Ingeniería 31(2): 57-79, julio-diciembre 2021. ISSN: 2215-2652. San José, Costa Rica
DOI 10.15517/ri.v31i2.44123
Esta obra está bajo una Licencia de Creative Commons. Reconocimiento - No Comercial - Compartir Igual 4.0 Internacional
Análisis de la calidad de aguas de vertido en el Distrito de Riego
Arenal-Tempisque (DRAT)
Wastewater quality analysis in Arenal-Tempisque Irrigation District
(DRAT)
Ing. Anayansi Wong Monge,
Escuela de Ingeniería de Biosistemas,
Universidad de Costa Rica, San José, Costa Rica
anayansi.wong@ucr.ac.cr
ORCID: 0000-0003-3539-310X
Ing. Alejandra María Rojas González, Ph.D.,
Escuela de Ingeniería de Biosistemas,
Universidad de Costa Rica, San José, Costa Rica
alejandra.rojasgonzalez@ucr.ac.cr
ORCID: 0000-0001-7984-7789
Recibido: 7 de octubre 2020 Aceptado: 1 de marzo 2021
Resumen
El Distrito de Riego Arenal-Tempisque (DRAT) es la dependencia gubernamental que regula la distribución
del agua de riego en ncas agrícolas de la provincia de Guanacaste, Costa Rica. El DRAT monitorea
semestralmente la calidad del agua de vertido utilizada en irrigación, generando reportes operacionales. Sin
embargo, no es una práctica común realizar estudios donde se analice el comportamiento estadístico de los
parámetros medidos en el tiempo para la toma de decisiones.
A partir de la caracterización de dos variables microbiológicas y veinte parámetros físico-químicos de
la calidad del agua residual se realizó un análisis de estadística descriptiva para doce puntos de muestreo
evaluados en un período de diez años (2008-2018). Se aplicó un análisis de componentes principales (ACP),
donde los autovectores no mostraron diferencias apreciables para visualizar el peso de las variables de forma
independiente. No obstante, el análisis permitió agrupar los parámetros más importantes que explican y
describen el comportamiento del sistema estudiado como: la concentración de sales (Componente Princi-
pal 1 (CP1)); las sustancias activas al azul de metileno (SAAM) y el contenido de nitrógeno total (CP2); y
la dinámica biológica (CP3); que se pueden relacionar con prácticas agrícolas. Adicionalmente, se llevó a
cabo un análisis de conglomerados jerárquicos para los lugares en estudio y un análisis de discriminante,
WONG Y ROJAS: Análisis de la calidad de aguas de vertido en el distrito de...
58
obteniéndose una caracterización de cuatro clúster, donde los resultados de ambas pruebas fueron concor-
dantes con el ACP.
Palabras clave:
Análisis de componentes principales (ACP), análisis de conglomerados (AC), análisis de discriminante
(AD), aguas de vertido, y sistemas de irrigación.
Abstract
The Arenal-Tempisque Irrigation District (DRAT by its acronym in Spanish) is the government agency
that regulates the distribution of irrigation water in agricultural farms in the province of Guanacaste, Costa
Rica. The DRAT have been monitoring the wastewater quality used by irrigation every six months, generating
operational reports. However, it is not a common practice in irrigation districts to develop studies where
parameters behavior had been analyzed over time.
A descriptive statistical analysis was carried out for 12 sampling points evaluated in ten years (2008-
2018), based on the characterization of two microbiological and twenty physical-chemical variables of
wastewater quality. A Principal Component Analysis (PCA) was applied, where eigenvector values did not
show appreciable differences to visualize the weight of the variables independently. However, the analysis
allowed grouping the most important parameters that explain and describe the studied system behavior, such
as: salt concentration described by Principal Component 1 (CP1); methylene blue active substances (MBAS)
and total nitrogen (CP2); and biological dynamics (CP3); that can be related to agricultural practices. Fur-
thermore, a hierarchical cluster analysis was carried out for the study locations as well as a discriminant
analysis, obtaining a characterization in four clusters, where the results of both tests agreed with the PCA.
Keywords:
Cluster analysis (CU), discriminant analysis (DA), irrigation systems, principal components analysis
(PCA) and wastewaters.
Ingeniería 31(2): 57-79, julio-diciembre, 2021. ISSN: 2215-2652. San José, Costa Rica DOI 10.15517/ri.v31i2.44123
59
1. INTRODUCCIÓN
Alrededor del mundo, aproximadamente el 40% de la producción alimentaria procede de tierras
agrícolas, de las cuales, cerca de un 20% es sometido a sistemas de riego. Los regadíos fomentan
la productividad agrícola al permitir la intensicación de las cosechas durante el año y la diversi-
cación de cultivos [1]. Los sistemas de irrigación tienen altos requerimientos del recurso hídrico,
por lo que se debe tener un control de las características físico – químicas de las fuentes de agua [2].
La calidad del agua para el riego agrícola ha sido ampliamente investigada, pues ejerce un
efecto directo en la producción de cultivos. Algunos de los problemas vinculados son: salinidad
por concentración de sólidos disueltos, velocidad de inltración del agua en el suelo que se asocia
con la relación de adsorción de sodio (RAS), sólidos en suspensión que puede provocar que no sea
apta para consumo humano o animal, contenido de nitratos y fosfatos, entre otros [3].
Altas concentraciones de sales generan restricciones abióticas que pueden impactar el balance
del sistema suelo – agua [4]. Si se aplican láminas de riego y son zonas con evapotranspiración
potencial (ETP) elevada, las sales se incrementan en el perl del suelo. Consecuentemente, se pro-
voca una reducción del agua disponible al aumentar el potencial osmótico de los suelos [5]. Los
sólidos disueltos en el agua son medibles a través de la conductividad eléctrica.
Respecto a la salinidad de las aguas de irrigación y la relación de absorción de sodio (RAS),
estas provocan un efecto interactivo con las propiedades físicas del suelo como: disminución en
la conductividad hidráulica, dispersión de las arcillas, encostramiento supercial, entre otros [6].
La presencia de iones de calcio y de magnesio se relaciona con la dureza total del agua, generando
incrustaciones o taponamientos en los sistemas cerrados de riego por aspersión. Es posible que
provoque problemas de inltración y precipitaciones en los suelos [7].
Los sistemas agrícolas de regadío son considerados generadores de contaminación difusa de
aguas superciales, pues pueden inducir problemas de eutrocación e hipoxia por excesos en con-
centración de sales de nitrógeno y fósforo por la aplicación de fertilizantes [8]
Según Pachepsky [9], la calidad microbiana de las aguas de irrigación puede ser afectada por
diferentes fuentes: patrones climáticos [10], deyecciones animales [11], fuentes de contaminación
difusa como la escorrentía que lava zonas de los agroecosistemas [12] o ingreso de aguas residuales
sin tratamientos adecuados [13], prácticas agrícolas como abonos orgánicos y purines [14]. Además,
se pueden producir cambios en la movilización del agua entre la fuente y los campos de cultivos. El
deterioro microbiológico depende de la interacción del agua con reservorios de microorganismos
en depósitos de sedimentos, bancos de suelos, algas y periton [15].
La estadística multivariada permite establecer las relaciones entre múltiples variables en siste-
mas complejos para simplicar y explicar su comportamiento. Entre algunas investigaciones rela-
cionadas con la calidad del agua se menciona una evaluación de la dinámica de la calidad del agua
con respecto a la variabilidad de los componentes espaciales y temporales, utilizando el análisis de
clústers (AC), así como un análisis de componentes principales (ACP) y factoriales en Queensland,
Australia [16]. En Egipto [17] se determinó un índice de calidad de agua de irrigación para regiones
WONG Y ROJAS: Análisis de la calidad de aguas de vertido en el distrito de...
60
áridas y semiáridas usando análisis de correlación, el ACP y análisis factorial. Por otra parte, un
estudio realizó un AC y un ACP para determinar la variabilidad espacial en la calidad del agua del
lago Neusiedler See en Austria [18]; mientras que en India se evaluaron varias fuentes acuíferas
para determinar si la calidad del agua era idónea para el consumo humano o bien para ser utilizada
en irrigación, por medio de matrices de correlación y dendogramas [19]. A partir de análisis de
conglomerados (AC) y análisis de discriminantes (AD) se evaluó la calidad del agua con respecto
a variaciones espaciales y temporales en el sur de Florida [20]. Similarmente, en zonas estuarinas
con presencia de manglares de Malasia se aplicaron modelos de regresión múltiple y AD [21].
