Antecedentes: Colombia es el sexto país con mayor oferta hídrica en el mundo,
sin embargo el Ministerio del Medio Ambiente calcula que aproximadamente un
50% de los recursos hídricos presentan problemas de calidad. En muchas
ocasiones para controlar unas condiciones apropiadas de calidad del agua, no es
suficiente con establecer actividades de monitoreo, además de esto es necesario
contar con modelos o mecanismos que permitan anticiparse a la materialización
del riesgo con el suficiente rango de tiempo para prevenir los efectos negativos
que perturben la calidad del recurso hídrico. En este sentido, la predicción de la
calidad del agua desempeña un papel muy importante para muchos sectores
socio-económicos que dependen del uso de este líquido.
Objetivos: Proponer un mecanismo de predicción de la calidad del agua mediante
un enfoque adaptativo, que soporte los procesos de toma de decisiones sobre
diferentes usos del recurso hídrico.
Métodos: Se propone un mecanismo adaptativo de predicción de la calidad del
agua empleando técnicas de Inteligencia Computacional; el enfoque principal de
este mecanismo es la posibilidad de ser aplicado sobre conjuntos de datos
pertenecientes a diferentes usos del agua sin que la precisión de las predicciones
se vea afectada de una manera drástica. Este mecanismo consta de un
componente de calibración de parámetros, un componente encargado de realizar
las operaciones de predicción utilizando técnicas de IC y un componente de
adaptación, el cual a su vez implementa el algoritmo de IC que permite ajustar los
valores de predicción a los valores reales del uso del agua seleccionado.
Resultados: Tres conjuntos de datos de calidad del agua (piscícola, consumo
humano y recreacional), un mecanismo adaptativo de predicción de la calidad del
agua basado en técnicas de Inteligencia Computacional.
Conclusiones: La Regresión por Vectores de Soporte configurada con el kernel
PUK presentó un mejor desempeño en la precisión de las predicciones respecto a
otras técnicas de Inteligencia Computacional. Para que los valores predichos por
el mecanismo se aproximaran a los valores reales en diferentes usos del agua, fue
necesario utilizar la técnica de Optimización por Nubes de Partículas (PSO).
Background: Colombia is the sixth country with the greatest water supply in the world, but the Ministry of Environment estimates that approximately 50% of water resources have quality problems. Often to control proper water quality conditions, it is not sufficient to establish monitoring activities in addition to this there is a need models and mechanisms to anticipate the risk materialized with enough time range to prevent negative effects disturbing the quality of water resources. In this sense, predicting water quality plays a very important role for many socio-economic sectors that depend on the use of this liquid.
Goals: Propose a mechanism for water quality prediction through an adaptive approach that supports decision-making processes on different uses of water resources.
Methods: An adaptive prediction mechanism of water quality using Computational Intelligence techniques is proposed; the main focus of this mechanism is the ability to be applied to datasets from different water uses without the prediction accuracy is affected in a drastic way. This mechanism consists of a parameter calibration component, a predictive component, responsible for performing prediction operations using CI techniques and finally an adaptive component, which implements the CI algorithm to adjust the predicted values to actual values in the water use selected.
Results: Three water quality datasets (aquaculture, human consumption and recreational use), an adaptive prediction mechanism of water quality based on Computational Intelligence techniques.
Conclusions: Support Vector Regression configured with PUK kernel presented a better performance in the accuracy of predictions compared to other techniques of Computational Intelligence. In order that the predicted values by the mechanism from approaching the actual values in different uses of water, it was necessary to use the Particle Swarm Optimization (PSO) technique.