📄 ciencias de la Tierra

The Application of the Evidence-Cloud Model On the Water Quality Evaluation

Este artículo propone un método de evaluación de la calidad del agua que integra la teoría de nubes y la teoría de la evidencia para determinar probabilidades básicas y calcular probabilidades sintéticas para indicadores clave, mejorando así la precisión predictiva y la fiabilidad en comparación con los modelos tradicionales.

Autores originales: Dan Wang, Xin-Bao Gu

Publicado 2026-09-29

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Dan Wang, Xin-Bao Gu

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El agua es el cimiento silencioso de la vida moderna, fluyendo a través de tuberías hacia nuestros grifos y filtrándose por el suelo para alimentar los cultivos, pero su pureza rara vez es una cuestión simple de vista u olfato. En el complejo mundo de las ciencias ambientales, determinar si el agua subterránea es segura implica navegar por un paisaje de incertidumbre. Los datos recopilados de la tierra son a menudo difusos y aleatorios, mientras que los estándares de lo que constituye el agua "limpia" son líneas rígidas trazadas en un gráfico. Los métodos tradicionales para cerrar esta brecha han tenido dificultades; algunos dependen de cantidades masivas de datos que son difíciles de reunir, mientras que otros son tan conservadores que pintan un panorama excesivamente pesimista de la calidad del agua. Para resolver esto, los científicos han comenzado a combinar dos formas poderosas de pensar: una que maneja la difusidad de las mediciones del mundo real, y otra que fusiona diferentes piezas de evidencia para alcanzar una conclusión única y confiable. Este enfoque permite a los investigadores tratar la calidad del agua no como un número fijo, sino como un espectro de posibilidades que puede ser pesado y medido con mayor precisión.

En un estudio reciente centrado en la región industrial de la ciudad de Zibo, en la provincia de Shandong, los investigadores aplicaron este método combinado para evaluar la salud del agua subterránea local. El área, caracterizada por un terreno llano y una mezcla de industrias petroquímicas y químicas, presentó un entorno desafiante donde las fuentes de contaminación son complejas y variadas. El equipo seleccionó cinco indicadores específicos para actuar como los ojos y oídos de su evaluación: el oxígeno disuelto, que mide cuánto aire hay en el agua; el índice de permanganato, un indicador de la contaminación orgánica; el nitrógeno total y el fósforo total, que rastrean los nutrientes que pueden causar proliferaciones de algas; y el nitrógeno amoniacal, un subproducto común de los desechos. Recopilaron datos de diez pozos de monitoreo dispersos en el área de estudio de veinte kilómetros cuadrados, capturando una instantánea de la condición del agua en un momento específico.

Los investigadores no simplemente compararon estos números con una lista de aprobado o reprobado. En su lugar, utilizaron un marco matemático que reconoce la variación natural en los datos. Trataron cada estándar de calidad como una "nube" de posibilidades en lugar de un borde afilado, permitiendo que una medición que se sitúa cerca del límite sea comprendida en contexto. Este modelo de nube generó un grado de certeza para cada muestra de agua frente a cinco grados de calidad diferentes, que van desde excelente hasta muy mala. Una vez realizadas estas evaluaciones individuales, el equipo utilizó una técnica de fusión para combinar los cinco indicadores diferentes. Este paso fue crucial porque permitió al método ponderar la importancia de cada factor y resolver cualquier conflicto entre ellos, de forma muy similar a un juez que sopesa el testimonio de múltiples testigos para llegar a un veredicto. El resultado fue una probabilidad única y sintetizada para cada ubicación, indicando el grado de calidad del agua más probable.

