Modelación ecológica para estudiar la calidad hidrobiológica del agua en el río Cali, empleando macroinvertebrados acuáticos como bioindicadores de calidad del agua
El río Cali, vital para la ciudad de Santiago de Cali, enfrenta múltiples desafíos por la contaminación y las actividades humanas. Sus aguas, fundamentales para el abastecimiento y los servicios ecosistémicos, han sufrido un deterioro significativo, afectando tanto su biodiversidad como la calidad d...
- Autores:
-
Quiñones Góngora, Saulo Alfredo
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2025
- Institución:
- Universidad Autónoma de Occidente
- Repositorio:
- RED: Repositorio Educativo Digital UAO
- Idioma:
- spa
- OAI Identifier:
- oai:red.uao.edu.co:10614/16058
- Acceso en línea:
- https://hdl.handle.net/10614/16058
https://red.uao.edu.co/
- Palabra clave:
- Ingeniería Ambiental
Modelos ecológicos
Técnicas de minería de datos
Lógica difusa
Macroinvertebrados acuáticos
Pitón
Calidad hidrobiológica del agua
Gestión del recurso hídrico
Ecological models
Data mining techniques
Fuzzy logic
Aquatic macroinvertebrates
Python
Hydrobiological water quality
Water resource management
- Rights
- openAccess
- License
- Derechos reservados - Universidad Autónoma de Occidente, 2025
| id |
REPOUAO2_22fb635e8388a5f8895ffb6746a7c51c |
|---|---|
| oai_identifier_str |
oai:red.uao.edu.co:10614/16058 |
| network_acronym_str |
REPOUAO2 |
| network_name_str |
RED: Repositorio Educativo Digital UAO |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Modelación ecológica para estudiar la calidad hidrobiológica del agua en el río Cali, empleando macroinvertebrados acuáticos como bioindicadores de calidad del agua |
| title |
Modelación ecológica para estudiar la calidad hidrobiológica del agua en el río Cali, empleando macroinvertebrados acuáticos como bioindicadores de calidad del agua |
| spellingShingle |
Modelación ecológica para estudiar la calidad hidrobiológica del agua en el río Cali, empleando macroinvertebrados acuáticos como bioindicadores de calidad del agua Ingeniería Ambiental Modelos ecológicos Técnicas de minería de datos Lógica difusa Macroinvertebrados acuáticos Pitón Calidad hidrobiológica del agua Gestión del recurso hídrico Ecological models Data mining techniques Fuzzy logic Aquatic macroinvertebrates Python Hydrobiological water quality Water resource management |
| title_short |
Modelación ecológica para estudiar la calidad hidrobiológica del agua en el río Cali, empleando macroinvertebrados acuáticos como bioindicadores de calidad del agua |
| title_full |
Modelación ecológica para estudiar la calidad hidrobiológica del agua en el río Cali, empleando macroinvertebrados acuáticos como bioindicadores de calidad del agua |
| title_fullStr |
Modelación ecológica para estudiar la calidad hidrobiológica del agua en el río Cali, empleando macroinvertebrados acuáticos como bioindicadores de calidad del agua |
| title_full_unstemmed |
Modelación ecológica para estudiar la calidad hidrobiológica del agua en el río Cali, empleando macroinvertebrados acuáticos como bioindicadores de calidad del agua |
| title_sort |
Modelación ecológica para estudiar la calidad hidrobiológica del agua en el río Cali, empleando macroinvertebrados acuáticos como bioindicadores de calidad del agua |
| dc.creator.fl_str_mv |
Quiñones Góngora, Saulo Alfredo |
| dc.contributor.advisor.none.fl_str_mv |
Holguin Gonzalez, Javier Ernesto |
| dc.contributor.author.none.fl_str_mv |
Quiñones Góngora, Saulo Alfredo |
| dc.contributor.corporatename.spa.fl_str_mv |
Universidad Autónoma de Occidente |
| dc.contributor.jury.none.fl_str_mv |
Palacios Peñaranda, Martha Lucía |
| dc.subject.proposal.spa.fl_str_mv |
Ingeniería Ambiental Modelos ecológicos Técnicas de minería de datos Lógica difusa Macroinvertebrados acuáticos Pitón Calidad hidrobiológica del agua Gestión del recurso hídrico |
| topic |
Ingeniería Ambiental Modelos ecológicos Técnicas de minería de datos Lógica difusa Macroinvertebrados acuáticos Pitón Calidad hidrobiológica del agua Gestión del recurso hídrico Ecological models Data mining techniques Fuzzy logic Aquatic macroinvertebrates Python Hydrobiological water quality Water resource management |
| dc.subject.proposal.eng.fl_str_mv |
Ecological models Data mining techniques Fuzzy logic Aquatic macroinvertebrates Python Hydrobiological water quality Water resource management |
| description |
El río Cali, vital para la ciudad de Santiago de Cali, enfrenta múltiples desafíos por la contaminación y las actividades humanas. Sus aguas, fundamentales para el abastecimiento y los servicios ecosistémicos, han sufrido un deterioro significativo, afectando tanto su biodiversidad como la calidad de vida de las comunidades que dependen de él. Comprender estas problemáticas es crucial para restaurar este recurso y desarrollar estrategias innovadoras que aseguren su sostenibilidad frente a un futuro incierto. Considerando lo anterior, en este proyecto se implementaron modelos ecológicos para evaluar la calidad hidrobiológica del agua en el río Cali. Para la construcción de la base de datos, se utilizó información fisicoquímica, hidráulica e hidrobiológica de estudios realizados por la CVC y la Universidad Autónoma de Occidente en el marco del Plan de Ordenamiento del Recurso Hídrico (PORH) del río Cali entre 2021 y 2023. A partir de estos datos, se plantearon dos modelos con diferentes enfoques: uno para determinar la calidad hidrobiológica del agua basado en índices bióticos, específicamente el BMWP/Col, y otro de idoneidad de hábitat para predecir la ocurrencia de dos familias de macroinvertebrados acuáticos (Trichoptera:Helicopsychidae y Plecoptera:Perlidae) bajo diferentes condiciones ambientales. Se emplearon cuatro técnicas de minería de datos: lógica difusa, regresión logística, regresión binomial