Techos verdes utilizados como elementos de regulación de la

escorrentía en Bogotá

Angela Patricia Puentes Suavita

Pontificia Universidad Javeriana

Facultad de Ingeniería, Departamento Ingeniería Civil

Maestría en Hidrosistemas

Bogotá, Colombia

2014

Techos verdes utilizados como elementos de regulación de la

escorrentía en Bogotá

Angela Patricia Puentes Suavita

Tesis de investigación presentada como requisito parcial para optar al título de:

Magister en Hidrosistemas

Director

Ingeniero Civil Msc, Ph.D. Andrés Torres

Evaluadores

Manfred Shuetze

Institut fuer Automation und Kommunikation

Jorge Gironás

Universidad Católica de Chile

Juan Pablo Rodríguez

Universidad de los Andes

Grupo de Investigación:

Ciencia e ingeniería del agua y el ambiente

Pontificia Universidad Javeriana

Facultad de Ingeniería, Departamento de Ingeniería Civil,

Maestría en Hidrosistemas

Bogotá, Colombia

2014

A mis padres y hermanos por su constante

apoyo en este proceso.

A Sergio por su constante acompañamiento

La preocupación por el hombre y su destino

siempre debe ser el interés primordial de todo

esfuerzo técnico. Nunca olvides esto entre tus

diagramas y ecuaciones.

Albert Einstein

Agradecimientos

Al Ingeniero Andrés Torres por su constante dedicación y tiempo para que este trabajo tuviera los mejores resultados. Al proyecto 4656 financiado por la Pontificia Universidad Javeriana, “Proyecto piloto de techos verdes como alternativa de preservación del medio ambiente, seguridad alimentaria y fortalecimiento comunitario en Usme”. Por lo cual se pudo realizar todos los montajes y ensayos. Al laboratorio de calidad de aguas de la Pontifica Universidad Javeriana por su empeño en el trabajo de laboratorio, especialmente a Milena Rodríguez y Carlos Quitiaquez.

A la estudiante de Doctorado Sandra Galarza por realizar el manejo de datos y ayudar en las labores de siembra y riego junto con estudiantes de Ingeniería Civil.

Al ingeniero Camilo Otalora por realizar el montaje electrónico de los techos verdes.

A la Gerencia de Tecnología Empresa de Acueducto y Alcantarillado de Bogotá, por la información suministrada de las estaciones de precipitación

A todas las personas que aportaron para que la investigación pudiera llevarse a buen término.

Resumen y Abstract IX

Resumen

Debido al aumento de la urbanización en todo el mundo, se ha visto un cambio

significativo durante las últimas décadas pasando de considerar los sistemas de drenaje

urbano como elementos (típicamente destinados a reducir inundaciones) a múltiples

objetivos (Fletcher et al, 2014). En las zonas peri-urbanas de Bogotá, la gente cosecha

y utilizan el agua lluvia sin tratar. La investigación inicial indica que el agua recogida de

los tejados contiene altos valores de turbidez, así como altas concentraciones de SST,

DBO5, y metales pesados (Torres et al., 2013). Por otra parte, estas áreas por lo general

no tienen acceso a los sistemas de alcantarillado público. Recientemente, se

han propuesto una serie de techos verdes para evitar la inundación de grandes

proyectos de construcción. Por lo anterior, este trabajo pretende evaluar algunos

beneficios hidrológicos y ambientales (atenuación hídrica y variaciones de

concentraciones de parámetros de calidad del agua) de techos verdes productivos en

Bogotá, mediante la implementación de techos piloto en el campus de la Pontificia

Universidad Javeriana sede Bogotá (PUJB).

El montaje consta de seis módulos de techos verdes independientes (cada techo tiene

un tipo de planta (Acelga China, Lechuga Crespa, Lechuga Batavia), un tipo de

sustrato (cascarilla de arroz, humus, tierra negra - Biochar) según el diseño propuesto

por Forero et al. (2012) y un techo de referencia, que sirve como dispositivo de control

para evaluar el desempeño de los techos verdes. Se realizó el análisis para 20 eventos

de lluvia, de los cuales se les realizó el análisis de calidad del agua a 8 eventos. Por otra

parte se desarrolló una metodología para tener en cuenta la incertidumbre experimental.,

teniendo en cuenta la precisión de los equipos de campo y laboratorio, dicho método se

basó en simulaciones de Monte Carlo las cuales tienen en cuenta la incertidumbre

asociada a cada variable de lluvia escorrentía y calidad del agua

Al aplicar el método desarrollado a los 20 eventos de lluvia se observó: (i) No es

indiferente proponer cualquier tipo de techo verde para variables de calidad del agua y

lluvia escorrentía. (ii) Se propone una metodología para tener en cuenta la incertidumbre

de los eventos de lluvia y calidad del agua, lo cual permite hablar de probabilidades de

significancia y no de significancia. (iii) Por otra parte la planta tiene una probabilidad del

80% de influir significativamente en las características de la escorrentía. (iv) Los

resultados de Pb aumentaron a medida que trascurren los eventos de lluvia

posiblemente por el tipo de riego que se realizó en los techos productivos.

Palabras clave: Techos verdes productivos, SUDS, gestión del drenaje urbano, calidad

de la escorrentía urbana, incertidumbre experimental.

X Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

Abstract

Due to increasing urbanization worldwide, there has seen a significant change during the

recent decades going to consider urban drainage systems as elements (typically aimed at

reducing flooding) to multiple targets (Fletcher et al, 2014). In peri-urban areas of Bogotá,

people harvest and use rainwater untreated. The initial investigation indicates that the

water collected from the roof contains high turbidity values as well as high concentrations

of TSS, BOD5, and heavy metals (Torres et al., 2013). Moreover, these areas often lack

access to public sewer systems. Recently, there has proposed a series of green roofs in

order to prevent flooding of large construction projects. Therefore, this work evaluates

some hydrological and environmental benefits (water attenuation and variations in

concentrations of water quality parameters) of productive green roofs in Bogotá, by

implementing pilot ceilings on the campus at the Pontificia Universidad Javeriana in

Bogotá (PUJB).

The assembly consists of six independent green roofs modules (each roof is a type of

plant (Chard China, Lettuce Crespa, Lettuce Batavia), a type of substrate (rice hulls,

humus, black earth - Biochar) according to the design proposed by Forero et al. (2012)

and a reference ceiling, which serves as a control device for evaluating the green roofs

performance. Twenty (20) rain events analyses were performed, which eigth (8) events

analysis was about water quality. On the other hand, a methodology to have into account

the experimental uncertainty was developed considering the equipment field and

laboratory precision, this method was based on Monte Carlo simulations which take into

account the uncertainty associated with each rainfall runoff and water quality variable.

By applying the developed method at 20 rain events were observed: (i) It is not indifferent

to propose any type of green roofs for water quality parameters and rain runoff. (ii) a

methodology is proposed to take into account the uncertainty of rainfall events and water

quality, which lets talk about of significance and no significance probabilities. (iii)

Furthermore, the plant has a 80% probability to affect significantly the characteristics of

runoff. (iv) The results of Pb increased with elapsed rain events possibly by the type of

irrigation performed on production ceilings.

Keywords: Productive green roofs, SUDS, urban drainage management, urban runoff

quality, experimental uncertainty

.

Contenido XI

Contenido

Pág.

Resumen ......................................................................................................................... IX

Lista de figuras ............................................................................................................. XIII

Lista de tablas .............................................................................................................. XV

Introducción .................................................................................................................... 1

1. MARCO TEORICO .................................................................................................... 5 1.1 Urbanización y problemática ............................................................................ 5 1.2 Sistemas Urbanos de Drenaje Sostenible (SUDS) ........................................... 6 1.3 Techos Verdes ................................................................................................ 8 1.4 Conceptos Hidrológicos e Hidráulicos .............................................................. 9

1.4.1 Intensidad ........................................................................................... 10 1.4.2 Escorrentía .......................................................................................... 11 1.4.3 Tiempo de retardo ............................................................................... 11

1.5 Diseño Experimental ...................................................................................... 11 1.6 Conceptos de Calidad de Agua ..................................................................... 11

1.6.1 Sólidos suspendidos Totales ............................................................... 14 1.6.2 Demanda bioquímica de oxígeno ........................................................ 14 1.6.3 Metales Pesados ................................................................................. 15 1.6.4 pH y CE............................................................................................... 15

1.7 Análisis de datos ............................................................................................ 16 1.7.1 Incertidumbre ...................................................................................... 16 1.7.2 Simulaciones de Monte Carlo .............................................................. 18 1.7.3 Análisis de componentes principales ................................................... 19 1.7.4 Kruskal-Wallis, Wilcoxon ..................................................................... 20 1.7.5 Correlación de Spearman ................................................................... 20

2. MATERIALES Y MÉTODOS .................................................................................... 23 2.1 Montaje experimental..................................................................................... 23 2.2 Protocolo ....................................................................................................... 28

2.2.1 Mediciones en campo ........................................................................ 28 2.2.2 Mediciones en laboratorio ................................................................... 30

2.3 Monitoreo de Eventos .................................................................................... 31 2.4 Métodos de análisis ....................................................................................... 32

2.4.1 Análisis Lluvia-Escorrentía .................................................................. 34 2.4.2 Metales pesados ................................................................................. 34 2.4.3 Demanda Bioquímica de Oxígeno (DBO) ............................................ 35

XII Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

2.4.4 Sólidos Suspendidos Totales (SST) .....................................................36 2.4.5 pH y CE ...............................................................................................36 2.4.6 PCA (Análisis de Componentes Principales) .......................................36 2.4.7 Kruskal-Wallis, Wilcoxon ......................................................................37 2.4.8 Análisis de Correlaciones ....................................................................38

3. Resultados y discusión ..........................................................................................39 3.1 Resultados Lluvia-Escorrentía para los eventos .............................................39

3.1.1 Análisis Componentes Principales (PCA) ............................................42 3.1.2 Análisis de Varianza (Kruskal-Wallis) para lluvia-escorrentía ...............47 3.1.3 Análisis de Wilcoxon para lluvia-escorrentía ........................................47 3.1.4 Prueba de correlaciones para lluvia-escorrentía ..................................51

3.2 Resultados calidad del agua para los eventos ................................................52 3.2.1 Análisis por Componentes Principales (PCA) ......................................53 3.2.2 Análisis de Varianza (Kruskal-Wallis) para calidad del agua ................58 3.2.3 Análisis de Wilcoxon para calidad del agua .........................................59 3.2.4 Análisis de correlaciones calidad de agua-características de lluvia ......68 3.2.5 Análisis de correlaciones escorrentía-calidad del agua ........................70

3.3 Resultados carga contaminante para los eventos ..........................................71 3.3.1 Análisis por Componentes Principales (PCA) ......................................72 3.3.2 Análisis de Varianza (Kruskal-Wallis) para carga contaminante ...........76 3.3.3 Prueba Wilcoxon para carga contaminante ..........................................77

4. Perspectivas de simulación de Carga contaminante ...........................................83 4.1 Resultados de carga contaminante ................................................................83 4.2 Resultados SVM (Support Vector Machine) ...................................................89

4.2.1 Sólidos suspendidos Totales (SST) .....................................................90 4.2.2 Demanda Bioquímica de Oxígeno (DBO) ............................................91 4.2.3 Zinc ......................................................................................................92 4.2.4 Plomo ..................................................................................................93

5. Conclusiones y recomendaciones ........................................................................95

A. Anexo: Código para DBO .......................................................................................98

B. Anexo: Código para SST ...................................................................................... 101

C. Anexo: Código para pH y CE ............................................................................... 103

Bibliografía ................................................................................................................... 107

Contenido XIII

Lista de figuras

Pág. Figura 1-1 Esquema general de las simulaciones Monte Carlo (Zamora, 2013) ........... 18

Figura 1-2 Pasos para generar una simulación Monte Carlo (Lepot, 2012) .................. 19

Figura 2-1 Montaje Techos Verdes ................................................................................ 25

Figura 2-2 Diseño techo verde ....................................................................................... 25

Figura 2-3 Sensor 1 en el balde ..................................................................................... 26

Figura 2-4 Sensor 2 en el techo ..................................................................................... 26

Figura 2-5 Programa de registro de datos .................................................................... 27

Figura 2-6 Botellas de gaseosa con las plantas (Acelga China (Izq), Lechuga Crespa

(Med) y Lechuga Batavia (Der) ....................................................................................... 27

Figura 2-7 Calibración de sensores ............................................................................... 32

Figura 2-8 Simulaciones SST ........................................................................................ 33

Figura 2-9 Calibración para metales pesados ................................................................ 35

Figura 2-10 Gráfico de observaciones de calidad del agua (Componente 2) ................. 37

Figura 2-11 Box plot CE-Evento .................................................................................... 38

Figura 3-1 Hidrograma evento Octubre 28 ..................................................................... 41

Figura 3-2 Observaciones de lluvia escorrentía proyectadas en la componente 1 (CO1)

....................................................................................................................................... 42

Figura 3-3 Observaciones de lluvia escorrentía proyectadas en la componente 2 (CO2)

....................................................................................................................................... 43

Figura 3-4 Variables de lluvia escorrentía proyectadas en la componente 1(CO1) y la

componente 2 (CO2) ...................................................................................................... 44

Figura 3-5 Separación por evento.................................................................................. 45

Figura 3-6 Separación por módulo................................................................................. 45

Figura 3-7 Separación por planta.................................................................................. 46

Figura 3-8 Separación por sustrato ............................................................................... 46

Figura 3-9 Boxplot de C para cada evento ..................................................................... 49

Figura 3-10 Boxplot de C para cada planta .................................................................... 49

Figura 3-11 Boxplot de Cp para cada planta .................................................................. 50

Figura 3-12 Observaciones de calidad del agua proyectadas en la componente 1(CO1)

....................................................................................................................................... 54

Figura 3-13 Observaciones de calidad del agua proyectadas en la componente 2 (CO2)

....................................................................................................................................... 54

Figura 3-14 Variables de calidad del agua proyectadas en la componente 1(CO1) y la

componente 2 (CO2) ...................................................................................................... 55

Figura 3-15 Análisis de variables ................................................................................... 55

XIV Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

Figura 3-16 Separación por evento ................................................................................ 56

Figura 3-17 Separación por módulo ............................................................................... 56

Figura 3-18 Separación por planta ................................................................................. 57

Figura 3-19 Separación por sustrato .............................................................................. 57

Figura 3-20 Boxplot de CE para cada evento ................................................................. 60

Figura 3-21 Boxplot de CE para cada sustrato ............................................................... 61

Figura 3-22 Boxplot de DBO para cada sustrato ............................................................ 62

Figura 3-23 Boxplot de Pb para cada evento ................................................................. 63

Figura 3-24 Boxplot de Pb para cada sustrato................................................................ 64

Figura 3-25 Boxplot de PH para cada sustrato ............................................................... 65

Figura 3-26 Boxplot de SST para cada evento ............................................................. 66

Figura 3-27 Boxplot SST para cada sustrato .................................................................. 67

Figura 3-28 Boxplot Zn para cada evento ...................................................................... 68

Figura 3-29 Observaciones de carga contaminante proyectadas en la componente

1(CO1) ............................................................................................................................ 72

Figura 3-30 Observaciones de carga contaminante proyectadas en la componente 2

(CO2) .............................................................................................................................. 73

Figura 3-31 Variables de carga contaminante proyectadas en la componente 1 (CO1) y

la componente 2 (CO2) ................................................................................................... 73

Figura 3-32 Análisis de variables.................................................................................... 74

Figura 3-33 Separación por evento ................................................................................ 74

Figura 3-34 Separación por modulo ............................................................................... 75

Figura 3-35 Separación por planta ................................................................................. 75

Figura 3-36 Separación por sustrato .............................................................................. 76

Figura 3-37 Boxplot de DBO para cada evento ............................................................. 78

Figura 3-38 Boxplot DBO para cada sustrato ................................................................. 79

