Introducción

Partiendo del conocimiento y la comprensión de las técnicas de análisis de datos, en especial la minería de datos se busca seleccionar la información relevante de una base de datos sobre la calidad del agua del río Bogotá correspondientes a los años 2008 - 2015, la cual cuenta con información sobre parámetros que corresponden a los muestreos realizados dos (2) veces al año en cada una de las 81 estaciones de monitoreo ubicadas a lo largo de la cuenca del río Bogotá.
Esta información fue suministrada por la CAR de Cundinamarca, autoridad ambiental competente encargada del manejo de la cuenca en estudio.
La Cuenca del río Bogotá, tiene un área de drenaje de 5,907, riega el departamento de Cundinamarca en sentido noreste – sureste, desde su nacimiento en el municipio de Villapinzón a 3.300 m.s.n.m., hasta su desembocadura en el río Magdalena en el municipio de Girardot a una altura 600 m.s.n.m (Subdirecci, Ambiental, & Rep, 2011).
La cuenca se encuentra dividida en tres (3) tramos:

• La Cuenca Alta desde su nacimiento hasta el norte de la zona urbana del Distrito Capital, con una longitud de 165 km.
• La Cuenca Media, desde el inicio de la zona urbana de Bogotá hasta el Salto de Tequendama, con una longitud de 90 km.
• La Cuenca Baja, aguas abajo del salto de Tequendama hasta su desembocadura en el río Magdalena, con una longitud de 55 km (Subdirecci et al., 2011).

A partir de la extracción del conocimiento útil se pretende llegar a metas generales que puedan mostrar una tendencia del comportamiento de los parámetros estudiados; asimismo, se busca aportar información para futuras investigaciones con temas relacionados con el desarrollo de software basado en conocimiento, y el recurso hídrico según los diferentes resultados arrojados por el estudio realizado en este proyecto.

Estado del arte

(Chang, Tsai, Chen, Coynel, & Vachaud, 2015) dicen que el muestreo ambiental es muy complicado, laborioso, costoso y requiere de mucho tiempo. También es poco probable que tenga datos de series de tiempo de la calidad del agua continuos a largo plazo con propiedades completas en todos los lugares de muestreo en un sistema fluvial.
Dado esto (Roland, E., Uhrmacher, A., & Saha, 2009) comentan que en algunos trabajos se opta por utilizar algoritmos de predicción de la minería de datos que ha sido de gran utilidad para la extracción de conocimiento en muchos ámbitos gracias a su función, ya que es una de las formas más sofisticadas de extraer información importante y relevante a partir de una base de datos, “utilizando técnicas para encontrar patrones y crear modelos con dicha información” (Santander, 2015). Para superar la escasez de datos y, simultáneamente, aumentar la fiabilidad de los modelos (Chang et al., 2015).
Un ejemplo de la aplicación de la minería de datos en el campo de la investigación forestal es el artículo: “Investigación de indicadores generales que influyen sobre los incendios forestales y su modelado de susceptibilidad utilizando diferentes técnicas de minería de datos”, en el que se trabajó la búsqueda de indicadores que más influyen en la aparición de incendios forestales y mapas de susceptibilidad con base en el árbol de regresión impulsado (BRT), el modelo aditivo generalizado (GAM), y los modelos de conjunto de árboles al azar (RF) en los municipios de Minudasht, Provincia de Golestan, Irán. Para el estudio se utilizaron 15 atributos, con el fin de identificar las ubicaciones de incendios forestales y los registros históricos. De manera que en los resultados finales se encontraron tres (3) de las 15 cualidades que eran precipitación anual, distancia a las carreteras, y los factores de uso de la tierra (Pourtaghi, Pourghasemi, Aretano, & Semeraro, 2016). 
Otro artículo habla del procedimiento que se siguió después de recopilar información biológica y socioeconómica sobre la cuenca alta del río Otún en Risaralda (Colombia).
Con la información recopilada procedieron a hacer un análisis con el fin de identificar patrones que relacionen ambos tipos de información con el fin de utilizar estos patrones para tomar decisiones sobre el manejo y conservación de la fauna en esta cuenca del río, estos patrones se identificaron mediante el sistema de información geográfica “ArgGis”. Usando minería de datos con base en árboles de relaciones; obtenidos con el algoritmo J-48 en WEKA y utilizando relaciones en Matlab. En conclusión, este estudio determinó por lo menos tres (3) variables físicas significativas tales como: altitud, precipitación y temperatura, y una variable socioeconómica (Coronel-Picón, Obregón-Neira, & Jiménez-Romero6, 2012).
En el artículo modelado de la calidad del agua en un río urbano utilizando datos de factores hidrológicos, proponen un esquema de análisis sistemático (SAS) para evaluar la interrelación espacio - temporal de la calidad del agua en un río urbano y la construcción de modelos de estimación de la calidad del agua utilizando dos redes neuronales artificiales estáticas y una red neuronal artificial (RNA) dinámica, junto con la prueba Gamma (GT) basada en la calidad del agua, datos hidrológicos y datos económicos, así como la concentración de clorofila en el depósito Daechung, Corea. Para encontrar una correlación entre estas variables y establecer un modelo predictivo de la concentración de clorofila en el depósito Daechung se utilizaron modelos estadísticos como R y la minería de datos, que implementa algoritmos cómo modelos de árbol, redes neuronales artificiales (ANN), y la función de base radial (RBF). Una herramienta óptima para la minería de datos y puesta en práctica en este artículo es Weka (Entorno para análisis del conocimiento de la Universidad de Waikato). Con el uso de una base de datos de 10 años de información y usando una selección de atributos en Weka, se encontró que las mejores variables para la predicción de la concentración de clorofila en el depósito Daechung son el COD, T-P, y PO4-P (Chang et al., 2015).