negativa y árboles de clasificación, evaluando su desempeño mediante indicadores como el F1-Score, precisión y recall. El análisis estadístico realizado, y los modelos planteados fueron creados utilizando herramientas como XLSTAT y el lenguaje de programación Python. La selección de variables predictoras se realizó mediante análisis de componentes principales (PCA) con rotación Varimax, complementado con diagramas de dispersión y box plots para explorar las relaciones entre predictores y la variable respuesta. Además, se consideraron estudios previos para la lógica difusa y un algoritmo experimental basado en el AIC del modelo. Los resultados mostraron que la lógica difusa fue la técnica más adecuada para predecir la calidad del agua con base en el índice BMWP/Col, logrando una precisión de 0,78, un F1-Score de 0,79 y una exactitud de 0,93. El modelo de idoneidad de hábitat también presentó excelentes resultados, destacándose nuevamente la lógica difusa con una precisión de 0,88 para Helicopsychidae y 0,93 para Plecoptera. Debido a la cantidad limitada de observaciones en la base de datos, las demás técnicas implementadas no alcanzaron resultados satisfactorios, pues requieren un proceso de calibración y validación más robusto al tratarse de herramientas basadas en el aprendizaje automático. Se espera a futuro aumentar el tamaño de los registros para facilitar la aplicación y escalabilidad de los modelos implementados. En conclusión, los modelos ecológicos basados en la lógica difusa demostraron ser herramientas efectivas para caracterizar y predecir la calidad hidrobiológica del río Cali, ofreciendo una base metodológica replicable para futuros estudios y la gestión sostenible de recursos hídricos en sistemas similares. |
| publishDate |
2025 |
| dc.date.accessioned.none.fl_str_mv |
2025-03-17T20:27:05Z |
| dc.date.available.none.fl_str_mv |
2025-03-17T20:27:05Z |
| dc.date.issued.none.fl_str_mv |
2025-02-04 |
| dc.type.spa.fl_str_mv |
Trabajo de grado - Pregrado |
| dc.type.coarversion.fl_str_mv |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
| dc.type.coar.eng.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.content.eng.fl_str_mv |
Text |
| dc.type.driver.eng.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.redcol.eng.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
| dc.type.version.eng.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
publishedVersion |
| dc.identifier.citation.spa.fl_str_mv |
Quiñones Góngora, S. A. (2025). Modelación ecológica para estudiar la calidad hidrobiológica del agua en el río Cali, empleando macroinvertebrados acuáticos como bioindicadores de calidad del agua. (Proyecto de grado). Universidad Autónoma de Occidente. Cali. Colombia |
| dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/10614/16058 |
| dc.identifier.instname.spa.fl_str_mv |
Universidad Autónoma de Occidente |
| dc.identifier.reponame.spa.fl_str_mv |
Respositorio Educativo Digital UAO |
| dc.identifier.repourl.none.fl_str_mv |
https://red.uao.edu.co/ |
| identifier_str_mv |
Quiñones Góngora, S. A. (2025). Modelación ecológica para estudiar la calidad hidrobiológica del agua en el río Cali, empleando macroinvertebrados acuáticos como bioindicadores de calidad del agua. (Proyecto de grado). Universidad Autónoma de Occidente. Cali. Colombia Universidad Autónoma de Occidente Respositorio Educativo Digital UAO |
| url |
https://hdl.handle.net/10614/16058 https://red.uao.edu.co/ |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.none.fl_str_mv |
Ahmed, Z. (2020). Comparing Linear Regression Models: Lasso vs Ridge. Medium. https://zawar-ahmed.medium.com/comparing-linear-regression-models-lasso-vs-ridge-60587ff5a5aa All, M. (2024). Top 26 Python Libraries for Data Science in 2024. DataCamp. https://www.datacamp.com/blog/top-python-libraries-for-data-science Amazon Web Services. (2024) ¿Qué es Python? AWS. https://aws.amazon.com/es/what-is/python/ Anascol. (2022). Informe análisis de comunidades hidrobiológicas. Campaña de monitoreo: Septiembre. Universidad Autónoma de Occidente. Anascol. (2022). Informe análisis de comunidades hidrobiológicas. Campaña de monitoreo: Agosto. Universidad Autónoma de Occidente. Ariza-Restrepo, J.L., Rodríguez-Díaz, Y.J., Oñate-Barraza, H.C. (2022). Water quality indices (WQI) and contamination indices (WPI) a bibliographic review. Tecnura. 27(77), 1-20. https://bit.ly/4htwIFs Azuaje, I., Miranda, M. Iglesias, E., Camacho, O., García, Y. (2018). Controlador difuso mejorado para estrategias de control en cascada y por acción anticipada. Revista Ciencia e Ingeniería, (39), 39-38. https://bit.ly/3CIlOwq Bejar, S. (2024). Modelos para variables dependientes de conteo. RPubs. https://rpubs.com/bebejar/1189387 Ben Yahia, N., Ben Saoud, N., Ben Ghezala, H. (2012). Integrating fuzzy case-based reasoning and particle swarm optimization to support decisión making. International Journal of Computer Science Issues, (9), 117-124. https://bit.ly/3ZVbUPI Blanco, J.A. (2013). Modelos Ecológicos: Descripción, Explicaciones y Predicción. Ecosistemas, (22), 1-5. https://www.redalyc.org/articulo.oa?id=54029508001 Cameron, A.C., Trivedi, P.K. (2005). Models of Count Data (Cap. 20). Microeconometrics: Methods and Applications. Cambridge. https://typeset.io/pdf/microeconometrics-methods-and-applications-1b0z9bykeq.pdf Castillo-Figueroa, D., Garzón Salamanca, L.L., Albarracín-Caro, J.F. (2018). Macroinvertebrados acuáticos como indicadores de calidad del agua en Colombia. [Infografía]. Congreso AQUATROP. Ecosistemas acuáticos tropicales en el Antropoceno. https://bit.ly/3CHLJnZ Chaturvedi, N. (2021). Leave-One-Out Cross-Validation. Medium. https://medium.datadriveninvestor.com/leave-one-out-cross-validation-32fa248c1739 Choi, H. (2020). Lecture 9: Classification and Regression Tree (CART). Lectures on Machine Learning (Fall 