Figura 3-39 Boxplot Pb para cada evento ...................................................................... 80

Figura 3-40 Boxplot SST para cada evento .................................................................... 81

Figura 3-41 Boxplot SST para cada sustrato .................................................................. 82

Figura 4-1 Área seleccionada para el estudio (Barrio Santa María de usme) (Google

Earth, 2014) .................................................................................................................... 84

Figura 4-2 Carga para un techo verde de DBO en un tiempo de 20 años ...................... 84

Figura 4-3 Carga para un techo convencional de DBO en un tiempo de 20 años ........... 85

Figura 4-4 Carga para un techo verde de SST en un tiempo de 20 años ....................... 86

Figura 4-5 Carga para un techo convencional de SST en un tiempo de 20 años ........... 86

Figura 4-6 Carga de Zn para un techo verde en un tiempo de 20 años .......................... 87

Figura 4-7 Carga de Zn para un techo convencional en un tiempo de 20 años .............. 87

Figura 4-8 Carga de Pb para un techo verde en un tiempo de 20 años .......................... 88

Figura 4-9 Carga de Pb para un techo convencional en un tiempo de 20 años .............. 89

Figura 4-10 Concentración de SST (módulo1) a partir de las variables de lluvia ............ 90

Figura 4-12 Concentración de DBO (módulo1) a partir de las variables concentración . 91

Figura 4-12 Concentración de Zn (módulo1) a partir de las variables concentración ..... 92

Figura 4-13 Concentración de Pb (módulo 1) a partir de las variables concentración.... 93

Contenido XV

Lista de tablas

Pág. Tabla 1-1 Contaminantes de agua lluvia ........................................................................ 13

Tabla 1-2 Clasificación básica de sólidos (Butler y Davies, 2011) .................................. 14

Tabla 2-1 Descripción de tratamientos ........................................................................... 23

Tabla 2-2 Resultados diseño experimental para seis módulos ....................................... 24

Tabla 2-3 Resultados diseño experimental para cinco módulos ..................................... 24

Tabla 2-3 Fechas de siembra ......................................................................................... 28

Tabla 2-4 Fechas de eventos de lluvia y calidad de agua ......................................... 29

Tabla 2-5 Especificaciones técnicas de los equipos ....................................................... 30

Tabla 2-6 Datos de calibración de sensores .................................................................. 31

Tabla 3-1 Resultados Lluvia-Escorrentía ........................................................................ 40

Tabla 3-2 Probabilidades de influencia de evento, sustrato y planta en la escorrentía ... 47

Tabla 3-3 Resumen de los valores de escorrentía C para los eventos ........................... 48

Tabla 3-4 Resumen de los valores de escorrentía C para las plantas ............................ 49

Tabla 3-5 Resumen de los valores de escorrentía Cp para las plantas .......................... 50

Tabla 3-6 Prueba de correlación variables de escorrentía-características de lluvia ........ 51

Tabla 3-7 Resultados de calidad del agua ..................................................................... 52

Tabla 3-8 Probabilidades de influencia de evento, sustrato y planta en los determinantes

de calidad de agua ......................................................................................................... 58

Tabla 3-9 Probabilidades de influencia de evento, sustrato y planta en la diferencia de los

determinantes de calidad de agua .................................................................................. 59

Tabla 3-10 Resumen de los valores de CE (µS/cm) para los eventos ............................ 59

Tabla 3-11 Resumen de los valores de CE (µS/cm ) para los sustratos ......................... 60

Tabla 3-12 Resumen de los valores de DBO (mg/l) para los sustratos .......................... 61

Tabla 3-13 Resumen de los valores de Pb (mg/l) para los eventos ................................ 62

Tabla 3-14 Resumen de los valores de Pb (mg/l) para los sustratos .............................. 63

Tabla 3-11 Resumen de los valores de pH para los sustratos ........................................ 64

Tabla 3-12 Resumen de los valores de SST para los eventos ....................................... 65

Tabla 3-17 Resumen de los valores de SST para los sustratos ..................................... 66

Tabla 3-18 Resumen de los valores de Zn para os eventos ........................................... 67

Tabla 3-19 Prueba de correlación calidad del agua-características de lluvia .................. 68

Tabla 3-20 Test de correlación Escorrentía-Calidad de Agua ........................................ 70

Tabla 3-21 Resultados de carga contaminante .............................................................. 71

Tabla 3-22 Probabilidades de influencia de evento, sustrato y planta en la carga

contaminante .................................................................................................................. 76

XVI Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

Tabla 3-23 Probabilidades de influencia de evento, sustrato y planta en la diferencia de

los determinantes de carga contaminante ....................................................................... 77

Tabla 3-24 Resumen de los valores de carga de DBO (mg) para los eventos ................ 77

Tabla 3-25 Resumen de los valores de carga de DBO (mg) para los sustratos .............. 78

Tabla 3-26 Resumen de los valores de carga de Pb (mg/l) para los eventos .................. 79

Tabla 3-27 Resumen de los valores de carga de SST para los eventos ......................... 80

Tabla 3-28 Resumen de los valores de carga de SST para los sustratos ....................... 81

Tabla 4-1 Resultados de SST para los módulos restantes ............................................. 91

Tabla 4-2 Resultados de DBO para los módulos restantes ............................................. 92

Tabla 4-3 Resultados de Zn para los módulos restantes ................................................ 93

Tabla 4-4 Resultados de Pb para los módulos restantes ................................................ 94

Introducción

El problema del manejo de aguas lluvias surge como consecuencia de un crecimiento

desproporcionado de la población en zonas urbanas, lo que obliga a la construcción de

más áreas impermeables y la constante renovación de sistemas de drenaje que hagan

posible la vida moderna (Niemczynowicz, 1999). El aumento de la población en las

ciudades está relacionado con un aumento de áreas impermeables y con un cambio en

los flujos de materia y energía debido a las actividades propias de la urbe. Este cambio

tan rápido del uso del suelo conlleva a un cambio del flujo de materia y energía en el ciclo

hidrológico (Peck y Callaghan, 2005; Oberndorfer et al., 2007) donde las tasas de

infiltración y de evaporación disminuyen drásticamente modificando los tiempos de

concentración, lo que provoca un aumento de la escorrentía superficial. Este incremento

de volumen y caudal de escorrentía genera mayor transporte de sedimentos y

contaminantes, lo cual puede tener un impacto negativo en los ecosistemas relacionados

(Calvo, 1999; Mentens et al., 2006; Dunnett et al., 2008; Kasmin et al.,2010).

Buscando restablecer el tiempo de concentración natural de la zona y el flujo de energías

y masas en el ciclo hidrológico, ha surgido la necesidad de desarrollar e implementar

nuevas técnicas de manejo de aguas lluvias (Ballard y Kellagher 2007), conocidas como

SUDS (Sustainable Urban Drainage Systems), los cuales nacen como solución para

mitigar riesgos de inundación y a su vez mejorar la calidad tanto en aguas arriba como en

aguas abajo de una cuenca urbanizada (Niemczynowicz 1999; Butler y Davies 2009).

Una de estas técnicas corresponde a los techos verdes, las cuales consisten en una

capa vegetal sobre la cubierta de alguna edificación, idea inspirada de planteamientos

paisajísticos desarrollados desde el siglo XVIII. (Oberndorfer et al., 2007). Los techos

verdes son cubiertas vegetales que se construyen sobre el tejado de alguna edificación o

vivienda. Esta técnica incluye desde vegetación con mínima diversidad o sistemas

radiculares superficiales y con poca demanda de recursos (nutrientes y suelo) hasta

complejos esquemas altamente diversos y altamente demandantes de recursos para su

establecimiento y funcionamiento (Minke, 2005). Tienen el potencial de retención hídrica

lo cual los hace ideales para la restauración de tiempos de concentración que permiten

atenuar caudales pico y disminuir volúmenes de escorrentía, puesto que las superficies

de las azoteas y cubiertas contribuye en gran medida a la impermeabilización de las

ciudades. (Galarza et al., 2014)

Los techos verdes han sido relacionados con una atenuación de los niveles de lluvia, en

una disminución de su coeficiente de escorrentía (C) (Getter et al., 2006). Entre los

servicios ambientales más importantes se tiene la reducción de la escorrentía por

precipitación, que puede estar entre un 75% y un 80%, la cual varía en función de la

2 Introducción

intensidad de la precipitación (Oberndorfer et al., 2007). A su vez se sabe que la

eficiencia de un techo verde para reducir los picos de caudales depende de ADWP

(Antedecent Dry Weather Period, “Periodo Seco Antecedente”), del tipo de planta y del

sustrato, así como la tasa de evapotranspiración (ET) (Getter et al., 2006; Mentens et al.,

2006). Además algunos autores han encontrado que los techos verdes reducen

significativamente el efecto de isla de calor, contaminación atmosférica y ruido (Getter et

al., 2006; Mentens et al. 2006; Kasmin et al. 2010). Los techos verdes pueden afectar en

gran medida la temperatura de espacios interiores, dado que son capaces de retener

grandes cantidades de agua lluvia, la cual no solamente depende de las características

propias de dicho techo, sino también de las características fisiológicas del sitio de

estudio, por consiguiente se sugiere que los techos verdes sean diseñados de acuerdo

con objetivos específicos a los que deben responder (disminución de escorrentía,

atenuación de variaciones de T°, etc.) y teniendo en cuenta las especificaciones de cada

zona de estudio (Dunet et al., 2008). La implementación de techos verdes ha crecido en

los últimos años en muchas ciudades del mundo debido a sus efectos de enfriamiento,

las características del control de las aguas pluviales, la estética y los valores

paisajísticos (Ichihara y Cohen ,2010).

Adicionalmente, los techos verdes pueden reducir la contaminación de las aguas lluvias

de escorrentía mediante absorción y filtración de contaminantes como algunos metales

pesados (Berndtsson et al., 2006). También se ha evidenciado que neutralizan

ligeramente el pH y aportan cargas significativas de nitrógeno (Bliss et al., 2009). La

calidad de la escorrentía de un techo verde depende del tipo de la cubierta (el espesor de

la capa de sustrato, su composición, la vegetación y el tipo de drenaje), la edad de la

azotea, su mantenimiento y las fuentes de contaminación locales (Minke ,2005;

Berndtsson et al., 2006; Dunnett et al., 2008). La composición de la vegetación tiene un

efecto significativo tanto en la cantidad de agua retenida como en la atenuación de picos

de caudal: plantas con mayores alturas se asocian a menores volúmenes de escorrentía

(Dunnett et al., 2008).

Colombia se encuentra en la Red Mundial de Infraestructura Vegetalizada (Tercer País

de Latinoamericano en ser incluido después de México y Brasil) y su participación como

miembro fundador y miembro de la junta directiva de la Asociación Latinoamericana de

Infraestructura Vegetada (SDA 2011). Según la Revisión Bibliográfica sobre techos

verdes, se pudo observar que en Colombia no hay estudios hidrológicos, ni de calidad de

agua para Techos Verdes; se desconoce el efecto de éstos en la reducción de los picos

de escorrentía y sus efectos en la calidad de agua en zonas tropicales andinas.

Adicionalmente existe una investigación incipiente sobre los efectos de la atenuación

hídrica en los techos verdes utilizando vegetación endémica de zonas tropicales andinas

(Devia et al., 2012), y de beneficios ambientales de techos verdes productivos como es

la agricultura urbana. Pocos estudios en Colombia involucran la modelación de los

procesos lluvia-escorrentía en techos verdes (Aguirre et al., 2014), y las propuestas

existentes a nivel internacional (Gong et al., 2014; Hakimdavar et al., 2014; Locatelli et

al., 2014) no han otorgado herramientas que sean capaces de obtener resultados de

Introducción 3

simulaciones aplicables a diversos climas y tipos de techos (Berthier et al., 2011; Forero

et al., 2012).

Poca investigación en Colombia se ha centrado en evaluar el potencial de los techos

verdes para la reducción de los picos de escorrentía o su efecto sobre la calidad del agua

(Oviedo y Torres, 2014)

Por lo anterior, este trabajo pretende evaluar algunos beneficios hidrológicos y

ambientales (atenuación hídrica y variaciones de concentraciones de parámetros de

calidad de agua) de techos verdes productivos en Bogotá, mediante la implementación

de techos piloto en el campus de la Pontificia Universidad Javeriana sede Bogotá

(PUJB).

1. MARCO TEORICO

1.1 Urbanización y problemática

Durante los últimos años, los hidrólogos se han interesado por los efectos de la

urbanización. Los primeros trabajos en hidrología urbana se relacionaban con los efectos

de la urbanización en el potencial de inundaciones en pequeñas cuencas urbanas. Los

efectos de la urbanización en los hidrogramas de crecientes incluyen incrementos en los

volúmenes totales de escorrentía y en los caudales picos. El volumen de agua disponible

para la escorrentía aumenta debido al incremento de las zonas permeables, producto de

los parqueaderos, las calles y los techos que reducen la cantidad de infiltración (Chow.,

et al 1994).

La población mundial ha crecido muy rápidamente en los últimos 150 años y lo sigue

haciendo, lo que resulta en impactos sobre la hidrología, tanto a escala local como

mundial. Uno de los recientes empujes en el modelado hidrológico es la evaluación de

los efectos del uso del suelo y los cambios de cobertura del suelo sobre los recursos

hídricos y las inundaciones (Yang et al., 2012). Es ampliamente reconocido que la

urbanización genera cambios en los procesos hidrológicos dentro de las cuencas

hidrográficas mediante la alteración de características de la superficie de infiltración. Los

resultados esperados incluyen la reducción de la infiltración, flujo de base, los tiempos de

retardo, el aumento de los volúmenes de flujo de la tormenta, descarga máxima, la

frecuencia de las inundaciones, y la escorrentía superficial (Du et al., 2012).

La urbanización por lo general sustituye a una vegetación permeable de la superficie

terrestre con superficies impermeables, los flujos hidrológicos de una cuenca de drenaje

cambian significativamente. Se produce una disminución en la infiltración y la capacidad

de retención de agua de la cuenca tiene el potencial de producir grandes inundaciones

(Zhou 2013). Han existido muchos estudios que muestran la respuesta hidrológica a la

urbanización de todo el mundo, la mayoría indica que los resultados del impacto de la

urbanización sobre los recursos hídricos es fuerte pero con diferentes características en

diversas regiones (Brun y Band 2000).

El impacto de la urbanización en los procesos de escorrentía y la producción de

sedimentos depende fundamentalmente de las proporciones relativas de la superficie

impermeable, suelo y vegetación que cubre la superficie de la tierra, distinguiendo entre

la superficie de suelo impermeable, ya que las superficies impermeables aumentan la

escorrentía pero generan pocos sedimentos, mientras que el suelo desnudo genera

6 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

menos escorrentía que la superficie impermeable pero produce grandes cantidades de

sedimento. Por lo tanto, la urbanización puede aumentar o disminuir el flujo de

sedimentos en una cuenca en función de las proporciones de suelo desnudo y la

superficie impermeable (Biggs.,et al 2010).

En los países desarrollados, el nivel de urbanización sigue en aumento y se espera que

alcance el 83% en 2030 (United Nations 2002; Antrop 2004). Las tierras de cultivo,

pastizales y los bosques son reemplazados por las superficies impermeables de las

calles, caminos y los edificios intensifican en gran medida la escorrentía, la disminución

de la recarga de las aguas subterráneas la mejora de cauce y la erosión del río ( Stone,

2004). Esta urbanización en desarrollo consiste en un uso no sostenible de los sistemas

naturales y se crean numerosos problemas, tanto dentro como fuera de las ciudades.

