MODELACIÓN DE LA CONTAMINACIÓN DEL RÍO SUCHES MEDIANTE

ÍNDICES DE CONTAMINACIÓN - ICO, PUNO - PERÚ

Teófilo Donaires F. German Quille C., Grettel G. Quispe T., Francely C. Mullisaca T., Delfín León
H., Lisbeth N. Mamani P. , Karelly E. Molina P.

Universidad Nacional del Altiplano Puno-Perú

Facultad de Ingeniería Química
tdonaires@unap.edu.pe
RESUMEN

El río Suches de carácter binacional, eje del desarrollo socioeconómico de la zona de estudio,
la actividad minera informal en su conjunto produce una serie de contaminantes gaseosos,
líquidos y sólidos, que alteran el ambiente y su entorno. El método estadístico utilizado para
la validación de los modelos de contaminación es el Análisis Multivariado, cuya finalidad
es analizar simultáneamente conjuntos de datos multivariantes formados por OD, pH, DBO5,
nitratos, fosfatos, temperatura, turbiedad, sólidos totales, arsénico, cadmio, cobre, hierro,
mercurio y plomo. Se logró establecer durante los años 2009-2014 y en las tres condiciones
climatológicas. El río Suches en la primera parte presenta ICOSUCHES, se considera
aceptable calidad, el modelo es Y = 579 + 0,245 X2 – 0,270 X3 – 4,25 X4 – 1,001 X10
– 0,207 X11 + 0,622 X12 – 1,107 X13 ± ε, tiene R2 73,50%, presenta un índice de
contaminación 0,20 representa baja contaminación por presencia de micro contaminantes;,
en donde alcanza el mayor deterioro de la calidad del río, el modelo es Y = -134,8
– 0,1138 X1 – 0,0884 X2 + 1,855 X4 + 0,4750 X5 – 0,4605 X10 + 0,1440 X11 – 0,5409 X13
+ 0,2422 X14 ± ε, tiene R2 98,07%, presenta índice de contaminación 0,70 que representa
alta contaminación por presencia de metales pesados, no obstante que en este tramo los
índices clasifican el agua entre inadecuada y aceptable calidad, el modelo es Y = 12,3
+ 0,241 X5 + 0,527 X13 ± ε. El cual tiene R2 50,08%, presenta índice de contaminación 0,50
que representa mediana contaminación por presencia del mercurio.
Palabras claves: calidad, contaminación, índice, multivariado, río Suches.

ABSTRACT

The Suches River binational axis of socioeconomic development in the study area, informal
mining as a whole produces a series of gaseous and solid pollutants, liquids, which alter the

1
atmosphere and environment. The statistical method used to validate models pollution is the
Multivariate Analysis, which aims to simultaneously analyze multivariate datasets formed
by OD, pH, BOD5, nitrates, phosphates, temperature, turbidity, total solids, arsenic,
cadmium, copper, iron, mercury and lead. it was established during the 2009-2014 and the
three weather conditions. The Suches River in the first part presents quality index
ICOSUCHES is considered acceptable quality, the model is Y = 579 + 0,245 X2 – 0,270 X3
– 4,25 X4 – 1,001 X10 – 0,207 X11 + 0,622 X12 – 1,107 X13 ± ε, R2 73,50%, presents a
pollution index 0.20 represents low contamination presence of micro pollutants; presents
quality index representing poor quality, where it reaches the further deterioration of the
quality of the river, the model is Y = -134,8 – 0,1138 X1 – 0,0884 X2 + 1,855 X4 + 0,4750 X5
– 0,4605 X10 + 0,1440 X11 – 0,5409 X13 + 0,2422 X14 ± ε, R2 98,07%, 0.70 presents
pollution index representing high contamination of heavy metals, although in this section
indices classify water between inadequate and acceptable quality, the model is Y = 12,3
+ 0,241 X5 + 0,527 X13 ± ε. R2 which has 50.08%, 0.50 presents pollution index
representing median presence of mercury contamination.
Keywords: quality, pollution index, multivariate, Suches River.