En este estudio se plantea como objetivo realizar una evaluación estadística multivariada a
partir de la caracterización de dos parámetros microbiológicos y veinte físico-químicos de los
reportes operacionales semestrales de calidad de aguas de vertido para determinar las relaciones
entre variables, su comportamiento y persistencia en el tiempo dentro del Distrito de Riego Arenal
Tempisque (DRAT), Costa Rica.
2. METODOLOGÍA
2.1 Área de Estudio
El Distrito de Riego Arenal Tempisque (DRAT) se ubica en la provincia de Guanacaste en
Costa Rica, cuyas coordenadas se muestran en la Fig. 1 y posee una altitud media de 63 m.s.n.m.
Al ubicarse dentro del Corredor Seco Centroamericano presenta un clima tropical seco. Además,
según datos de la estación Hacienda Mojica del Instituto Meteorológico Nacional (IMN) [23], el
régimen de precipitación predominantemente va de mayo a noviembre. Las mayores precipitacio-
nes ocurren en octubre y setiembre, con valores de 265,5 mm y 244,1 mm, respectivamente (Fig.
2). La estación Hacienda Mojica está localizada a 10° 26´59” Norte y 85°10´ oeste, a una altitud de
33 m.s.n.m. Las temperaturas máximas se presentan entre los meses de febrero a mayo con máxi-
mas promedio de 34,8°C en abril, una temperatura media de 30,2°C y mínima de 25,5 °C para el
mismo mes.
En el complejo hidroeléctrico Arenal-Corobicí-Sandillal (ARCOSA) se localiza el Embalse
Arenal, punto inicial de muestreo del DRAT. Las aguas son transportadas a tres casas de máquinas
para la generación de energía, no son consideradas aguas residuales ordinarias, ni especiales; pues
pasan por unidades turbogeneradoras sin provocar contaminación. Posteriormente, son conduci-
das hasta la presa derivadora Miguel Pablo Dengo Benavides (MPDB), donde se distribuyen a la
red de canales. Esta red está conformada por el canal principal del sur y el canal del oeste, que se
extienden por 8,5 y 21,9 km, respectivamente [24]. De ambos canales se despliegan derivaciones
secundarias y terciarias, con una red de infraestructura hidroagrícola que incluye 255 km de cana-
les de riego y 163 km de canales de drenaje como se presenta en la Fig. 1.
Ingeniería 31(2): 57-79, julio-diciembre, 2021. ISSN: 2215-2652. San José, Costa Rica DOI 10.15517/ri.v31i2.44123
61
Fig. 1. Ubicación del DRAT, los puntos de muestreo evaluados y la distribución de la red de infraestructura hidroagrícola [22]
Fig. 2. Promedios mensuales del registro histórico (2000-2018) de la estación meteorológica Hacienda Mojica, en Bagaces, Costa Rica
WONG Y ROJAS: Análisis de la calidad de aguas de vertido en el distrito de...
62
2.2 Obtención de los datos y análisis estadístico
El DRAT como un organismo regulador monitorea aguas superciales, de pozos y vertido, rea-
lizando la caracterización físico-química de 29 puntos de control, de manera semestral. Las aguas
de vertido son aquellas que han sido aprovechadas previamente en actividades agrícolas como el
cultivo de arroz (13 687 ha), caña (11 888 ha), ganadería (2 641 ha), melón (1 800 ha) y cultivo de
tilapia (571 ha), entre otras [25]. Los productores agrícolas son los responsables del uso y descarga
de dichas aguas, que son evacuadas por procesos de escorrentía, inltración de suelos a cuerpos
receptores; sin aplicar ningún tipo de tratamiento.
El presente estudio se enfoca en el análisis de la información de calidad de agua en 12 ubi-
caciones que se aprecian en la Fig. 1. Para la evaluación se escogieron estos puntos de muestreo
porque incluían datos de un período de diez años (2008-2018), lo cual hace representativa la mues-
tra de datos. Los lugares que corresponden a sitios de vertido o descarga son: Bagatzí, Falconiana,
La Guaria, La Soga, Lajas, Paso Hondo, Playitas, Reajuste (CO-13-17) y Tamarindo. Adicional, el
DRAT complementa los reportes con análisis de aguas superciales de los puntos de alimentación
como lo son Embalse Arenal y presa derivadora MPDB; así como la Laguna Bocana que colinda
con el DRAT, donde se realiza el monitoreo como un mecanismo de control para determinar que
no se vean afectadas las aguas que se ubican en el Parque Nacional Palo Verde.
El Reglamento de Vertido y Reúso de Aguas Residuales (DE-33601MINAE-S) [26] de Costa
Rica clasica las aguas de vertido de los usuarios del DRAT de tipo especial por las actividades de
ganadería (CIIU 01210) y piscicultura (CIIU 05002), que son vertidas en cuerpo receptor aplicando
los límites máximos permisibles de las tablas 4 y 5 del decreto.
Las dos variables microbiológicas analizadas en este estudio corresponden a coliformes fecales
(CF) y totales (CT) y las veinte variables físico-químicas analizadas son: demanda bioquímica de
oxígeno (DBO), demanda química de oxígeno (DQO), nitrógeno total (N), fósforo total (P), dureza
total (DT), calcio (Ca
2+
), magnesio (Mg
2+
), sodio (Na
+
), potasio (K
+
), sólidos disueltos (SD), sólidos
sedimentables (SS), sólidos suspendidos totales (SST), sólidos totales (ST), saturación de oxígeno
(SO), sustancias activas al azul de metileno (SAAM), grasas y aceites (GyA). Además, la conduc-
tividad eléctrica (CE), el oxígeno disuelto (OD), el potencial de hidrógeno (pH) y la temperatura
(T), que fueron medidos en campo.
Para realizar los análisis se utilizaron los procedimientos del Standard Methods for the
Examination of Water and Wastewater [27], a través del Laboratorio de Aguas del Centro de
Investigación en Contaminación Ambiental (CICA) de la Universidad de Costa Rica. Se trabajó con
una muestra de 22 datos para cada parámetro en evaluación para los diferentes puntos de muestreo.
Para la estadística descriptiva se calculó el promedio, la desviación estándar, la mediana y el
máximo valor reportado. Para los coliformes fecales y totales se calculó el promedio geométrico
y la desviación estándar geométrica, que se aplica en estudios de crecimiento bacteriológico, que
presentan comportamientos logarítmicos. Los resultados fueron comparados con los valores máxi-
mos permitidos según el DE-33601-MINAE-S [26], que se muestran en la segunda columna de
Ingeniería 31(2): 57-79, julio-diciembre, 2021. ISSN: 2215-2652. San José, Costa Rica DOI 10.15517/ri.v31i2.44123
63
la Tabla 1. Algunos de los parámetros en estudio no se encuentran normados en Costa Rica, sin
embargo, se cuantican para un adecuado monitoreo del distrito de riego.
Para los análisis de estadística multivariada se emplearon los promedios de las variables origi-
nales, que fueron estandarizados para el análisis de componentes principales (ACP), se trabajó con
una matriz de correlación y el estadístico KMO (Kaiser, Meyer y Olkin) [28].
Se manejó la totalidad de los datos para el análisis de conglomerados jerárquicos o clústers
(AC), utilizando la distancia euclidiana para los puntos de muestreo, permitiendo la identicación
del agrupamiento natural con base en las similitudes. La información obtenida fue empleada para
la clasicación de los grupos para el análisis de discriminante (AD); aplicando el procedimiento
estandarizado y la validación cruzada para estimar la tasa de error.
Para el tratamiento de los datos se manejaron tablas dinámicas de Excel, para el análisis esta-
dístico se trabajó con Infostat [29] y el lenguaje de programación en R. Entre los programas utili-
zados se encuentran FactoMineR [30], ade4 [31] y mass [32].
3. RESULTADOS Y DISCUSIÓN
3.1 Análisis de estadística descriptiva
En la Tabla I se presentan los resultados de la estadística descriptiva aplicada a los análisis
físicos, químicos y microbiológicos de la calidad de aguas de vertido en el DRAT, que permite
evaluar la variabilidad, el comportamiento de los datos originales y el cumplimiento con la nor-
mativa nacional.
