron de la misma manera el 10% para cada etapa. El desempeño del modelo fue
evaluado por criterios estadísticos que incluyen el coeficiente de correlación (r), raíz del error cuadrático
medio (RMSE) y el error medio absoluto (MAE). En la estructura óptima del coeficiente de correlación para
la etapa de entrenamiento de la red neural para la DBO y OD son 0.964 y 0.933 respectivamente, también la
raíz del error cuadrado medio son 30.94 y 1.43, respectivamente. Los resultados muestran un gran potencial
de la RNA para simular las variables de calidad del agua.
Palabras clave: Redes Neuronales Artificiales; Predicción; Índice de Calidad del Agua, DBO.
1. Introducción
El crecimiento de la población y el desarrollo
industrial de la Ciudad de Bogotá han generado
focos de contaminación en la mayor parte de los
cuerpos de agua superficial durante la última
década debido al incremento en la demanda del
recurso hídrico y vertimientos de aguas residuales.
Solo en las cabeceras de los ríos escapan de esta
grave situación. Este modelo general de
contaminación puede ejemplificarse tomando el eje
del rio Tunjuelito, donde la DBO5 alcanza valores
medios cercanos a 68 (mg O2/L), DQO total de 207
(mg O2/L), Oxígeno Disuelto de 2.01 (mg O2/L),
concentraciones de Nitrógeno Total de 20.84 (mg
N/L), y conductividades del orden de 402 µS/cm,
con sólidos suspendidos totales de 294 (mg SST.L-
1), los coliformes totales suben a 468 millones en
promedio, con picos de hasta 24000 millones
(NMP.100 m/L) en la desembocadura al Río
Bogotá, donde hay una importante industria de
curtimbres, los caudales oscilan de 2.80 a 6.80 en
promedio. Para prevenir esta tendencia no deseada,
el control de la contaminación del agua se ha
convertido en una herramienta muy importante para
mantener la sostenibilidad del recurso hídrico. Los
parámetros de contaminación de los ríos exhiben
diferentes propiedades (Wu et al, 2009;.. Sahoo et
al, 2006). En general, la contaminación orgánica en
un sistema acuático se mide y se expresa en
términos de la demanda bioquímica de oxígeno
(DBO) y reducción del nivel de oxígeno disuelto
(OD). La DBO mide una cantidad aproximada de
bio-degradables de materia orgánica presente en el
agua y es un parámetro muy importante para el
desarrollo de estrategias de manejo para la
protección de los recursos hídricos; Los altos
valores de DBO causan una concentración baja de
OD (oxígeno disuelto) y condiciones inadecuadas
de vida para la flora y la fauna en el río (Dogan y
col., 2009). Al mismo tiempo, DBO-DO son las
relaciones de intercambio con el lecho del río y la
nitrificación y desnitrificación (Sengorur et al,
2006. Singh et al, 2009.). Sin embrago, los métodos
actualmente disponibles para la determinación
simultanea de la DBO-DO son muy tediosos y
propensos a errores de medición, además de
costosos y demandan mucho tiempo de cálculo. Por
lo tanto surge un método que permite su
establecimiento teniendo en cuenta algunos
geoindicadores medidos directamente en campo,
utilizando las ANN como un enfoque adecuado
para la modelización de la calidad del agua (Chen
et al, 2003;. Jan-Tai et al, 2006).
El objetivo principal del presente trabajo es
construir una red neuronal artificial (ANN) a partir
de los índices de calidad del agua del río Tunjuelito
caracterizado en un periodo de 2 años, (OD, DBO)
y demostrar su aplicación a la predicción de datos
complejos de calidad del agua como en la mejora
continua de interpretación y generación de
resultados en el menor tiempo posible.