2017). Universidad de Seúl. https://www.math.snu.ac.kr/~hichoi/machinelearning/lecturenotes/CART.pdf Cornare. (2021). Determinación de la calidad ecológica del Río Negro y afluentes con base en la comunidad de macroinvertebrados acuáticos, ficoperifiton, macrofitas y peces. Corporación Académica Ambiental Universidad de Antioquia. https://bit.ly/3PmcAZx Corporación Autónoma Regional del Valle del Cauca - CVC y Universidad Autónoma de Occidente (2023). Documento síntesis de formulación del Plan de Ordenamiento del Recurso Hídrico - PORH de los ríos Cali y Aguacatal. https://bit.ly/40jSYf2 Corporación Autónoma Regional del Valle del Cauca (CVC). Universidad Autónoma de Occidente. (2022). Proyecto: Plan de ordenamiento del recurso hídrico del cauce natural de los ríos Cali y Jamundí y sus tributarios priorizados. [Segundo informe técnico – acciones previas al proceso de ordenamiento]. Convenio de asociación CVC – UAO No. 229 de 2021. Corporación Autónoma Regional del Valle del Cauca (CVC). Universidad Autónoma de Occidente. (2023). Proyecto: Plan de ordenamiento del recurso hídrico del cauce natural de los ríos Cali y Jamundí y sus tributarios priorizados. [Tercer informe técnico – caracterización inicial, trabajo de campo y construcción de la línea base]. Convenio de asociación CVC – UAO No. 229 de 2021. De Nápoli, P. (2020). El binomio de Newton. [Diapositivas]. Universidad de Buenos Aires. https://mate.dm.uba.ar/~pdenapo/apuntes-algebraI/2020/2do-cuatrimestre/clase-09-el_binomio_de_Newton.pdf Departamento Administrativo de Gestión del Medio Ambiente. Universidad del Valle. (2007). Identificación de la Situación Ambiental de la Cuenca Hidrográfica del Río Cali, Zona Urbana de Santiago de Cali. Alcaldía de Santiago de Cali. https://www.cali.gov.co/publico2/documentos/dagma/informeejecutivorioscaliyaguacatal.pdf Diciembre, S. (2017). Sistemas de Control con Lógica Difusa: Métodos de Mamdani y de Takagi-Sugeno-Kang (TSK). [Tesis de pregrado]. Universidad Jaume I. https://core.ac.uk/download/pdf/153569963.pdf Everitt, B. (2005). An R and S-PLUS Companion to Multivariate Analysis (1ar. ed.). Londres: Editorial Board García, J.M., Sarmiento, L.F., Salvador, M., Porras, L.S. (2017). Uso de bioindicadores para la evaluación de la calidad del agua en ríos: aplicación en ríos tropicales de alta montaña. Revisión corta. UGCiencia, (23), 47-62. https://revistas.ugca.edu.co/index.php/ugciencia/article/download/659/1174/ García, S., Luengo, J., Herrera, F. (2015). Data Preparation Basic Models. Data preprocessing in data mining. Editorial Springer. http://www.pzs.dstu.dp.ua/DataMining/preprocessing/bibl/Data%20Preprocessing%20in%20Data%20Mining.pdf Gareth, J., Witten, D., Hastie, T., Tibshirani, R. (2013). Resampling Methods. An Introduction to Statistical Learning with Applications in R. https://bit.ly/415UCB9 Geary, W., Bode, M., Doherty, T., Fulton, E., Nimmo, D., Tulloch, A., Tulloch, V., Ritchie, E. (2020). A guide to ecosystem models and their environmental applications. Nature Ecology y Evolution, (4), 1459-1471. https://www.nature.com/articles/s41559-020-01298-8 Geeks fot Geeks, (2024). Why is Overfitting Bad in Machine Learning. https://www.geeksforgeeks.org/why-is-overfitting-bad-in-machine-learning/ Gutiérrez García, M.L. (2020). Revisión sobre la utilización de bioindicadores para analizar la calidad del aire en contextos urbanos. [Tesis de pregrado, Universidad Nacional Abierta y a Distancia - UNAD]. https://bit.ly/4k3lt8H Holguín González, J.E. (2013). Integrated ecological modelling for decision support in river management [Tesis doctoral]. Ghent University. Ghent. Belgium. https://biblio.ugent.be/publication/4127571 IBM. (2024). What is lasso regression? https://ibm.co/3EuAP5L Jurafsky, D., Martin, J. H. (2024). Logistic Regression. Speech and Language Processing (Cap. 5.). Universidad de Standford. https://web.stanford.edu/~jurafsky/slp3/5.pdf Khalid, Z. (2021). Analysis and Evaluation of Classifier’s Performance and Multi-class Classification. [Diapositivas]. Lahore University of Management Sciences (LUMS). https://www.zubairkhalid.org/ee514/2021/notes04.pdf Kiliç, I. (2023). Principal Component Analysis (PCA): A Practical Guide. Medium. https://bit.ly/419Ny6Q Krüger, F. (2016). Activity, Context and Plan Recognition with Computational Causal Behaviour Models. [Tesis doctoral]. Universität Rostock. http://bit.ly/40a0w3O Ladrera, R., Rieradevall, M., Narcís, P. (2013). Macroinvertebrados acuáticos como indicadores biológicos: una herramienta didáctica. Ikastorratza. e-Revista de Didáctica. https://bit.ly/4iYOkdA Lee, A. (2020). Comprensión de la matriz de confusión y cómo implementarla en Python. DataSource.ai. https://bit.ly/4hsoTjs Lumivero. (2024). XLSTAT by Lumivero. https://www.xlstat.com/en/ Ministerio de Ambiente y Desarrollo Sostenible (MADS). (2018). Guía Nacional de Modelación del recurso hídrico para aguas superficiales continentales. Dirección de Gestión Integral del Recurso Hídrico. https://bit.ly/3CT9v0l Ministerio para la Transición Ecológica y el Reto Demográfico. (2024). Estado y calidad de las aguas superficiales. Gobierno de España. https://bit.ly/40h1dbr Mosquera, R., Palacios, M.L., Soto, A., (2008). Bioindicación de la calidad del agua del río Cali, Valle del Cauca, Colombia; usando macroinvertebrados acuáticos. Grupo de Investigación en Estudios Ambientales para el Desarrollo Sostenible (GEADES). Asociación Colombiana de ciencias biológicas. https://bit.ly/4aPhng6 Ojeda Tabares, D. (2021). Modelo predictivo de datos de eventos sísmicos en la ciudad de Cali. [Tesis de pregrado]. Universidad Autónoma de Occidente. https://hdl.handle.net/10614/13620 Oñate-Barraza, H. C., Cortez-Henao, G. Y. (2020). Estado del agua del río Cesar por vertimientos residuales de la ciudad de Valledupar. Bioindicación por índice BMWP/COL . Tecnura, 24(65), 39–48. https://doi.org/10.14483/22487638.15766 Organización Mundial de la Salud. (2023). Agua para consumo humano. http://bit.ly/3CvAQWv Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., y Duchesnay, É. (2011). Decision Trees. Scikit-learn: Machine Learning in Python. Scikit-learn. https://bit.ly/49QBbPH Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., y Duchesnay, É. (2011). Linear Models. Scikit-learn: Machine Learning in Python. https://bit.ly/4fCcdF1 Perktold, J., Seabold, S., Taylor, J. (2023). Generalized Linear Models. StatsModels 0.14.4. https://www.statsmodels.org/stable/glm.html Posit Software. (2009). RStudio IDE User Guide. Release 2024.09.1. https://docs.posit.co/ide/user/ Python Software Foundation. (2024). Interfaces gráficas de usuario con Tk. Documentación de Python – 3.13.1. https://docs.python.org/es/3/library/tk.html Quesada-Alvarado, F., Umaña-Villalobos, G., Springer, M., Picado-Barboza, J. (2020). Variación estacional y características fisicoquímicas e hidrológicas que influyen en los macroinvertebrados acuáticos, en un río tropical. Revista de Biología Tropical, 68(Suppl. 2), 54-67. https://dx.doi.org/10.15517/rbt.v68is2.44332 Quiñones-Huantangari, L., Ochoa, L., Milla-Pino, M., Bazán, J., Gamarra, O., Rascón, J. (2020). Water quality index using fuzzy logic Utcubamba River, Peru. Revista de Ciencias Agrícolas, (37), 6-18. https://bit.ly/4hLA4U6 Roldán Pérez, G. (2003). Bioindicación de la calidad del agua en Colombia. Primera edición. Editorial Universidad de Antioquia. Medellín. Roldán Pérez, G. (2012). Los macroinvertebrados como bioindicadores de la calidad del agua. Corporación Autónoma Regional de Cundinamarca (CAR). Imprenta Nacional de Colombia. https://ianas.org/wp-content/uploads/2020/07/wbp12.pdf Rubalcaba, J. (2024). Cosas que conviene saber al usar AIC, DIC y otros criterios de información. GitHub Pages. https://jrubalcaba.github.io/posts/information_criterion/ Schmolke, A., Thorbek, P., DeAngelis, D., Grimm, V., (2010). Ecological models supporting environmental decision making: a strategy for the future. Trends in Ecology and Evolution, (25), 479-486. https://bit.ly/3W17uWr Schuwirth, N., Borgwardt, F., Domisch, S., Friedrichs, M., Kattwinkel, M., Kneis, D., Kuemmerlen, M., Langhans, S., Martínez-López, J., Vermeiren, P. (2019). How to make ecological models useful for environmental management. Ecological Modelling, (411), 2-11. https://www.sciencedirect.com/science/article/pii/S0304380019302923 StatPoint, (2006). Regresión Binomial Negativa. STATGRAPHICS - Rev- 4/25/2007. https://bit.ly/4gYv5z2 Tampo, L., Kaboré, I., Alhassan, E., Ouéda, A., Bawa, L., Djaneye-Boundjou, G. (2021). Benthic Macroinvertebrates as Ecological indicators: Their Sensitivity to the Water Quality and Human Disturbances in a Tropical River. Frontiers in Water, 3, 1-17. https://bit.ly/40k3Tp2 University of Houston. Math 1342 Section 1.4. (2023) [Diapositivas de clase]. https://bit.ly/4hrAWxu Valencia Escobar, D.M. (2011). Macroinvertebrados acuáticos epicontinentales y la calidad biológica del agua del río Jordán, Jamundí (Valle del Cauca). [Tesis de pregrado]. Repositorio Institucional Universidad Autónoma de Occidente. https://bit.ly/3PhE2Yu Yaldex. (s.f). Fuzzy Logic. https://bit.ly/3EtuPKl Zambrano Quiñones, V. (2020). Modelos ecológicos para estudiar la calidad hidrobiológica del agua en el río Bitaco empleando macroinvertebrados acuáticos como bioindicadores de calidad del agua. [Tesis de pregrado, Universidad Autónoma de Occidente - UAO]. https://bit.ly/4hNVOyu Zúñiga, M. (2009). Bioindicadores de calidad de agua y caudal ambiental. Facultad de Ingeniería, Universidad del Valle. Zuur, A.F., Leno, E.N., Elphick, C.S. (2010). A protocol for data exploration to avoid common statistical problems. British Ecological Society, (1), 3-14. https://bit.ly/4a07Q5n |
| dc.rights.spa.fl_str_mv |
Derechos reservados - Universidad Autónoma de Occidente, 2025 |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.uri.eng.fl_str_mv |
https://creativecommons.org/licenses/by-nc-nd/4.0/ |
| dc.rights.accessrights.eng.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.creativecommons.spa.fl_str_mv |
Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) |
| rights_invalid_str_mv |
Derechos reservados - Universidad Autónoma de Occidente, 2025 https://creativecommons.org/licenses/by-nc-nd/4.0/ Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
121 páginas |
| dc.format.mimetype.none.fl_str_mv |
application/pdf |
| dc.publisher.spa.fl_str_mv |
Universidad Autónoma de Occidente |
| dc.publisher.program.spa.fl_str_mv |
Ingeniería Ambiental |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ingeniería y Ciencias Básicas |
| dc.publisher.place.spa.fl_str_mv |
Cali |
| institution |
Universidad Autónoma de Occidente |
| bitstream.url.fl_str_mv |
https://red.uao.edu.co/bitstreams/9e37107f-4fe5-42ab-b52c-fbd636ec947f/download https://red.uao.edu.co/bitstreams/63896539-39ba-47b9-80fd-2ac62a1c1bfc/download https://red.uao.edu.co/bitstreams/37379e80-b3b8-49ba-966b-523a216ede95/download https://red.uao.edu.co/bitstreams/ccfbec37-dcc9-42d5-8116-e844a4d8a6aa/download https://red.uao.edu.co/bitstreams/a237d1db-0844-4590-830f-e971b693b43b/download https://red.uao.edu.co/bitstreams/7390330c-ef9d-416a-b9f7-5a5cf66b0b13/download https://red.uao.edu.co/bitstreams/93b6ce89-c1be-40de-ad9a-5d5026e8bd7b/download |
| bitstream.checksum.fl_str_mv |
6987b791264a2b5525252450f99b10d1 65f8b5228d86cc0ae9bba4104ac467a0 7cdb4358db433b833977ee7a1c3d4b74 8be4f5241c821679c2fb1883842cc5b9 02065b873375d98235ab7c7f955d8e56 6b2e6cee1cec1aa4526bd2685b91f2ba 44fee1cf9e568d90ced2cfb375a5da3f |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Digital Universidad Autonoma de Occidente |
| repository.mail.fl_str_mv |
repositorio@uao.edu.co |
| _version_ |