Método

Pérez, 2015 afirma que “la minería de datos se define como un conjunto de técnicas encaminadas al descubrimiento de la información contenida en grandes conjuntos de datos”.
Técnicas de las cuales se escogió modelado originado por los datos, en la que los modelos se crean automáticamente partiendo del reconocimiento de patrones siguiendo las fases de: selección de los datos, limpieza de los datos, codificación de los datos procesados, minería de los datos transformados, modelo y finalmente interpretación y evaluación del conocimiento, las cuales se explicarán y desarrollarán en el presente estudio.
Inicialmente se tienen  34000 registros en documentos tipo PDF con variables  que no tienen el papel de dependientes o independientes y se sabe que están contenidas en el agua en diferentes cantidades y distribuidas en diversas zonas por las que pasa la fuente hídrica.

Fase de selección de los datos.

El proceso de análisis de datos se establece inicialmente con el proceso de definición de las estructuras de datos. A partir de la recopilación documental de los Boletines de Calidad Hídrica del río Bogotá se procedió a establecer la conversión del formato de documentos portátiles (PDF) a un formato de texto plano con el fin de facilitar su introducción en el motor de base de datos MySQL. Para ello, se realizó un programa convertidor bajo el lenguaje Java y el uso de la librería PdfBox.
Se cuenta con una base de datos de 58 variables que son parámetros físico - químicos contenidos en el agua del rio Bogotá. Todas estas variables tienen un porcentaje de afectación sobre la calidad del agua, es decir, la existencia en mayor o menor medida de algunas de estas variables definen si el agua en ese punto de monitoreo es buena o mala para los diferentes usos como el consumo doméstico, uso en agricultura y ganadería, como fuente de energía, entre otros.
Para el cálculo del índice de calidad del agua (ICA) en Colombia, se ha medido un conjunto de cinco (5) variables, por saber: oxígeno disuelto, sólidos suspendidos totales, demanda química de oxígeno, conductividad eléctrica y pH total. Este cálculo se explica en el artículo (Castro, Almeida, Ferrer, y Diaz, 2014).