2. Materiales y Métodos
2.1. Área de estudio y datos de calidad del agua
El Río Tunjuelito se encuentra localizado al
costado suroccidental de la Ciudad de Bogotá, está
afectado por la minería exhaustiva de su lecho
fluvial y vertimientos de aguas residuales en zonas
residenciales e industrias de curtiembres
principalmente. Se utilizaron los datos de calidad
del agua de 10 estaciones situadas desde el Embalse
la Regadera hasta la desembocadura al rio Bogotá
(Estación Isla Pontón) en una longitud de
aproximadamente 5.0 Km. De acuerdo con la
Figura 1, promedios de los datos de calidad de
aguas superficiales en el Río Tunjuelito, registrados
en el periodo comprendido entre el 02 de diciembre
de 2009 hasta el 09 de diciembre de 2011, se
observan incrementos en las concentraciones de
todos los parámetros en las estaciones Doña Juana,
San Benito y Transversal 86, los cuales pueden ser
originados por la quebrada Yomasa y por el
vertimiento del aliviadero de la planta de
tratamiento de lixiviados del relleno sanitario; por
la actividad extractiva e industrial de la zona, así
como por el reciclaje de escombros; y por la
descarga sobre el río Tunjuelo en inmediaciones del
Cementerio del Apogeo, respectivamente. Las
ubicaciones de estas estaciones se ilustran en la
Figura 2.
Figura 1. Localización de las estaciones de monitoreo en el río Tunjuelito.
2.2. Modelo de redes neuronales artificiales
RNA
En este trabajo, se aplicó un algoritmo de redes
neuronales artificiales para estimar los índices de
calidad de agua de Demanda Bioquímica de
Oxígeno (DBO) y Oxigeno Disuelto (OD) en
corrientes superficiales. Los modelos de RNA son
funciones-aproximadoras altamente flexibles que
han demostrado su utilidad en una amplia gama de
aplicaciones del recurso hídrico. Muchos estudios
han demostrado que las redes neuronales se
desempeñan mejor que muchos de los métodos de
modelación clásicos (Zhang et al, 2002). Las RNA
representan una tecnología inteligente muy
importante que utiliza el conocimiento
experimental para razonar y resolver problemas
específicos de manera análoga al funcionamiento
del cerebro humano, el conocimiento es obtenido
por la RNA a través de un proceso de aprendizaje y
las conexiones interneuronales conocidas como
pesos sinápticos son utilizadas para almacenar
dicho conocimiento.
Figura 2. Concentraciones de DQO, DBO5, Nitrógeno Total, Conductividad y Oxigeno Disuelto en el río
Tunjuelo.
Un algoritmo de RNA puede llegar al resultado en
condición de escasez de datos con la ayuda de la
información actual, aceptar la entrada continua de
datos, entrenarse y recordar. La mayor ventaja de
una red neuronal es su habilidad para relacionar
modelos complejos no-lineales sin suposiciones a
priori de la naturaleza de la relación. El modelo
RNA realiza un mapeo funcional no-lineal a partir
de las observaciones pasadas (Xt-1, Xt-2... Xt-p) para
encontrar un valor futuro Xt, i.e (Durdu, 2009).
Una RNA se compone de tres capas: la de entrada,
la oculta y la de salida. Entre las capas se
encuentran las ligas de conexión con los pesos
respectivos (Figura 3).
Figura 3. Ejemplo de la topología de una RNA.
Las RNAs operan sobre la base de reconocimiento
de patrones que pueden adquirir, almacenar y
utilizar a partir de ejemplos. Esto hace que no se
programe directamente sino a partir del ajuste de
parámetros por medio de un algoritmo de
aprendizaje. Los algoritmos en aprendizaje
automático pueden ser clasificados en dos
categorías: supervisados y no supervisados. Si la
red utiliza un tipo de aprendizaje supervisado se
deben proporcionar parejas de patrones entrada-
salida y la RNA aprende a asociarlos. Esto
equivale a modelos estadísticos como: técnicas de
regresión, análisis discriminante, modelos de
series temporales, etc. Si el entrenamiento no es
supervisado, se le suministran a la red datos de
entrada para que extraiga los rasgos característicos
esenciales. (Obregón, 2006).
Si en una RNA se tienen n neuronas, ordenadas
arbitrariamente y se puede designar la j-ésima
neurona como Nj. Su trabajo es simple y único,
consiste en recibir las entradas de las células
vecinas y calcular un valor de salida, el cual es
enviado a todas las células restantes (Figura 4).
Las conexiones que unen a las neuronas de una
RNA tienen asociado un peso, que es el que hace
que la red adquiera un conocimiento.
