Análisis de la calidad del agua del río Mahakam utilizando el modelo de regresión de panel geográficamente ponderado

Área de la Ciencia:

• Ciencias Ambientales
• Estadística Espacial
• Gestión de la Calidad del Agua

Sus antecedentes:

• El río Mahakam enfrenta desafíos con la demanda bioquímica de oxígeno (DBO).
• La comprensión de las variaciones espaciales y temporales en la calidad del agua es crucial.
• Los modelos existentes pueden no capturar completamente la heterogeneidad espacial en los ecosistemas fluviales.

Objetivo del estudio:

• Aplicar el modelo de regresión de panel geográficamente ponderado (GWPR) a los datos de calidad del agua del río Mahakam.
• Identificar y mapear los factores clave que influyen en la demanda bioquímica de oxígeno (DBO) en diferentes lugares y momentos.
• Comparar el rendimiento de GWPR con un modelo global de efectos fijos (FEM).

Principales métodos:

• Se utilizaron datos de panel sobre la DBO del agua del río Mahakam de 2022-2024.
• Se empleó el modelo GWPR con FEM como modelo global, incorporando una transformación de promediado para los efectos temporales.
• Se realizó análisis espacial y modelado estadístico utilizando R, GNU Octave, QGIS y Google Earth.

Principales resultados:

• El modelo GWPR demostró un rendimiento superior al FEM, evidenciado por un AIC más bajo y un R-cuadrado más alto (80,321%).
• Se identificaron como factores clave que influyen en la DBO la temperatura, el pH del agua, el grado de color, el nitrato, el amoníaco, los sólidos suspendidos totales y el sulfato.
• El estudio mapeó con éxito la distribución espacial de estos factores influyentes.

Conclusiones:

• El modelo GWPR es una herramienta poderosa para analizar datos de panel espacialmente heterogéneos en estudios ambientales.
• La identificación precisa de los factores que influyen en la DBO permite estrategias de gestión específicas de la calidad del agua para el río Mahakam.
• El análisis local proporcionó una comprensión más matizada de la dinámica de la calidad del agua en comparación con los modelos globales.