Fases de exploración y limpieza

En la fase de exploración se hace uso de herramientas informáticas gráficas como lo son excel,(“Programas de software de hoja de cálculo | Prueba gratuita de Excel,” n.d.), rapid miner, (“RapidMiner Studio - RapidMiner,” n.d.) tableau,(“Análisis e inteligencia de negocios | Tableau Software,” n.d.), con el objetivo de observar gráficamente las tendencias que pueden tener los datos iniciales y a partir de esto ver posibles caminos por los que se puede llevar la investigación.
Al observar que los datos se encuentran ordenados alfabéticamente y no en el orden geográfico en el que deberían estar se opta por realizar un ordenamiento en tablas, primero por periodos: 2008-1, 2008-2, 2009-1 ,2009-2, 2010-1, 2010-2, 2011-1, 2012-1, 2012-2, 2013-1, 2013-2, 2014-1, 2014-2, 2015-1, los cuales dan un total de 14 tablas en las que falta el período 2011-2 debido a que en este período existen datos de varias variables pero no se encuentran los datos completos de las variables utilizadas para calcular el ICA, que en este estudio es la variable principal, por esto se excluye tal periodo. Después en cada tabla se clasifican los 81 puntos de monitoreo en su respectiva Cuenca Alta, Media o Baja, lo que muestra que en la totalidad de los períodos hay más puntos de la Cuenca Alta en comparación con la Media y la Baja; asimismo, se observa que como es de suponerse, la Cuenca Alta cuenta con mayor calidad en el agua ya que es dónde nace la fuente hídrica.
En cuanto a la limpieza de los datos, se evidencia que de un período a otro, se han dejado de monitorear algunos puntos que tienen una calidad del agua atípica en comparación con los demás puntos de la misma Cuenca, algo que sucede en las tres (3) Cuencas, lo que conlleva a una vaga comparación de los puntos irregulares encontrados.

Organización de datos en un modelo relacional

A partir de la conversión de datos, se procedió a realizar un esquema lógico de la base de datos bajo el modelo relacional, para lo cual se realizó la identificación de las diferentes relaciones entre entidades como los puntos de monitoreo a lo largo de la fuente hídrica, las mediciones realizadas en un período específico, entre otras (Figura 1).

Figura 1. Esquema lógico del modelo relacional de la base de datos. (Fuente propia).

El esquema lógico basado en un modelo relacional, esta compuesto de cuatro (4) tablas: medición, lista_variables, punto_monitoreo y variable.

Depuración de datos

Con base en el modelo relacional propuesto, a través de un servidor web Apache y su utilidad de administración, se realizó una depuración de datos a partir de la identificación de errores a nivel de codificación de caracteres como: la existencia de registros duplicados asociados a las variables de medición, la identificación de valores inconsistentes y su rectificación de acuerdo con los valores límite determinados dentro de los documentos técnicos, mediante sentencias SQL.

Clasificación del ICA

A partir de la consideración del ICA, definido como “un número o una clasificación descriptiva de varios parámetros, cuyo propósito principal es simplificar la información para que pueda ser útil en la toma de decisiones de las autoridades” (IDEAM., 2013), se establece una calificación de la calidad del agua según los valores del mismo. Para ello, documentos como la hoja metodológica del indicador índice de calidad del agua (IDEAM., 2013), determinan rangos de clasificación de acuerdo con valores optativos del indicador. Este esquema de calificación se expone en la Tabla 1.

Tabla 1. Calificación de la calidad del agua según los valores del ICA.

Categoría de valores que puede tomar el Indicador	Calificación  de  la calidad del agua	Señal de alerta
0,00-0,25	Muy mala	Rojo
0,26-0,50	Mala	Naranja
0,51-0,70	Regular	Amarillo
0,71-0,90	Aceptable	Verde
0,91-1,00	Buena	Azul

(IDEAM. 2013).

Sustitución de valores teóricos

Con base en la consideración del Límite de Detección del Método Analítico (LDM) definido en (Chica, O., Galvis, N., & Madrid, 2007), se determina una sustitución de dichos valores para cada una de las variables registradas en las mediciones. Para ello, se establecieron valores optativos para los cuales se hicieron operaciones de actualización sobre la base de datos a través de sentencias SQL, debido a la necesidad computacional del manejo de tipos de datos numéricos por la herramienta rapidminer.
Del mismo modo, se consideró el Límite de Cuantificación del Método (LCM), definido así en (Chica, O., Galvis, N., & Madrid, 2007). A partir de éste, se realizó una sustitución de los valores límite para algunas de las variables de calidad registradas en las mediciones, particularmente impurezas y productos de degradación.