INTRODUCCIÓN
Los parámetros físico-químicos dan una información extensa de la naturaleza de las especies
químicas del agua y sus propiedades físicas, sin aportar información de su influencia en la
vida acuática; los métodos biológicos aportan esta información, pero no señalan nada acerca
del contaminante o los contaminantes responsables, por lo que muchos investigadores
recomiendan la utilización de ambos en la evaluación del recurso hídrico (Orozco, Perez,
Gonzalez, Rodriguez, & Alfayate, 2002). El tratamiento de los datos obtenidos en el
monitoreo suele ser una tarea dispendiosa y en muchas ocasiones de difícil entendimiento
para los diferentes actores involucrados en el proceso de la valoración de la calidad, pues en
la actualidad los valores obtenidos deben permitir resolver diferentes tipos de conflictos
como el uso del agua y la integridad ecológica de los sistemas acuáticos, los cuales
involucran también aspectos socioeconómicos (Fernandez & Solano, 2005).

La implementación de nuevas metodologías que involucren más de dos parámetros para la

valoración de la calidad del agua toma cada vez más importancia, los índices de calidad del
agua engloban varios parámetros en su mayoría fisicoquímicos y en algunos casos

2
microbiológicos que permiten reducir la información a una expresión sencilla, conocida
como: índices de calidad del agua (ICA) e índices de contaminación del agua (ICO). Los
resultados de un monitoreo deben permitir resolver diferentes tipos de conflictos como el
uso del agua y la integridad ecológica de los sistemas acuáticos, los cuales involucran
aspectos socioeconómicos, por lo que los ICA e ICO son una herramienta importante pues
su cálculo involucra más de una variable, de tal manera que el uso correcto de estos
indicadores permite utilizarlos para la evaluación de los programas de gestión de recursos
hídricos (Fernandez & Solano, 2005).

La cuenca del río Suches es de carácter binacional Perú - Bolivia, ubicado en el distrito de
Cojata, provincia de Huancané, departamento y región de Puno, donde se generan diferentes
procesos de contaminación ambiental, deteriorando la calidad ambiental de la cuenca del
lago Titicaca, debido a que desemboca, afectando a las condiciones de vida de las
comunidades involucradas tanto abióticos y bióticos. Según estudios realizados por un grupo
de investigadores de la Universidad Nacional del Altiplano, han encontrado presencia de
metales pesados de 0.0010 mg/L de arsénico, 0.0200 mg/L de cadmio, 0.0840 mg/L de
cobre, 0.4933 mg/L de hierro, 0.0002 mg/L de mercurio y 0.0500 mg/L de plomo (Valdivia,
y otros, 2012).

El objetivo general es el de proveer a las autoridades encargadas del manejo y administración

del recurso hídrico una herramienta moderna, eficaz y confiable que permita a la entidad el
análisis y toma de decisiones con respecto a actividades, obras, impactos, estado actual y
futuro del río. Tal herramienta aborda aspectos técnicos relacionados con la hidrología de la
cuenca, la hidráulica y la sedimentología del río, las características geomorfológicas,
morfológicas, morfodinámicas y de calidad del agua del río Suches. Los índices de calidad
de agua constituyen una herramienta eficaz para el manejo y la gestión de las corrientes de
aguas superficiales en cuencas hidrográficas (Marquez C., 2008).

3
MATERIALES Y MÉTODOS
Información de datos históricos del monitoreo de calidad de agua. Contiene los
resultados de la evaluación de los parámetros físicos, químicos y microbiológicos
relacionados con la calidad del agua en el ámbito de la cuenca de los ríos Suches lado
peruano, correspondientes a la época de transición de avenida en el año 2009 y 2010
(Valdivia, y otros, 2012), asimismo se tiene información de los monitoreos realizados por la
Autoridad Nacional del Agua (ANA) con sede en Puno (ANA, Informe técnico 023 - 2013
Resultados monitoreo de la calidad de agua en la Cuenca del Río Suches, 2013), asimismo,
se tiene geo referenciado los puntos de monitoreo, se muestran en la tabla 3. Estas
coordenadas son los puntos de muestreo realizado por la ANA. Los datos históricos se
utilizaron para el modelamiento de la contaminación del río Suches.
Regresión lineal múltiple. En la regresión lineal múltiple tratamos de determinar la relación
existente entre la variable dependiente (Y) y dos o más variables independientes (X1, X2, X3,
..., XK ) también llamadas variables regresoras. En este caso la variable dependiente se ve
afectada por los cambios que se hagan a las variables independientes en conjunto. La relación
entre las variables regresoras y la variable dependiente se establece mediante el modelo
general de regresión lineal múltiple (Montgomery, 2004).
Y   0  1 X 1   2 X 2   3 X 3       k X k

donde β0, β1, β2, ..., βk son los parámetros del modelo (se tienen k variables independientes
y p parámetros).