Uno de los principales problemas ambientales de la urbanización es que el sistema

hídrico urbano tiene que hacer frente a una cantidad muy fluctuante del agua de

escorrentía que puede llegar a ser muy alta durante períodos de precipitación y

permanece baja durante el resto del tiempo (White, 2002). El cambio climático puede

aumentar aún más estas fluctuaciones, en particular el riesgo de inundación

(Environment Agency, 2002; Villarreal et al., 2004).Una de las herramientas para la

reducción de la escorrentía durante las lluvias y para aumentar la retención es el

almacenamiento en embalses y estanques donde el agua puede ser temporalmente

almacenada (White, 2002; Ferguson, 1998) donde el agua puede infiltrarse y se evapora.

Sin embargo, esto significa un rediseño del sistema hidrológico urbano para que juegue

un papel más activo y positivo en el ciclo hidrológico natural. (Mentens, 2006).

La contaminación causada por el agua de escorrentía constituye un gran problema en las

áreas urbanas, ya que se ha demostrado que contiene grandes cantidades de

contaminantes, varios de los cuales son del mismo tipo que aquellos que se encuentran

en las aguas residuales urbanas. Debido a lo anterior es necesario estimar cargas

contaminantes provenientes de superficies en zonas urbanas para estudiar los impactos

en los sistemas de drenaje y aguas receptoras, y para diseñar métodos de minimización.

La escorrentía urbana se considera como una fuente de contaminación de difícil

localización, ya que se origina en áreas extensas; su vertido es intermitente, ligado a un

fenómeno aleatorio, la lluvia, variable en el tiempo, difícil de muestrear en origen y

relacionada con el uso del suelo (Zafra et al., 2007).

El agua lluvia en áreas urbanas causa más problemas que en las rurales, debido al

desbalance en el ciclo hidrológico por el aumento de las áreas impermeables (cubiertas,

parqueaderos y vías). Estas zonas recogen las aguas lluvias y las dirigen al sistema de

drenaje urbano, generando el aumento en la cantidad y velocidad de la escorrentía, y de

los caudales picos (Durrans, 2003; Mentens et al., 2006; Berndtsson et al., 2006).

1.2 Sistemas Urbanos de Drenaje Sostenible (SUDS)

El concepto de drenaje sostenible desarrollado en Norte América y Europa, incluye a

largo plazo factores ambientales y sociales en los proyectos de drenaje que busca

7

mantener la integridad ecológica, ambiental e hidrológica de un lugar, respecto a su

condición previa al desarrollo urbano (Delleur, 2003).

Conceptos más recientes en el manejo de aguas pluviales urbanas tales como: Sistemas

de Drenaje Urbano Sostenible (SUDS), Bajo Impacto de Desarrollo (LID), Diseño Urbano

(WSUD); tienen como objetivo la restauración de los componentes críticos de los

regímenes de flujo naturales. Tales técnicas están diseñadas para captar, retener

temporalmente e infiltrar el agua lluvia (por ejemplo estanques de lluvia, cunetas de

biofiltración, pavimentos permeables, techos verdes), promoviendo la

evapotranspiración, así como la evaporación, la recarga de agua subterránea y el

aprovechamiento de aguas lluvia (Villarreal et al. 2004). Los SUDS minimizan y mejoran

la calidad del agua de escorrentía mitigando el problema descrito anteriormente,

controlan los altos flujos de la escorrentía, reduciendo el impacto de la urbanización

(Durrans, 2003; Mentens et al., 2006; Berndtsson et al., 2006).

El objetivo primordial de los sistemas urbanos de drenaje sostenible (SUDS) es minimizar

los impactos propios de la infraestructura y la actividad antrópica en la calidad del agua,

por medio de la creación de prácticas que disminuyan la generación de escorrentía

urbana favoreciendo de esta forma la infiltración , el almacenamiento , manteniendo y

potenciando la red de drenaje natural. La práctica muestra que estos sistemas generan

una serie de beneficios económicos, sociales y ambientales, debido a que estos son más

sostenibles que los métodos convencionales (Durrans, 2003)

Los objetivos de los SUDS se podrían resumir en los siguientes aspectos:

Proteger los sistemas naturales y mejorar el ciclo del agua en entornos urbanos.

Integrar el tratamiento de las aguas de lluvia en el paisaje

Proteger la calidad de las aguas receptoras de escorrentías urbanas.

Reducir volúmenes de escorrentía y caudales pico.

Las desventajas de los SUDS se podrían decir que son las siguientes:

Algunas de las mejoras necesitan ser probadas a lo largo de períodos largos de

tiempo.

La falta de práctica por parte de los diseñadores limita su aplicación.

Puede generar desconfianza frente al drenaje convencional por ser algo

relativamente nuevo.

La necesidad de un mantenimiento específico diferente del usado en técnicas de

drenaje convencional.

La escasez de modelos prácticos de desarrollo de estas técnicas.

8 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

Los SUDS se clasifican en dos grandes grupos: los de tipo estructural y los de tipo no

estructural. Los de tipo no estructural son una variedad de prácticas institucionales y

educativas llamadas comúnmente «control de fuente o prevención de la contaminación»,

los cuales buscan reducir o eliminar el ingreso de contaminantes a las aguas lluvias

(Urbonas, 1999). La incorporación de los SUDS en el diseño urbano producen un

desarrollo de bajo impacto para el lugar, conservando y mejorando los lugares de alto

valor ambiental, para adaptarlos a la nueva condición urbana; lo que implica la utilización

de materiales permeables para las zonas duras y de la disminución de las zonas

impermeables aprovechando para ello las zonas verdes (jardines, parques públicos,

glorietas y separadores), las cuales se diseñan desde la óptica de la hidrología

(Fernández, 2005).

Existen diferentes formas de manejar la escorrentía en áreas urbanas, los diferentes

tipos de SUDS tienen diferentes formas de hacerlo, según Ballard y Kellagher (2007) las

formas más comunes para lograr lo anterior son:

Infiltración: Consiste en el proceso de dejar pasar agua a través de suelo con el fin de

reducir el volumen de lluvia, y recargar acuíferos. Por lo general, es la solución que más

se busca, porque restablece el ciclo hidrológico, mediante la generación de áreas

permeables. Sin embargo, el porcentaje de áreas que permiten este fenómeno son cada

vez menores en áreas urbanizadas.

Detención/Atenuación: Consiste en almacenar por un periodo de tiempo el volumen de

escorrentía, lo que aumenta el tiempo de concentración. Algunas técnicas permiten bajar

picos de caudal como: humedales artificiales entre otros, que, como se verá más

adelante son un volumen de control de tierra, agua y plantas.

Transporte de Agua en Canales Abiertos: Se refiere a la acción de llevar el agua de un

punto a otro de manera controlada, permitiendo pérdidas por infiltración y/o evaporación.

Un ejemplo típico son las trincheras de infiltración.

Utilización de Aguas Lluvias/Retención: Se refiere al almacenamiento permanente de

un volumen de agua para abastecimiento en las viviendas. Sin embargo, no es agua

potable y debe tener un tratamiento que garantice su calidad si se quiere usar para

consumo.

1.3 Techos Verdes

Los techos verdes tienen un potencial como ecosistema: se ha observado que según el

tipo de sustrato y las condiciones topográficas se favorece la existencia de invertebrados

especializados en hábitats secos siendo los sustratos Sedum los más propicios para su

desarrollo (Kadas, 2006). Se proponen techos verdes para edificios sostenibles en

muchos países con diferentes condiciones climáticas, los aspectos técnicos y de

construcción de techos verdes se utilizan para clasificar diferentes sistemas. Los

Beneficios ambientales son examinados principalmente mediante la evaluación de los

9

resultados relacionados con la reducción del consumo de energía del edificio, la

mitigación del efecto de isla de calor urbano, la mejora de la contaminación del aire, la

gestión del agua, aumento de aislamiento acústico. (Berardi et a.l, 2014).

La clasificación más aceptada y utilizada para techos verdes es aquella donde se

categorizan de acuerdo a la altura del sustrato en (California Stormwater Quality

Association CSQ 2003; New Jersey Department of Environmental Protection 2004;

Kinkade et al., 2007; Werthmann y. Architects 2007; Ballard 2007): (i) Extensivos,

aquellos que tienen entre 25 mm y 125 mm y que además no requieren mucho cuidado;

(ii) Intensivos, los más grandes como árboles; y (iii) Simples, los que necesitan un

constante mantenimiento y tienen propósitos más paisajísticos que ambientales. Otros

autores clasifican como techos verdes todos los techos que tengan alguna presencia de

plantas con un mantenimiento regular, y que además puedan tener un uso agrícola

( Peck y Callaghan 1999; Kinkade et al., 2007).

Los componentes básicos para cubiertas verdes en losas de concreto son las siguientes:

Una membrana impermeable, la capa de drenaje constituida por medios porosos

naturales o artificiales, el filtro de membrana (geotextil), el medio de crecimiento (una

mezcla de material mineral enriquecido con material orgánico) y la capa de vegetación.

Por otra parte se concluyó que los techos verdes parecen ser preferibles en el

revestimiento convencional de un techo, y que el tiempo de vida de los techos verdes es

aproximadamente el doble de cubiertas de techo clásicas (Claus y Rousseau 2012).

Los techos verdes pueden reducir la contaminación de las aguas pluviales de escorrentía

urbana mediante la absorción y filtrar los contaminantes, también pueden contribuir a los

contaminantes liberados en el agua del suelo, plantas y fertilizantes. La calidad de la

escorrentía de un techo verde depende del tipo de la cubierta (el espesor de la capa de

sustrato, su composición, la vegetación y el tipo de drenaje), la edad de la azotea, su

mantenimiento, y las fuentes de contaminación locales. En Estonia se realizó un estudio

de la calidad de agua de escorrentía de agregados de peso ligero (LWA) provenientes

de techos extensivos y cubiertas de césped, tomando muestras de 10 tipos de techos

verdes diferentes para determinar el nivel de calidad del agua (Berndston 2006; Teemusk

y Mander ,2011).

1.4 Conceptos Hidrológicos e Hidráulicos

El papel de las precipitaciones es esencial para la hidrología urbana: es el fenómeno de

conducción de la escorrentía, en particular en el contexto urbano. Su variabilidad

constituye una fuente significativa de incertidumbre para la modelización hidrológica. El

pequeño tamaño de las cuencas urbanas y los fines hidrológicos (especialmente para

aplicaciones en tiempo real) obligan a considerar las precipitaciones a escalas

pequeñas: del orden de 10 min en el tiempo a 10 km en el espacio. Por lo tanto la

hidrología urbana requiere mediciones de precipitación con alta resoluciones temporales

10 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

y espaciales (Berndtsson y Niemczynowicz, 1988; Niemczynowic, 1999; Ogden et al.,

2000).

La escorrentía superficial es el agua que no es evaporada ni infiltrada: La escorrentía

superficial diferida se refiere a aquella porción de escorrentía que puede quedar retenida

como nieve, hielo, en lagos o embalses. La escorrentía directa es aquella que llega a

los cauces superficiales en un periodo de tiempo corto tras la precipitación, y que

normalmente engloba la escorrentía superficial y la subsuperficial, siendo estas últimas

difícilmente de distinguir (por el aumento de los caudales luego de las precipitaciones) la

cual ha estado infiltrada subsuperficialmente. La escorrentía básica es aquella que

alimenta los cauces superficiales en los estiajes, durante los periodos sin precipitaciones,

concepto que engloba la Escorrentía Subterránea y la superficial diferida (Sánchez

2003).

1.4.1 Intensidad

La medida de intensidad es una medida en mm por hora para una cuenca o subcuenca

de drenaje particular. La intensidad se selecciona con base en la duración de lluvia de

diseño del período de retorno. La duración de diseño es igual al tiempo de concentración

para el área de drenaje en consideración. El período de retorno se establece utilizando

estándares de diseño o es escogido por el hidrólogo como un parámetro de diseño. El

tiempo de concentración es el tiempo requerido por una gota de agua para fluir desde el

punto más remoto en la cuenca hasta el punto de interés (Chow ,1987). Si la intensidad

se mantiene constante durante el tiempo que tomaría para que el área total que

contribuye a drenar el exceso de lluvia en el sitio de salida, la intensidad de la

precipitación debe ser igual a la escorrentía y para equilibrar las unidades, la intensidad

debe ser multiplicado por el área

𝑄 = 𝐶𝑖𝐴 (1.1)

En donde

𝑄=Caudal (𝑚3

𝑠⁄ )

𝑖=Intensidad (𝑚𝑚ℎ𝑟⁄ )

𝐶=Coeficiente de escorrentía

𝐴=Área (𝑚2)

La intensidad o profundidad de la precipitación por unidad de tiempo se escribe en

unidades de milímetros por hora o (pulgadas por hora). Algunas estaciones

meteorológicas que utilizan medidores que proporcionan registro continuo de las

precipitaciones pueden ser utilizadas para obtener los datos de intensidad. Estos datos

se presentan por lo general, ya sea en forma de tabla o gráfico

(hietogramas). (Wanielista., et al 1997)

11

1.4.2 Escorrentía

En el medio urbano, la escorrentía de superficie está formada por los flujos sobre el suelo

provenientes de la lluvia neta, hasta la entrada en la red.

Se distinguen dos flujos: en superficie propiamente dicho y los flujos en las canaletas:

Flujo Superficial: Este flujo se hace en dirección a las canaletas o a los

sumideros, con alturas de aguas muy pequeñas. Se admite que dicha escorrentía

comienza solamente después de satisfacer las pérdidas iniciales.

Flujo en las canaletas: Los flujos dentro de las canaletas son alimentados a todo lo largo de su recorrido por la escorrentía en superficie adyacentes. (Torres, 2004)

1.4.3 Tiempo de retardo

El tiempo de retardo “Lag time” (K) representa la diferencia temporal entre los baricentros

de los hidrogramas de entrada y de salida de un reservorio cualquiera, el cual puede

representar una cuenca. Existen varias fórmulas empíricas para la determinación de K

(Torres, 2004).

1.5 Diseño Experimental

El diseño óptimo determina la estructura del experimento, así como el tamaño del

experimento y a menudo depende del modelo estadístico para el análisis. La planificación

estadística de un experimento incluye la construcción de un diseño estadístico

experimental óptimo y la determinación del tamaño mínimo de la muestra, que es

necesario para alcanzar determinados requisitos de precisión en el contexto de un

modelo estadístico escogido para el análisis de los resultados. Los diseños de bloques

son diseños experimentales especiales para la reducción de ruido mediante el bloqueo

que es un grupo relativamente homogéneo de unidades experimentales que se llama un

bloque. Se dice que un bloque es completo si cada uno de los tratamientos ocurre al

menos una vez en este bloque; de lo contrario el bloque se llama incompleta. (Rasch et

al., 2011).

1.6 Conceptos de Calidad de Agua

El agua de lluvia pura es difícil de encontrar, debido a que el nivel de contaminación es

dependiente de los componentes presentes en la atmósfera local, puesto a que allí

habitualmente se concentran partículas, microrganismos, metales pesados y sustancias

orgánicas, los cuales se precipitan inmersos en las gotas de lluvia. Lo anterior, sumado a

la acumulación de contaminantes en las zonas de captación que son lavados durante los

eventos de lluvia y a la gama de materiales constitutivos como infraestructura de

12 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

aprovechamiento o drenaje, permiten justificar por qué la calidad del agua lluvia es tan

variable. Esta característica se hace mucho más crítica en las ciudades que en zonas

rurales debido a la concentración de industrias y procesos productivos (Coombes et al.,

2000; Mwenge et al., 2007; Helmreich y Horn, 2009;).

Generalmente los procesos de tratamiento dependen de la calidad del agua y de los usos

que ésta pueda tener (agricultura, paisajismo, industria, usos urbanos no potables,

recreación y ambiente, recarga de aguas subterráneas, agua potable, usos directos e

indirectos, etc.). En la actualidad los procesos de tratamiento se enfocan al análisis de la

calidad del agua lluvia de acuerdo a las normas establecidas por reconocidas

organizaciones, como la Organización Mundial de la Salud y entes territoriales que

condicionan su utilización de acuerdo a parámetros físicos (pH, color, temperatura,

partículas), químicos (cloruros, sodio, metales pesados, contenido orgánico),

microbiológicos (coliformes totales y fecales, bacterias varias) y biológicos-orgánicos

(Demanda Bioquímica de Oxígeno DBO, Demanda Química de Oxígeno DQO,

Compuestos Orgánicos Volátiles VOC‟s) (Lazarova et al., 2003; Asano, 2007).