El análisis de coliformes fecales (CF) y totales (CT) que se muestran en la Tabla I, por ser
variables microbiológicas se pueden trabajar con promedios geométricos. El punto de muestreo
Embalse del Arenal y la represa MPDB presentan valores de 8 y 42 NMP/100 mL para CF, así como
27 y 180 NMP/100 mL para CT respectivamente, que son inferiores al límite del reglamento de 1
000 NMP/100 mL. Cabe destacar que ambos puntos son fuentes de agua del proyecto y obtienen
valores menores con respecto a los otros puntos de medición. Los puntos que corresponden a tomas
de drenaje que exceden el límite permitido de CF son: Bagatzí (1 500 NMP/ 100 mL) y Playitas
(1 269 NMP/ 100 mL); entonces estas aguas vertidas presentan contaminación fecal.
Una evaluación de la composición química de las aguas se realiza por medio de la presencia
de cationes. En el DRAT se evalúa: sodio (Na
+
) cuyas concentraciones varían de 1,35 a 5,00 mg/L;
potasio (K
+
) de 4,62 a 55,47 mg/L; calcio (Ca
2+
) de 10,41 a 32,38 mg/L; y magnesio (Mg
2+
) de
2,78 a 13,33 mg/L. La disolución de los dos últimos cationes se relaciona directamente con la
dureza total que se reporta entre 33,93 a 80,79 mg/L (a excepción de la Bocana de 129,78 mg/L),
por tanto al encontrarse por debajo de 120 mg/L se consideran aguas moderadamente duras según
la clasicación de la Organización Mundial de la Salud [33].
En los puntos de evaluación, la conductividad eléctrica (CE) muestra un rango de variación
entre 91,45 a 505,12 μS/cm y los sólidos totales (ST) entre 89,98 a 456,85 mg/L. Ambos parámetros
WONG Y ROJAS: Análisis de la calidad de aguas de vertido en el distrito de...
64
se relacionan con la concentración de sales presentes en el agua. Cabe mencionar que Heredia [5]
recomienda determinar la cantidad y el origen de sales presentes para establecer los perjuicios
potenciales que pueden ejercer en los cultivos y/o en los suelos.
La presencia de fósforo y nitrógeno total está normada en 25 y 50 mg/L, respectivamente.
Dichos parámetros se asocian con el proceso de eutrocación de los cuerpos de agua. Los prome-
dios de los puntos de muestreo para fósforo total van de 0,04 a 0,42 mg/L y para nitrógeno total
de 0,26 a 4,44 mg/L; o sea, que no exceden lo señalado en la ley. El punto de medición de Lajas
reporta el promedio más alto de nitrógeno total, debido a un valor aislado muy alto donde se alcanzó
el máximo de 50,60 mg/L.
Los sólidos suspendidos totales (SST) consisten en coloides o sólidos de reducido tamaño de
partícula (<63 µm) que no sedimentan; provocando una limitación para la penetración de la luz,
que ejerce inuencia en la vida acuática [34]. En Costa Rica su máximo permisible es de 50 mg/L
para la actividad agrícola. Los SST son excedidos por valores promedio en los siguientes puntos
de muestreo: Bagatzí con un valor de 84,40 mg/L, La Bocana con 60,16 mg/L, Lajas con 64,90
mg/L, Playitas con 58,82 mg/L y Reajuste con 64,20 mg/L.
Si los sólidos suspendidos totales tienen una gravedad especíca mayor de 1,0 se clasican
como sólidos sedimentables (SS), que según el reglamento [26] no debe sobrepasar el valor de 1
mL/L. Este parámetro es superado por los promedios en La Bocana (1,3 mL/L), Playitas (4,7 mL/L),
Reajuste (2,8 mL/L) y Tamarindo (1,4 mL/L).
Los valores promedios de DBO -es decir, la cantidad de oxígeno que los organismos aerobios
necesitan para procesar el material orgánico-se encuentran en un rango de 2,12 a 6,58 mg/L. Es
decir, menos de la especicación máxima de 50 mg/L. Asimismo, los promedios de DQO, que
corresponden a la medición de oxígeno para oxidar la materia orgánica por agentes químicos, se
mantienen entre 30,31 y 72,12 mg/L, por debajo del valor máximo de la regulación de 150 mg/L.
La represa MPDB, fuente principal de agua al sistema, presenta un promedio ± una desviación
estándar para DBO de 2,47 ± 3,60 mg/L y para DQO de 41 ± 44 mg/L. Sin embargo, hay incum-
plimientos de DBO y DQO que se reejan en los valores máximos reportados en Falconiana con
60 y 165 mg/L respectivamente; mientras que los siguientes puntos reportan valores máximos que
sobrepasan solamente el parámetro de DQO: 273 mg/L para La Bocana, 194 mg/L para La Guaria,
212 mg/L para Paso Hondo y 231 mg/L para la represa MPBD.
Ingeniería 31(2): 57-79, julio-diciembre, 2021. ISSN: 2215-2652. San José, Costa Rica DOI 10.15517/ri.v31i2.44123
65
TABLA I
RESUMEN DE LA ESTADÍSTICA DESCRIPTIVA PARA CADA UNO DE LOS PUNTOS DE MUESTREO
Parámetros
Lím. Máx.
Permisible
Estadísticos Bagatzí Bocana
Embalse
Arenal
Falconiana La Guaria
La
Soga
Lajas
Paso
Hondo
Playitas Reajuste MPDB Tamarindo
Calcio (Ca
2+
),
mg Ca
2+
/L
No
regulado
Promedio
Desv. Est.
Mediana
Máximo
16,71
4,55
15,39
33,57
32,38
25,46
19,91
90,30
10,41
6,28
9,11
35,54
11,32
4,32
9,83
25,36
15,67
8,22
14,04
49,36
14,29
9,98
11,77
57,30
24,42
13,43
21,94
74,00
15,78
11,07
12,26
50,35
17,70
10,50
15,86
59,20
15,76
6,53
14,02
37,52
11,17
5,82
9,64
36,53
18,90
14,32
13,61
65,46
Coliformes fecales
(CF), NMP/100mL
1 000 Promedio
Desv. Est.
Mediana
Máximo
1 500
13
2 400
160 000
441
16
920
240 000
8
4
0
43
594
12
1 100
54 000
605
7
2 400
460 000
516
8
2 550
24 000
624
6
920
46 000
501
14
1 350
240 000
1 269
15
2 400
350 000
580
11
2 000
160 000
42
8
33
16 000
468
18
445
460 000
Coliformes totales
(CT), NMP/100mL
No
regulado
Promedio
Desv. Est.
Mediana
Máximo
2 109
13
2 400
160 000
1 717
11
820
240 000
27
7
ND
1 600
903
13
1 100
54 000
1 425
12
1 600
24 000
1 103
9
1 600
11 000
1 006
7
1 260
46 000
862
18
502
240 000
2 686
15
1 600
540 000
1 369
12
540
93 000
180
12
43
24 000
1 233
22
295
2400 000
Conductividad
(CE), mS/cm
No
regulado
Promedio
Desv. Est.
Mediana
Máximo
189,8
39,5
189,3
273,4
505,1
466,6
325,7
1 479,0
91,5
5,5
92,1
100,5
118,2
76,4
98,3
454,3
142,2
22,7
138,8
208,2
178,7
211,5
128,3
1116,6
275,0
151,1
262,3
721,0
146,1
66,7
136,2
404,0
188,1
60,6
179,6
323,5
145,9
52,5
127,3
329,4
96,2
6,0
96,1
110,9
317,2
384,3
155,1
1846,0
Demanda bioquí-
mica de oxígeno
(DBO), mg/L
50 Promedio
Desv. Est.
Mediana
Máximo
3,41
4,71
2,06
17,85
4,11
5,02
2,66
16,35
2,12
3,22
1,30
12,90
6,56
13,23
2,00
60,00
2,41
3,54
1,30
11,82
4,42
6,93
1,30
27,30
2,98
5,65
1,30
23,76
4,61
6,51
2,88
26,10
6,58
6,08
4,81
23,16
3,82
6,50
1,68
25,40
2,47
3,60
1,30
12,30
4,09
5,82
1,93
21,12
Demanda química
de oxígeno (DQO),
mg/L
150 Promedio
Desv. Est.
Mediana
Máximo
38
27
30
148
72
71
37
273
30
1
30
37
43
38
30
165
39
36
30
194
32
6
30
51
35
11
30
72
43
41
30
212
54
41
30
149
41
25
30
127
41
44
30
231
39
21
30
105
Dureza total (DT),
mg CaCO
3
/L
No
regulado
Promedio
Desv. Est.
Mediana
Máximo
59,97
12,99
60,01
96,30
129,78
108,91
82,13
381,70
33,93
4,53
34,99
38,83
40,40
7,88
38,61
63,33
60,08
23,51
58,43
145,88
51,10
13,54
49,78
88,60
80,79
28,63
78,85
140,50
53,80
30,02
50,81
171,10
62,01
21,00
59,66
114,60
52,19
11,94
49,91
85,20
37,31
4,24
37,67
41,88
69,11
50,41
56,00
268,00
Fósforo total (P),
mg/L
25 Promedio
Desv. Est.