Considerando i y como el valor de salida de la
neurona i en un instante dado, dicha señal es
transmitida desde la neurona i a la j pero dicha
señal es modificada por el valor del peso de la
conexión entre las neuronas en cuestión. La
nomenclatura para el peso sináptico entre la
neurona j y la neurona i es Wji. El primer subíndice j indica la neurona o unidad hacia dónde
va la conexión. El segundo subíndice i indica la
neurona o unidad desde donde proviene la
conexión.
0
1
2
3
4
5
6
0
100
200
300
400
500
600
700
800
900
1 2 3 4 5 6 7 8 9 10
Co
nce
ntr
acio
n O
D (
mgO
2/l
)
Co
nce
ntr
ació
n D
BO
5, D
QO
, NTK
, (m
g/l)
C
on
du
ctiv
idad
[µ
S.cm
-1]
DBO5 Total[mg O2/L]
DQO Total[mg O2/L]
Nitrógeno Total Kjeldahl [NTK][mg N/L]
Conductividad[µS/cm]
Oxígeno Disuelto [OD Winkler][mg O2/L]
Figura 4. Esquema de una Neurona Artificial con
sus principales elementos.
Una neurona o unidad de procesamiento se ve
afectada por las salidas de las neuronas con las
cuales ella está conectada. El efecto total de las
salidas de estas neuronas reflejado en la unidad de
procesamiento que se esté analizando se conoce
como S, que se puede ver como suma de los
efectos de las salidas a las cuales ella está
conectada.
𝑆𝑗 = 𝑊𝑗𝑖𝑌𝑖𝑛𝑖=1 (1)
Entre las unidades o neuronas que forman una red
neuronal artificial existe un conjunto de
conexiones que las unen. Cada unidad transmite
señales a aquellas que están conectadas a su
salida. Asociada con cada j Neurona hay una
función de activación que transforma la entrada
neta que la unidad presenta como resultado de
estar conectada con otras unidades que le
suministran información, en el valor de salida yi.
Para este trabajo se utilizo una función de
activación Sigmoidal.
𝜎 𝑆 = 1
1+𝑒−𝑠 (2)
2.2.1. Retro-propagación de Redes Neuronales,
algoritmo de aprendizaje
La propagación hacia atrás (BP) es un algoritmo
de uso común de aprendizaje en la aplicación de
RNA (Ying et al, 2007). El algoritmo consiste en
minimizar un error (comúnmente cuadrático) por
medio de descenso de gradiente, por lo que la
parte esencial del algoritmo es cálculo de las
derivadas parciales de dicho error con respecto a
los parámetros de la red neuronal (Rumelhart et al.
1986), este se usó para entrenar la red neuronal en
este trabajo. El error medio cuadrático en las
muestras de entrenamiento es una función
objetivo típico que se reduce el error al mínimo.
Este algoritmo de entrenamiento es una técnica
que ayuda a distribuir el error con el fin de llegar a
un mejor ajuste o un error mínimo. Después de
que la información ha pasado a través de la red en
una dirección hacia adelante y la red ha predicho
una salida, el algoritmo de retropropagación
redistribuye los errores asociados con esta nueva
salida a través del modelo, y en consecuencia los
pesos se ajustan. La minimización del error se
logra a través de varias iteraciones. Después de
completar el entrenamiento, el desempeño de la
RNA se valida. Dependiendo del resultado la
RNA puede ser implementada para su uso
previsto.
2.2.2. Variables de entrada y procesamiento de
los datos
En cada estación de muestreo del río Tunjuelito, se
han medido 34 diferentes parámetros de calidad de
agua llevados a cabo en periodos de horas, días y
semanas, sin embargo, para este trabajo se
utilizaron los parámetros que tienen mayor índice
de correlación respecto a los valores de DBO5 y
OD, los cuales son importantes en la evaluación
de la calidad del agua; los parámetros
seleccionados cuentan con registros completos en
el periodo analizado. Después del análisis
correlativo, se seleccionaron en total 5 variables,
incluyendo el pH, conductividad eléctrica,
temperatura, nitrógenos totales y caudal medio,
que influyen en la afectación de la calidad del
agua (OD y DBO ) a cierto grado (Tabla 1).
