EVALUACIÓN DE LA CALIDAD DEL AGUA DE LAS SUBCUENCAS ACHAMAYO Y SHULLCAS (JUNÍN-PERÚ) UTILIZANDO EL ÍNDICE DE CALIDAD CCME
Bibliographic record
Abstract
Los ríos y quebradas, en la mayoría de casos, son utilizados como cuerpo receptor de los vertimientos municipales, que, sin el debido tratamiento, genera problemas de contaminación del agua. En las áreas de estudio de esta investigación, se tiene información de los monitoreos de calidad del agua publicadas por la Autoridad Nacional del Agua, donde los resultados no son muy comprensibles para una población que no conoce del tema. Los Índices de Calidad del Agua (ICA) son una de las herramientas más utilizadas para evaluar la calidad del agua, ya que resumen los datos de los parámetros fisicoquímicos y microbiológicos de una manera sencilla y de fácil comprensión. El objetivo de esta investigación fue realizar la evaluación de los ICA en las subcuencas Achamayo y Shullcas a través de la metodología canadiense CCME-WQI (The Canadian Council of Ministers of the Environment - Water Quality Index). Para ello, se utilizaron los datos de los reportes de monitoreo de la calidad del agua de los años 2015 al 2020, los vertimientos municipales e información geoespacial de los ríos y cuencas. La subcuenca Shullcas obtuvo un resultado del ICA de 46.2 que corresponde a una calidad de agua “marginal”, este resultado es consecuencia de las altas concentraciones de coliformes termotolerantes y Escherichia coli, mientras que la subcuenca Achamayo obtuvo un ICA-CCME de 67.8, que corresponde a una calidad “regular”, llegando a la conclusión que la subcuenca Shullcas es la más impactada por los vertimientos municipales, por lo que se recomienda construir plantas de tratamiento de aguas residuales con tecnología de lodos activados o biorreactores de lecho móvil MBBR.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".