Mediana
Máximo
0,131
0,116
0,100
0,476
0,424
0,643
0,090
1,977
0,043
0,165
0,002
0,760
0,067
0,073
0,044
0,300
0,107
0,185
0,053
0,910
0,217
0,574
0,083
2,620
0,189
0,409
0,098
2,010
0,244
0,273
0,126
0,800
0,202
0,165
0,181
0,800
0,182
0,169
0,127
0,760
0,067
0,174
0,026
0,830
0,150
0,108
0,119
0,446
Grasas/aceites
(GyA), mg/L
30 Promedio
Desv. Est.
Mediana
Máximo
6,28
6,23
10,00
18,00
4,17
5,15
0,00
10,00
7,09
9,54
10,00
43,00
5,62
5,61
10,00
14,45
5,29
5,51
5,00
14,45
4,55
5,10
0,00
10,00
5,97
5,09
10,00
11,30
4,70
5,40
0,00
14,10
5,67
5,98
5,00
15,20
5,45
5,91
5,00
18,90
8,62
17,12
10,00
80,00
5,03
5,63
0,00
17,10
Magnesio (Mg
2+
),
mg Mg
2+
/L
No
regulado
Promedio
Desv. Est.
Mediana
Máximo
5,504
1,719
5,430
9,740
13,333
10,306
10,205
37,940
2,782
1,047
2,955
3,950
4,154
2,159
3,480
10,700
5,239
1,638
5,100
8,630
5,878
2,845
5,390
15,100
7,005
3,273
6,860
15,620
5,354
2,988
4,990
15,280
5,645
2,062
5,455
10,370
4,076
1,785
4,330
7,060
3,247
1,692
3,475
8,350
6,724
5,025
5,590
25,370
Nitrógeno total
(N), mg N/L
50 Promedio
Desv. Est.
Mediana
Máximo
0,66
0,68
0,42
2,12
0,35
0,43
1,20
0,25
0,39
0,89
0,00
3,84
2,22
6,37
0,33
29,00
0,37
0,60
0,00
2,12
0,72
1,61
0,25
6,85
4,44
11,94
1,17
50,60
0,84
1,14
0,07
3,17
0,55
0,57
0,44
1,93
0,61
0,87
0,25
2,49
0,26
0,36
0,10
1,09
0,38
0,80
0,07
3,64
Donde: Desviación estándar (Desv..Est.), no detectable (ND). Los datos resaltados corresponden a valores que exceden el máximo permisible según DE-33601-MINAE-S.
WONG Y ROJAS: Análisis de la calidad de aguas de vertido en el distrito de...
66
Parámetros
Lím. Máx.
Permisible
Estadísticos Bagatzí Bocana
Embalse
Arenal
Falconiana La Guaria
La
Soga
Lajas
Paso
Hondo
Playitas Reajuste MPDB Tamarindo
Oxígeno disuelto
(OD), mg O
2
/L
No
regulado
Promedio
Desv. Est.
Mediana
Máximo
5,09
1,04
5,20
6,42
0,84
0,59
0,64
2,23
6,20
1,14
5,78
8,05
6,78
2,57
6,77
10,41
5,35
0,94
5,15
6,73
5,39
1,53
5,39
9,00
6,02
1,44
6,11
9,05
4,23
1,68
4,31
7,98
2,99
2,18
2,54
7,60
3,75
1,41
3,53
6,10
6,89
1,45
6,28
9,23
5,92
1,95
6,70
8,44
Potencial de hidrógeno
(pH), adim
5 – 9 Promedio
Desv. Est.
Mediana
Máximo
7,37
0,28
7,45
7,73
6,96
0,44
6,96
7,78
7,90
0,21
7,93
8,21
8,10
1,32
7,93
9,76
7,50
0,30
7,55
8,14
7,52
0,20
7,52
7,89
7,52
0,29
7,50
7,92
7,16
0,25
7,14
7,68
7,25
0,47
7,15
9,04
7,28
0,31
7,37
7,81
7,82
0,22
7,88
8,17
7,79
0,43
7,74
8,85
Potasio (K
+
),
mg K
+
/L
No
regulado
Promedio
Desv. Est.
Mediana
Máximo
2,901
1,427
2,543
7,530
4,969
5,528
2,695
19,410
1,347
0,518
1,340
2,83
2,445
1,458
1,765
6,710
2,401
1,733
2,110
6,605
2,155
0,585
2,181
3,640
2,630
0,978
2,535
4,160
2,930
1,677
2,565
6,290
4,986
3,777
4,230
19,570
2,623
1,557
1,940
7,930
1,355
0,433
1,390
2,110
5,004
4,171
2,750
18,030
Sustancias activas
al azul de metileno
(SAAM), mg/L
5 Promedio
Desv. Est.
Mediana
Máximo
0,036
0,063
ND
0,230
0,125
0,347
ND
1,220
0,062
0,096
ND
0,360
0,030
0,050
ND
0,187
0,028
0,039
ND
0,083
0,078
0,201
ND
0,920
1,621
7,455
ND
35,00
0,061
0,111
ND
0,423
0,044
0,102
ND
0,470
0,029
0,041
ND
0,108
0,040
0,057
ND
0,212
0,019
0,034
ND
0,078
Saturación de oxígeno
(SO), %
No
regulado
Promedio
Desv. Est.
Mediana
Máximo
66,70
16,58
68,44
88,20
7,48
3,30
6,85
11,40
73,89
14,19
69,65
95,40
100,91
44,28
96,60
180,20
64,49
11,19
64,30
85,33
61,66
29,49
61,00
119,50
74,65
18,97
75,40
114,50
48,48
15,20
55,17
72,10
33,62
28,83
22,25
106,00
50,41
18,40
53,82
77,00
81,14
15,09
80,33
109,30
82,20
26,34
0,000
0,078
Sodio (Na
+
),
mgNa
+
/L
No
regulado
Promedio
Desv. Est.
Mediana
Máximo
14,11
4,41
13,16
26,58
55,47
56,83
36,94
188,00
4,62
0,45
4,63
5,52
8,11
9,73
5,35
49,70
7,50
1,71
6,85
12,47
8,45
1,89
8,08
14,88
28,86
22,55
21,05
103,30
7,83
2,78
7,23
18,61
14,19
6,84
12,76
28,95
9,06
7,06
7,07
38,20
4,92
0,43
5,00
5,73
47,57
80,08
12,59
307,20
Ingeniería 31(2): 57-79, julio-diciembre, 2021. ISSN: 2215-2652. San José, Costa Rica DOI 10.15517/ri.v31i2.44123
67
Sólidos disueltos (SD),
mg/L
No
regulado
Promedio
Desv. Est.
Mediana
Máximo
138,6
49,9
142,6
235,8
367,0
332,7
300,9
1142,0
68,9
19,7
73,9
98,6
98,4
70,6
90,3
390,0
129,0
56,7
129,4
308,8
124,7
85,5
107,6
465,0
199,7
89,9
204,1
403,2
107,8
48,1
104,3
249,2
155,2
60,5
146,2
294,4
123,3
59,8
113,6
262,6
71,4
22,4
75,1
108,0
218,7
245,4
128,8
1172,1
Sólidos sedimentables
(SS), ml/L
1 Promedio
Desv. Est.
Mediana
Máximo
1,0
3,0
0,1
14,2
1,3
3,1
0,1
10,6
0,0
0,0
0,0
0,1
0,2
0,6
0,0
3,0
0,0
0,0
0,0
0,1
0,1
0,2
0,1
1,0
0,6
2,4
0,1
11,3
0,6
2,2
0,0
10,0
4,7
20,5
0,1
96,4
2,8
11,2
0,0
50,2
0,0
0,0
0,0
0,1
1,4
5,9
0,0
27,0
Sólidos suspendidos
totales (SST), mg/L
50 Promedio
Desv. Est.
Mediana
Máximo
84,40
85,42
47,85
344,00
60,16
74,64
12,25
218,00
6,23
15,13
0,00
69,20
23,51
20,91
18,60
82,00
25,19
43,76
10,70
183,10
43,27
60,27
10,70
199,70
64,90
102,91
26,95
438,80
20,41
32,61
5,95
107,80
58,82
68,20
24,65
237,60
64,20
80,33
26,60
290,00
8,46
15,13
5,50
71,60
48,07
63,59
25,70
243,00
Sólidos totales (ST),
mg/L
No
regulado
Promedio
Desv. Est.