Adicionalmente, se consideran también aspectos económicos ya que, a menos que el

agua cumpla con los mínimos requerimientos de uso, un tratamiento inferior al

recomendado puede generar problemas en la fuente receptora y uno excesivo puede

determinar una pérdida de recursos en términos de energía, mano de obra y dinero

(Kobiyama y Hansen, 2002; Handia et al., 2003; Asano, 2007; Li.Z, et al., 2010).

En Colombia la norma de calidad para aprovechamiento de agua es la establecida

mediante la resolución 2115 de 2007 de los Ministerios de la Protección Social y de

Ambiente, Vivienda y Desarrollo Territorial, resolución por la cual se señalan

características, instrumentos básicos y frecuencias del sistema control y vigilancia para

la calidad de agua para consumo. De esta forma, por ejemplo si el agua lluvia presenta

altas concentraciones de Sólidos Suspendidos Totales (SST) y DBO5 superiores a 30

mg/L, y pH, mayor a 7 unidades, la Norma U.S. EPA (2004), restringen su uso directo

para riego agrícola superficial o usos ornamentales, debido a un posible taponamiento de

los elementos de irrigación (Lazarova et al., 2003; Torres et al., 2011). Así mismo, si la

turbiedad es superior a 5 NTU, se restringe para el lavado de automóviles. Una muestra

con concentraciones superiores a 0.1 mg/L y 0.01 mg/L de Hierro (Fe) y Cadmio (Cd),

respectivamente, impide su uso directo para el riego por afectar la salud humana.

Además, si se detecta una concentración de Nitrógeno amoniacal por encima de 1.0

mg/L, el agua no puede ser utilizada para consumo humano (Ministerio de Salud

República de Colombia, 1984), a menos que le sea realizado un proceso de tratamiento

(Torres et al., 2011).

13

Tabla 1-1 Contaminantes de agua lluvia

Contaminante Parámetro de Medición Fuentes Comentarios

Sólidos (Sólidos suspendidos)

SST

Desgaste del pavimento, obras de construcción o

obras de rehabilitación; consecuencias atmosférica

desechos antropogénicos, etc

60-80% de los SS en el agua lluvia podría ser menor de 30 µm de

diámetro. Los sólidos también se acumulan

dentro de sistema de alcantarillado y pueden ser descargados en

diferentes momentos. Los metales pesados y los HAP son en enlace a

las partículas más pequeñas (por ejemplo: 100-250 µm)

Metales Pesados

Cu,Zn,Cd,Pb,Ni,Cr

Las piezas y componentes de los vehículos;

desgaste de los neumáticos, el combustible y lubricantes;

señales de tráfico y carreteras de estructura metálica

. Las industrias también pueden ser una fuente importante de metales

pesados

Hay relevantes efectos tóxicos En general se enfoca para el cobre

(Cu), zinc (Zn); cadmio (Cd) y plomo (Pb). La relevancia de Pb es menor en los

países que utilizan gasolina sin plomo.

Materia Orgánica Biodegradable

DBO5 DQO

La vegetación (hojas y troncos) y animales tales como perros, gatos y aves (ya sean contribuciones fecales o cadáveres)

La materia orgánica (o.m.) de aguas pluviales es menos biodegradable (dominado por planta el material), por lo tanto, también es menos problemático para el medio ambiente que el o.m. de las OSC.

Microorganismos Patógenos

Coliformes totales;

Escherichia coli

Contribuciones de gatos perros y

pájaros

Las fuentes de aguas pluviales son aportantes diferentes de las aguas residuales domésticas en el caso de

las OSC.

Nutrientes

Nitrógeno y fósforo

Fertilizantes y precipitación

atmosférica

Los nutrientes pueden causar no sólo los problemas de eutrofización

, sino también la decoloración del agua, olores,

emisiones tóxicas y el crecimiento excesivo de plantas.

La Tabla 1-1 menciona algunas fuentes de contaminantes de agua lluvia (Barbosa et al .,

2012).

El periodo seco que precede a un evento de escorrentía es el tiempo durante el cual los

contaminantes se acumulan en la superficie del techo. La cantidad de acumulación del

contaminante del techo está influenciada por el tipo de techo y las condiciones

ambientales que contribuyen a la eliminación de sedimentos, tales como el viento, la

temperatura, la radiación solar y la humedad relativa. (Fewtrell y Kay ,2007). La

intensidad de la tormenta puede tener un impacto marcado en el tipo y cantidad de

contaminantes en la escorrentía. Se ha observado previamente que existe una

correlación positiva entre ciertas cargas o concentraciones de contaminantes y medidas

de intensidad de tormenta (Crabtree et al., 2008).

La deposición de contaminantes en un entorno urbano se correlaciona con

contaminantes atmosféricos, que incluyen partículas, polvo, escombros, así como los

aerosoles y gases (Beysens et al., 2006). Estos pueden tener origen dentro del propio

entorno urbano, como por ejemplo de vehículos, el desgaste de los neumáticos, residuos

domésticos, y actividades industriales (Kabir et al., 2014).Una forma de clasificar esos

contaminantes es por orden de visibilidad decreciente (Thévenot, 1992)

14 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

1.6.1 Sólidos suspendidos Totales

Los sólidos suspendidos totales relacionan la presencia de partículas de materia orgánica

o de minerales en el agua. En el caso de las aguas residuales la mayor parte de los

sólidos suspendidos provienen de los desechos humanos, desperdicios de alimentos,

desechos industriales y células biológicas que forman una masa de partículas

suspendidas, por efecto de absorción de las partículas de materiales inertes (e.g.

minerales) presentes en el agua. Existen, además otras fuentes de sólidos en

suspensión, tales como la erosión del suelo a partir de un sitio de construcción y de

actividades agrícolas, que por efecto de la escorrentía superficial son arrastrados a las

redes de drenaje (Muttamara, 1996).

Tabla 1-2 Clasificación básica de sólidos (Butler y Davies, 2011)

Tipo de sólido Tamaño (µm) SG (–)

Grueso >6000 0.9 – 1.2

Arena >150 2.6

Suspendido ≥0.45 1.4 – 2.0

Disuelto <0.45 –

La Tabla 1-2 muestra la clasificación básica de los sólidos por tipos de sólidos de interés

en las aguas residuales y pluviales, en términos generales se pueden clasificar en cuatro

categorías: gruesos, arena, suspendidos y disueltos. Los sólidos gruesos y suspendidos

pueden subdividirse de acuerdo a su origen: aguas residuales y pluviales (Butler y

Davies, 2011).

Por lo tanto, en un cuerpo de agua donde la presencia de los SST aumenta, la capacidad

para soportar una diversidad de vida acuática disminuye. Los sólidos en suspensión

absorben el calor de la luz solar, lo que aumenta la temperatura del agua y,

posteriormente, disminuye los niveles de oxígeno disuelto (el agua a mayor temperatura

contiene menos oxígeno que el agua a menor temperatura) (Pescod, 1992).

1.6.2 Demanda bioquímica de oxígeno

Los organismos autótrofos (plantas principalmente) convierten los nutrientes inorgánicos

simples en moléculas orgánicas más complejas. La energía solar se almacena como

energía química en las moléculas orgánicas. Además el oxígeno se libera y se consume

el dióxido de carbono. La materia orgánica, sirve como una fuente de energía para los

organismos heterótrofos (bacterias y animales) en los procesos inversos de la respiración

y la descomposición. Éstos devuelven la materia orgánica al estado inorgánico simple.

Durante la degradación, el oxígeno se consume y dióxido de carbono se libera. De

acuerdo con esta reacción reversible, el dióxido de carbono y el agua se utilizan para

sintetizar materia orgánica (la glucosa de azúcar) y para crear el oxígeno en la reacción

de la fotosíntesis hacia adelante. Por el contrario la materia orgánica se descompone y el

oxígeno se consume en las reacciones de la respiración y la descomposición inversa.

15

El análisis presentado en algunas aguas residuales en un reactor discontinuo se limita a

medir cuánto se consume de oxígeno. La cantidad resultante se denominó la demanda

bioquímica de oxígeno o DBO. (Chapra 1997).

1.6.3 Metales Pesados

Los metales pesados por lo general se refieren a los metales que se encuentran entre los

números atómicos 21 y 84. Unos pocos metales (arsénico y selenio), así como el

aluminio se incluyen en esta categoría. La presencia de la mayoría de los metales ocurre

de forma natural. Sin embargo se puede presentar por la minería y por actividades

industriales como la galvanoplastia, fundición y fabricación (Chapra, 1997).

Los metales difieren de contaminante orgánico y radionucleidos de varias maneras:

1. Niveles naturales: La mayoría de los metales pesados se producen de forma natural,

por lo que a menudo deben considerar niveles de fondo al evaluar las fuentes

antropogénicas.

2. La falta de mecanismos de desintegración: la mayoría de los metales son conservados

en que la cantidad total de metal no se descompone por procesos tales como la

biodegradación, fotólisis o decaimiento radiactivo. La ausencia de estos mecanismos

simplifica su modelado. Además, aunque la mayoría no tiene fases gaseosas, algunos de

los agentes tóxicos inorgánicos no metálicos (Mercurio) se pierde por volatilización

(Chapra, 1997).

Las piezas y componentes de los vehículos, el desgaste de los neumáticos, el

combustible y lubricantes, las señales de tráfico, las carreteras de estructura metálica,

las industrias también pueden ser una fuente importante de producción de metales

pesados. (Barbosa et al ., 2012).

1.6.4 pH y CE

En 1909, el químico danés Sorensen definió el potencial hidrógeno (pH) como el

logaritmo negativo de la concentración molar (más exactamente de la actividad molar) de

los iones hidrógeno. Esto es: pH = - log [H +] (ASM, 1994). La determinación del pH en el

agua es una medida de la tendencia de su acidez o de su alcalinidad. Un pH menor de

7.0 indica una tendencia hacia la acidez, mientras que un valor mayor de 7.0 muestra

una tendencia hacia lo alcalino. La mayoría de las aguas naturales tienen un pH entre 4

y 9, aunque muchas de ellas tienen un pH ligeramente básico debido a la presencia de

carbonatos y bicarbonatos. Un pH muy ácido o muy alcalino, puede ser indicio de una

contaminación industrial (Rice et al., 2012).

La conductividad eléctrica mide la cantidad total de iones presentes en el agua, y por

ende se relaciona con la salinidad. La conductividad se define como el recíproco de la

resistencia medida entre dos electrodos de 1.0 cm² y distanciados entre sí por 1.0 cm.

16 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

Los valores de conductividad se expresan en microsiemens por cm (µS/cm) o

micromohos/ cm (Roldan, 2003)

1.7 Análisis de datos

1.7.1 Incertidumbre

La incertidumbre en la medición junto con la observación son la base para documentar,

cuantificar, describir y entender los experimentos, los sistemas y sus variables. Sin

embargo, el método de medición está sujeto a incertidumbres y errores que influyen en

los resultados y deben ser considerados en la interpretación de los valores medidos

(Gujer, 2008). Existen principalmente dos tipos de incertidumbre catalogadas como Tipo

A y Tipo B (Miranda, 2003).

a) Tipo A La primera está asociada con el resultado de una medición, que caracteriza la dispersión

de los valores que se podrían atribuir razonablemente al medido, calculado por medio del

análisis estadístico directo de una serie de observaciones o mediciones repetidas. En

este caso se asume que las mediciones presentan una distribución normal. Esto significa

que los valores individuales de 𝑥𝑖 de la variable aleatoria 𝑋 están sujetos a cierta función

de probabilidad de densidad 𝑓(𝑥) con un valor medio del valor 𝜇𝑥 (el valor “verdadero de

la medida”, (1.2) y la varianza 𝜎𝑥2 (1.3)

dxxfxx )( (1.2)

dxxfx xx

)()(2 (1.3)

La distribución empírica de una variable aleatoria se puede determinar aproximadamente

por 𝑛 múltiples mediciones de exactamente el mismo objeto (repeticiones). En ese caso,

la media aritmética (1.4) se utiliza como una aproximación de 𝜇𝑥 y la desviación estándar

experimental 𝑠𝑥2 (1.5) la cual sustituye 𝜎𝑥

2.

n

i

ix xn

m1

1(1.4)

17

n

i

xix mxn

s1

22 )(1

1(1.5)

Por otro lado, la mejor estimación de la varianza de la media se define como σ2(mx) =

σ2/n. Lo anterior, cuantifica qué tan bien 𝑚𝑥 estima el valor esperado de 𝑥, y se puede

utilizar como una medida de la incertidumbre (𝑢(𝑥𝑖)) de 𝑚𝑥.

)1(

)(

)( 1

nn

mx

xu

n

i

xi

i (1.6)

b) Tipo B

Es la incertidumbre de una medida asociada a cantidades cuyos valores se introducen en

la medición a través de fuentes externas, tales como cantidades asociadas a patrones de

medición calibrados, materiales de referencia certificados o datos de referencia obtenidos

de manuales. Además, cuando existe o no correlación entre las cantidades que aparecen

en una medición, se debe utilizar un procedimiento para obtener la incertidumbre

estándar compuesta basado en las incertidumbres estándares de las cantidades

originales y alguna relación funcional entre ellas 𝑦 = 𝑓(𝑥1, 𝑥2, … , 𝑥𝑛), de la cual se obtiene

la nueva cantidad (Miranda, 2003). Por lo tanto, este tipo de incertidumbre se evalúa por

medio de la ecuación conocida como la ley de la propagación de la incertidumbre, la cual

se describe a continuación:

1

1 1

2

2

1

2 ),(2)()(n

i

n

ij

ji

ji

i

n

i i

xxux

f

x

fxu

x

fyu (1.7)

Donde 𝑢(𝑥𝑖) es la incertidumbre estándar asociada a 𝑥𝑖 y 𝑢(𝑥𝑖 , 𝑥𝑗) es la covarianza

estimada entre 𝑥𝑖 y 𝑥𝑗. Las derivadas parciales que aparecen en (1.7) están evaluadas en

𝑋𝑖 = 𝑥𝑖, y frecuentemente se les llama coeficientes de sensibilidad, los cuales describen

cómo cambia la estimación de salida 𝑦 con cambios en las estimaciones de entrada

𝑥1, 𝑥2, … , 𝑥𝑛.

La incertidumbre de un resultado de calidad de aguas no depende únicamente de la

precisión de los instrumentos de laboratorio. En efecto, la incertidumbre de medición está

definida como un parámetro que caracteriza la dispersión de los valores que puede

razonablemente atribuirse al mensurando, término definido por el Centro Español de

Metrología, CEM (2008) como la magnitud sujeta a medición (JCGM, 2008).

18 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

En consecuencia, las incertidumbres relacionadas con el mues-treo y submuestreo

(muestreo realizado a partir de una muestra) tanto en campo como en laboratorio, así

como el almacenamiento y la conservación de las muestras y la manipulación tanto de

las muestras como de los aparatos constituyen una parte fundamental de la

incertidumbre asociada a un resultado (Harmel et al., 2009).

Para el caso de un único ensayo en laboratorio por muestra, la guía de

EURACHEM/CITAC (2000) propone una metodología para la estimación de la

incertidumbre en 5 etapas: (i) especificación del mesurando, donde se definen las etapas

necesarias para la medición; (ii) identificación de las fuentes de incertidumbre; (iii) cálculo

de las incertidumbres estándar asociadas a cada fuente de incertidumbre; (iv) cálculo de

la incertidumbre estándar compuesta utilizando la ley de propagación de incertidumbres;

y (v) cálculo de la incertidumbre ampliada, mediante un multiplicador, generalmente

tomado como 2, de manera a expresarla con un 95% de confianza (Torres , 2011).