Operacionalización de variables. La contaminación del río Suches: Oxígeno Disuelto (X1),

pH (X2), DBO5 (X3), Nitrato (X4), Fosfato (X5), Temperatura (X6), Turbiedad (X7), Sólidos
Totales (X8), Arsénico (X9), Cadmio (X10), Cobre (X11), Hierro (X12), Mercurio (X13), Plomo
(X14). La calidad del río Suches está en función de los índices de calidad y de contaminación.

𝐼𝐶𝐴𝑆𝑈𝐶𝐻𝐸𝑆 = ∑ 𝐼𝑖 𝑊𝑖

  
ICA   I iWi   I1W1  I 2W2  I 3W3 ... I nWn 
n

i 1

En el caso de los ICOs se utilizó un procedimiento de cálculo basado en el promedio

aritmético de los valores hallados en cada uno de los subíndices (Ii) estimados para cada
parámetro fisicoquímico y microbiológico evaluado. Para determinar el valor de los ICOs
en el río Suches se elaboró una hoja de cálculo electrónica que pudiese ser aplicada a

4
cualquier fecha y estación de monitoreo y que permitiera reducir el tiempo de cálculo de los
índices.

RESULTADOS Y DISCUSIONES

Tramo I. Salida del Lago Suches – Hito 19. El tramo I presenta un valor de ICOMI de
0,28, se clasifica el agua con una calidad que hace riesgoso el uso agropecuario sin
tratamiento por la presencia de metales pesados. Por lo tanto, para su uso requiere un
tratamiento preliminar para el uso agropecuario. El ICOMO de 0,20, se clasifica el agua con
una calidad que hace riesgoso el uso agropecuario sin tratamiento por la presencia de metales
pesados. Por lo tanto, para su uso requiere un tratamiento preliminar para el uso
agropecuario. Se presentan valores de ICOSUS con valor máximo de 0,64 y un valor mínimo
de 0,42 el cual contaminación alta.
Interpretación: el método paso a paso termina en 6 pasos. La primera variable eliminada
del modelo es el índice de sólidos totales (X8), cuyo valor de la prueba t, 0,13, es el más
pequeño de todos, luego se eliminan, índice de plomo (X14), índice de turbiedad (X7), índice
de arsénico (X9), índice de fosfato (X5), índice de oxígeno disuelto (X1) y el índice de
temperatura (X6) en ese orden. El Modelo con discriminación de predictores: Y = 579
+ 0,245 X2 - 0,270 X3 - 4,25 X4 - 1,001 X10 - 0,207 X11 + 0,622 X12 - 1,107 X13 ± ε
El cual tiene un R2 de 73,50%, mientras que el modelo completo con 14 variables predictoras
tiene un R2 de 91,30%, se ha perdido un 17,80% de confiablidad en las predicciones, esto
nos indica con mayor número de variables predictoras se puede modelar con mayor
aproximación a la realidad. En el diagrama residual se puede observar una buena
aproximación.
Interpretación: existe normalidad en la distribución de los errores, debido a que los puntos
no se alejan mucho de una línea recta en el primer plot y algo de simetría que se puede ver
en el segundo. Sin embargo, es clara la presencia de los “outliers” en ambos extremos, lo
cual afecta la condición de normalidad. El plot de residuales versus el orden de la

