Estudio del Impacto de las decisiones sanitarias sobre la calidad del agua utilizando Redes de Creencias Bayesianas en la Cuenca del Humedal del Alto Pantanal – Brasil
DOI:
https://doi.org/10.33448/rsd-v11i3.26309Palabras clave:
Aguas residuales; Urbanización; Ecología fluvial.Resumen
Las redes de creencias bayesianas (BBN) que modelan la calidad del agua se han vuelto populares debido a los avances en las técnicas computacionales. Para este caso, BBN es una herramienta útil para modelar la relación entre los datos de calidad del agua y los parámetros de población o urbanización a escala de cuenca. Este método puede combinar datos primarios de calidad del agua y parámetros de decisión y ayudar a los científicos y a los encargados de tomar decisiones a analizar varios escenarios en una cuenca, incluido el efecto de escala. Este artículo tiene como objetivo analizar y discutir la aplicación de Bayesian Belief Network (BBN) sobre la relación entre la calidad del agua de la cuenca y los indicadores de gestión sanitaria, estudiando un caso en la cuenca tributaria del Pantanal. Se construyeron dos BBN a escala utilizando diez años de conjuntos de datos de gestión de aguas residuales y calidad del agua. Ambos BBN respondieron y fueron sensibles a los parámetros de calidad del agua. El Nitrógeno Total y E. coli fueron los parámetros más esenciales para simular cambios en los escenarios de calidad del agua. Los escenarios simulados mostraron limitaciones estructurales sobre el sistema sanitario de las Ciudades de Humedales del Pantanal en el presente estudio. Recomendamos encarecidamente una revisión de las metas de estructura y servicios sanitarios y alertar sobre el riesgo de una crisis sanitaria en el Pantanal.
Citas
Ancione, G., Bragatto, P., & Milazzo, M. F. (2020). A Bayesian network-based approach for the assessment and management of ageing in major hazard establishments. Journal of Loss Prevention in the Process Industries, 104080. 10.1016/j.jlp.2020.104080
Avila, R., Horn, B., Moriarty, E., Hodson, R., & Moltchanova, E. (2018). Evaluating statistical model performance in water quality prediction. Journal of Environmental Management, 206, 910–919. 10.1016/j.jenvman.2017.11.049
Borrero-Ramírez, Y., & Mosquera-Becerra, J. (2020). Emancipation versus normality in the Global South. International Journal of Public Health. 10.1007/s00038-020-01466-4
Farooqi, Z. U. R., Sabir, M., Latif, J., Aslam, Z., Ahmad, H. R., Ahmad, I., Imran, M., & Ilić, P. (2019). Assessment of noise pollution and its effects on human health in industrial hub of Pakistan. Environmental Science and Pollution Research, 27(3), 2819–2828. 10.1007/s11356-019-07105-7
Fasaee, M. A. K., Berglund, E., Pieper, K. J., Ling, E., Benham, B., & Edwards, M. (2021). Developing a framework for classifying water lead levels at private drinking water systems: A Bayesian Belief Network approach. Water Research, 189, 116641. 10.1016/j.watres.2020.116641
Forio, M. A. E., Landuyt, D., Bennetsen, E., Lock, K., Nguyen, T. H. T., Ambarita, M. N. D., & Goethals, P. L. M. (2015). Bayesian belief network models to analyse and predict ecological water quality in rivers. Ecological Modelling, 312, 222–238. 10.1016/j.ecolmodel.2015.05.0
Garcia, B. H. Y., Olinda, R. A., Barbosa, D. S., & Mioto, C. L. (2020). Substantive audit testing of sewer systems using Brazilian open database: stat methods for compliance screening. Revista Ibero Americana de Ciências Ambientais, 11(6),716-724. 10.6008/CBPC2179-6858.2020.006.0057