1.7.2 Simulaciones de Monte Carlo

Los métodos de simulación estadísticos tal vez contrastan con los métodos numéricos de

discretización convencionales, que normalmente aplican ecuaciones diferenciales:

ordinarias o parciales, las cuales describen algún sistema físico o matemático

subyacente. En muchas aplicaciones de Monte Carlo el proceso físico se simula

directamente, y no hay necesidad utilizar las ecuaciones diferenciales que describen el

comportamiento del sistema (Figura 1-1). El único requisito es que el sistema físico (o

matemático) se describa por medio de funciones de densidad de probabilidad (en inglés

pdf). (Zamora, 2013)

Figura 1-1 Esquema general de las simulaciones Monte Carlo (Zamora, 2013)

La simulación estadística de los métodos Monte Carlo tienen por fin generar digitalmente

un gran conjunto de datos para el estudio de la propagación de las funciones de

densidad de probabilidad entre las variables de entrada 𝑋𝑖 (variables y parámetros) y la

salida 𝑦. Las simulaciones de Monte Carlo se utilizan generalmente cuando no se

19

cumplen las condiciones de la ley de propagación de la incertidumbre (no hay un modelo

analítico, distribución asimétrica,...) por lo tanto son el método de referencia.

Figura 1-2 Pasos para generar una simulación Monte Carlo (Lepot, 2012)

La Figura 1-3 ilustra el principio general de la estimación de la incertidumbre por

simulaciones de Monte Carlo (Lepot, 2012).

Los métodos numéricos para evaluar la incertidumbre, como el método de Monte Carlo,

se utilizan cuando no es posible o se hace muy difícil utilizar métodos analíticos (Poulter,

1998; Greenland, 2001; Smith, 2002). En el caso de que los resultados de cada

repetición no tengan una dispersión elevada, la evaluación de la incertidumbre asociada

al resultado característico de la muestra puede evaluarse mediante métodos analíticos,

como la ley de propagación de incertidumbre, aplicada a la ecuación del valor promedio.

1.7.3 Análisis de componentes principales

El análisis de componentes principales (PCA) es una técnica estadística ampliamente

utilizada en estudios de drenaje urbano. El objetivo es, básicamente, para extraer

información de los datos medidos, la identificación de la dirección de la variabilidad por el

uso de combinaciones lineales entre las variables (Faouzi et al ., 2006 ) . El concepto de

" combinación lineal " se refiere al hecho de que las puntuaciones en un componente son

creadas por la suma de las puntuaciones en las variables observadas. Las variables

observadas se promedian, buscando que los componentes resultantes sean capaces de

representar la mayor cantidad de varianza del conjunto de datos. Para lograr un análisis

fiable de PCA, se requiere un conjunto de datos mayor que 100 o se requiere cinco veces

el número de variables analizadas. El análisis de PCA se puede utilizar también como

una herramienta de agrupación, en consecuencia con la influencia de cada observación

sobre una característica común (Hernández, 1998).

20 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

El análisis de componentes principales (PCA), también se han propuesto para analizar

los datos de expresión genética (Jolliffe, 1986). PCA es una técnica clásica para reducir

la dimensionalidad del conjunto de datos mediante la transformación a un nuevo conjunto

de variables (los componentes principales) para resumir las características de los datos.

Los componentes principales (PCs) no están correlacionados y ordenados de tal manera

que el PC k-ésimo se puede interpretar como la dirección que maximiza la variación de

las proyecciones de los puntos de datos de tal manera que es ortogonal a la primera k - 1

PC. El enfoque tradicional es utilizar los primeros ordenadores en el análisis de datos, ya

que captan la mayor parte de la variación en el conjunto de datos original. En contraste,

los últimos ordenadores a menudo se sobreponen para capturar sólo el "ruido " residual

en los datos. El PCA está estrechamente relacionado con una técnica matemática

llamada descomposición de valor singular (SVD). De hecho, el PCA es equivalente a la

aplicación de la SVD de la matriz de covarianza de los datos. Recientemente, ha habido

un gran interés en aplicar SVD a los datos de expresión genética (Holter et al., 2000;

Alter et al., 2000).Por ejemplo Cho et al (1998) uso diferentes técnicas de análisis de

datos y de diferentes algoritmos de cluster para analizar el mismo conjunto de datos que

pueden conducir a conclusiones muy diferentes.

1.7.4 Kruskal-Wallis, Wilcoxon

El test Kruskal-Wallis analiza el efecto de un factor de clasificación sobre una variable

respuesta, representando una extensión del contraste no paramétrico de rangos y signos

de wilcoxon, en aquellas situaciones en que haya más de dos niveles del factor o

tratamientos. Debido a que los contrastes no paramétricos tienen en cuenta los valores

medianos en lugar de las medias, se debería utilizar este procedimiento cuando haya

observaciones anómalas, ya que éstas afectan a los valores medios. Para utilizar este

procedimiento los datos tienen que contener un conjunto de observaciones para cada

uno de los r niveles del factor. El sistema primero ordena el conjunto completo de

observaciones, asigna una posición a cada observación y luego calcula la media de estas

posiciones para cada tratamiento. A continuación calcula el estadístico K. Este

procedimiento corrige los empates dando una posición que es el promedio de las

observaciones empatadas y ajusta el estadístico del contraste para reflejar dicha

situación (Mate, 1998)

1.7.5 Correlación de Spearman

El análisis más común es el análisis de correlación (r) de Pearson (1.8) Este tipo de

análisis presupone que las variables son ordinales o continuas y que la distribución de

estas variables se acerca a la distribución normal. Esta última condición no se cumple y

por lo tanto se busca otro tipo de correlación que puede determinar el grado de relación

entre caudal y nivel, cuando se desconoce el tipo de distribución que los datos generan.

21

n

i

i

n

i

i

n

i

ii

yy

yyyy

yyyy

r

11

1ˆ

)ˆˆ()(

)ˆˆ()(

(1.8)

Por consiguiente, la correlación no paramétrica (𝜌) de Spearman acepta variables de

libre distribución, relaciones no lineales e incluso ordinales. El coeficiente de Spearman

es el coeficiente de correlación de Pearson, pero aplicado después de transformar las

puntuaciones originales en rangos. Toma valores entre -1 y 1, y se interpreta de la

siguiente manera:

Los valores cercanos a uno indican una correlación muy buena y los valores cercanos a cero indican una correlación mínima o nula.

En cuanto al signo, si éste es positivo indica una correlación directa, mientras que un signo negativo indica correlación inversa entre las variables. (Zamora, 2013).

2. MATERIALES Y MÉTODOS

2.1 Montaje experimental

El montaje de techos verdes se realizó en el campus de la Pontificia Universidad

Javeriana sede Bogotá (PUJB), edificio José Rafael Arboleda (67), en el marco del

proyecto “PROYECTO PILOTO DE TECHOS VERDES COMO ALTERNATIVA DE

PRESERVACIÓN DEL MEDIO AMBIENTE, SEGURIDAD ALIMENTARIA Y

FORTALECIMIENTO COMUNITARIO EN USME”.

Para determinar el número de techos que se necesitó en el proyecto, se realizó un diseño

experimental, con el propósito de determinar el número de configuraciones de los techos

verdes, número de muestras a tomar y número de eventos. Este análisis se hizo por el

método de bloques incompletos con el programa R (R Development Core Team ,2014) y

la librería agricolae que se encuentra disponible en http://cran.at.r-project.org/.

La Tabla 2-1 muestra la descripción de los tratamientos para el diseño experimental.

Tabla 2-1 Descripción de tratamientos

Tratamiento Módulo Descripción

A 1 Acelga China (Cascarilla de arroz, humus, tierra negra)

B 2 Lechuga Crespa (Cascarilla de arroz, humus, tierra negra)

C 3 Lechuga Batavia (Cascarilla de arroz, humus, tierra negra)

D 4 Acelga China (Biochar (Tipo de carbón))

E 5 Lechuga Crespa (Biochar (Tipo de carbón)

F 6 Lechuga Batavia (Biochar) –No se obtuvieron datos de lluvia

En la Tabla 2-1 se aprecia los seis tratamientos, los cuales se escogen teniendo en

cuenta el estudio de Forero et al (2012) en el cual selecciona plantas endémicas con

doble propósito para consumo humano y el tipo de sustrato. Para el tratamiento F no fue

posible tomar datos de lluvia debido a que un sensor se deterioró .Con estos tratamientos

se hizo el diseño experimental por medio del método de bloques incompletos (BIB) con

un tamaño de bloque (k) de cinco. La Tabla 2-2 presenta los resultados del diseño

experimental de los techos verdes para seis módulos.

24 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

Tabla 2-2 Resultados diseño experimental para seis módulos

Lambda 4

Tratamientos 6

Tamaño del bloque 5

Bloques 6

Replicas 5

Factor de Eficiencia 0.96

La Tabla 2-2 indica que para el diseño de los techos verdes se necesita 6 eventos

(Bloques), en cada evento se deben tener mediciones en mínimo 5 módulos (Tamaño del

bloque) con una eficiencia de 0.96 y ʎ (número de posibles ocurrencias en el bloque) de

cuatro.

La Tabla 2-3 presenta los resultados del diseño experimental de los techos verdes para

cinco módulos

Tabla 2-3 Resultados diseño experimental para cinco módulos

Lambda 3

Tratamientos 5

Tamaño del bloque 4

Bloques 5

Replicas 4

Factor de Eficiencia 0.93

La Tabla 2-3 indica que para el diseño de los techos verdes se necesita 5 eventos

(Bloques), en cada evento se deben tener mediciones en mínimo 4 módulos (Tamaño del

bloque) con una eficiencia de 0.93 y ʎ (número de posibles ocurrencias en el bloque) de

tres.

Este diseño experimental se hace para poder realizar ANOVA, t-test y Análisis de

Correlaciones en los resultados obtenidos, de esta manera proponer tipo de sustrato y

planta para mitigar las variables de escorrentía y calidad del agua.

En la Figura 2-1 se puede observar el montaje utilizado para los techos verdes.

25

Figura 2-1 Montaje Techos Verdes

Se aprecia en la Figura 2-1 que el montaje consta de seis módulos de techos verdes

independientes (cada techo tiene un tipo de planta y un tipo de sustrato), y un techo de

referencia que sirve como dispositivo de control para evaluar el desempeño de los techos

verdes. Estos siete módulos se componen de : ( i ) una teja de zinc estándar apoyado por

una estructura de metal (2,80 mx 0,90 m ) con una pendiente del 5% (de acuerdo con los

más utilizados por las comunidades desplazadas en Bogotá) ;( ii ) una canal de metal

(para recoger la escorrentía) ; ( iii ) un sistema de riego ; y (iv) un sistema de seguimiento

conformado por sensores electrónicos localizados debajo de la teja de cada techo y

debajo de la balanza que soporta el balde con agua de escorrentía (ver Figura 2-2). Cada

módulo de techo verde está equipado con 20 botellas de plástico recicladas con una

capacidad de 3 litros, distribuidas en una matriz de 4 x 5 en las cuales fue depositado el

sustrato con las plantas. Cada botella tiene tres perforaciones en la parte inferior para

ayudar al drenaje de agua a través de cada techo. La Figura 2-2 muestra la disposición

del montaje para cada techo verde

Figura 2-2 Diseño techo verde

26 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

En la Figura 2-2 se observa el diseño de cada techo verde con las partes que lo

componen y la distribución de las botellas con las plantas en el techo. Se observa la

ubicación del sensor 2 en el balde, el cual registra los datos de volumen de agua en el

balde en cada evento de lluvia.

Las Figuras 2-3 y 2-4 muestran la ubicación de los sensores 1 y 2 en los techos.

Figura 2-3 Sensor 1 en el balde

Figura 2-4 Sensor 2 en el techo

El sensor de la Figura 2-3 toma datos de señal (mA) la cual se registra en un computador

portátil con acceso a red de internet. El sensor 2 (Figura 2-4) registra los datos de señal

(mA) la cual puede transformarse al peso de la teja con las botellas de gaseosa,

sustratos y plantas. Los datos arrojados por el sensor 2 no se tienen en cuenta en este

trabajo, ya que éste se enfocó al análisis de escorrentía, que son registrados con el

sensor 1 en el balde. El sensor 2 se instaló para propósitos de tener en cuenta la

evapotranspiración esencial para actividades de modelación y análisis de beneficios

relacionados con disminución de temperaturas en ciudades, aspectos que van más allá

del objetivo del presente trabajo.

El modelo del sensor es FC23 Compression Load Cell. El sistema de adquisición de

carga consta de: (i) 8 entradas por módulo,(ii) un sistema de alimentación por puerto

USB, (iii) comunicación modbus, sobre red rs-485, (iv) resolución del conversor ADC:12

bits, (v) Software de captura y visualización de NATIONAL INSTRUMENTS.

27

La Figura 2-5 muestra el registro de los datos para el sensor 1 y 2

Figura 2-5 Programa de registro de datos

Se observa en la Figura 2-5 los datos registrados para los sensores 1 y 2 en un evento

de lluvia para los 6 módulos de techo verde y el módulo de referencia. Al lado derecho se

muestran los números de los módulos con sus respectivos colores que representan cada

sensor. Los colores (rojo, verde, vino tinto, rosado, amarillo y negro) registran los datos

del sensor 2, los colores (azul, negro, azul oscuro, café claro, gris oscuro y gris claro)

registran los datos del sensor 1 y el color naranja registra el sensor 1 del módulo de

referencia .Ese programa registra datos de señal cada minuto y son guardados en el

computador portátil; estos datos de señal (mA) son convertidos a datos de volumen,

proceso que se describirá más adelante. La Figura 2-6 muestra las tres variedades de

plantas utilizadas

Figura 2-6 Botellas de gaseosa con las plantas (Acelga China (Izq), Lechuga Crespa (Med) y

Lechuga Batavia (Der)

28 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

En la Figura 2-6 se aprecian las tres variedades de las plantas sembradas en los

módulos del techo verde (Acelga China, Lechuga Crespa y Lechuga Batavia).

2.2 Protocolo

Para realizar las mediciones necesarias de lluvia-escorrentía y calidad de agua fue

necesario distribuir estas mediciones en dos fases: En campo (montaje experimental

presentado en la sección 2-1) y en el laboratorio de calidad del agua (Pontificia

Universidad Javeriana sede Bogotá).

2.2.1 Mediciones en campo

Para la recolección de datos fue necesario realizar siembras cada mes. Se realizaron

ocho siembras con ayuda de estudiantes de la carrera de Ingeniería Civil y personas

vinculadas en el proyecto. La Tabla 2-3 indica la fecha de siembra de cada variedad.