Cuando el equipo aplicó este método a las siete secciones transversales que analizaron, los resultados fueron sorprendentemente precisos. El modelo identificó correctamente la calidad del agua en cada uno de los sitios al compararlo con las investigaciones de campo reales, logrando una coincidencia perfecta. En contraste, un método más tradicional utilizado para la comparación solo coincidió con los hallazgos reales el ochenta por ciento de las veces. El estudio reveló que, si bien la mayoría de las áreas muestreadas tenían una calidad de agua excelente, una sección específica mostraba signos de ser simplemente "buena" en lugar de excelente, debido principalmente a mayores fluctuaciones de oxígeno disuelto y contenido de nutrientes. El análisis también destacó qué factores importaban más. Los investigadores descubrieron que el oxígeno disuelto, el nitrógeno total y el fósforo total eran los impulsores más sensibles de los cambios en la calidad del agua. Esto significa que los pequeños cambios en estas tres áreas tienen el mayor impacto en la salud general del agua, lo que sugiere que los esfuerzos de monitoreo deben centrarse intensamente en ellos.

El estudio concluye que este nuevo enfoque ofrece una forma más confiable y detallada de evaluar el agua subterránea que los métodos anteriores. Al manejar con éxito la incertidencia inherente a los datos ambientales, el modelo proporciona una imagen más clara de dónde es segura el agua y dónde necesita atención. Los hallazgos sugieren que el agua subterránea en la región estudiada se encuentra actualmente en un estado estable y generalmente saludable, con una tasa de calificación del cien por ciento en todas las secciones probadas. Sin embargo, la precisión del método también sirve como un sistema de advertencia; identifica áreas específicas y factores químicos específicos que requieren vigilancia continua. Para los gestores del agua y los planificadores ambientales, esto significa que pueden ir más allá de las conjeturas y las generalizaciones amplias, utilizando una herramienta que ofrece tanto una alta precisión como una comprensión profunda de las fuerzas específicas que dan forma al agua bajo sus pies.

Resumen Técnico: La Aplicación del Modelo de Nube de Evidencia en la Evaluación de la Calidad del Agua

Planteamiento del Problema
Los recursos de aguas subterráneas son críticos para el uso de consumo, industrial y agrícola en China; sin embargo, su evaluación de calidad se ve complicada por la imprecisión, la aleatoriedad y la incertidumbre inherentes a los datos de monitoreo y los criterios de evaluación. Los métodos existentes para la evaluación de la calidad del agua —incluyendo redes neuronales, métodos de índice de factor único, evaluación integral difusa y agrupamiento gris— sufren de limitaciones específicas. Las redes neuronales a menudo requieren grandes conjuntos de datos y sufren de convergencia lenta o mínimos locales; los métodos de factor único son excesivamente conservadores; los métodos difusos implican cálculos complejos de vectores de peso con alta subjetividad; y los métodos de agrupamiento gris conllevan cargas de trabajo computacionales masivas y subjetividad. En consecuencia, existe la necesidad de un método que pueda manejar eficazmente la transformación incierta entre conceptos cualitativos y descripciones cuantitativas, además de fusionar información incierta para mejorar la precisión predictiva.

Metodología
El artículo propone un método de evaluación combinado que integra el Modelo de Nube y la Teoría de la Evidencia (específicamente la teoría de Dempster-Shafer), denominado el "Modelo de Nube de Evidencia". La metodología procede a través de los siguientes pasos:

Selección de Indicadores y Construcción del Modelo de Nube: Se seleccionan cinco indicadores clave de la calidad del agua como cuerpos de evidencia: Oxígeno Disuelto (DO), Índice de Permanganato, Nitrógeno Total (TN), Fósforo Total (TP) y Amoníaco (NH3-N). Estos se clasifican en cinco grados (I al V). Utilizando el modelo de nube, el estudio calcula tres parámetros de características digitales (Expectativa $Ex$ , Entropía $En$ y Hiper-entropía $He$ ) para cada indicador a través de los cinco grados, para transformar los estándares de intervalo en gotas de nube.
Grado de Pertenencia y Asignación de Probabilidad Básica (BPA): Los valores medidos se introducen en el modelo de nube para calcular los grados de pertenencia para cada grado. Para satisfacer la definición de una Asignación de Probabilidad Básica (BPA) requerida por la teoría de la evidencia, se introduce un grado de certeza para manejar la incertidumbre, convirtiendo la matriz de pertenencia en una matriz BPA.
Fusión y Corrección de Evidencia: El estudio emplea una regla de fusión de evidencia mejorada de Dempster-Shafer. Antes de la fusión, la evidencia se filtra mediante un coeficiente de similitud y un grado de soporte para determinar la credibilidad de cada pieza de evidencia. La evidencia conflictiva se revisa utilizando un coeficiente de corrección basado en medidas de credibilidad para mitigar el impacto de los datos contradictorios.
Síntesis y Desdifusión: Las evidencias revisadas se fusionan utilizando la regla de combinación de Dempster para obtener una probabilidad sintética para cada grado de calidad del agua. El grado final se determina por la máxima probabilidad sintética.
Análisis de Sensibilidad: Se realiza un análisis de sensibilidad global utilizando el coeficiente de correlación de rango de Spearman basado en la simulación de Monte Carlo para determinar la correlación entre los factores de entrada y el resultado de la evaluación, revelando qué indicadores influyen más significativamente en los resultados.