Resultados

Fase de transformación en minería de datos.
Para el análisis de datos se optó por la herramienta rapidminer ya que es una aplicación eficiente, rápida y fácil de emplear para la minería de datos.
Con el apoyo de los datos proporcionados por la CAR y la herramienta mencionada, se desarrollaron diversos métodos para el análisis de datos que permitieron hacer inferencias acerca del comportamiento del ICA y demás variables pertenecientes a la base de datos.
Para empezar, se optó por la elaboración de un árbol de decisiones, con el objetivo de observar como se ve afectado el ICA por los diferentes factores que influyen en la calidad del agua del rio Bogotá.
En la elaboración del árbol de decisión, fueron necesarios diversos operadores proporcionados por rapidminer, cuyo funcionamiento se detalla a continuación:
El operador retrieve permite leer los datos pertenecientes a una base de datos o un archivo en excel, que se haya importado previamente. Este operador no tiene un puerto de entrada, puesto que lo único que requiere es un conjunto de datos válidos para trabajar.
El operador validation permitirá saber la precisión con la que se construirá el árbol de decisiones, el cual está compuesto de dos (2) subprocesos: training subprocess y testing subprocess.
Debe importarse el operador retrieve a la zona de trabajo, después unir su salida out con la entrada tra del operador validation. Posteriormente, unir las salidas mod y ave con las salidas res del proceso. Sin embargo, dentro del operador validation, hay dos (2) subprocesos que podemos utilizar para obtener el modelo de árbol de decisión que deseamos, además de una verificación de la veracidad de este modelo.
En el subproceso training se construye el modelo con el que se van a tratar los datos. En este caso, el modelo por aplicar sólo consta del operador decision tree, el cual a partir de un conjunto de datos de entrada, entre los que se encuentra la variable dependiente, crea un árbol de decisiones basado en los valores de dicho conjunto de datos. Debe unirse la salida tra del subproceso training a la entrada tra del operador decisión tree, y, de este último, unir su salida mod a la salida mod del subproceso training.
Posteriormente en el subproceso testing, cuyo propósito es la medición del rendimiento del modelo, se aplica el operador apply model para aplicar el modelo de árbol de decisión del subproceso testing en la prueba de la veracidad del árbol, puesto que si se usara el operador decision tree sin verificar la veracidad en la construcción del árbol, se podría llegar a hacer el análisis de un árbol totalmente erróneo.
Debe enlazarse las salidas mod y tes, con las entradas mod y uni del operador apply model. De este operador debe enlazarse su salida lab con la entrada lab del operador performance. Este operador se utiliza para la evaluación del desempeño y proporciona una lista de los valores de los criterios de rendimiento. Estos criterios de rendimiento se determinan automáticamente con el fin de ajustarse al tipo de tarea de aprendizaje. Y, de este último, debe enlazarse su salida per con la salida ave del subproceso testing.

El árbol se dividió en varias imágenes, puesto que por su magnitud, no puede ser expuesto en una sola imagen.

En las siguientes imágenes se ilustrará la información correspondiente al árbol generado, en diferentes partes para su explicación:

Figura 2. Parte izquierda del árbol de decisión. (Fuente propia aplicación rapidminer).

De acuerdo con la figura 2, el nodo principal es la variable suspended solids, de manera que si los sólidos suspendidos son mayores a 303,500, la calidad del agua será pésima. Por otro lado, si los sólidos suspendidos son menores o iguales que 303,500 y el fósforo total es mayor que 0.804 y el nitrato es menor o igual que 2310,500 y los sólidos suspendidos son mayores que 0,150 pero mayores a 9,650, la calidad del agua será mala. Si los sólidos son aún menores que 9,650, la calidad del agua será regular.

Figura 3. Rama total_phosporus del árbol de decisión. (Fuente propia aplicación rapidminer).

Figura 4. Rama field_conductivity del árbol de decisión. (Fuente propia aplicación rapidminer).

De las dos (2) imágenes figura 3 y figura 4, anteriormente mostradas, se puede observar que si los sólidos suspendidos son menores o iguales a 303,500, y el fosforo total es menor que 0,804, y el  cod reflujo abierto 5220 b menor calidad del reactivo modificado es mayor que 34,050, y el magnesio es menor o igual que 52,105, y el calcio es menor o igual que 2,985, la calidad del agua será regular.

De manera similar se puede abordar la interpretación del contenido restante del árbol mostrado en las siguientes figuras 5 y 6.

Figura 6. Rama field_conductivity para sólidos suspendidos <= 27,735 del árbol de decisión. (Fuente propia aplicación rapidminer).