Mediana
Máximo
220,4
97,6
189,0
518,0
456,8
378,4
312,3
1236,0
91,2
40,3
84,6
260,0
146,2
75,4
128,8
429,8
146,8
50,3
136,4
314,2
177,8
119,1
127,8
613,6
300,6
171,8
268,6
921,2
143,4
47,2
133,4
287,4
298,8
258,9
224,4
1370,0
216,7
96,4
201,2
435,0
90,0
18,8
86,8
132,6
292,4
266,8
167,4
1231,6
Temperatura (T),
°C
15 - 40 Promedio
Desv. Est.
Mediana
Máximo
29,06
2,06
28,18
35,00
28,40
1,80
28,20
32,00
25,61
1,75
25,40
30,00
30,34
2,14
30,00
36,00
27,91
1,88
27,60
32,00
29,02
1,56
28,58
32,00
28,66
1,53
28,63
32,00
28,90
2,68
28,20
38,00
28,50
1,68
28,28
32,90
28,89
2,02
28,60
34,30
26,55
1,79
26,25
32,00
29,41
1,87
29,00
33,60
Donde: Desviación estándar (Desv..Est.), no detectable (ND). Los datos resaltados corresponden a valores que exceden el máximo permisible según DE-33601-MINAE-S.
Parámetros
Lím. Máx.
Permisible
Estadísticos Bagatzí Bocana
Embalse
Arenal
Falconiana La Guaria
La
Soga
Lajas
Paso
Hondo
Playitas Reajuste MPDB Tamarindo
WONG Y ROJAS: Análisis de la calidad de aguas de vertido en el distrito de...
68
Los ecosistemas acuáticos requieren de oxígeno disuelto en el agua para asegurar la vida de los
organismos, la solubilidad del gas disminuye con aumentos de temperatura y de salinidad [35]. Según
la Agencia de Protección Ambiental de los Estados Unidos (EPA) [36], la concentración mínima
de oxígeno para mantener la biodiversidad de organismos acuáticos es de 5 mg/L, valores menores
de 3 mg/L son preocupantes y por debajo de 1 mg/L provocan una condición de hipoxia donde el
ecosistema se caracteriza por la carencia de vida. En el DRAT se obtiene que Paso Hondo (4,23
mg/L), Playitas (2,99 mg/L) y Reajuste (3,75 mg/L) se encuentran en una situación comprometida
para este parámetro; siendo la Bocana el sitio más crítico con una concentración de 0,84 mg/L.
La temperatura de los diferentes puntos de muestreo se mantuvo dentro del intervalo recomen-
dado de 15 a 40 °C, es un parámetro físico que se encuentra controlado.
Las concentraciones de grasas y aceites (GyA) y sustancias activas al azul de metileno (SAAM)
no deben superar los 30 mg/L y 5 mg/L respectivamente [26]; son variables que se asocian con usos
domésticos y/o industriales, que dieren de las prácticas agrícolas del DRAT, de tal modo que en
la Tabla I no se observan incumplimientos en los canales de drenaje.
Cabe destacar que una de las limitaciones del estudio es que no se evaluaron cambios de las
variables por estacionalidad, siendo un parámetro deseable a considerar. En algunos sitios de mues-
treo no se realizaron determinaciones en la época seca por no presentar caudal suciente de vertido
para la determinación.
Respecto a Embalse del Arenal, este presenta la mejor calidad de agua microbiológica, física
y química; así, todos sus parámetros se encuentran dentro del rango de las especicaciones lega-
les del país. Este punto de muestreo, junto con la represa MPDB, revela los menores índices de
concentración de contaminantes. Ambos sitios reejan que las fuentes de alimentación de agua del
DRAT tienen un comportamiento diferenciado del resto de puntos (tomas de drenaje de aguas).
Fig. 3. Gráco de la varianza explicada y acumulada por los componentes principales
Ingeniería 31(2): 57-79, julio-diciembre, 2021. ISSN: 2215-2652. San José, Costa Rica DOI 10.15517/ri.v31i2.44123
69
3.2 Análisis de componentes principales (ACP)
Las variables originales son estandarizadas, se calcula una matriz de correlación (Tabla II);
donde se aprecian elementos que se encuentran fuertemente asociados entre sí, con base en el cri-
terio de correlación de Pearson (r > 0,70) [37]. Estos resultados son pertinentes para la aplicación
del análisis de componentes principales.
En la Fig. 3 se muestra la varianza asociada con el primer componente que explica el 53,68%,
el segundo el 13,98% y el tercero el 11,03%. En conjunto describen el 78,68 % del comportamiento
de la calidad del agua de vertido del DRAT. Por tanto, se decide trabajar con estos tres compo-
nentes, pues la varianza acumulada es cercana al estándar del 80% [37]. Para los tres primeros
componentes principales se obtienen autovalores de 11,81; 3,07 y 2,43 respectivamente; todos por
encima del promedio del valor de uno de la matriz de correlación.
En la Tabla III se exponen los resultados de los autovectores normalizados y se aprecia que las
variables con los coecientes más altos para el primer componente principal (CP1) corresponden
a sólidos totales, sólidos disueltos, dureza total, magnesio, calcio y conductividad, que pueden ser
interpretados como la concentración de sales o sólidos disueltos presentes en las aguas.
Los grácos de dos dimensiones para los componentes principales y sus respectivos comporta-
mientos individuales se presentan en la Fig. 4. El CP1 está denido en el eje horizontal de la Fig.
4.a y se puede observar el agrupamiento de las variables que más se correlacionan hacia la derecha
(color verde) y cómo impacta en la mayoría de los puntos de muestreo (Fig. 4.b). El comporta-
miento descrito se rearma en el gráco 4.c. y 4.d.
Para el segundo componente principal (CP2) se observa en la Fig. 4.a que está altamente relacionado
con las sustancias activas al azul de metileno (SAAM) y la concentración de nitrógeno total (N) que
se ubican en el eje vertical en la dirección positiva. En el gráco 4.b y 4.f se aprecia como el punto de
evaluación Lajas se correlaciona fuertemente con los análisis de SAAM; que determina la presencia
de sustancias jabonosas. Esto podría deberse a que algunos canales previos son alimentados con aguas
provenientes de los ríos Higuerón y Cañas, en cuyos márgenes se ubican poblaciones.
En el tercer componente principal (CP3) se agrupan la temperatura (T), la demanda bioquímica
de oxígeno (DBO), coliformes totales (CT) y la saturación de oxígeno (SO). En conjunto se pueden
relacionar con la dinámica biológica, estas variables se vinculan con la presencia de oxígeno en las
aguas necesario para el desarrollo de la vida acuática, incluyendo la presencia de microorganismos
que consumen oxígeno para oxidar el material orgánico. El CP3 se ubica en las Fig. 4.c y 4.e en
el eje de las “y”, donde las variables que más se correlacionan con este componente, se ubican en
ambos casos en la parte superior (color azul).
Para el CP3 y los grácos de coordenadas individuales se identica un impacto en la Laguna
Bocana (Fig. 4.b y 4.d), que se ubica en el Parque Nacional Palo Verde, el cual colinda con tierras
beneciadas por el DRAT. Este humedal muestra una clara estacionalidad, ya que en la época seca
se pueden observar ecosistemas acuáticos que se reducen y algunos pueden desaparecer [38].
WONG Y ROJAS: Análisis de la calidad de aguas de vertido en el distrito de...