Tabla 2-4 Fechas de siembra

Fecha Variedad

Marzo/25/2013

Acelga China (sustrato) Lechuga Crespa (sustrato) Lechuga Batavia (sustrato)

Abril/15/2013

Acelga China (Biochar) Lechuga Crespa (Biochar) Lechuga Batavia (Biochar)

Mayo/10/2013

Acelga China (sustrato) Lechuga Crespa (sustrato) Lechuga Batavia (sustrato

Junio/19/2013

Acelga China (Biochar) Lechuga Crespa (Biochar) Lechuga Batavia (Biochar)

Julio/18/2013

Acelga China (sustrato) Lechuga Crespa (sustrato) Lechuga Batavia (sustrato

Agosto/23/2013

Acelga China (Biochar) Lechuga Crespa (Biochar) Lechuga Batavia (Biochar)

Septiembre/26/2013

Acelga China (sustrato) Lechuga Crespa (sustrato) Lechuga Batavia (sustrato

Octubre/31/2013

Acelga China (Biochar) Lechuga Crespa (Biochar) Lechuga Batavia (Biochar)

La siembra indicada en la Tabla 2-3 se realizó cada mes debido a que las plantas tienen

un período vegetativo de dos meses y tenían diferencia de un mes dependiendo del tipo

29

de sustrato en que estuvieran sembradas. La Tabla 2-4 muestra las fechas de los

eventos de lluvia y calidad de agua

Tabla 2-5 Fechas de eventos de lluvia y calidad de agua

Evento

Fecha Lluvia-

Escorrentía

Calidad de

Agua

1 Agosto-04-2013 X

2 Agosto-10-2013 X

3 Agosto-18-2013 X

4 Agosto 21-2013 X X

5 Agosto-28-2013 X

6 Septiembr-17-2013 X

7 Septiembre-19-2013

X

8 Septiembre-19-2013

X

9 Septiembre-26-2013

X

10 Octubre-1-2013 X X

11 Octubre-3y4-2013 X

12 Octubre -28-2013 X

13 Octubre-29-2013 X X

14 Octubre-30-2013 X X

15 Noviembre-5-2013 X X

16 Noviembre-6-2013 X X

17 Noviembre-8-2013 X

18 Noviembre-9-2013 X

19 Noviembre-19-2013 X

20 Noviembre-26-2013 X X

Se muestran ocho eventos (Tabla 2-4) que estuvieron ligados en la toma de datos de

lluvia y las mediciones de calidad de agua; no se pudo realizar todas las mediciones de

calidad de agua de los 20 eventos de lluvia debido a que el laboratorio no tenía

capacidad para realizar los análisis de calidad del agua y solo fue posible hacerlo con

ocho eventos. El evento del 28 de Agosto de 2013 no fue posible analizar los datos de

lluvia-escorrentía, debido a que los sensores no registraron datos. El número de eventos

necesitados son seis (De acuerdo al diseño experimental sección 2-1) en cuanto a lluvia

30 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

y calidad del agua cumple con el diseño experimental propuesto inicialmente para poder

realizar análisis de varianza a los resultados.

2.2.2 Mediciones en laboratorio

Las muestras de agua fueron analizadas en el laboratorio de calidad del agua de la

Pontificia Universidad Javeriana sede Bogotá (PUJB). Estas muestras fueron analizadas

bajo los procedimientos establecidos por Standard Methods (Rice et al., 2012).

Los determinantes de calidad de agua que se analizaron fueron pH, CE, SST, DBO, Pb,

Zn, Cd, Hg. El Hg no fue posible analizarlo debido a que la lámpara de Euterio se averió.

El laboratorio de Calidad del Agua analizó ocho eventos de lluvia reportando tres

resultados de DBO, SST, Pb, Zn; 25 datos de pH y CE para cada evento de lluvia .El Cd

dio resultados no detectables en las muestras de agua.

Dentro de los parámetros más restrictivos se encuentran los metales pesados, debido a

su toxicidad y potencial factor de generación de cáncer y teratogenicidad o afecciones al

sistema reproductivo (Biduhendra, 2002). En el estudio realizado por Torres et al., 2012

se observan concentraciones elevadas de plomo (Pb), cadmio (Cd) y mercurio (Hg) en el

campus de la Pontificia Universidad Javeriana sede Bogotá, las cuales superan los

estándares de calidad para riego agrícola y consumo humano; por esta razón se

escogieron estos metales pesados para hacer el respectivo análisis en los techos verdes.

La Tabla 2-5 muestra las especificaciones técnicas (precisión, y norma Standard

Methods –Ed N° 20)

Tabla 2-6 Especificaciones técnicas de los equipos

Determinante Equipo Especificaciones Precisión Norma

DBO

Medidor de Oxígeno YSI Ref: ProBOD 0.02 mg/l

SM5210B

Oxímetro Portátil óptico

N° serie 11m100350

Modelo:7654 OP

Probeta 0.4 ml

Incubadora VELP SCIENTIFC

FOC 225i

SST

Horno Memert N° serie 810049 Modelo:

U50

SM2540D Bomba de vacio

Gast Max presure: 4.08 bar/60 psi

Balanza analítica

Sartorius N° serie 28003741 Modelo: Cubis MSE 2245-

000DU

0.0001 mg

CE Conductímetro YSI N° serie: JCO

1953 Modelo:EC300 0.01 SM2510B

pH Potenciometro YSI N° serie JCO 1323 Modelo:pH

100 0.01

SM 4500-H+ B

Pb Espectrofotómetro

de absorción atómica

Thermo Electrón N° serie: GE 712107

Modelo: S4 System 0.001 mg

SM 3500 Pb B Zn

Cd SM3500

Cd B

31

Se observa en la Tabla 2-5 los equipos utilizados para los diferentes determinantes de

calidad del agua

2.3 Monitoreo de Eventos

Para realizar el monitoreo de los eventos, se colocó una balanza (ver Figura 2-3) la cual

tomo datos de señal (mA) cada minuto teniendo en cuenta el volumen de agua

depositada en un balde de 20 litros para cada techo. Este sistema iba conectado a un

computador el cual almacenaba las señales; los eventos fueron identificados mediante

observación directa del registro de las señales (ver Figura 2-5) de cada balanza ubicada

en cada techo y teniendo en cuenta la precipitación en el sector observando directamente

en que momento empezaban los eventos de lluvia.

La señal que registró el computador se convirtió en volumen, teniendo en cuenta los

datos de calibración de cada balanza; la balanza del techo N° 6 (Lechuga Batavia) se

dañó y no fue posible reemplazarla para que tomara la medición de los eventos de lluvia,

es por esta razón que solo se pudo analizar cinco módulos de techo verde y el módulo de

referencia.

La Tabla 2-6 presenta los datos de calibración del sensor 1 para cada módulo

Tabla 2-7 Datos de calibración de sensores

Vol calibración

(l)

Señal (mA)

Referencia Módulor1 Módulo 2 Módulo 3 Módulo 4 Módulo 5

2 1424 1424 1368 2152 1496 1384.12

4 1749 1749 1683.3 2464 1808 1720

6 2074.14 2074.14 1992 2776.33 2129.35 2048

8 2395.23 2395.23 2155.53 3085.62 2446 2372.21

10 2712 2712 2612.72 3397.27 2763.37 2699.56

12 3023 3023 2927.09 3707.75 3078 3028.96

14 3335.25 3335.25 3240 4014.57 3404.07 3348.56

16 3648.1 3648.1 3553.77 4324.33 3718.5 3663.5

18 3970.25 3970.25 3868 4635.41 4036.6 3993.46

20 4280.5 4280.5 4162.16 4899.72 4316.31 4265.31

Esta calibración presentada en la Tabla 2-1 se realizó con diferentes volúmenes de agua

hasta completar 20 l, que es la capacidad del balde receptor de agua lluvia. La señal se

pasa a volumen teniendo en cuenta la señal registrada por cada sensor. La Figura 2-7

muestra la calibración de un sensor de un techo.

32 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

Figura 2-7 Calibración de sensores

Para analizar los datos de lluvia escorrentía se realizó una calibración para cada sensor

mostrada en la Figura 2-7.

𝑆𝑒ñ𝑎𝑙 = 𝐶 + 𝑚𝑉 (2.1)

𝑉 =𝑆𝑒ñ𝑎𝑙−𝐶

𝑚 (2.2)

Debido al comportamiento lineal de la relación entre la señal del sensor y el volumen

almacenado, se crearon 10000 modelos mediante simulaciones de Monte Carlo, las

cuales tienen en cuenta la incertidumbre (precisión del sensor, precisión de la probeta)

para trasformar los datos de señal a volumen (2.2)

Donde: (i) V: serie de volumen (l), (ii) Señal: señal del sensor (mA), (iii) C: intercepto, (iv)

m: pendiente

2.4 Métodos de análisis

En nuestro medio, para cada muestra de agua se realiza usualmente un único ensayo

mediante el cual se estima el valor de cada determinante de calidad de interés (Ministerio

de Salud, 1984; Ministerio de Desarrollo Económico, 2000; Ministerio de la Protección

Social, Ministerio de Ambiente Vivienda y Desarrollo Territorial, 2007). Ese único valor, el

cual se reporta usualmente acompañado de la incertidumbre asociada a la precisión de

los instrumentos de laboratorio utilizados, se utiliza como uno de los indicadores para

calificar la calidad de dicho cuerpo de agua en el instante de la toma de muestra (Torres,

2011). Sin embargo, la incertidumbre de un resultado de calidad del agua no depende

únicamente de la precisión de los instrumentos de laboratorio. En efecto, la incertidumbre

33

de medición está definida como un parámetro que caracteriza la dispersión de los valores

que puede razonablemente atribuirse al mensurando, término definido por el Centro

Español de Metrología, CEM (2008) como la magnitud sujeta a medición (JCGM, 2008).

La Figura 2-8 muestra las simulaciones de la señal para los SST

Figura 2-8 Simulaciones SST

Se aprecia (Figura 2-8) que haciendo 10000 simulaciones es suficiente para tener

estabilidad en los datos. Esto debido a que hay variables hidrológicas y de calidad del

agua en las cuales la estabilidad se presenta en intervalos de 3000-7000 iteraciones, por

esta razón se coloca 10000 simulaciones. Se observa tres líneas las cuales indica:(i) El

color azul indica los SST más probable, el cual es calculado realizando un boxplot de los

datos obteniendo la mediana, (ii) Color rojo superior indica los valores de los SST

superior el cual es calculado realizando un boxplot de los datos y hallando el límite (3)

superior. (iii) Color rojo inferior indica los valores de los SST inferior el cual es calculado

realizando un boxplot de los datos y hallando el límite (1) inferior. De esta manera se hizo

estas simulaciones a todos los determinantes de calidad dle agua y a los valores de lluvia

escorrentía, se llamara a los resultados (inferior, más probable y superior).

Los métodos numéricos para evaluar la incertidumbre, como el método de Monte Carlo,

se utilizan cuando no es posible o se hace muy difícil utilizar métodos analíticos (Poulter,

1998; Greenland, 2001; Smith, 2002). Para realizar el análisis de los datos de calidad de

agua , lluvia-escorrentía y carga contaminante se utilizó el programa R el cual es un

34 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

lenguaje de programación, que provee una gran variedad de técnicas estadísticas y

gráficas (R Development Core Team, 2014). Además es un software libre bajo los

términos de Free Software Foundation’s GNU General PublicLicense en forma de código

fuente. Puede ser corrido en plataformas UNIX, Windows y MacOS. Su instalación es

rápida y sencilla, y además cuenta con un amplio soporte en línea (Oviedo, 2012). R

dispone de varias librerías especializadas (un poco más de 6000), las cuales se

encuentran disponibles de manera gratuita en http://cran.at.r-project.org/.

2.4.1 Análisis Lluvia-Escorrentía

Teniendo en cuenta la calibración obtenida a partir de la señal emitida por el sensor 1, el

análisis que se le hacen a los datos de lluvia-escorrentía (duración (d), Intensidad

máxima (Imax), Período Anterior Seco (ADWP), Altura máxima (Hmax), Coeficiente de

escorrentía (C), Coeficiente de escorrentía por caudales pico (Cp) y Tiempo de retardo

(K)) se realiza con cada modelo que otorga una serie de tiempo de volumen de

escorrentía para cada módulo de techo verde, incluido el modelo de referencia. Dichas

series son transformadas a series de caudal (hidrogramas), de tal forma que para cada

evento se contaba con 10000 posibles hidrogramas para cada módulo. Al comparar cada

hidrograma correspondiente a un módulo de techo verde con el hidrograma del techo de

referencia, fue posible calcular C, Cp y K, obteniendo10000 posibles valores para cada

módulo y cada evento.

Además se realiza el cálculo de los caudales (inferior, más probable, superior) de la serie

de caudales para cada módulo y para cada evento. De la misma manera se calcula la

serie de volumen total de cada módulo y para cada evento, obteniendo los resultados de

volumen (inferior, más probable, superior)

Igualmente, al analizar las series de tiempo de volumen del techo de referencia, y

considerando el área de dicho techo como constante (igual a 1.9 m2), fue posible obtener

10000 posibles valores de características de lluvia. Altura de lluvia (inferior, más

probable, superior), intensidad máxima (inferior, más probable, superior), intensidad

promedio(inferior, más probable, superior), centroide (inferior, más probable, superior),

tiempo de retardo (inferior, más probable, superior), coeficiente de escorrentía(inferior,

más probable, superior) y coeficiente de escorrentía por caudales pico (inferior, más

probable y superior); de esta manera todas los resultados de lluvia escorrentía se

calcularon teniendo en cuenta la incertidumbre asociada a cada variable.

2.4.2 Metales pesados

El laboratorio de calidad del agua de la PUJ reporta tres valores de absorbancia para

cada concentración de referencia (0 (agua destilada, 0.05 mg/L, 0.2 mg/L,

0.4mg/L,0.6m/L, 0.8mg/L ,1.0mg/L) para cada metal. Teniendo en cuenta la precisión del

espectrofotómetro de absorción atómica (Ver Tabla 2-5) y las réplicas, se calibran 10000

modelos lineales. (Ver Figura 2-9).

35

La Figura 2-9 muestra la calibración para metales pesados

Figura 2-9 Calibración para metales pesados

Se aprecia en la Figura 2-9 que cada muestra presenta tres valores de absorbancia las

cuales se les realiza 10000 modelos mediante simulaciones de Monte Calo obteniéndose

10000 posibles concentraciones de metales teniendo en cuenta la incertidumbre. De esta

manera se obtienen los datos de Cd, Zn y Pb (Inferior, más probable, superior) teniendo

en cuenta la incertidumbre.

2.4.3 Demanda Bioquímica de Oxígeno (DBO)

El laboratorio de calidad del agua reporta tres mediciones de oxígeno inicial, oxígeno final

y volumen para cada muestra. A partir de las precisiones de los equipos (medidor de

oxígeno, probeta) (Ver Tabla 2-5) se calcularon 10000 posibles concentraciones de DBO

(2.3) mediante simulaciones de Monte Carlo teniendo en cuenta la incertidumbre.

𝐷𝐵𝑂 =(𝑂𝑖𝑛𝑖−𝑂𝑓𝑖𝑛)∗300

𝑉𝑜𝑙 (2.3)

Donde: (i) Oini es el oxígeno inicial, (ii) Ofin es el oxígeno final, (iii) Vol es el volumen.

Se obtiene los valores (Inferior, más probable, superior) de DBO teniendo en cuenta la

incertidumbre. En el Anexo A se muestra el código para la DBO.

36 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

2.4.4 Sólidos Suspendidos Totales (SST)

El laboratorio reporta tres mediciones de peso inicial, peso final y volumen. A partir de las

precisiones de los equipos (Balanza analítica) (Ver Tabla 2-5) se calcularon 10000

posibles concentraciones de SST (2.4) mediante simulaciones de Monte Carlo teniendo

en cuenta la incertidumbre

𝑆𝑆𝑇 =𝑃𝑖𝑛𝑖−𝑃𝑓𝑖𝑛∗1000000

𝑉𝑜𝑙 (2.4)

Donde: (i) Pini es el peso inicial, (ii) Pfin es el peso final, (iii) Vol es el volumen

Se obtiene los valores (inferior, más probable, superior) de SST teniendo en cuenta la

incertidumbre. En el Anexo B se muestra el código para los SST.

2.4.5 pH y CE

El laboratorio reporta 25 datos de pH y CE para cada muestra, a partir de las precisiones

de los equipos (potenciómetro, conductímetro) (Ver Tabla 2-5) se obtuvieron 10000

posibles valores de pH y CE por muestra mediante simulaciones de Monte Carlo las

cuales tienen en cuenta la incertidumbre. De esta manera se obtiene los valores (Inferior,

más probable, superior) de pH y CE teniendo en cuenta la incertidumbre. En el Anexo C

se muestra el código pH y –CE.