1831928849031495680 |
| spelling |
Holguin Gonzalez, Javier Ernestovirtual::5937-1Quiñones Góngora, Saulo AlfredoUniversidad Autónoma de OccidentePalacios Peñaranda, Martha Lucíavirtual::5938-12025-03-17T20:27:05Z2025-03-17T20:27:05Z2025-02-04Quiñones Góngora, S. A. (2025). Modelación ecológica para estudiar la calidad hidrobiológica del agua en el río Cali, empleando macroinvertebrados acuáticos como bioindicadores de calidad del agua. (Proyecto de grado). Universidad Autónoma de Occidente. Cali. Colombiahttps://hdl.handle.net/10614/16058Universidad Autónoma de OccidenteRespositorio Educativo Digital UAOhttps://red.uao.edu.co/El río Cali, vital para la ciudad de Santiago de Cali, enfrenta múltiples desafíos por la contaminación y las actividades humanas. Sus aguas, fundamentales para el abastecimiento y los servicios ecosistémicos, han sufrido un deterioro significativo, afectando tanto su biodiversidad como la calidad de vida de las comunidades que dependen de él. Comprender estas problemáticas es crucial para restaurar este recurso y desarrollar estrategias innovadoras que aseguren su sostenibilidad frente a un futuro incierto. Considerando lo anterior, en este proyecto se implementaron modelos ecológicos para evaluar la calidad hidrobiológica del agua en el río Cali. Para la construcción de la base de datos, se utilizó información fisicoquímica, hidráulica e hidrobiológica de estudios realizados por la CVC y la Universidad Autónoma de Occidente en el marco del Plan de Ordenamiento del Recurso Hídrico (PORH) del río Cali entre 2021 y 2023. A partir de estos datos, se plantearon dos modelos con diferentes enfoques: uno para determinar la calidad hidrobiológica del agua basado en índices bióticos, específicamente el BMWP/Col, y otro de idoneidad de hábitat para predecir la ocurrencia de dos familias de macroinvertebrados acuáticos (Trichoptera:Helicopsychidae y Plecoptera:Perlidae) bajo diferentes condiciones ambientales. Se emplearon cuatro técnicas de minería de datos: lógica difusa, regresión logística, regresión binomial negativa y árboles de clasificación, evaluando su desempeño mediante indicadores como el F1-Score, precisión y recall. El análisis estadístico realizado, y los modelos planteados fueron creados utilizando herramientas como XLSTAT y el lenguaje de programación Python. La selección de variables predictoras se realizó mediante análisis de componentes principales (PCA) con rotación Varimax, complementado con diagramas de dispersión y box plots para explorar las relaciones entre predictores y la variable respuesta. Además, se consideraron estudios previos para la lógica difusa y un algoritmo experimental basado en el AIC del modelo. Los resultados mostraron que la lógica difusa fue la técnica más adecuada para predecir la calidad del agua con base en el índice BMWP/Col, logrando una precisión de 0,78, un F1-Score de 0,79 y una exactitud de 0,93. El modelo de idoneidad de hábitat también presentó excelentes resultados, destacándose nuevamente la lógica difusa con una precisión de 0,88 para Helicopsychidae y 0,93 para Plecoptera. Debido a la cantidad limitada de observaciones en la base de datos, las demás técnicas implementadas no alcanzaron resultados satisfactorios, pues requieren un proceso de calibración y validación más robusto al tratarse de herramientas basadas en el aprendizaje automático. Se espera a futuro aumentar el tamaño de los registros para facilitar la aplicación y escalabilidad de los modelos implementados. En conclusión, los modelos ecológicos basados en la lógica difusa demostraron ser herramientas efectivas para caracterizar y predecir la calidad hidrobiológica del río Cali, ofreciendo una base metodológica replicable para futuros estudios y la gestión sostenible de recursos hídricos en sistemas similares.The Cali River, vital for the city of Santiago de Cali, faces multiple challenges due to pollution and human activities. Its waters, fundamental for water supply and ecosystem services, have suffered significant deterioration, affecting both its biodiversity and the quality of life of the communities that depend on it. Understanding these problems is crucial for restoring this resource and developing innovative strategies to ensure its sustainability in the face of an uncertain future. Considering the previous information, ecological models were implemented in this project to evaluate the hydrobiological quality of water in the Cali River. For the construction of the database, physicochemical, hydraulic and hydrobiological information from studies conducted by the CVC and the Universidad Autónoma de Occidente (Autonomous University of the West) in the framework of the Water Resource Management Plan (PORH) of the Cali River between 2021 and 2023 was used. From these data, two models with different approaches were proposed: one to determine the hydrobiological water quality based on biotic indices, specifically the BMWP/Col, and another of habitat suitability to predict the occurrence of two families of aquatic macroinvertebrates (Trichoptera: Helicopsychidae and Plecoptera: Perlidae) under different environmental conditions. Four data mining techniques were used: fuzzy logic, logistic regression, negative binomial regression and classification trees, evaluating their performance employing indicators such as F1-Score, precision and recall. The statistical analysis performed and the models developed were created using tools such as XLSTAT and the Python programming language. Predictor variable selection was carried out using Principal Component Analysis (PCA) with Varimax rotation, supplemented with scatter plots and box plots to explore relationships between predictors and the response variable. Additionally, prior studies for fuzzy logic and an experimental algorithm based on the model’s AIC were considered