En este trabajo, antes de la conformación de la
red, se normalizaron las variables de entrada en el
rango [-3,-3] y las variables de salida en el rango
[0.05, 0.95] de la siguiente manera:
𝑋∗ = 6 𝑥−𝑥𝑚𝑖𝑛
𝑥𝑚𝑎𝑥 −𝑥𝑚𝑖𝑛 − 3 (3)
𝐷∗ = 0.9 𝑑−𝑑𝑚𝑖𝑛
𝑑𝑚𝑎𝑥 −𝑑𝑚𝑖𝑛 + 0.05 (4)
X* y D* son los valores normalizados de un
determinado parámetro de entrada y salida
respectivamente, x y d son los valores medidos
para estos parámetros, xmin, xmax, dmin y dmax son
los valores mínimo y máximo en la base de datos
para estos parámetros de entrada y salida
respectivamente (Dogan et al, 2009).
Tabla 1. Parámetros medidos en campo y su
relación con los índices de calidad DBO5 y OD.
Parámetro Unidad
Índice de
correlación
con DBO5
Índice de
correlación
con OD
Nitrógeno Total
Kjeldahl [NTK]
[mg
N/L] 0.893 -0.517
Conductividad
[µS/cm] 0.867 -0.563
Temp. [°C] 0.515 -0.471
pH [Unid] 0.367 -0.275
Caudal [L/s] -0.001 -0.162
Posteriormente, se construyeron dos diferentes
modelos de RNA para el cálculo de la OD y DBO
por separado y un tercer modelo de RNA para
calcular OD y DBO en conjunto. Las redes se
formaron con conjuntos de entrenamiento
aleatorios en un 80%, luego se validó con
conjuntos de datos aleatorios en un 10% y se
comprobó con conjuntos de datos aleatorios en un
10%. Para la conformación de las RNAs se
construyeron perceptrónes multicapa formados
por tres capas, una de entrada, una oculta y la de
salida, esto permite resolver problemas que no son
linealmente separables.
2.3. Criterios de Desempeño
Un modelo entrenado en el conjunto datos de
entrenamiento se puede evaluar mediante la
comparación de sus predicciones y los valores
medidos en el conjunto de datos de prueba de
mayor ajuste. Estos valores se calibran de forma
sistemática ajustando varios parámetros del
modelo. Para la evaluación de los modelos de
RNAs desarrollados se adoptó una propuesta
multi-criterio, en que se evaluó el rendimiento de
los modelos usando varios errores estadísticos y
medidas de bondad del ajuste, incluyendo la raíz
del error cuadrado medio (RMSE), el error medio
absoluto (MAE), el coeficiente de correlación (r).
Para la comparación visual de los valores
observados y simulados se usaron diagramas de
dispersión.
𝑅𝑀𝑆𝐸 = 1
𝑛 𝑃𝑖 − 𝑂𝑖
2𝑛𝑖=1 (5)
𝑀𝐴𝐸 = 1
𝑛 𝑃𝑖 −𝑂𝑖
2𝑛𝑖=1 (6)
𝑟 = 1 − 𝑃𝑖−𝑂𝑖
2𝑛𝑖=1
𝑂𝑖2𝑛
𝑖=1 − 𝑃𝑖
2𝑛𝑖=1
𝑛
(7)
Donde Pi y Oi son los valores pronosticados y
observados, respectivamente. Y n es el número
total de observaciones.
3. Resultados
Diferentes modelos de redes fueron construidos y
probados a fin de determinar el número óptimo de
neuronas en la capa oculta bajo la misma función
de transferencia (logística). La selección del
número adecuado de neuronas en la capa oculta es
un tema de gran relevancia en la construcción de la
RNA, ya que un número mayor de neuronas puede
resultar en un sobreentrenamiento, mientras que un
número menor puede o no capturar la esencia del
proceso. Luego, se construyeron 3 modelos para el
cálculo de la OD y DBO5, un modelo para cada
parámetro de calidad, y otro modelo para el cálculo
de los dos indicadores en simultánea. La red se
construyó con el conjunto de datos generales
(patrones) con la caja de herramientas de Matlab
para RNA. Dicho conjunto de datos fue
fraccionado para formar el conjunto de datos de
entrenamiento (80%), validación (10%) y prueba
(10%), los cuales son seleccionados por el software
de manera aleatoria. El tamaño óptimo de la red fue
seleccionado en función del mínimo error medio
absoluto (MAE), mayor coeficiente de correlación
(r) y factor de compresión (Fc) entre 3 y 16 en
magnitud (Figura 5). Las características de los
modelos seleccionados se presentan en la Tabla 2.