2.4.6 PCA (Análisis de Componentes Principales)

El PCA (Análisis de Componentes Principales) se realiza con los datos obtenidos de

escorrentía, calidad de agua, y carga contaminante; este se utiliza para reducir la

dimensionalidad de los datos y sirve para hallar las causas de la variabilidad de los datos

y ordenarlos por importancia.

El PCA se realiza a partir de las simulaciones obtenidas de cada determinante de calidad

del agua, variable de escorrentía y valor de carga contaminante. Se parte de que cada

PCA presenta datos observados (los resultados obtenidos en lluvia escorrentía, calidad

del agua y carga contaminante) y datos de variables (el comportamiento de las variables

en lluvia escorrentía, calidad del agua y carga contaminante). De esta manera se crea

una matriz en la cual se hace test de Wilcoxon (datos no paramétricos) para determinar

cuáles datos son iguales (ƿvalue>0.05). Dependiendo de la componente en que se analice

los datos de observaciones y variables teniendo en cuenta la incertidumbre, aparecen

grupos (clusters) de diferentes colores indicando alguna similitud en los resultados, estos

grupos parecerían redundar en información y de esta manera indicaría que con menos

datos es suficiente poder realizar el análisis de los resultados.

37

Se realizó el gráfico de comportamiento de variables, observaciones, distribución por

evento, distribución por sustrato, distribución por planta y distribución por modulo; se

mostrará en el capítulo de resultados.

La Figura 2-10 muestra el gráfico de observaciones de calidad del agua para la

componente 2 teniendo en cuenta la incertidumbre

Figura 2-10 Gráfico de observaciones de calidad del agua (Componente 2)

Se puede apreciar en la Figura 2-10 que se forma un grupo de color rojo basado en el

test de Wilcoxon que arroja como resultado que son observaciones iguales, indicando

que estas observaciones parecen tener alguna similitud en la información de los datos

observados en la componente 2 y que esta información redundaría en todas las

observaciones, lo cual es posible concluir que con menos datos se podría realizar el

análisis.

2.4.7 Kruskal-Wallis, Wilcoxon

Este análisis (Kruskal-Wallis) inicialmente se hace de manera general (Multi) teniendo en

cuenta todas las variables de escorrentía, calidad del agua y carga contaminante. Luego

para cada variable de escorrentía, calidad del agua y carga contaminante. Se utiliza para

determinar si las variables evento, sustrato y planta tienen una influencia significativa

(ƿvalue<0.05) en los resultados de escorrentía, calidad de agua, y carga contaminante.

Luego de identificar que la relación entre las variables de techo verde (evento, sustrato,

planta) y las características de escorrentía, calidad del agua y carga contaminante

38 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

resultan significativas se procede a realizar una prueba no paramétrica (Wilcoxon) para

determinar su significancia (𝜌𝑣𝑎𝑙𝑢𝑒 < 0.05).

La Figura 2-11 presenta el Box plot para CE-Evento

Figura 2-11 Box plot CE-Evento

Para propósitos ilustrativos se puede observar en la Figura 2-11 que la variable evento

dio resultado significativo en el análisis Kruskal-Wallis para CE (conductividad eléctrica).

Con este resultado se realiza el análisis de Wilcoxon y se pasa de considerar la

significancia a proponer la probabilidad de significancia teniendo en cuenta el 𝜌𝑣𝑎𝑙𝑢𝑒 .En

el capítulo de resultados se muestra el comportamiento de las variables del techo verde

con las características de escorrentía, calidad del agua y carga contaminante.

2.4.8 Análisis de Correlaciones

El análisis de correlaciones se hace para los resultados de escorrentía, calidad del agua

y carga contaminante que resultan con valores significativos en cuanto al evento en el

análisis de Wilcoxon. El método de correlación utilizado fue Spearman que es una

correlación no paramétrica, acepta variables de libre distribución, relaciones no lineales e

incluso ordinales. Se pasa de considerar la significancia a proponer la probabilidad de

significancia teniendo en cuenta el 𝜌𝑣𝑎𝑙𝑢𝑒 , este resultado se mostrará en el capítulo de

resultados.

3. Resultados y discusión

En este capítulo se muestran los resultados obtenidos de lluvia escorrentía, calidad del

agua y carga contaminante, mostrando de esta manera los análisis que se hacen con los

eventos de lluvia y los resultados de laboratorio de calidad del agua. Se encuentran los

análisis de componentes principales, Kruskal- Wallis, Wilcoxon, y análisis de

correlaciones para cada tema. Con ayuda de estos análisis se propondrá diseños de

techos verdes productivos (tipo de planta, tipo de sustrato) en Bogotá, para evaluar

beneficios hidrológicos y de calidad del agua, determinar la atenuación hídrica de la

escorrentía en función del tipo de planta y tipo de sustrato, determinar la calidad del agua

de escorrentía en función del tipo de planta, tipo de sustrato, y comparar las relaciones

entre la pluviometría del sector y las eficiencias asociadas a los tipos de techos verdes en

cuanto al impacto en la calidad del agua y la atenuación hídrica de la escorrentía.

3.1 Resultados Lluvia-Escorrentía para los eventos

A continuación se presentan los resultados de lluvia-escorrentía para los 20 eventos

monitoreados junto con los hidrogramas del 28 Octubre de 2013 el cuál fue el evento

que tuvo mayor intensidad máxima. Los hidrogramas restantes se encuentran en el

anexo C.

En la Tabla 3-1 se observan las columnas de evento (fecha del evento), inicio (hora de

inicio del evento), duración (tiempo de duración del evento), ADWP (tiempo anterior seco

para cada evento), intensidad (intensidad de cada evento), Intensidad máxima, K máx(

tiempo de retardo de cada módulo con respecto al módulo de referencia), C (coeficiente

escorrentía basados en volúmenes máximos), Cp (coeficiente de escorrentía basado en

caudales pico). Los valores que se encuentran en paréntesis son el número de los

módulos en los cuales se obtuvo el menor y mayor valor para los resultados de lluvia-

escorrentía.

40 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

Tabla 3-1 Resultados Lluvia-Escorrentía

Evento Inicio Duración

(min)

ADWP (h)

Intensidad (mm/h)

Intensidad máx (mm/h)

Kmax (min) C Cp

04/08/2013 14:30 129 312 0.48 8.93 3.33(1,3) 0.95(1) 0.95(3)

1.67(2) 0.47(5) 0.49(5)

10/08/2013 16:19 120 143.9 0.307 9.7 3.33 (1) 0.89(1) 0.76(3)

1.67(1,3,4,5) 0.098(3) 0.39(4)

18/08/2013 13:48 104 187.5 2.46 50.84 3.33 (1,3) 0.97(2) 0.081(1)

0.27 (4) 0.10(3) 0.78(5)

21/08/2013 04:41 159 61.2 0.68 7.74 1.67(1,4) 0.75(1) 0.38(2)

3.33(3) 0.42(2) 0.85(3)

17/09/2013 11:41 127 628.3 0.27 9.32 3.33(2) 0.9(1) 0.24(1)

1.67(4) 0.1(4) 0.63(3)

19/09/2013 10:59 130 11.9 0.29 3.88 3.33(1) 0.72(1) 0.98(1)

1.67(3) 0.31(3) 0.28(5)

19/09/2013 23:00 150 168.7 0.55 1.55 3.33(1,2) 0.27(4) 0.98(1)

2.5(5) 0.73(5) 0.23(5)

26/09/2013 19:03 70 21.9 1.55 0.087 -- 0.021(2) 0.98(1)

-- 0.96(5) 0.86(3)

01/10/2013 16:15 150 116.1 1.99 32.6 0.12(1) 0.98(2) 0.98(1)

0.66(2) 0.86(4) 0.10(2)

03/10/2013 19:59 360 49.2 0.506 5.69 0.46(1) 0.78(1) 0.99(4)

-- 0.68(2) 0.85(5)

28/10/2013 15:06 43 613.1 12.39 83.84 2(1) 0.76(3) 0.75(1)

-- 0.98(5) 0.93(5)

29/10/2013 14:39 129 22.7 0.51 8.54 -- 0.97(2) 0.19(1)

-- 0.41(4) 0.91(3)

30/10/2013 19:30 224 21.2 0.62 5.91 2.5(2) 0.84(2) 0.94(2)

-- 0.46(4) 0.45(3)

05/11/2013 16:53 196 141.3 0.78 21.1 1.67(2) 0.89(1) 0.70(2)

1.39(5) 0.73(4) 0.91(3)

06/11/2013 11:39 130 15.5 2.47 36.29 3.09(4) 0.97(1) 0.95(1)

-- 0.59(4) 0.18(4)

08/11/2013 11:48 86 43.7 3.99 34.15 0.95(5) -- 0.07(1)

-- 0.31(2) 0.03(2)

09/11/2013 13:29 40 24.3 0.606 24.3 -- 0.71(4) 0.56(2)

-- 0.96(5) 0.49(5)

09/11/2013 14:39 100 1.2 4.43 53.95 -- 0.98(3,5) 0.67(4)

-- 0.84(4) 0.82(5)

19/11/2013 16:19 40 243.7 0.79 7.76 -- 0.53(3) 0.49(1)

-- 0.12(4) 0.56(2)

26/11/2013 15:03 150 168.7 1.68 24.84 1.66(2) 0.015(2) 0.37(1)

0.24(5) 0.11(2)

Se puede apreciar en la Tabla 3-1 que los resultados de intensidades máximas se

encuentran en los eventos de Octubre 28, Noviembre 9 y Agosto 18, mostrando

intensidades por encima de los 50 mm/h.

41

El tiempo de retardo máximo Kmax no supera los 4 min en todos los eventos y módulos,

siendo el mínimo de 0 para algunos eventos, lo que evidencia que los retardos

correspondientes a los módulos de techos verdes no son muy grandes con respecto a los

hidrogramas del módulo de referencia. Lo anterior puede deberse a que se trata de

módulos pequeños. Sin embargo cabe aclarar que para techos verdes reales, con

mayores dimensiones, dichos tiempos de retardo podrían alcanzar valores no

despreciables, los cuales podrían representar beneficios importantes en los procesos de

lluvia-escorrentía en las ciudades

Para los eventos Agosto 18 y Septiembre 26 se muestran valores de C muy pequeños en

el módulo 2 (Lechuga Crespa-Cascarilla de arroz, humus y tierra negra) y de Cp muy

altos en el módulo 1 (Acelga china- cascarilla de arroz, humus y tierra negra). Estos

comportamientos pueden ser debido a que los techos podrían estar saturados de agua

debido al riego aplicado anteriormente y no retener agua en su sustrato.

Se encuentran valores C de 0.98 hasta valores de 0.015, estos valores se encuentran en

los diferentes módulos; podría variar debido al tipo de sustrato y planta que no retienen

suficiente agua.

La Figura 3-1 muestra el hidrograma para el evento de Octubre 28.

Figura 3-1 Hidrograma evento Octubre 28

Se observa en la Figura 3-1 que este evento se caracterizó por tener la mayor intensidad

máxima (83.84 mm/h) los valores de caudal para el módulo 1 y 2 (Acelga China-cascarilla

de arroz, humus y tierra negra; y Lechuga Crespa- cascarilla de arroz, humus y tierra

negra) tuvieron comportamientos muy similares igual que para los módulos 3 y 4

(Lechuga Batavia- cascarilla de arroz, humus y tierra negra y Acelga China- Biochar), el

módulo 5 (Lechuga Crespa-Biochar) tuvo valores de caudal muy cercanos al módulo de

42 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

referencia. Lo que se puede intuir que los módulos de los techos verdes no presentan

gran diferencia en caudales con respecto al módulo de referencia en ese evento. En el

anexo J se muestran los hidrogramas para todos los eventos.

3.1.1 Análisis Componentes Principales (PCA)

El Análisis por Componentes Principales (PCA) se hace a partir de las simulaciones de

los resultados de lluvia-escorrentía. En la sección 2.4.6 se presenta la metodología para

el PCA.

La Figura 3-2 muestra el comportamiento que tienen los datos observados proyectados

sobre la componente 1 teniendo en cuenta la incertidumbre

Figura 3-2 Observaciones de lluvia escorrentía proyectadas en la componente 1 (CO1)

Se puede observar en la Figura 3-2 una gran dispersión en los datos observados; los

colores indican grupos que tienen similitud en alguna observación.

Los grupos de colores se conforman teniendo en cuenta una posible similitud en los

datos observados y también teniendo en cuenta todas las variables simultáneamente (C,

Cp, K). Las observaciones 51 y 105 se agruparon (color morado) probablemente debido

a que presentan el mismo tipo de planta y sustrato (Lechuga Batavia-cascarilla de arroz,

humus y tierra negra); las observaciones 44 y 107 se agruparon (color agua marina)

probablemente debido a que presentan el mismo tipo de planta (Acelga china) pero no el

mismo tipo de sustrato; las observaciones 27 y 76 se agruparon (color amarillo)

probablemente debido a que presentan el mismo tipo de sustrato (cascarilla de arroz,

humus y tierra negra); las observaciones 9 y 32 se agruparon (color rojo) probablemente

debido a que presentan el mismo tipo de sustrato (cascarilla de arroz, humus y tierra

negra);las observaciones 34 y 98 se agruparon (color azul) probablemente debido a que

43

presentan similitud por el mismo tipo de sustrato (cascarilla de arroz, humus y tierra

negra); las observaciones 4 y 33 se agruparon (color verde) probablemente debido a que

presentan similitud porque pertenecen al mismo tipo de sustrato (cascarilla de arroz,

humus y tierra negra); las observaciones

1,7,13,19,25,31,37,43,49,55,61,67,73,79,85,91,97,109,115) se agruparon (color negro)

probablemente debido a que presentan similitud porque pertenecen a los datos del techo

de referencia , los valores de C ,Cp y K para el techo de referencia siempre son los

mismos por esta razón se observan los valores como una mancha.

Teniendo en cuenta el comportamiento de los datos observados proyectados en la

componente 1, es posible indicar que las observaciones mencionadas anteriormente

aportan la misma información desde el punto de vista multivariado. Por esta razón se

puede realizar el análisis con 89 observaciones en vez de 115, presentando información

suficiente, ya que la base para clasificar los grupos fue la incertidumbre.

La Figura 3-3 muestra el comportamiento que tienen los datos observados proyectados

sobre la componente 2 teniendo en cuenta la incertidumbre.

Figura 3-3 Observaciones de lluvia escorrentía proyectadas en la componente 2 (CO2)

Se puede observar en la Figura 3-3 una gran dispersión en los datos observados; los

colores indican grupos que tienen similitud en alguna observación.

Los grupos de colores se conforman teniendo en cuenta una posible similitud en los

datos observados y también teniendo en cuenta todas las variables simultáneamente (C,

Cp, K). Las observaciones 75 y 80 se agruparon (color negro) ) probablemente debido a

que presentan similitud en el mismo tipo de sustrato (cascarilla de arroz , humus y tierra

negra); las observaciones 68 y 71 se agruparon (color azul) probablemente debido a que

44 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

presentan similitud en el mismo tipo de planta (Acelga china) ; las observaciones 46, 56 y

94 se agruparon (color amarillo) probablemente debido a que presentan similitud en el

mismo tipo de sustrato (cascarilla de arroz, humus y tierra negra); las observaciones 38 y

57 se agruparon (color morado) probablemente debido a que presentan similitud en el

mismo tipo de sustrato (cascarilla de arroz, humus y tierra negra); las observaciones 32,

41 y 48 se agruparon (color verde) probablemente debido a que presentan similitud por el

mismo tipo de planta (Acelga china) y mismo tipo de sustrato (Biochar); las

observaciones 15, 21 y 63 se agruparon (color azul aguamarina) probablemente debido a

que presentan similitud por el mismo tipo de planta y sustrato (Lechuga crespa-cascarilla

de arroz, humus y tierra negra);las observaciones

1,7,13,19,25,31,37,43,49,55,61,67,73,79,85,91,97,109,115 se agruparon (color rojo)

probablemente debido a que presentan similitud porque pertenecen a los datos del techo

de referencia, los valores de C ,Cp y K para el techo de referencia siempre son los

mismos por esta razón se observan los valores como una mancha.