70
TABLA II
MATRIZ DE CORRELACIÓN ENTRE LOS PARÁMETROS DE CALIDAD DEL AGUA DE VERTIDO
Ca
2+
CF CT CE DBO DQO DT P GyA Mg
2+
N OD pH K
+
SAAM SO Na
+
SD SS SST ST T
Ca
2+
1,00
CF 0,35 1,00
CT 0,22 0,47 1,00
CE 0,95 0,33 0,43 1,00
DBO 0,04 0,46 0,18 0,08 1,00
DQO 0,69 0,55 0,11 0,69 0,40 1,00
DT 0,99 0,38 0,23 0,96 0,05 0,75 1,00
P 0,85 0,37 0,10 0,81 0,24 0,74 0,86 1,00
GyA -0,53 -0,42 -0,27 -0,55 -0,44 -0,38 -0,56 -0,70 1,00
Mg
2+
0,95 0,34 0,24 0,96 0,13 0,76 0,98 0,89 -0,62 1,00
N 0,22 -0,34 -0,19 0,09 0,11 -0,20 0,11 -0,04 0,01 0,06 1,00
OD -0,71 -0,60 -0,03 -0,64 -0,28 -0,83 -0,74 -0,87 0,58 -0,73 0,30 1,00
pH -0,66 -0,52 0,07 -0,51 -0,09 -0,60 -0,65 -0,83 0,53 -0,62 0,21 0,88 1,00
K
+
0,68 0,82 0,68 0,74 0,51 0,69 0,69 0,63 -0,58 0,69 -0,12 -0,66 -0,50 1,00
SAAM 0,41 -0,27 -0,16 0,24 -0,21 -0,17 0,29 0,11 0,05 0,19 0,88 0,15 -0,03 -0,07 1,00
SO -0,66 -0,54 0,06 -0,57 -0,14 -0,75 -0,69 -0,85 0,49 -0,68 0,35 0,97 0,91 -0,55 0,12 1,00
Na
+
0,85 0,33 0,63 0,96 0,06 0,58 0,86 0,64 -0,46 0,86 0,10 -0,47 -0,32 0,76 0,23 -0,38 1,00
SD 0,96 0,39 0,38 0,99 0,11 0,73 0,98 0,82 -0,57 0,97 0,09 -0,69 -0,55 0,76 0,23 -0,62 0,94 1,00
SS 0,25 0,76 0,28 0,19 0,53 0,44 0,21 0,31 -0,20 0,14 -0,13 -0,58 -0,47 0,66 -0,11 -0,52 0,17 0,24 1,00
SST 0,59 0,40 0,21 0,53 0,20 0,27 0,54 0,47 -0,38 0,48 0,25 -0,48 -0,55 0,54 0,29 -0,39 0,46 0,54 0,54 1,00
ST 0,93 0,51 0,39 0,93 0,26 0,72 0,92 0,80 -0,55 0,89 0,17 -0,73 -0,60 0,84 0,28 -0,64 0,87 0,95 0,49 0,71 1,00
T 0,23 0,28 0,31 0,26 0,69 0,17 0,22 0,29 -0,64 0,27 0,34 -0,13 -0,13 0,45 0,04 0,05 0,26 0,27 0,22 0,50 0,36 1,00
Los datos resaltados corresponden a las variables que muestren una fuerte correlación entre ellos.
Ingeniería 31(2): 57-79, julio-diciembre, 2021. ISSN: 2215-2652. San José, Costa Rica DOI 10.15517/ri.v31i2.44123
71
TABLA III
MATRIZ DE COMPONENTES PRINCIPALES CON LOSVALORES DE LOS
AUTOVECTORES NORMALIZADOS
Parámetros CP1 CP2 CP3
Calcio (Ca
2+
)
-0,27 0,20 0,08
Coliformes fecales (CF)
-0,18 -0,34 -0,15
Coliformes totales (CT)
-0,10 -0,06 -0,35
Conductividad eléctrica (CE) -0,27 0,18 0,02
Demanda bioquímica de oxígeno (DBO)
-0,09 -0,25 -0,40
Demanda química de oxígeno (DQO)
-0,23 -0,13 0,12
Dureza total (DT)
-0,27 0,16 0,10
Fósforo total (F)
-0,26 0,01 0,15
Grasas y aceites (GyA)
0,20 0,06 0,14
Magnesio (Mg
2+
)
-0,27 0,14 0,09
Nitrógeno total (N)
0,01 0,43 -0,26
Oxígeno disuelto (OD)
0,25 0,19 -0,20
Potencial de hidrógeno (pH)
0,22 0,13 -0,24
Potasio (K
+
)
-0,25 -0,14 -0,22
Sustancias activas al azul de metileno (SAAM)
-0,03 0,47 -0,07
Saturación de oxígeno (SO)
0,23 0,18 -0,31
Sodio (Na
+
)
-0,24 0,19 -0,08
Sólidos disueltos (SD)
-0,27 0,15 0,03
Sólidos sedimentables (SS)
-0,14 -0,31 -0,17
Sólidos suspendidos totales (SST)
-0,19 0,06 -0,18
Sólidos totales (ST)
-0,28 0,10 -0,07
Temperatura (T)
-0,11 -0,01 -0,48
Los datos resaltados corresponden a los parámetros incluidos en los componentes principales.
El ACP llevado a cabo demuestra que algunas variables están estrechamente relacionadas
entre ellas como: la dureza total que encierra los iones de calcio y de magnesio; la determinación
de oxígeno disuelto y la saturación de oxígeno; los sólidos disueltos y totales con la conductividad
eléctrica. De tal forma que podrían eliminarse algunas de las mencionadas porque brindan información
redundante y no son parámetros obligatorios según DE33601-MINAE-S.
WONG Y ROJAS: Análisis de la calidad de aguas de vertido en el distrito de...
72
Fig. 4. Grácos en dos dimensiones para los componentes principales CP1 y CP2 (a), CP1 y CP3 (c), CP2 y CP3 (e) y las coordenadas de los
lugares en el plano respectivas a cada par evaluado se ubican en (b), (d) y (f), respectivamente
Ingeniería 31(2): 57-79, julio-diciembre, 2021. ISSN: 2215-2652. San José, Costa Rica DOI 10.15517/ri.v31i2.44123
73
Figura 5. Dendrograma de los puntos de muestreo
3.3 Análisis de Conglomerados o Clúster (AC)
Se realiza un análisis de conglomerados jerárquicos, cuyo dendrograma se percibe en la Fig.
5, donde las variables se separan en cuatro categorías:
• Laguna Bocana: se mantiene independiente, lo que concuerda con los grácos 4.b y 4.d. Lo
anterior se reeja en los promedios de porcentaje de saturación de oxígeno y oxígeno disuelto
que son los mínimos reportados de 7,48 % y 0,84 mg/L, respectivamente;
• Lajas: está diferenciado, coincidiendo con los resultados de las Fig. 4.b y 4.f. Se posiciona
en la sección nal del Canal Sur (Fig. 1) y se asocia con los promedios máximos de las dos
variables que conforman el CP2: SAAM (1,6 mg/L) y nitrógeno total (4,44 mg/L);
• Playitas y Tamarindo: se asemejan entre sí formando un conglomerado, son los dos sitios
que muestran los valores máximos más altos de coliformes totales. Playitas reporta 540 000
NMP/100 mL de CF y en Tamarindo es 2 400 000 NMP/100 mL de CT;
• En el grupo más general están Laguna del Arenal y la represa MPDB, que corresponden a las
fuentes de agua del DRAT y separándose de los seis puntos restantes: Falconiana, Bagatzí,
Reajuste, La Guaria, La Soga y Paso Hondo.
3.4 Análisis de Discriminante (AD)
El análisis de conglomerados (AC) es una herramienta que permite agrupar los lugares de mues-
treo, como base para denir los grupos a priori (original) que alimentan el análisis de discriminante
WONG Y ROJAS: Análisis de la calidad de aguas de vertido en el distrito de...
74
(AD). Se obtiene que el Lambda de Wilks es de 0,39; que es moderamente bajo indicando un menor
solapamiento entre los grupos. Además, se reporta un valor de p < 0,0001; de tal modo que existen
diferencias signicativas entre los centroides de los clústers.
Para la categorización de los cuatro grupos se debe trabajar con tres funciones discriminantes,
cuyos coecientes se plantean en la Tabla IV. Los autovalores para la función discriminante canó-
nica explican para la primera el 66,18 %, para la segunda el 26,99 % y para la tercera el 6,83 % de
variación entre los grupos.
En la función discriminante canónica propuesta en la Tabla IV con las 22 variables, los coe-
cientes responden a las distribuciones de cada variable. En este estudio las variables tienen varianzas
muy distintas; por lo que es más apropiada la aplicación de la función discriminante estandarizada
por las covarianzas comunes (Tabla IV). Además, se aprecia que los sólidos totales y los disueltos
son los parámetros que más inciden en la separación de grupos, mostrando concordancia con los
resultados del primer componente principal del ACP.