Kang, G., Qiu, Y., Wang, Q., Qi, Z., Sun, Y., & Wang, Y. (2020). Exploration of the critical factors influencing the water quality in two contrasting climatic regions. Environmental Science and Pollution Research. 10.1007/s11356-020-07786-5
Liu, J., Liu, R., Zhang, Z., Cai, Y., & Zhang, L. (2019). A Bayesian Network-based risk dynamic simulation model for accidental water pollution discharge of mine tailings ponds at watershed-scale. Journal of Environmental Management, 246, 821–831. 10.1016/j.jenvman.2019.06.060
Mayfield, H. J., Bertone, E., Smith, C., & Sahin, O. (2019). Use of a structure aware discretisation algorithm for Bayesian networks applied to water quality predictions. Mathematics and Computers in Simulation. 10.1016/j.matcom.2019.07.005
Panidhapu, A., Li, Z., Aliashrafi, A., & Peleato, N. M. (2019). Integration of weather conditions for predicting microbial water quality using Bayesian Belief Networks. Water Research, 115349. 10.1016/j.watres.2019.115349
Pivello, V. R., Vieira, I., Christianini, A. V., Ribeiro, D. B., da Silva Menezes, L., Berlinck, C. N., Melo, F. P. L., Marengo, J. A., Tornquist, C. G., Tomas W. M., & Overbeck, G. E. (2021). Understanding Brazil’s catastrophic fires: Causes, consequences and policy needed to prevent future tragedies. Perspectives in Ecology and Conservation, 19(3), 233–255. 10.1016/j.pecon.2021.06.005
Ramin, M., Labencki, T., Boyd, D., Trolle, D., & Arhonditsis, G. B. (2012). A Bayesian synthesis of predictions from different models for setting water quality criteria. Ecological Modelling, 242, 127–145. 10.1016/j.ecolmodel.2012.05.0
Salman, R., Nikoo, M. R., Shojaeezadeh, S. A., Beiglou, P. H. B., Sadegh, M., Adamowski, J. F., & Alamdari, N. (2021). A novel Bayesian maximum entropy-based approach for optimal design of water quality monitoring networks in rivers. Journal of Hydrology, 603, 126822. 10.1016/j.jhydrol.2021.126822
Silva, M. O., Olinda, R. A., Mioto, C. L., & Barbosa, D. S. (2020). Análise plurianual da qualidade das águas de bacia tributária do Pantanal brasileiro. Revista Ibero Americana de Ciências Ambientais, 11(2), 172-181. 10.6008/CBPC2179-6858.2020.002.0019
Sha, J., Li, Z., Swaney, D. P., Hong, B., Wang, W., & Wang, Y. (2014). Application of a Bayesian Watershed Model Linking Multivariate Statistical Analysis to Support Watershed-Scale Nitrogen Management in China. Water Resources Management, 28(11), 3681–3695. 10.1007/s11269-014-0696-x
Souza, A. V. V., & Loverde-Oliveira, S. M. (2014). Analysis of the water quality of the Rio Vermelho in Mato Grosso: during the flood season in 2014. Biodiversity, 13(2), 115-126.
Wan, R., Cai, S., Li, H., Yang, G., Li, Z., & Nie, X. (2014). Inferring land use and land cover impact on stream water quality using a Bayesian hierarchical modeling approach in the Xitiaoxi River Watershed, China. Journal of Environmental Management, 133, 1–11. 10.1016/j.jenvman.2013.11.035
Wijesiri, B., Deilami, K., McGree, J., & Goonetilleke, A. (2018). Use of surrogate indicators for the evaluation of potential health risks due to poor urban water quality: A Bayesian Network approach. Environmental Pollution, 233, 655–661. 10.1016/j.envpol.2017.10.076
Zhang, M., Zhi, Y., Shi, J., & Wu, L. (2018). Apportionment and uncertainty analysis of nitrate sources based on the dual isotope approach and a Bayesian isotope mixing model at the watershed scale. Science of The Total Environment, 639, 1175–1187. 10.1016/j.scitotenv.2018.05.2
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2022 Mayara Oliveira da Silva; Domingos Sávio Barbosa; Ricardo Alves de Olinda; Camila Leonardo Mioto
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