5
observación y el plot de
residuales versus valores
predichos (“fits”). sugiere que
las observaciones 3, 4, 13, 16 y
17 son “outliers” en el sentido
vertical, estos "outliers" El plot
de residuales versus valores
predichos sugiere que la
varianza de los errores es
constante, porque no hay un patrón definido que siguen los puntos, por lo tanto, se presenta
en forma aleatoria.
Tramo II. Hito 19- Puente Castilla. El Tramo II presenta los valores de ICOMI, alcanzan
valores máximos de 0,68 y valores mínimos de 0,50, el cual nos indica que el agua está
contaminada por la actividad minera que se desarrolla, particularmente por la presencia de
metales pesados. El ICOMO, alcanzan valores máximos de 0,40 y valores mínimos de 0,30,
el cual nos indica que el agua está contaminada por la actividad minera que se desarrolla,
particularmente por la presencia de metales pesados. El ICOSUS, se observa una
contaminación alta porque presenta valores máximos de 0,80 el cual nos indica
contaminación alta debido a los sólidos suspendidos.
Interpretación: el método termina
en 6 pasos. La primera variable
eliminada del modelo es la DBO5
(X3), cuyo valor de la prueba t, 0,02,
es el más pequeño de todos, luego se
eliminan, índice de turbiedad (X7),
índice de temperatura (X6), índice de
arsénico(X9), índice de sólidos
totales(X8) y índice de hierro (X12)
en ese orden.
El Modelo con discriminación de predictores: Y = -134,8 - 0,1138 X1 - 0,0884 X2
+ 1,855 X4 + 0,4750 X5 - 0,4605 X10 + 0,1440 X11 - 0,5409 X13 + 0,2422 X14 ± ε
El cual tiene un R2 de 96,92 %, mientras que el modelo completo con 14 variables predictoras
tiene un R2 de 98,07%, se ha perdido un 1,15% de confiablidad en las predicciones, esto nos

6
indica con mayor número de variables predictoras se puede modelar con mayor
aproximación a la realidad.
Interpretación: existe normalidad en la distribución de los errores, debido a que los puntos
no se alejan mucho de una línea recta en el primer plot y algo de simetría que se puede ver
en el segundo. Sin embargo, es clara la presencia de los “outliers” en ambos extremos, lo
cual afecta la condición de normalidad. El plot de residuales versus el orden de la
observación y el plot de residuales versus valores predichos (“fits”). sugiere que las
observaciones 2, 10 y 13 son “outliers” en el sentido vertical, estos "outliers" El plot de
residuales versus valores predichos sugiere que la varianza de los errores es constante,
porque no hay un patrón definido que siguen los puntos.
Tramo III. Puente Castilla – Desembocadura Lago Titicaca. El tramo III presenta un ICOMI
de máximo de 0,42 y un valor mínimo de 0,30 en la desembocadura del río Suches, el cual
indica que está contaminado, durante el periodo 2009-2014, las condiciones climáticas de
verano, en donde la calidad del agua se clasifica como de media a alta contaminación,
presenta un riego alto para el uso agropecuario. El ICOMO de máximo de 0,18 y un valor
mínimo de 0,10 en la desembocadura del río Suches, el cual indica baja contaminado por
materia orgánica, durante el periodo 2009-2014, las condiciones climáticas de verano, en
donde la calidad del agua se clasifica como de baja contaminación por presencia de materia
orgánica. El ICOSUS, se presenta valores máximos de 0,70 y valores mínimos de 0,60 el
cual clasifica contaminación alta.
Interpretación: el método termina en 6 pasos. La primera variable eliminada del modelo es
el índice de turbiedad (X8), cuyo valor de la prueba t, 0,13, es el más pequeño de todos, luego
se eliminan, índice de plomo, índice de turbiedad, índice de arsénico, índice de cadmio,
índice de cobre e índice de hierro, en ese orden. El Modelo con discriminación de
predictores: Y = 12,3 + 0,241 X5 + 0,527 X13 ± ε
Técnicamente este modelo no tiene no es significativo, cual tiene un R2 de 50,08%, mientras
que el modelo completo con 14 variables predictoras tiene un R2 de 90,10%, se ha perdido
un 40,02% de confiablidad en las predicciones, esto nos indica con mayor número de
variables predictoras se puede modelar con mayor aproximación a la realidad.