for decision-making. The results showed that fuzzy logic was the most suitable technique for predicting water quality based on the BMWP/Col index, achieving a precision of 0,78, an F1-Score of 0,79, and an accuracy of 0,93. The habitat suitability model also delivered excellent results, with fuzzy logic once again standing out, achieving a precision of 0,88 for Helicopsychidae and 0,93 for Plecoptera. Due to the limited number of observations in the database, the other techniques implemented did not achieve satisfactory results, as they require a more robust calibration and validation process since they are tools based on machine learning. In the future, the size of the records is expected to increase to facilitate the application and scalability of the implemented models. In conclusion, the ecological models based on fuzzy logic proved to be effective tools for characterizing and predicting the hydrobiological quality of the Cali River, offering a replicable methodological basis for future studies and the sustainable management of water resources in similar systems.Proyecto de grado (Ingeniero Ambiental)-- Universidad Autónoma de Occidente, 2025PregradoIngeniero(a) Ambiental121 páginasapplication/pdfspaUniversidad Autónoma de OccidenteIngeniería AmbientalFacultad de Ingeniería y Ciencias BásicasCaliDerechos reservados - Universidad Autónoma de Occidente, 2025https://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)http://purl.org/coar/access_right/c_abf2Modelación ecológica para estudiar la calidad hidrobiológica del agua en el río Cali, empleando macroinvertebrados acuáticos como bioindicadores de calidad del aguaTrabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1fTextinfo:eu-repo/semantics/bachelorThesishttp://purl.org/redcol/resource_type/TPinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/version/c_970fb48d4fbd8a85Ahmed, Z. (2020). Comparing Linear Regression Models: Lasso vs Ridge. Medium. https://zawar-ahmed.medium.com/comparing-linear-regression-models-lasso-vs-ridge-60587ff5a5aa All, M. (2024). Top 26 Python Libraries for Data Science in 2024. DataCamp. https://www.datacamp.com/blog/top-python-libraries-for-data-science Amazon Web Services. (2024) ¿Qué es Python? AWS. https://aws.amazon.com/es/what-is/python/ Anascol. (2022). Informe análisis de comunidades hidrobiológicas. Campaña de monitoreo: Septiembre. Universidad Autónoma de Occidente. Anascol. (2022). Informe análisis de comunidades hidrobiológicas. Campaña de monitoreo: Agosto. Universidad Autónoma de Occidente. Ariza-Restrepo, J.L., Rodríguez-Díaz, Y.J., Oñate-Barraza, H.C. (2022). Water quality indices (WQI) and contamination indices (WPI) a bibliographic review. Tecnura. 27(77), 1-20. https://bit.ly/4htwIFs Azuaje, I., Miranda, M. Iglesias, E., Camacho, O., García, Y. (2018). Controlador difuso mejorado para estrategias de control en cascada y por acción anticipada. Revista Ciencia e Ingeniería, (39), 39-38. https://bit.ly/3CIlOwq Bejar, S. (2024). Modelos para variables dependientes de conteo. RPubs. https://rpubs.com/bebejar/1189387 Ben Yahia, N., Ben Saoud, N., Ben Ghezala, H. (2012). Integrating fuzzy case-based reasoning and particle swarm optimization to support decisión making. International Journal of Computer Science Issues, (9), 117-124. https://bit.ly/3ZVbUPI Blanco, J.A. (2013). Modelos Ecológicos: Descripción, Explicaciones y Predicción. Ecosistemas, (22), 1-5. https://www.redalyc.org/articulo.oa?id=54029508001 Cameron, A.C., Trivedi, P.K. (2005). Models of Count Data (Cap. 20). Microeconometrics: Methods and Applications. Cambridge. https://typeset.io/pdf/microeconometrics-methods-and-applications-1b0z9bykeq.pdf Castillo-Figueroa, D., Garzón Salamanca, L.L., Albarracín-Caro, J.F. (2018). Macroinvertebrados acuáticos como indicadores de calidad del agua en Colombia. [Infografía]. Congreso AQUATROP. Ecosistemas acuáticos tropicales en el Antropoceno. https://bit.ly/3CHLJnZ Chaturvedi, N. (2021). Leave-One-Out Cross-Validation. Medium. https://medium.datadriveninvestor.com/leave-one-out-cross-validation-32fa248c1739 Choi, H. (2020). Lecture 9: Classification and Regression Tree (CART). Lectures on Machine Learning (Fall 2017). Universidad de Seúl. https://www.math.snu.ac.kr/~hichoi/machinelearning/lecturenotes/CART.pdf Cornare. (2021). Determinación de la calidad ecológica del Río Negro y afluentes con base en la comunidad de macroinvertebrados acuáticos, ficoperifiton, macrofitas y peces. Corporación Académica Ambiental Universidad de Antioquia. https://bit.ly/3PmcAZx Corporación Autónoma Regional del Valle del Cauca - CVC y Universidad Autónoma de Occidente (2023). Documento síntesis de formulación del Plan de Ordenamiento del Recurso Hídrico - PORH de los ríos Cali y Aguacatal. https://bit.ly/40jSYf2 Corporación Autónoma Regional del Valle del Cauca (CVC). Universidad Autónoma de Occidente. (2022). Proyecto: Plan de ordenamiento del recurso hídrico del cauce natural de los ríos Cali y Jamundí y sus tributarios priorizados. [Segundo informe técnico – acciones previas al proceso de ordenamiento]. Convenio de asociación CVC – UAO No. 229 de 2021. Corporación Autónoma Regional del Valle del Cauca (CVC). Universidad Autónoma de Occidente. (2023). Proyecto: Plan de ordenamiento del recurso hídrico del cauce natural de los ríos Cali y Jamundí y sus tributarios priorizados. [Tercer informe técnico – caracterización inicial, trabajo de campo y construcción de la línea base]. Convenio de asociación CVC – UAO No. 229 de 2021. De Nápoli, P. (2020). El binomio de Newton. [Diapositivas]. Universidad de Buenos Aires. https://mate.dm.uba.ar/~pdenapo/apuntes-algebraI/2020/2do-cuatrimestre/clase-09-el_binomio_de_Newton.pdf Departamento Administrativo de Gestión del Medio Ambiente. Universidad del Valle. (2007). Identificación de la Situación Ambiental de la