TABLA IV
COEFICIENTES DE LAS FUNCIONES DISCRIMINANTES CANÓNICAS Y DISCRIMINANTE
ESTANDARIZADA POR LAS COVARIANZAS COMUNES
Parámetros Discriminante Canónico Discriminante Estandarizado
1 2 3 1 2 3
Calcio (Ca
2+
)
-4,4E-03 0,02 -0,04
-0,05 0,42 -0,36
Coliformes fecales (CF)
-5,1E-07 -2,8E-06 -3,3E-06
-0,04 -0,22 -0,24
Coliformes totales (CT)
4,3E-07 -1,6E-06 1,4E-07
0,09 -0,31 3,9E-03
Conductividad eléctrica (CE)
1,3E-03 7,0E-04 2,8E-04
0,21 0,02 0,03
Demanda bioquímica de oxígeno (DBO)
-0,03 -0,06 0,03
-0,10 -0,23 0,06
Demanda química de oxígeno (DQO)
0,01 1,8E-03 -1,4E-03
0,26 0,06 -0,08
Dureza total (DT)
-8,0E-04 9,5E-03 -3,3E-03
-0,03 0,45 -0,05
Fósforo total (F)
-0,15 0,07 -1,77
-0,04 0,01 -0,48
Grasas y aceites (GyA)
-0,01 -0,05 -0,06
-0,03 -0,28 -0,29
Magnesio (Mg
2+
)
0,03 -0,08 0,25
0,12 -0,27 0,87
Nitrógeno total (N)
-0,11 0,39 -0,44
-0,07 0,23 -0,30
Oxígeno disuelto (OD)
-0,29 0,15 -0,01
-0,54 0,17 -0,09
Potencial de hidrógeno (pH)
0,16 -0,29 -0,63
0,07 -0,04 -0,23
Potasio (K
+
)
-0,18 -0,37 -0,04
-0,43 -0,88 -0,01
Sustancias activas al azul de metileno
(SAAM)
2,70 0,76 2,53
0,38 0,15 0,36
Saturación de oxígeno (SO)
7,2E-04 2,9E-04 2,4E-04
0,02 0,06 0,03
Sólidos disueltos (SD)
2,8E-03 0,02 -0,01
0,26 1,26 -1,55
Sólidos sedimentables (SS)
-0,11 0,22 1,98
-0,03 0,13 0,61
Sólidos suspendidos totales (SST)
-0,01 0,02 -0,01
-0,57 0,67 -0,59
Sólidos totales (ST)
0,01 -0,01 0,01
0,94 -1,14 1,21
Temperatura (T)
0,02 -0,02 -0,17
0,04 -0,08 -0,38
Ingeniería 31(2): 57-79, julio-diciembre, 2021. ISSN: 2215-2652. San José, Costa Rica DOI 10.15517/ri.v31i2.44123
75
TABLA V
MATRIZ DE CLASIFICACIÓN DEL ANÁLISIS DE DISCRIMINANTE
% Correcto La Bocana Lajas Playitas y
Tamarindo
General
Original
La Bocana
100,00 5 0 0 0
Lajas
100,00 0 4 0 0
Playitas y Tamarindo
91,67 1 0 11 0
General
83,18 1 7 10 89
Total 85,16
Validación Cruzada
La Bocana
60,00 3 0 0 2
Lajas
40,00 1 2 0 2
Playitas y Tamarindo
53,85
1 1 7 4
General
77,14
2 8 14 81
Total
72,66
La Tabla V muestra que los datos originales son correctamente clasicados en un 85,16%,
donde la distribución de errores no es uniforme, presentándose el mayor número de casos mal cate-
gorizados en el grupo general; que corresponde al de mayor tamaño; que podría mejorarse con una
variación del punto de corte a partir de un análisis de probabilidades. Mientras que en el método de
validación cruzada se observa que la tasa de clasicación correcta disminuye en todos los grupos,
para alcanzar un total de 72,66 %. Las funciones de clasicación para futuras muestras se estima-
rían con una evaluación más realista del modelo.
El agrupamiento de los puntos de muestreo con base en los resultados del AC y del AD per-
mite asociar los parámetros que presentan mayor variabilidad en sitios de descarga de aguas espe-
cícos; facilitando la identicación de problemáticas correspondientes al uso del recurso hídrico
de manera espacial.
4. CONCLUSIONES
El presente estudio evalúo el conjunto de 12 ubicaciones en el DRAT, donde se realiza el con-
trol de calidad de agua abarcando un período de una década, con el uso de técnicas estadísticas
utilizadas como análisis de componentes principales, análisis de conglomerados y análisis de dis-
criminante. Estas técnicas permitieron ir más allá de los resultados de muestreos puntuales semes-
trales, obteniendo resultados vinculantes entre los métodos aplicados, así resalta las problemáticas
asociadas con el manejo de aguas de vertido para sistemas de irrigación como los son la salinidad
o la contaminación fecal.
A partir de la investigación se logra relacionar puntos espaciales del DRAT con las variables
microbiológicas, físicas y/o químicas que producían mayor impacto en los mismos; por lo que se
WONG Y ROJAS: Análisis de la calidad de aguas de vertido en el distrito de...
76
considera un recurso inicial de control de calidad que permite generar programas para el mejora-
miento y conservación del recurso hídrico de la zona.
Se recomienda extender la investigación para evaluar el comportamiento hidrológico e hidro-
geoquímico que permita explicar el transporte de contaminantes en aguas superciales, así como
realizar un tratamiento de los datos para la época seca y lluviosa cuando se cuente con un registro
más extenso de datos, principalmente en los sitios donde no fue posible la determinación de la cali-
dad del agua por ausencia de caudal.
5. AGRADECIMIENTOS
Un agradecimiento especial al Ing. Reiner Sibaja Matarrita por su colaboración con la infor-
mación brindada por el Proyecto N°340-B5-507 “Optimización del Recurso Hídrico en el Sistema
de Riego Arenal Tempisque”, inscrito en la Vicerrectoría de Investigación de la Universidad de
Costa Rica.
Gracias a la cooperación dada por los personeros del DRAT, que facilitaron la base de datos para
este estudio, así como su participación y retroalimentación para la interpretación de los resultados.
Además, un agradecimiento a todos los revisores del artículo, pues sus recomendaciones y
comentarios, han sido muy valiosos y un gran aporte para la calidad del presente trabajo.
6. REFERENCIAS
[1] FAO, “Buenas perspectivas para los sistemas de riego con energía solar.” http://www.fao.org/news/
story/es/item/1116521/icode/ (accessed Sep. 28, 2020).
[2] I. García-Garizábal and J. Causapé, “Inuence of irrigation water management on the quantity and
quality of irrigation return ows,” J. Hydrol., vol. 385, no. 1–4, pp. 36–43, May 2010, doi: 10.1016/j.
jhydrol.2010.02.002.
[3] Á. García, “Criterios modernos para evaluación de la calidad del agua para riego,” 2012. Accessed: Jan.
12, 2021. [Online]. Available: http://ipni.net/publication/ia-lahp.nsf/0/6E4999FFE5F6B8F005257A-
920059B3B6/$FILE/Art 5.pdf.
[4] P. S. Minhas, T. B. Ramos, A. Ben-Gal, and L. S. Pereira, “Coping with salinity in irrigated agricul-
ture: Crop evapotranspiration and water management issues,” Agricultural Water Management, vol.
227. Elsevier B.V., p. 105832, Jan. 20, 2020, doi: 10.1016/j.agwat.2019.105832.
[5] O. Heredia, “El agua de Riego: Criterios de Interpretación. Efectos sobre el suelo y la producción,”
in Agua subterránea. Exploración y utilización agropecuaria, Argentina: EFA-Editorial Facultad de
Agronomía, Universidad de Buenos Aires, 2006, pp. 75–99.
[6] D. L. Suarez, J. D. Wood, and S. M. Lesch, “Effect of SAR on water inltration under a sequential
rain-irrigation management system,” Agric. Water Manag., vol. 86, no. 1–2, pp. 150–164, Nov. 2006,
doi: 10.1016/j.agwat.2006.07.010.
[7] M. A. Neira Gutiérrez, “Dureza en aguas de consumo humano y uso industrial, impactos y medidas
de mitigación. Estudio de caso: Chile,” Tesis de Pregrado de Ingeniería Civil, Universidad de Chile,
Chile, 2006.
Ingeniería 31(2): 57-79, julio-diciembre, 2021. ISSN: 2215-2652. San José, Costa Rica DOI 10.15517/ri.v31i2.44123
77
[8] J. Causapé, D. Quílez, and R. Aragüés, “Assessment of irrigation and environmental quality at the
hydrological basin level: II. Salt and nitrate loads in irrigation return ows,” Agric. Water Manag.,
vol. 70, no. 3, pp. 211–228, Dec. 2004, doi: 10.1016/j.agwat.2004.06.006.
[9] Y. Pachepsky, D. R. Shelton, J. E. T. McLain, J. Patel, and R. E. Mandrell, “Irrigation Waters as a
Source of Pathogenic Microorganisms in Produce: A Review,” in Advances in Agronomy, vol. 113,
Academic Press, 2011, pp. 75–141.
