Análisis de DQO & DBO5 Cuenca Guadalquivir 2017-2018
Valeria Egüez Limpias
2022-03-24
INTRODUCCIÓN
El rio de Guadalquivir ha sido desde principios de la historia Tarijeña un emblema para sus pobladores. Sin embargo, en los 14 últimos años la calidad de agua del río disminuyó debido a la contaminación generada principalmente en zonas urbanas. En general la degradación del ecosistema ha llegado hasta el punto en el que ya no se puedo evadir la problemática, pues su contaminación afecta también a los habitantes de las zonas adyacentes. Con el avance de la tecnología se han tomado medidas para poder analizar las características de la contaminación producida para lograr encontrar una solución con los resultados positivos más altos. Una de los resultados de las investigaciones realizadas hasta la fecha es que principalmente la cuenca se ve afectada por el aumento de presencia de constituyentes orgánicos.
Río Guadalquivir 2018
OBJETIVO
El fin de este pequño trabajo es comparar los resultados de las pruebas DQO y OBD5 de los años 2017 y 2018 de la cuenca de Guadlaquivir y para observar si se mantiene igual, disminuye o aumenta.
MÉTODO
La base de datos usada registra las evaluaciones de DQO y DBO5 en diferentes áreas del río Guadalquivir-Tarija realizadas en Octubre de 2017 y 2018. Las áreas de la cuenca de Gudalquivir de donde se extrajeron las muestras son:
Áreas del río Guadalquivir para la obtención de muestras
RESULTADOS
Para el análisis del DQO los datos parecen demostrar que las aguas de la cuenca de Guadalquivir mostraban una mayor concentración de constituyentes orgánicos en el 2017 a diferencia del siguiente año 2018.
Gráfico Comparativo 2017-2018
library(readxl)
Datos_G <- readxl::read_excel('/cloud/project/Datos_G.xlsx','DQO')
library(ggplot2)
ggplot(Datos_G, aes(x=Codigo, y=DQO, group=Año, colour=Año)) +
geom_line() + scale_color_gradient(low="deeppink2",
high="chartreuse3") + geom_point(size=2,shape=21, fill="white") +
theme_gray()## Warning: Removed 2 row(s) containing missing values (geom_path).## Warning: Removed 5 rows containing missing values (geom_point).
Y para DBO5 tenemos resultados similares en donde el año 2018 se llegó a evidenciar una disminución de constituyentes orgánicos aparentes a diferencia de las pruebas que se realizaron el 2017.
library(readxl)
Datos_G<- readxl::read_excel('/cloud/project/Datos_G.xlsx','DQO')
library(ggplot2)
ggplot(Datos_G, aes(x=Codigo, y=DBO5, group=Año, colour=Año)) +
geom_line() + scale_color_gradient(low="deeppink2",
high="chartreuse3") + geom_point(size=2,shape=21, fill="white") +
theme_gray()## Warning: Removed 2 row(s) containing missing values (geom_path).## Warning: Removed 5 rows containing missing values (geom_point).
Tanto para los análisis de DQO y DBO5 los resultados se muestran similares.