Cuenca Hidrográfica del Río Cali, Zona Urbana de Santiago de Cali. Alcaldía de Santiago de Cali. https://www.cali.gov.co/publico2/documentos/dagma/informeejecutivorioscaliyaguacatal.pdf Diciembre, S. (2017). Sistemas de Control con Lógica Difusa: Métodos de Mamdani y de Takagi-Sugeno-Kang (TSK). [Tesis de pregrado]. Universidad Jaume I. https://core.ac.uk/download/pdf/153569963.pdf Everitt, B. (2005). An R and S-PLUS Companion to Multivariate Analysis (1ar. ed.). Londres: Editorial Board García, J.M., Sarmiento, L.F., Salvador, M., Porras, L.S. (2017). Uso de bioindicadores para la evaluación de la calidad del agua en ríos: aplicación en ríos tropicales de alta montaña. Revisión corta. UGCiencia, (23), 47-62. https://revistas.ugca.edu.co/index.php/ugciencia/article/download/659/1174/ García, S., Luengo, J., Herrera, F. (2015). Data Preparation Basic Models. Data preprocessing in data mining. Editorial Springer. http://www.pzs.dstu.dp.ua/DataMining/preprocessing/bibl/Data%20Preprocessing%20in%20Data%20Mining.pdf Gareth, J., Witten, D., Hastie, T., Tibshirani, R. (2013). Resampling Methods. An Introduction to Statistical Learning with Applications in R. https://bit.ly/415UCB9 Geary, W., Bode, M., Doherty, T., Fulton, E., Nimmo, D., Tulloch, A., Tulloch, V., Ritchie, E. (2020). A guide to ecosystem models and their environmental applications. Nature Ecology y Evolution, (4), 1459-1471. https://www.nature.com/articles/s41559-020-01298-8 Geeks fot Geeks, (2024). Why is Overfitting Bad in Machine Learning. https://www.geeksforgeeks.org/why-is-overfitting-bad-in-machine-learning/ Gutiérrez García, M.L. (2020). Revisión sobre la utilización de bioindicadores para analizar la calidad del aire en contextos urbanos. [Tesis de pregrado, Universidad Nacional Abierta y a Distancia - UNAD]. https://bit.ly/4k3lt8H Holguín González, J.E. (2013). Integrated ecological modelling for decision support in river management [Tesis doctoral]. Ghent University. Ghent. Belgium. https://biblio.ugent.be/publication/4127571 IBM. (2024). What is lasso regression? https://ibm.co/3EuAP5L Jurafsky, D., Martin, J. H. (2024). Logistic Regression. Speech and Language Processing (Cap. 5.). Universidad de Standford. https://web.stanford.edu/~jurafsky/slp3/5.pdf Khalid, Z. (2021). Analysis and Evaluation of Classifier’s Performance and Multi-class Classification. [Diapositivas]. Lahore University of Management Sciences (LUMS). https://www.zubairkhalid.org/ee514/2021/notes04.pdf Kiliç, I. (2023). Principal Component Analysis (PCA): A Practical Guide. Medium. https://bit.ly/419Ny6Q Krüger, F. (2016). Activity, Context and Plan Recognition with Computational Causal Behaviour Models. [Tesis doctoral]. Universität Rostock. http://bit.ly/40a0w3O Ladrera, R., Rieradevall, M., Narcís, P. (2013). Macroinvertebrados acuáticos como indicadores biológicos: una herramienta didáctica. Ikastorratza. e-Revista de Didáctica. https://bit.ly/4iYOkdA Lee, A. (2020). Comprensión de la matriz de confusión y cómo implementarla en Python. DataSource.ai. https://bit.ly/4hsoTjs Lumivero. (2024). XLSTAT by Lumivero. https://www.xlstat.com/en/ Ministerio de Ambiente y Desarrollo Sostenible (MADS). (2018). Guía Nacional de Modelación del recurso hídrico para aguas superficiales continentales. Dirección de Gestión Integral del Recurso Hídrico. https://bit.ly/3CT9v0l Ministerio para la Transición Ecológica y el Reto Demográfico. (2024). Estado y calidad de las aguas superficiales. Gobierno de España. https://bit.ly/40h1dbr Mosquera, R., Palacios, M.L., Soto, A., (2008). Bioindicación de la calidad del agua del río Cali, Valle del Cauca, Colombia; usando macroinvertebrados acuáticos. Grupo de Investigación en Estudios Ambientales para el Desarrollo Sostenible (GEADES). Asociación Colombiana de ciencias biológicas. https://bit.ly/4aPhng6 Ojeda Tabares, D. (2021). Modelo predictivo de datos de eventos sísmicos en la ciudad de Cali. [Tesis de pregrado]. Universidad Autónoma de Occidente. https://hdl.handle.net/10614/13620 Oñate-Barraza, H. C., Cortez-Henao, G. Y. (2020). Estado del agua del río Cesar por vertimientos residuales de la ciudad de Valledupar. Bioindicación por índice BMWP/COL . Tecnura, 24(65), 39–48. https://doi.org/10.14483/22487638.15766 Organización Mundial de la Salud. (2023). Agua para consumo humano. http://bit.ly/3CvAQWv Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., y Duchesnay, É. (2011). Decision Trees. Scikit-learn: Machine Learning in Python. Scikit-learn. https://bit.ly/49QBbPH Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., y Duchesnay, É. (2011). Linear Models. Scikit-learn: Machine Learning in Python. https://bit.ly/4fCcdF1 Perktold, J., Seabold, S., Taylor, J. (2023). Generalized Linear Models. StatsModels 0.14.4. https://www.statsmodels.org/stable/glm.html Posit Software. (2009). RStudio IDE User Guide. Release 2024.09.1. https://docs.posit.co/ide/user/ Python Software Foundation. (2024). Interfaces gráficas de usuario con Tk. Documentación de Python – 3.13.1. https://docs.python.org/es/3/library/tk.html Quesada-Alvarado, F., Umaña-Villalobos, G., Springer, M., Picado-Barboza, J. (2020). Variación estacional y características fisicoquímicas e hidrológicas que influyen en los macroinvertebrados acuáticos, en un río tropical. Revista de Biología Tropical, 68(Suppl. 