[10] G. Kisluk and S. Yaron, “Presence and persistence of salmonella enterica serotype typhimurium in
the phyllosphere and rhizosphere of spray-irrigated parsley,” Appl. Environ. Microbiol., vol. 78, no.
11, pp. 4030–4036, Jun. 2012, doi: 10.1128/AEM.00087-12.
[11] O. O. Alegbeleye, I. Singleton, and A. S. Sant’Ana, “Sources and contamination routes of microbial
pathogens to fresh produce during eld cultivation: A review,” Food Microbiology, vol. 73. Acade-
mic Press, pp. 177–208, Aug. 01, 2018, doi: 10.1016/j.fm.2018.01.003.
[12] M. Uyttendaele et al., “Microbial Hazards in Irrigation Water: Standards, Norms, and Testing to
Manage Use of Water in Fresh Produce Primary Production,” Compr. Rev. Food Sci. Food Saf., vol.
14, no. 4, pp. 336–356, Jul. 2015, doi: 10.1111/1541-4337.12133.
[13] C. Leifert, K. Ball, N. Volakakis, and J. M. Cooper, “Control of enteric pathogens in ready-to-eat
vegetable crops in organic and ‘low input’ production systems: a HACCP-based approach,” J. Appl.
Microbiol., vol. 105, no. 4, pp. 931–950, Oct. 2008, doi: 10.1111/j.1365-2672.2008.03794.x.
[14] K. A. Hamilton, W. Ahmed, E. Rauh, C. Rock, J. McLain, and R. L. Muenich, “Comparing microbial
risks from multiple sustainable waste streams applied for agricultural use: Biosolids, manure, and
diverted urine,” Current Opinion in Environmental Science and Health, vol. 14. Elsevier B.V., pp.
37–50, Apr. 01, 2020, doi: 10.1016/j.coesh.2020.01.003.
[15] P. K. Jjemba, L. A. Weinrich, W. Cheng, E. Giraldo, and M. W. LeChevallier, “Regrowth of potential
opportunistic pathogens and algae in reclaimed-water distribution systems,” Appl. Environ. Micro-
biol., vol. 76, no. 13, pp. 4169–4178, Jul. 2010, doi: 10.1128/AEM.03147-09.
[16] S. Liu et al., “Characterisation of spatial variability in water quality in the Great Barrier Reef catch-
ments using multivariate statistical analysis,” Mar. Pollut. Bull., vol. 137, pp. 137–151, Dec. 2018,
doi: 10.1016/j.marpolbul.2018.10.019.
[17] H. S. Jahin, A. S. Abuzaid, and A. D. Abdellatif, “Using multivariate analysis to develop irrigation
water quality index for surface water in Kafr El-Sheikh Governorate, Egypt,” Environ. Technol. Innov.,
vol. 17, p. 100532, Feb. 2020, doi: 10.1016/j.eti.2019.100532.
[18] N. Magyar, I. G. Hatvani, I. K. Székely, A. Herzig, M. Dinka, and J. Kovács, “Application of mul-
tivariate statistical methods in determining spatial changes in water quality in the Austrian part of
Neusiedler See,” Ecol. Eng., vol. 55, pp. 82–92, Jun. 2013, doi: 10.1016/j.ecoleng.2013.02.005.
[19] B. Shah et al., “Reckoning of water quality for irrigation and drinking purposes in the konkan geo-
thermal provinces, Maharashtra, India,” Groundw. Sustain. Dev., vol. 9, p. 100247, Oct. 2019, doi:
10.1016/j.gsd.2019.100247.
[20] M. Hajigholizadeh and A. M. Melesse, “Assortment and spatiotemporal analysis of surface water
quality using cluster and discriminant analyses,” Catena, vol. 151, pp. 247–258, Apr. 2017, doi:
10.1016/j.catena.2016.12.018.
[21] M. S. Samsudin, A. Azid, S. I. Khalit, M. S. A. Sani, and F. Lananan, “Comparison of prediction model
using spatial discriminant analysis for marine water quality index in mangrove estuarine zones,” Mar.
Pollut. Bull., vol. 141, pp. 472–481, Apr. 2019, doi: 10.1016/j.marpolbul.2019.02.045.
WONG Y ROJAS: Análisis de la calidad de aguas de vertido en el distrito de...
78
[22] U. C. R. Escuela de Ingeniería de Biosistemas, “Sistema de Apoyo para la Gestión Inteligente del
Recurso Hídrico (SAGIRH).” https://www.sagirh.ucr.ac.cr/drat/ (accessed Sep. 28, 2020).
[23] IMN, “Estaciones Meteorológicas Automáticas de Costa Rica.” https://www.imn.ac.cr/estaciones-au-
tomaticas (accessed Feb. 16, 2021).
[24] E. J. Acuña, “Modelo de operación del sistema de canales del Distrito de Riego Arenal-Tempisque,”
Tesis de Licenciatura de Escuela de Ingeniería Civil, Universidad de Costa Rica, Costa Rica, 2016.
[25] SENARA, “Dirección de Riego Arenal Tempisque.” http://www.senara.or.cr/drat/index.aspx (acces-
sed Jan. 06, 2021).
[26] Ministerio de Ambiente y Energía, “Reglamento de vertido y reúso de aguas residuales,” San José,
Costa Rica, 2007. Accessed: Oct. 03, 2020. [Online]. Available: http://www.digeca.go.cr/sites/default/
les/reglamento_vertido_reuso_aguas_residuales_0.pdf.
[27] APHA, AWWA, and WEF, Standard Methods for the Examination of Water and Wastewater, 22 th
Edition. Washington, 2012.
[28] S. de la Fuente Fernández, “Análisis componentes principales (ACP),” Facultad de Ciencias Econó-
micas y Empresariales de la Universidad Autónoma de Madrid, España, 2011.
[29] J. A. Di Rienzo, F. Casanoves, M. G. Balzarini, L. González, E. Tablada, and C. W. Robledo, “Infos-
tat - Software estadístico.” Universidad Nacional de Córdoba, Argentina, 2008, Accessed: Jan. 13,
2021. [Online]. Available: https://www.infostat.com.ar/.
[30] S. Lê, J. Josse, and F. Husson, “FactoMineR: An R package for multivariate analysis,” J. Stat. Softw.,
vol. 25, no. 1, pp. 1–18, Mar. 2008, doi: 10.18637/jss.v025.i01.
[31] S. Dray and A.-B. Dufour, “The ade4 Package: Implementing the duality diagram for e cologists,” J.
Stat. Softw., vol. 22, no. 4, pp. 1–20, 2007, doi: 10.18637/jss.v022.i04.
[32] W. N. Venables and B. Ripley, “Modern Applied Statistics with S, 4th ed,” 2002. http://www.stats.
ox.ac.uk/pub/MASS4/ (accessed Jan. 12, 2021).
[33] World Health Organization, “Hardness in drinking,” Suiza, 2011. Accessed: Oct. 03, 2020. [Online].
Available: https://www.who.int/water_sanitation_health/dwq/chemicals/hardness.pdf.
[34] A. Kulkarni, “Water quality retrieval from landsat TM imagery,” in Procedia Computer Science, Jan.
2011, vol. 6, pp. 475–480, doi: 10.1016/j.procs.2011.08.088.
[35] J. J. Alvarado and J. F. Aguilar, “Batimetría, salinidad, temperatura y oxígeno disuelto en aguas del
Parque Nacional Marino Ballena, Pacíco, Costa Rica,” Rev. Biol. Trop., vol. 57 (1), pp. 19–29,
2009, Accessed: Oct. 03, 2020. [Online]. Available: http://repositoriosiidca.csuca.org/Record/
RepoKERWA25756.
[36] US EPA, “Indicators: Dissolved Oxygen,” Aug. 16, 2016. https://www.epa.gov/national-aquatic-re-
source-surveys/indicators-dissolved-oxygen (accessed Jan. 13, 2021).
[37] A. C. Rencher, “Frontmatter,” in Methods of Multivariate Analysis, New York, NY, USA: John Wiley
& Sons, Inc., 2003, pp. i–xxii.
[38] Convenio Ramsar, “Sitio Ramsar: Parque Nacional Palo Verde, Costa Rica,” San José, 1998. Acces-
sed: Oct. 03, 2020. [Online]. Available: https://www.ramsar.org/sites/default/les/documents/library/
ram39s_palo_verde_cont._informe_combined.pdf.