Para comprender mejor la disperción geográfica de las muestras y comprarar los resultados podemos observar los siguientes mapas cuyos puntos siguen el mismo orden de la tabla mostrada previamente con los puntos de muestreo:
Mapas en el 2017
- DQO
library(leaflet)
base_2017<- Datos_G[1:16 , ]
paleta_colores<- colorNumeric(palette ="YlOrRd",domain = base_2017$DQO)
leaflet()%>%
addProviderTiles("Esri.WorldImagery") %>%
addCircleMarkers(data = base_2017, lng =
Datos_G$LAT, lat = Datos_G$LONG, color =
~paleta_colores(base_2017$DQO), label = ~base_2017$DQO) %>%
addLegend("topright",pal = paleta_colores, values = base_2017$DQO,title
= "Indice DQO 2017")library(leaflet.minicharts)
nuevoseleccion <- base_2017$DQO
paleta_nueva <-c("#9C0824", "#C51517", "#DD4636", "#F5796A","#EAC0BD")- DBO5
library(leaflet)
base_2017<- Datos_G[1:16 , ]
paleta_colores<- colorNumeric(palette ="YlOrRd",domain = base_2017$DBO5)
leaflet()%>%
addProviderTiles("Esri.WorldImagery") %>%
addCircleMarkers(data = base_2017, lng =
Datos_G$LAT, lat = Datos_G$LONG, color =
~paleta_colores(base_2017$DBO5), label = ~base_2017$DBO5) %>%
addLegend("topright",pal = paleta_colores, values = base_2017$DBO5,title
= "Indice DBO5 2017")library(leaflet.minicharts)
nuevoseleccion <- base_2017$DQO
paleta_nueva <-c("#9C0824", "#C51517", "#DD4636", "#F5796A","#EAC0BD")Mapas en el 2018
- DQO
library(leaflet)
based_2018<- Datos_G[17:32 , ]
paleta_colores<- colorNumeric(palette ="YlOrRd",domain = based_2018$DQO)
leaflet()%>%
addProviderTiles("Esri.WorldImagery") %>%
addCircleMarkers(data = based_2018, lng =
Datos_G$LAT, lat = Datos_G$LONG, color =
~paleta_colores(based_2018$DQO), label = ~based_2018$DQO) %>%
addLegend("topright",pal = paleta_colores, values = based_2018$DQO,title
= "Indice DQO 2018")library(leaflet.minicharts)
nuevoseleccion <- based_2018$DQO
paleta_nueva <-c("#9C0824", "#C51517", "#DD4636", "#F5796A","#EAC0BD")- DBO5
library(leaflet)
based_2018<- Datos_G[17:32 , ]
paleta_colores<- colorNumeric(palette ="YlOrRd",domain = based_2018$DBO5)
leaflet()%>%
addProviderTiles("Esri.WorldImagery") %>%
addCircleMarkers(data = based_2018, lng =
Datos_G$LAT, lat = Datos_G$LONG, color =
~paleta_colores(based_2018$DBO5), label = ~based_2018$DBO5) %>%
addLegend("topright",pal = paleta_colores, values = based_2018$DBO5,title
= "Indice DBO5 2018")library(leaflet.minicharts)
nuevoseleccion <- based_2018$DQO
paleta_nueva <-c("#9C0824", "#C51517", "#DD4636", "#F5796A","#EAC0BD")Teniendo en cuenta el siguiente cuadro podemos realizar un ánalisis más profundo de los resultados.
Valores Máximos Admisibles de Parámetros en Cuerpos Receptores
El punto que contiene los valores más altos para ambos casos marca la zona de El Temporal-Angosto, río Gualdalquivir (GUA-06), con un DQO de 106 el 2017 y 51 el 2018, y un DBO5 de 87 el 2017 y 36,7 en el 2018. Este valor indica una clase crítica de constituyentes orgánicos presente en la zona sur de la ciudad de tarija, 3 km más allá del aeropuerto internacional Oriel Lea Plaza. Los puntos o zonas adyacentes. Toma de agua Las Tipas (GUA-04) y Ancón Chico (GUA-07) igual son relativamente altos, sus valores los clasifican como clase B.
El segundo punto más alto es el de la zona del Puente Chirimayo (GUA-02) con un valor de DQO de 46 y DBO5 de 16,9 en el 2017. Esta zona está cerca de la localidad de Lajas la Merced y Canasmoro. Pero estos índices disminuyeron su valor al siguiente año tras repetir las pruebas de DQO y DBO5.
CONCLUSIONES
Evidentemente los resultados muestran que hubo una disminución en la concentración de constituyentes orgánicos agrupados en la cuenca de GUadalquivir en el año 2019 a diferencia del 2018. Los altos resultados en general de la mayoría de las zonas de donde se obtuvieron muestras indica que la contaminación presente podría no solo ser causada por fuentes naturales (degradación de algas, hojas, peces muertos, etc.) sino principalmente por actividades humanas. Estas actividades pueden ser mala manipulación de residuos de los hogares de las localidades cercanas, mala regulación de residuos de las industras, o mal sistema de caudales y control de aguas residuales de las localidades. Altos niveles de estos parámetros indican que el oxígeno en el agua está disminuyendo lo que podría causar una muerte masiva de peces o otros animales acuáticos, lo que contribuiría en el aumento de DBO y OBD5. Esto afecta también a las localidades cerca pues ya no solo habría consumo de peces pero también efecta en la cadena alimenticia y el ecosistema en esas zonas empezará presentar menos seres vivos con buena calidad de vida.