Para finalizar, se desarrolló una matriz de correlación para tener una observación cuantitativa de la influencia de las variables entre sí. El proceso es sencillo puesto que sólo implica el uso de dos (2) operadores; se debe hacer uso del operador retrieve, uniendo su salida out con la entrada exa, del operador correlation matrix cuya función es determinar la correlación existente entre los distintos atributos que pertenecen a la base de datos que se trabajó, y de este último unir su salida mat con la salida res del proceso.
Como resultado de la acción de estos operadores, se obtuvo una relación clara entre todas las variables que la CAR registró en su base de datos; sin embargo, aquí sólo se revelará la correlación existente entre el ICA y las demás variables, por medio de la siguiente tabla 2.

Tabla 2. Correlaciones ICA-variables

Variables	Correlación ICA
Field_conductivity	0.5250970498276808
Total_alkalinity	0.2890202097916725
Cod_open_reflux_5220_b_less_quantity_reactive_modified	0.2820786762575087
Total_phosphorus	0.24845797477672457
Ph_in_field	0.23194799617066356
Magnesium	0.19851896527002771
Suspended_solids	0.13798815069209802
Total_solids	0.09068316528937045
Total_coliforms	0.08073515331281593
Calcium	0.07869230009850271
Chromium_6	0.045601606121833275
Manganese	0.015759929863442525
Chlorides	0.002444330270115761
Sodium	-0.008089169933836198
Nitrate_n	-0.05115976857490208

(Fuente propia aplicación rapidminer).

En la tabla se encuentra la relación entre los diferentes atributos que componen la base de datos, en orden descendente. Esta relación está dada por un número entre -1 y 1, donde -1 denota la más baja correlación y 1 denota la más alta correlación.

Discusión

Se puede observar que la mayoría de las variables presentes en el árbol de decisión tienen una correlación mayor a cero (0). Las que no la tienen, pertenecerán a una rama que no es la más eficaz para describir un modelo que permita determinar el comportamiento del ICA. Así se deberá perfeccionar el modelo de árbol de decisión para optimizar sus aplicaciones, teniendo en cuenta las variables que tengan mayor correlación con el ICA y estén presentes en el árbol de decisión, puesto que aunque todas las variables van a tener cierta influencia en la calidad del agua, solo se debe tomar en cuenta las que tengan un impacto realmente significativo sobre él.
De la observación del árbol, se aprecia el impacto que tienen los sólidos suspendidos y se puede visualizar cómo no solamente son el nodo padre, sino que, también, forman parte de otras ramas, especificando en qué proporciones los sólidos suspendidos afectan la calidad del agua. De esta forma con la medición de esta variable es posible descartar muchas otras ramas del árbol.
Adicionalmente, se puede ver cómo la falta de datos afectaron los resultados de este estudio, puesto que algunas ramas llegan a una conclusión de ICA igual a cero (0); es decir, no se tienen suficientes datos para medir la calidad del agua como muy mala, mala, regular, aceptable o buena. Para lo que se propone en este proyecto, estos datos vienen a ser irrelevantes, puesto que se busca la identificación de las variables que permitan determinar el ICA, y una rama que no proporciona esta información, no es de mucha relevancia.

Conclusiones

Este estudio, ilustró el uso de la minería de datos y sus fases en el manejo de información correspondiente a parámetros relacionados con la calidad del agua, a través del uso de un software libre como lo es rapidminer, el cual facilita el tratamiento de datos y los medios necesarios para el manejo adecuado de la base de datos correspondiente a las variables del agua del río Bogotá.
 El estudio reveló que en el ICA, solo las 13 variables que se muestran en la tabla 2 son relevantes, puesto que se evidencia una mayor influencia de éstas sobre el mismo, dejando de lado la gran mayoría de datos expuestos en los informes de la CAR de Cundinamarca, lo que permite suponer que si se avanza en el estudio de variables de mayor influencia en la calidad del agua u otros recursos naturales, se podrán generar modelos óptimos que permitirán disminuir los costos y el tiempo en el monitoreo de tales recursos.
Acorde con los resultados del presente trabajo, resulta conveniente que en futuros estudios de este tipo, se tenga en cuenta desde el inicio de la investigación, el impacto resultante de contar con datos faltantes, para hacer un tratamiento óptimo y así evitar la aparición de ramas con datos iguales a cero (0) o irrelevantes.