La RNA seleccionada para el modelo de DBO5 se
compone de una capa de entrada con 5 variables,
una capa oculta con 12 neuronas y una capa de
salida con la variable objetivo, mientras que, para el
modelo de RNA de OD la diferencia radica en el
número de neuronas en la capa oculta, ya que el
número óptimo se encontró en 8 neuronas. Para el
modelo combinado DBO5-OD, la estructura la
componen 5 variables de entrada, 11 neuronas en la
capa oculta y una capa de salida con las dos
variables objetivo. Los modelos construidos
(DBO5, OD y DBO5-OD) fueron entrenados
utilizando el algoritmo de propagación hacia atrás
(Levenberg-Marquardtbackpropagation).
Los valores del coeficiente de correlacion (r),
RMSE y MAE calculados el conjunto de datos de
entrenamiento, validación y prueba en todos los
modelos se presentan en la Tabla 2. La Figura 6
muestra los valores observados y calculados por el
modelo de OD para el conjunto de datos general
(entrenamiento, validación y prueba). La estructura
de modelo seleccionada (5 variables de entrada –
12 neuronas en la capa oculta -1 neurona en la capa
de salida) proporcionó el mejor ajuste para los 3
conjuntos de datos. El coeficiente de correlación (r)
para los datos de entrenamiento, validación y
prueba fueron 0.933, 0.921, 0.772 respectivamente.
Igualmente, RMSE y MAE, para los 3 conjuntos de
datos, son 1.43, 1.42, 1.22, 1.15, 1.20 y 1.05
respectivamente (Tabla 2). En la figura xxxx, se
puede apreciar el cerrado seguimiento de los
valores calculados de las concentraciones de OD en
el rio Tunjuelo contra los observados. Las métricas
de desempeño del modelo de OD sugieren un buen
ajuste del modelo para el conjunto de datos
utilizado.
Figura 5. Selección delnúmeroóptimo de neuronas en la capa
oculta para el modelo de RNA para DBO5, OD y ambos en función de las métricas de desempeño y el factor de compresión.
4. Conclusiones
En el caso de la DBO5, la RNA seleccionada (5 – 8
-1) proporcionó el mejor ajuste para el conjunto de
datos de entrenamiento, validación y prueba. La
Figura 7 muestra el ajuste del modelo entre el
conjunto de datos de los valores medidos y el
conjunto de datos calculados (entrenamiento,
validación y prueba). Los valores del coeficiente de
correlación (r), para el conjunto de datos de
entrenamiento, validación y prueba son 0.964,
0.965 y 0.929 respectivamente. De la misma
manera, RMSE y MAE para los conjunto de datos
son 30.94, 29.44, 30.39, 21.71, 21.82 y 24.12
respectivamente para el conjunto de datos de
entrenamiento, validación y prueba (Tabla 2). Los
valores de r, RMSE y MAE sugieren un buen ajuste
del modelo seleccionado de DBO5 para el conjunto
de datos analizados.
Para el modelo de RNA con salidas OD y DBO5, si
bien los valores de r, RMSE y MAE (Tabla 2)
indican un buen ajuste del modelo, los mismos
valores para los modelos independientes OD y
DBO5 sugieren un mejor desempeño que el modelo
combinado.
En la Figura 8, las predicciones de OD, DBO5 y
OD-DBO5 de las redes neuronales entrenadas con
propagación hacia aras con arquitecturas 5-8-1, 5–
12-1 y 5–11-1 (neuronas capa de entrada, capa
oculta y capa de salida) son comparadas con los
valores medidos de OD y DBO5. Las figuras
revelan que existe una gran correlación entre
valores simulados y los observados. Los valores de
los coeficientes de correlación para los modelos de
RNA para OD, DBO5 y OD - DBO5 son 0.915,
0.96 y 0.942 respectivamente, los cuales son
considerados satisfactorios en modelos similares.
Estos resultados indican que el modelo de red
neuronal es capaz de reconocer el patrón de los
parámetros de calidad del agua para proporcionar
buenas predicciones de las variaciones diarias de
los datos de calidad del agua (DBO5 y OD) del río
Tunjuelo.