7
Interpretación: existe normalidad en la distribución de los errores, debido a que los puntos
no se alejan mucho de una línea recta en el primer plot y algo de simetría que se puede ver
en el segundo. Sin embargo, es clara la presencia de los “outliers” en ambos extremos, lo
cual afecta la condición de normalidad. El plot de residuales versus el orden de la
observación y el plot de residuales versus
valores predichos (“fits”). sugiere que las
observaciones 4 y 10 son “outliers” en el
sentido vertical, estos "outliers" El plot de
residuales versus valores predichos sugiere
que la varianza de los errores es constante,
porque no hay un patrón definido que siguen
los puntos.
Evaluación de la contaminación del río suches mediante el ICOSUCHES. Muestreo
2009-2014
ÍNDICE FISICOQUIMICO
ICOSUCHES
AÑOS ESTACIÓN Valor Categoría
2009-2014

Tramo I 0,20 Baja

contaminación
Tramo II 0,70 Alta
contamianción
Tramo III 0,50 Mediana
contaminación
Fuente: elaboración propia
Como se puede mostrar la mayor contaminación es en el tramo II, esto se debe a la actividad
minera que se desarrolla en Lunar de Oro de la cuenca del río Suches. Los Modelos
ambientales son modelos muy dinámicos y no existe ninguna referencia sobre el tiempo de
caducidad de modelos ambientales.

CONCLUSIONES
Se ha realizado una revisión bibliográfica para el modelamiento de los Índices de
Contaminación (ICOs) formado por los Índices de Contaminación por Mineralización
(ICOMI), Índice de Contaminación por Sólidos Suspendidos (ICOSUS) y Índice de
Contaminación por Materia orgánica (ICOMO). La evaluación de la calidad del agua del río
Suches por medio de estos Índices de Calidad Agua (ICA) y contaminación (ICO)
Tramo I El Modelo con discriminación de predictores: Y = 703 - 0,110 X1 + 0,331 X2
- 0,426 X3 - 5,24 X4 + 0,218 X5 + 0,145 X6 - 1,099 X10 - 0,2264 X11 + 0,562 X12 - 1,558 X13

8
± ε. Además, presenta un índice de contaminación de 0,20 que representa baja
contaminación. Índice de calidad de 50 que representa de aceptable calidad. Tramo II. El
modelo con discriminación de predictores: Y = -174,7 - 0,1116 X1 - 0,1503 X2 + 2,285 X4
+ 0,5723 X5 - 0,0877 X8 - 0,4288 X10 + 0,1525 X11 - 0,0825 X12 - 0,5100 X13 + 0,2421 X14
± ε. Tramo III El modelo con discriminación de predictores:Y = 12,3 + 0,241 X5 + 0,527 X13
+ε.
La zonificación del Índice de Contaminación del agua durante la trayectoria del río Suches
aplicando ICOSUCHES permitió establecer que, en forma general durante los últimos años
(2009-2014) y las tres condiciones climáticas, El ICOMO de máximo de 0,18 y un valor
mínimo de 0,10 en la desembocadura del río Suches, el cual indica baja contaminado por
materia orgánica, durante el periodo 2009-2014, las condiciones climáticas de verano, en
donde la calidad del agua se clasifica como de baja contaminación por presencia de materia
orgánica. El ICOSUS, se presenta valores máximos de 0,70 y valores mínimos de 0,60 el
cual clasifica contaminación alta.

REFERENCIAS
A.L.T., A. B. (2004). Manejo Integral de la Cuenca del río Suches. La Paz - Bolivia: Proyecto
Conservación de la biodiversidad en la cuenca del Lago Titicaca-Desaguadero, Poopo y
Salar de CoipasaON DE LA BIODIVERSIDAD.
A.L.T., A. B. (2004). Manejo integral del río Suches. La Paz, Bolivia: Autoridad Binacional
Autónoma del Sistema Hídrico.
Abbasi , T., & Abbasi , S. (2012). Water Quality Indices (2nd ed.). N.Y.: 2012 Elsevier B.V. All
rights re.
Alloway, B. J., Ayres, D. C., & Way, J. (1997). Chemical Principles of Environmental Pollution
(First ed.). London UK: Chapman & Hall.
ANA, A. N. (2013). Informe técnico 023 - 2013 Resultados monitoreo de la calidad de agua en la
Cuenca del Río Suches. Lima: ANA.
ANA, A. N. (2014). Informe técnico 023 - 2013 Resultados monitoreo de la calidad de agua en la
Cuenca del Río Suches. Lima: ANA.
ATSDR, A. p. (2006). Cianuro. División de Toxicología y Medicina Ambiental, 1(1), 1-10.
Behar, R., Zúñiga de Cardoso, M., & Rojas, O. (2010). Análsis y valoración del índice de calidad de
agua (ICA) de la NSF: caso río Cali y Meléndez. Ingeniería y Competitividad, 5(1), 17-27.
CETESB. (2002). Índice de calidad del agua con fines de abastecimiento al público (IAP).
Tecnología de Saneamiento Ambiental de Brasil. , 115-123.
CVC, C. A. (2003). Análisis de laboratorios de las estaciones sobre el río Cauca, Tributarios y
descargas de aguas residuales que tributan a la cuenca del río Cauca. Santiago de Cali,
Colombia.: Información Grupo Calidad Ambiental.
CVC, C. A. (2004). Estudio de la calidad del agua del río Cauca y sus principales tributarios
mediante la aplicación de índice de calidad y contamianción. Santiago de Cali: CVC.
Davis, M., & Cornwell, D. (1998). Introduction to Environmental Engineering (Firts ed.). N.Y.:
McGraw Hill, Series in Water Resources and Environmental Engineering.
Dinius, H. S. (1987). Design of an index of water quality. JAWRA Journal of the American Water
Resources Association, 833-843.