2), 54-67. https://dx.doi.org/10.15517/rbt.v68is2.44332 Quiñones-Huantangari, L., Ochoa, L., Milla-Pino, M., Bazán, J., Gamarra, O., Rascón, J. (2020). Water quality index using fuzzy logic Utcubamba River, Peru. Revista de Ciencias Agrícolas, (37), 6-18. https://bit.ly/4hLA4U6 Roldán Pérez, G. (2003). Bioindicación de la calidad del agua en Colombia. Primera edición. Editorial Universidad de Antioquia. Medellín. Roldán Pérez, G. (2012). Los macroinvertebrados como bioindicadores de la calidad del agua. Corporación Autónoma Regional de Cundinamarca (CAR). Imprenta Nacional de Colombia. https://ianas.org/wp-content/uploads/2020/07/wbp12.pdf Rubalcaba, J. (2024). Cosas que conviene saber al usar AIC, DIC y otros criterios de información. GitHub Pages. https://jrubalcaba.github.io/posts/information_criterion/ Schmolke, A., Thorbek, P., DeAngelis, D., Grimm, V., (2010). Ecological models supporting environmental decision making: a strategy for the future. Trends in Ecology and Evolution, (25), 479-486. https://bit.ly/3W17uWr Schuwirth, N., Borgwardt, F., Domisch, S., Friedrichs, M., Kattwinkel, M., Kneis, D., Kuemmerlen, M., Langhans, S., Martínez-López, J., Vermeiren, P. (2019). How to make ecological models useful for environmental management. Ecological Modelling, (411), 2-11. https://www.sciencedirect.com/science/article/pii/S0304380019302923 StatPoint, (2006). Regresión Binomial Negativa. STATGRAPHICS - Rev- 4/25/2007. https://bit.ly/4gYv5z2 Tampo, L., Kaboré, I., Alhassan, E., Ouéda, A., Bawa, L., Djaneye-Boundjou, G. (2021). Benthic Macroinvertebrates as Ecological indicators: Their Sensitivity to the Water Quality and Human Disturbances in a Tropical River. Frontiers in Water, 3, 1-17. https://bit.ly/40k3Tp2 University of Houston. Math 1342 Section 1.4. (2023) [Diapositivas de clase]. https://bit.ly/4hrAWxu Valencia Escobar, D.M. (2011). Macroinvertebrados acuáticos epicontinentales y la calidad biológica del agua del río Jordán, Jamundí (Valle del Cauca). [Tesis de pregrado]. Repositorio Institucional Universidad Autónoma de Occidente. https://bit.ly/3PhE2Yu Yaldex. (s.f). Fuzzy Logic. https://bit.ly/3EtuPKl Zambrano Quiñones, V. (2020). Modelos ecológicos para estudiar la calidad hidrobiológica del agua en el río Bitaco empleando macroinvertebrados acuáticos como bioindicadores de calidad del agua. [Tesis de pregrado, Universidad Autónoma de Occidente - UAO]. https://bit.ly/4hNVOyu Zúñiga, M. (2009). Bioindicadores de calidad de agua y caudal ambiental. Facultad de Ingeniería, Universidad del Valle. Zuur, A.F., Leno, E.N., Elphick, C.S. (2010). A protocol for data exploration to avoid common statistical problems. British Ecological Society, (1), 3-14. https://bit.ly/4a07Q5nIngeniería AmbientalModelos ecológicosTécnicas de minería de datosLógica difusaMacroinvertebrados acuáticosPitónCalidad hidrobiológica del aguaGestión del recurso hídricoEcological modelsData mining techniquesFuzzy logicAquatic macroinvertebratesPythonHydrobiological water qualityWater resource managementComunidad generalPublicationhttps://scholar.google.com/citations?user=rq0x3Y0AAAAJ&hl=envirtual::5937-1https://scholar.google.es/citations?hl=es&pli=1&user=UEEtPa8AAAAJvirtual::5938-10000-0002-1875-8245virtual::5937-1https://orcid.org/0000-0002-8924-468Xvirtual::5938-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000521701virtual::5937-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000029386virtual::5938-1fca751bd-8d1e-4f05-88e4-aa1856a4e9a9virtual::5937-1fca751bd-8d1e-4f05-88e4-aa1856a4e9a9virtual::5937-1860e18e9-1df6-441c-b1ad-91ffd14106e0virtual::5938-1860e18e9-1df6-441c-b1ad-91ffd14106e0virtual::5938-1LICENSElicense.txtlicense.txttext/plain; charset=utf-81672https://red.uao.edu.co/bitstreams/9e37107f-4fe5-42ab-b52c-fbd636ec947f/download6987b791264a2b5525252450f99b10d1MD51ORIGINALT11339_Modelación ecológica para estudiar la calidad hidrobiológica del agua en el río Cali, empleando Macroinvertebrados acuáticos como Bioindicadores de.pdfT11339_Modelación ecológica para estudiar la calidad hidrobiológica del agua en el río Cali, empleando Macroinvertebrados acuáticos como Bioindicadores de.pdfArchivo texto completo del trabajo de grado, PDFapplication/pdf5424176https://red.uao.edu.co/bitstreams/63896539-39ba-47b9-80fd-2ac62a1c1bfc/download65f8b5228d86cc0ae9bba4104ac467a0MD52TA11339_Autorización trabajo de grado.pdfTA11339_Autorización trabajo de grado.pdfAutorización para publicación del trabajo de gradoapplication/pdf692195https://red.uao.edu.co/bitstreams/37379e80-b3b8-49ba-966b-523a216ede95/download7cdb4358db433b833977ee7a1c3d4b74MD53TEXTT11339_Modelación ecológica para estudiar la calidad hidrobiológica del agua en el río Cali, empleando Macroinvertebrados acuáticos como Bioindicadores de.pdf.txtT11339_Modelación ecológica para estudiar la calidad hidrobiológica del agua en el río Cali, empleando Macroinvertebrados acuáticos como Bioindicadores de.pdf.txtExtracted texttext/plain104273https://red.uao.edu.co/bitstreams/ccfbec37-dcc9-42d5-8116-e844a4d8a6aa/download8be4f5241c821679c2fb1883842cc5b9MD54TA11339_Autorización trabajo de grado.pdf.txtTA11339_Autorización trabajo de grado.pdf.txtExtracted texttext/plain5334https://red.uao.edu.co/bitstreams/a237d1db-0844-4590-830f-e971b693b43b/download02065b873375d98235ab7c7f955d8e56MD56THUMBNAILT11339_Modelación ecológica para estudiar la calidad hidrobiológica del agua en el río Cali, empleando Macroinvertebrados acuáticos como Bioindicadores de.pdf.jpgT11339_Modelación ecológica para estudiar la calidad hidrobiológica del agua en el río Cali, empleando Macroinvertebrados acuáticos como Bioindicadores de.pdf.jpgGenerated Thumbnailimage/jpeg7092https://red.uao.edu.co/bitstreams/7390330c-ef9d-416a-b9f7-5a5cf66b0b13/download6b2e6cee1cec1aa4526bd2685b91f2baMD55TA11339_Autorización trabajo de grado.pdf.jpgTA11339_Autorización trabajo de grado.pdf.jpgGenerated Thumbnailimage/jpeg13291https://red.uao.edu.co/bitstreams/93b6ce89-c1be-40de-ad9a-5d5026e8bd7b/download44fee1cf9e568d90ced2cfb375a5da3fMD5710614/16058oai:red.uao.edu.co:10614/160582025-03-18 03:02:34.783https://creativecommons.org/licenses/by-nc-nd/4.0/Derechos reservados - Universidad Autónoma de Occidente, 2025open.accesshttps://red.uao.edu.coRepositorio Digital Universidad Autonoma de Occidenterepositorio@uao.edu.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 |