Los resultados indican claramente el buen
desempeño de la red neuronal. Esto es de esperarse
debido a la naturaleza no lineal de las funciones de
transferencia entre las características de calidad de
agua tales como DBO5 y OD, y otros parámetros
de calidad (Banejad et al., 2011).
El presente estudio muestra que redes óptimas son
capaces de captar tendencias a largo plazo
observados en las variables de calidad de aguas
0.86
0.88
0.90
0.92
0.94
0.96
0.98
0.000
0.002
0.004
0.006
0.008
0.010
3 4 5 6 7 8 9 10 11 12 13 14 15
r
[mg
O2
.L-1
]
DBO5
0.83
0.84
0.85
0.86
0.87
0.88
0.89
0.90
0.91
0.000
0.005
0.010
0.015
0.020
0.025
0.030
0.035
2 3 4 5 6 7 8 9 10 11 12 13 14 15
r
[mg
O2
.L-1
]
Oxigeno Disuelto
0.82
0.84
0.86
0.88
0.90
0.92
0.94
0.96
0.000
0.005
0.010
0.015
0.020
0.025
3 4 5 6 7 8 9 10 11
r
[mg
O2
.L-1
]
Número de Neuronas Capa Oculta
OD - DBO5
MSE r
(OD y DBO5), tanto en el tiempo como en el
espacio. Los resultados indican que las redes
neuronales son una herramienta eficaz para el
cálculo de los índices de calidad del agua (OD y
DBO5) que también se podrían utilizar para mejorar
la comprensión de los comportamientos de
contaminación en los ríos. Así, las RNA pueden ser
vistas como una valiosa alternativa a las técnicas de
modelación tradicionales.
Figura 6. Comparación del modelo y los niveles de DBO5 en el
rio Tunjuelo (a) entrenamiento, (b) validación y (c) prueba
usando el modelo DBO5-RNA.
Figura 7. Comparación del modelo y los niveles de OD en el rio
Tunjuelo (a) entrenamiento, (b) validación y (c) prueba usando el
modelo OD-RNA.
Tabla 2. Métricas de desempeño para los modelos de red neuronal artificial para el cálculo de OD y DBO5 en las aguas del rio Tunjuelo (Bogotá, Colombia).
Modelo Estructura RNA Conjunto de datos RMSE (mg/l)
MAE (mg/l)
r
DBO5 5 - 8 - 1
Entrenamiento 30.94 21.71 0.964
Validación 29.44 21.82 0.965
Prueba 30.39 24.12 0.929
OD 5 - 12 - 1
Entrenamiento 1.43 1.15 0.933
Validación 1.47 1.20 0.921
Prueba 1.22 1.05 0.772
BBO5 - OD 5 - 11 - 2
DBO5
Entrenamiento 41.94 33.28 0.930
Validación 37.14 32.84 0.950
Prueba 40.53 31.24 0.981
OD
Entrenamiento 1.63 1.32 0.848
Validación 1.18 1.04 0.929
Prueba 1.48 1.16 0.871
Figura 8.. Correlación de los datos observados versus las
predicciones de DBO5 para losconjuntos de datos de entrenamiento (azul), validación (verde), prueba (rojo) y general
(negro) obtenidos usando DBO5-RNA.
Figura 9. Correlación de los datos observados versus las predicciones de OD para losconjuntos de datos de entrenamiento
(azul), validación (verde), prueba (rojo) y general (negro)
obtenidos usando OD-RNA.
Figura 10. Correlación de los datos observados versus las
predicciones de OD - DBO5 para losconjuntos de datos de
entrenamiento (azul), validación (verde), prueba (rojo) y general (negro) obtenidos usando OD - DBO5-RNA.
Convenio ALCALDÍA MAYOR DE BOGOTÁ
D.C. Departamento Técnico Administrativo
MEDIO AMBIENTE e INSTITUTO DE
HIDROLOGÍA, METEOROLOGÍA Y
ESTUDIOS AMBIENTALES, Calidad del
Recurso Hídrico de Bogotá D.C., 2004.
Convenio ALCALDÍA MAYOR DE BOGOTÁ
D.C. y Universidad de Los Andes, Calidad del
Recurso Hídrico de Bogotá D.C., 2009-2010.
Pérez Hernández Edmundo, La crisis del Agua en
Bogotá, 2007.
Pérez Preciado Alfonso, El problema del rio
Bogotá, 2009.