9
EPA, E.-P.-A. (2015). http://water.usgs.gov/edu/earthwherewater.html. Retrieved 06 28, 2015, from
http://water.usgs.gov/edu/
Espejo, L. M. (2010). Cálculo de índice de calidad de aguas superficiales y análisis de la red de
monitoreo en las cuencas del Huasco, Elqui, Limari y Choapa. La Serena, Chile:
Universidad de la Serena. Facultad de Ingeniería.
Fernandez, N., & Solano, F. (2005). Indices de calidad y de contamianción del agua. Gestión y
Ambiente, 1(2), 1-12.
Fernández, N., Ramírez, A., & Solano, F. (2011). Physico-chemical water quality indices: a
comparative review. Revista BISTUA. Universidad de Pamplona. Colombia, 1(1), 19-30.
Geneviève , M., & Carrie, J. R. (2008). Water Quality Index for Biodiversity. Technical Development
Document. United Kingdom, 1-64.
Gonzales , V., Caicedo, O., & Aguirre, N. (2013). Application of water quality indices NSF, DINIUS
and BMWP. To Ayurá Creek Antioquia, Colombia. Gestión y Medio Ambiente, 97-108.
Gonzales, S. (2001). Impacto ambiental debido al uso del Cianuro en la minería a cielo abierto.
Ecotoxicology & Environmental Safety, 3(49), 255-261.
GRP, G. R. (2012, julio 30). Diagnostico Ambiental Regional - DAR Puno. Puno: Gobierno Regional
de Puno. Retrieved from siar.regionpuno.gob.pe: www.regionpuno.gob.pe
IDEAM, I. d. (2001). El Medio Ambiente en Colombia. El agua. Bogotá D.C.: Ministerio del
Ambiente. República de Colombia.
Kalavathy, S., Rakesh Sharma, T., & Sureshkumar, P. (2011). Water Quality Index of River Cauvery
in Tiruchirappalli district, Tamilnadu. Environmetal Science, 5(3), 55-61.
Landwehr, J. M., Deiniger , R. A., & House, R. A. (1976). A comparison of several water quality
indexes . Water Pollution Control , 48(5), 954-958.
Lazic, Z. R. (2004). Design of Experiments in Chemical Engineering (First ed.). United States of
America, Wiley-Vch Ed: Jhon Wiley.
MDC, M. D. (2012). Perú: Mineros informales bolivianos desbordan río Suches con relaves. Cojata,
Puno: Municipalidad Distrital de Cojata.
Mehmet, A., Koçer, T., & Meh, T. (2013). Parameters selection for water quality index in the
assessment of the environmental impacts of land-based trout farms. Ecological Indicators,
6(1), 672–681.
MINAGRI. (2010). Proyecto: Evaluación de los Recursos Hídricos en las Cuencas de los Ríos
Huancané y Suches. Lima: Ministerio de Agricultura. Autoridad Nacional del Agua.
MINAGRI, M. d. (2010). Estudio Hidrológico de las Cuencas Huancané y Suches. Lima, Perú:
Ministerio de Agricultura. Autoridad Nacional del Agua.
Nagels, J. W., Davis-Collery, R. J., & Smith, D. G. (2001). A water quality index for contact
recreation in New Zeland. Watyer Science and Technology, 43(1), 285-292.
Nazeera, S., Zaffar Hashmib, M., & Naseem Malika, R. N. (2014). Heavy metals distribution, risk
assessment and water quality characterization by water quality index of the River Soan,
Pakistan. Ecological Indicators, 262–270.
NSF, N. S. (2003). Water Quality Index. Boulder Area Sustainability Information Network. New
York: NSF.
Orozco, C., Perez, A., Gonzalez, M., Rodriguez, F., & Alfayate, J. (2002). Contaminacion ambiental
: una vision desde la quimica. (1ra ed.). Madrid (España). : Paraninfo.
Ortúzar, J., Willumsen, L., & Ortu, J. (2011). Modelling Transport (4th Edition ed.). New York:
Wiley.
Ott, W. R. (1978). Water quality index: a survey of indices used in the United States. Environmental
Protection Agency, 1-138.
Patiño, P., Holguín, J., Barba, L., Cruz, C., Ramirez, C., Duque, A., & Baena, L. (2008). Metodología
para la adaptación de un índice de calidad del agua en las condiciones medioambientales del
río Cauca en el tramo Salvajina- La Virginia. Seminario Internacional. Visión integral en el
mejoramiento de la calidad del agua, 1(1), 1-8.
Peche, R., Rodríguez, E., & Pech, J. (2012). Development of environmental quality indexes based
on fuzzy logic. A case study. Ecological Indicators., 23(1), 555–565.