Contribuciones Clave

Integración de Teorías: El artículo combina con éxito la capacidad del modelo de nube para manejar la transformación de la incertidumbre entre conceptos cualitativos y cuantitativos con la fortaleza de la teoría de la evidencia para procesar información "incierta" y "desconocida" para la fusión de información.
Mejora de la Precisión: El método propuesto afirma mejorar la precisión predictiva en comparación con los modelos tradicionales, específicamente el modelo de extensión de elemento-materia.
Manejo de Criterios de Intervalo: El método está diseñado para predecir eficazmente los criterios de grado que existen en formas de intervalo, abordando las limitaciones de los métodos que dependen de valores de punto único o escenarios de peor caso excesivamente conservadores.
Clasificación de Sensibilidad Cuantitativa: El estudio proporciona una clasificación cuantitativa de la sensibilidad de los diferentes indicadores de calidad del agua, yendo más allá de la simple graduación para identificar los factores más críticos que afectan la estabilidad de la calidad del agua.

Resultos
El modelo se aplicó para evaluar la calidad del agua en siete secciones transversales en la ciudad de Zibo, provincia de Shandong, un área caracterizada por industrias petroquímicas y químicas.

Precisión: El método propuesto logró una tasa de consistencia del 100% con los resultados de investigación reales en todas las siete secciones transversales. En contraste, el modelo comparativo de extensión de elemento-materia logró solo un 80% de precisión.
Hallazgos Específicos: La evaluación determinó que las secciones 1#, 2#, 3#, 5#, 6# y 7# pertenecen al Grado I (excelente), mientras que la sección 4# pertenece al Grado II (bueno). La tasa de calificación general de la calidad del agua en todas las secciones fue del 100%.
Capacidad de Diferenciación: El método demostró la capacidad de diferenciar entre secciones del mismo grado basándose en la magnitud de la probabilidad. Por ejemplo, aunque tanto la 5# como la 6# son de Grado I, el modelo asignó una probabilidad sintética mayor (0.9285) a la 5# en comparación con la 6# (0.8162), lo que indica una calidad más robusta en la 5#.
Análisis de Sensibilidad: El análisis de sensibilidad global identificó al DO (X1), TN (X3) y TP (X4) como los tres factores más sensibles que afectan la calidad del agua. El análisis confirmó que los aumentos en estos factores (donde existe una correlación negativa) conducen a una disminución de la calidad del agua, lo que requiere un monitoreo y control específicos.

Significancia
El artículo concluye que el Modelo de Nube de Evidencia es un enfoque factible y efectivo para la evaluación de la calidad del agua. Al mejorar la eficiencia predictiva y proporcionar una nueva perspectiva para manejar la imprecisión y la incertidumbre de los indicadores de calidad del agua, el método ofrece una herramienta confiable para prevenir la contaminación del agua subterránea. El estudio afirma que los resultados son totalmente consistentes con las investigaciones de campo reales, lo que sugiere que el método puede servir como un nuevo enfoque para futuras evaluaciones de la calidad del agua, particularmente en entornos industriales complejos donde la incertidumbre de los datos es alta. Los autores señen que no se requieren medidas adicionales de prevención de la contaminación para las secciones específicas estudiadas, ya que la calidad del agua es actualmente estable y excelente.

Más como este