10
Piller, O., Tavard, L., & Tavaret, J. (2014). Modeling the Transport of Physicochemical Parameters
for Water Network Security. Procedia Engineering, 70(1), 1344-1352.
PNUMA, P. d. (2011). GEO Titicaca. La Paz, Bolivia: Programa de las Naciones Unidas para el
Medio Ambiente (PNUMA).
PREQB. (2004). Puerto Rico Environmental Quality Board, Water Quality Inventory and List of
Impaired Waters. Puerto Rico: Final Report .
Queralt. (1982). Indice simplificado de calidad de agua. Revista Ingenierías Universidad de Medellín
- Water quality index, 156-166.
Ramírez, A., & Viña, G. (1998). Criterios de la calidad de aguay su relación con el bentos en el
área de influencia del oleoducto Cusiana-Coveñas. Cali, Colombia: Centro de Investigación
en control de contaminantes. Universidad del Valle .
Rojas, O. (1991). Índices de Calidad del agua en Fuentes de captación. Memorias del Seminario
internacional sobre Calidad del agua para consumo. Cali. Colombia: ACODAL-Seccional
Valle del Cauca.
Seijas, D., Sarmiento, A., & Squillante, G. (2011). Niveles de plomo en sangre en niños venezolanos.
Gaceta Médica Caracas, 119(3), 198-207.
Szefera, P., Domagała-Wieloszewskab, M., & Warz, J. (2003). Distribution and relationships of
mercury, lead, cadmium, copper and zinc in perch (Perca fluviatilis) from the Pomeranian
Bay and Szczecin Lagoon, southern Baltic. Food Chemistry, Volume 81(1), 73–83.
Taeyun, K., Peter Sheng, Y., & Kijin , P. (2000). Modeling water quality and hypoxia dynamics in
Upper Charlotte Harbor, Florida, U.S.A. during 2000. Estuarine, Coastal and Shelf Science,
Volume 90(Issue 4), 250–263.
Torres, P., Cruz, C. H., & Patiño, P. J. (2009). Indices de calidad de agua en fuentes superficiales
utilizadas en la producción de agua para consumo humano. Una visión crítica. Revista
Ingenierías Universidad de Medellín, 79-94.
Valdivia, V., Pinto, G., Zúñiga, H., Moreno, E., Fernandez, V., Donaires, T., . . . Aguilar, T. (2012).
Causas, efectos y alternativas de solución a la contaminación ambiental de la cuenca del
río Suches. Puno. Puno: UNAP, Universidad Nacional del Altiplano Puno. Oficina de
Investigación.
WRC, W. R. (2014). Water Research Center. Retrieved 12 15, 2014, from http://www.water-
research.net/index.php/water-treatment/water-monitoring/monitoring-the-quality-of-
surfacewaters

11