Teniendo en cuenta el comportamiento de los datos observados proyectados en la

componente 2, es posible indicar que las observaciones mencionadas anteriormente

aportan la misma información desde el punto de vista multivariado. Por esta razón se

puede realizar el análisis con 86 observaciones en vez de 115, presentando información

suficiente, ya que la base para clasificar los grupos fue la incertidumbre.

La Figura 3-4 muestra el comportamiento de las variables teniendo en cuenta la

incertidumbre en la componente 1 y 2 como el comportamiento es el mismo para las dos

componentes se coloca una sola figura

Figura 3-4 Variables de lluvia escorrentía proyectadas en la componente 1(CO1) y la

componente 2 (CO2)

45

En la Figura 3-4 no se muestra ninguna similitud en las variables por esta razón no se

forman grupo de colores.

Para realizar los clusters de separación por evento, separación por sustrato, separación

por planta y separación por modulo, se obtuvo la media de los 10000 datos teniendo en

cuenta la incertidumbre, esto se hizo debido a que gráficamente se aprecia mejor la

separación de los clusters con la media de los datos.

La Figura 3-5 muestra la separación por evento de los datos de lluvia escorrentía;

Figura 3-5 Separación por evento

Se evidencia en la Figura 3-5 que hay mucho traslapo entre todos los eventos, por lo

tanto no hay diferencias evidentes con respecto a los eventos.

La Figura 3-6 muestra la separación por módulo de los datos de lluvia escorrentía

Figura 3-6 Separación por módulo

46 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

Se evidencia en la Figura 3-6 que hay mucho traslapo entre todos los módulos, por lo

tanto no hay diferencias evidentes con respecto a los módulos.

La Figura 3-7 muestra la separación por planta de los datos de lluvia escorrentía,

Figura 3-7 Separación por planta

Se indica en la Figura 3-7 que las tres plantas junto con el módulo de referencia se

comportaron de manera similares, presentan mucho traslapo, por lo tanto no hay

diferencias evidentes con respecto a la planta.

La Figura 3-8 muestra la separación por sustrato de los datos lluvia escorrentía

Figura 3-8 Separación por sustrato

47

En la Figura 3-8 se puede decir que los dos sustratos presentan el mismo

comportamiento junto con la referencia; presentan mucho traslapo, por lo tanto no hay

diferencias evidentes con respecto al sustrato.

Los resultados de lluvia escorrentía presentan traslapos evidentes en cuanto al evento,

módulo, sustrato y planta; lo que indica que no presentan mucha diferencia entre los

resultados.

3.1.2 Análisis de Varianza (Kruskal-Wallis) para lluvia-escorrentía

El análisis de varianza para los datos de escorrentía se hace multivariado (Multi) y por

cada variable (C,Cp,K).

La Tabla 3-2 muestra las probabilidades de que el evento, sustrato y planta influyan de

manera significativa sobre las variables de escorrentía

Tabla 3-2 Probabilidades de influencia de evento, sustrato y planta en la escorrentía

Escorrentía

Probabilidad de significancia

Evento Sustrato Planta

Multi 0.24 0.09 1.00

C 0.59 0.02 0.83

Cp 0.00 0.00 1.00

K 0.05 0.04 0.06

La probabilidad (Tabla 3-2) de que la planta influya de manera significativa en C, Cp y

multi es mayor al 80%, la probabilidad de que el evento influya de manera significativa en

C es de 59 %; por lo anterior se puede indicar que el sustrato no influye en las variables

de escorrentía y es posible decir que es indiferente escoger cualquier sustrato, esto se

pudo presentar debido a que los dos sustratos presentan condiciones físico-químicas

similares, sin embargo las recomendaciones sobre el tipo de planta para que disminuya

C y/o Cp se establecerán a partir de un análisis posterior con base en las pruebas de

wilcoxon.

3.1.3 Análisis de Wilcoxon para lluvia-escorrentía

El análisis de Wilcoxon se realiza para las variables de lluvia escorrentía que resultaron

con probabilidades significativas en el análisis Kruskal-Wallis para evento, sustrato o

planta. De esta manera se determinará que significancia hay entre plantas, entre eventos

y entre sustratos para las variables de escorrentía.

La Tabla 3-3 muestra el resumen de los resultados de escorrentía para cada evento

48 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

Tabla 3-3 Resumen de los valores de escorrentía C para los eventos

Evento Min Media 1Q Mediana 3Q Max

1 0.47 0.65 0.553 0.63 0.679 0.9

2 0.83 0.79 0.85 0.99 0.99 0.99

3 0.7 0.72 0.71 0.79 0.99 0.99

4 0.3 0.56 0.50 0.52 0.65 0.67

5 0.2 0.67 0.36 0.90 0.98 0.99

6 0.3 0.53 0.40 0.52 0.63 0.66

7 0.25 0.55 0.36 0.53 0.73 0.99

8 0.98 0.98 0.99 0.99 0.99 1

9 0.86 0.94 0.89 0.97 0.99 0.99

10 0.63 0.72 0.68 0.71 0.760 0.86

11 0.76 0.91 0.81 0.94 0.98 0.99

12 0.4 0.66 0.41 0.72 0.97 0.99

13 0.62 0.68 0.63 0.64 0.78 0.7

14 0.68 0.82 0.73 0.81 0.88 0.96

15 0.57 0.87 0.89 0.93 0.97 0.99

16 0.47 0.67 0.39 0.82 0.87 0.95

17 0.71 0.87 0.81 0.88 0.96 0.99

18 0.84 0.95 0.93 0.98 0.99 0.99

19 0.14 0.71 0.53 0.99 0.99 0.99

20 0.69 0.83 0.71 0.99 0.99 0.99

Se observa en la Tabla 3-3 que los valores se encuentran desde un valor de 0.14 hasta

1, lo que indica que hubo eventos de lluvia que tuvieron un coeficiente de escorrentía C

muy altos y otros eventos con coeficientes de escorrentía C muy bajos. Esto pudo ser

debido a que posiblemente los sustratos de los techos estaban muy saturados de agua y

era difícil lograr retener agua en el caso de coeficientes de escorrentía muy altos, o, por

defecto los sustratos se encontraban muy secos y lograban tener valores de C muy

bajos.

La Figura 3-9 muestra el comportamiento de los datos de C y los eventos de lluvia

49

Figura 3-9 Boxplot de C para cada evento

Se observa en la Figura 3-9 que con la prueba no paramétrica (Wilcoxon) se concluye

que no hay ninguna diferencia significativa entre eventos.

La Tabla 3-4 muestra el resumen de los valores de C para los diferentes tipos de planta.

Tabla 3-4 Resumen de los valores de escorrentía C para las plantas

Planta Min Media 1Q Mediana 3Q Max

A 0.01 0.72 0.50 0.79 0.97 1.00

B 0.34 0.85 0.69 0.92 1.00 1.00

C 0.11 0.71 0.53 0.76 0.94 1.00

Se observa en la Tabla 3-9 que los valores se encuentran desde un valor de 0.01 hasta

1. Siendo la planta A la que menor C tiene.

La Figura 3-10 muestra el comportamiento de los datos de C y la planta

Figura 3-10 Boxplot de C para cada planta

50 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

En la Figura 3-10 se observa que a partir de la prueba de Wilcoxon no se encontraron

diferencias significativas entre las plantas, por consiguiente se puede decir que no hay

variaciones significativas de C al cambiar el tipo de planta.

La Tabla 3-5 muestra el resumen de los valores de Cp para los diferentes tipos de planta

Tabla 3-5 Resumen de los valores de escorrentía Cp para las plantas

Planta Min Media 1Q Mediana 3Q Max

A 0.2 0.644 0.504 0.644 0.810 1.000

B 0.027 0.599 0.460 0.599 0.734 1.000

C 0.55 0.749 0.640 0.749 0.945 1.000

En la Tabla 3-5 se observa que los valores se encuentran desde un valor de 0.034 hasta

1. Siendo la planta B la que menor Cp tiene.

La Figura 3-11 presenta el comportamiento de los valores de Cp y la planta

Figura 3-11 Boxplot de Cp para cada planta

En la Figura 3-11 se observa que a partir de la prueba de Wilcoxon se encuentra una

diferencia significativa entre la planta B (Lechuga crespa) y C (Lechuga Batavia), por

consiguiente es posible indicar que hay mayor Cp en la planta C que en la B. Por esta

razón se recomienda la planta B (Lechuga crespa) para reducir los valores de Cp, y se

recomienda seleccionar primero la planta B (Lechuga crespa), luego la planta A (Acelga

china) y por último la planta C (Lechuga Batavia) para reducir los valores de Cp. Es

recomendable realizar estudios fisiológicos de las plantas y de esta manera poder

observar el comportamiento hidráulico de ellas.

51

3.1.4 Prueba de correlaciones para lluvia-escorrentía

Teniendo en cuenta los resultados del análisis Kruskal-Wallis y escogiendo los resultados

que dieron significativos en cuanto al evento, se presenta el análisis de correlaciones

para las variables de escorrentía, el análisis de correlaciones se hace para las variables

de escorrentía junto con las características de lluvia.

La Tabla 3-6 muestra los resultados del análisis de correlación para las variables de

escorrentía y las características de lluvia

Tabla 3-6 Prueba de correlación variables de escorrentía-características de lluvia

H Imax d ADWP

𝜌𝑣𝑎𝑙𝑢𝑒 0.24 0.237 0.004 0.758

C 𝜌 0.118 -0.119 -0.281 -0.029

prob 0.008 0.007 0.997 0

𝜌𝑣𝑎𝑙𝑢𝑒 0.001 0.008 0.159 0.141

Cp 𝜌 0.313 -0.262 -0.141 -0.148

prob 1 1 0 0

𝜌𝑣𝑎𝑙𝑢𝑒 0.506 0.493 0.502 0.489

K 𝜌 0.001 -0.002 -<0.001 -0.002

prob 0.046 0.052 0.048 0.05

En la Tabla 3-6 se observa que existe una probabilidad alta (de más de 0.99) de que

haya una correlación significativa negativa entre C y d, lo que indica que entre menor

duración tenga el evento habrá menor coeficiente de escorrentía. Las características de

lluvia H, Imax y ADWP parecen no estar correlacionadas con C.

Se observa además que existe una probabilidad alta (de 1) de que haya una correlación

significativa positiva entre Cp y H, lo que indica que entre mayor altura de lluvia habrá

mayor Cp; y existe una probabilidad alta (de 1) de que haya una correlación significativa

negativa entre Cp e Imax, lo que indica que entre menor Imax habrá menor Cp. Las

características de lluvia d y ADWP parecen no estar correlacionadas con C.

Las características de lluvia H, Imax, d y ADWP parecen no estar correlacionadas con K.

Los resultados anteriormente descritos indican que teniendo en cuenta algunas

características de lluvia es posible diseñar los techos verdes para minimizar variables de

escorrentía

52 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

3.2 Resultados calidad del agua para los eventos

Teniendo en cuenta los resultados reportados por el laboratorio de calidad del agua de la

PUJ, se realizan los respectivos análisis que se muestran en las siguientes secciones. Se

muestran algunos resultados en la Tabla 3-7 de calidad del agua reportados por el

laboratorio. Todos los resultados se mostrarán en el anexo D

Tabla 3-7 Resultados de calidad del agua

Fecha Observación Modulo DBO SST pH

CE Zn Pb

mg/l mg/l µs/cm mg/l mg/l

Agosto /21/ 2013

22 Ref 3.9 4.5 6.42 8.77 1.37 0.00

23 1 15.4 22 6.88 38.29 0.54 0.06

24 2 10.8 12 6.66 30.46 0.56 0.21

25 3 13.8 12 6.70 20.90 0.61 0.37

26 4 5.16 10 6.21 13.59 0.87 0.58

27 5 17.88 14 6.52 14.47 0.84 0.82

28 6 9.84 12 6.38 16.99 0.65 1.00

Agosto/28/ 2013

29 Ref 3.64 3.5 6.41 13.82 1.84 0.02

30 1 16.27 3 6.85 41.55 0.77 0.02

31 2 5.22 9.5 6.64 35.84 1.06 0.05

32 3 12.9 4 6.62 28.16 1.21 0.02

33 4 14.82 7 6.72 70.01 0.89 0.00

34 5 22.5 9 6.78 64.70 0.65 0.05

35 6 11.88 11 6.44 47.59 0.70 0.00

Octubre/1/2013

36 Ref 2.07 7 6.49 8.97 0.75 -0.02

37 1 10.4 22.1 6.63 139.28 0.72 0.05

38 2 7.8 14 6.51 187.46 0.67 0.00

39 3 4.2 13 6.65 209.44 0.65 0.02

40 4 6.9 12 6.80 76.76 0.46 0.02

41 5 7.95 16 6.19 84.76 0.44 0.00

42 6 9.4 6 6.25 86.13 0.55 0.00

Octubre/29/2013

43 Ref 5.115 7 6.56 31.44 0.83 0.00

44 1 11.35 152.5 6.70 61.09 0.93 0.02

45 2 16.725 132 6.58 50.22 0.68 0.00

46 3 16.8 51 6.59 49.75 0.60 0.00

47 4 18.6 32.5 6.63 43.79 0.62 0.00

48 5 13.05 47 6.51 45.54 0.63 0.03

49 6 15.75 29 6.51 54.16 0.87 0.03

Octubre/30/2013

50 Ref 4.77 1.75 6.59 25.94 1.25 0.00

51 1 9.18 22 6.66 46.57 0.89 0.03

52 2 16.56 145 6.52 43.16 0.71 0.03

53 3 17.7 82.5 6.62 37.24 0.61 0.06

53

54 4 8.22 14.75 6.43 36.82 0.83 0.03

55 5 11.58 249 6.48 40.63 0.70 0.03

56 6 15.24 14.25 6.47 40.55 0.93 0.03

Noviembre/5/2013

57 Ref 3.49 4 6.56 22.33 1.42 0.06

58 1 7.54 9.75 7.03 62.04 1.13 0.08

59 2 7.71 2.25 6.91 58.90 1.10 0.06

60 3 7.92 14.25 6.94 72.72 1.08 0.08

61 4 7.32 52.5 6.90 102.31 0.88 0.06

62 5 7.88 180 6.88 94.42 0.66 0.06

63 6 6.77 22.75 7.01 97.92 0.99 0.08

Noviembre/6/2013

64 Ref 2.32 2.25 6.45 8.30 0.52 0.08

65 1 27.51 28 6.74 69.31 0.57 0.08

66 2 26.14 26.5 6.76 62.85 0.50 0.08

67 3 28.11 35.5 6.30 73.53 0.53 0.08

68 4 23.4 50.5 6.32 109.34 0.44 0.13

69 5 descartada 74 6.19 120.66 0.43 0.11

70 6 27.6 47.5 6.38 110.47 0.49 0.11

Noviembre/27/2013

71 Ref 2.49 1.25 5.92 9.81 0.31 0.03

72 1 6.8 11.5 6.79 51.42 0.39 0.11

73 2 6.65 18 6.64 49.01 0.38 0.11

74 3 7.35 13.75 6.73 52.60 0.41 0.13

75 4 7.05 29 6.72 52.09 0.29 0.11

76 5 7.9 52 6.71 63.28 0.36 0.13

77 6 6.75 24.75 6.59 55.53 0.36 0.11

.

La Tabla 3-7 muestra los resultados de calidad del agua para DBO, SST, pH, CE, Zn y

Pb; allí se evidencia que los resultados de DBO, SST y CE son más altos en los módulos

de techo verde que en el techo de referencia. Los resultados de Zn son más altos en el

techo de referencia que en los módulos de techo verde. En el Pb se evidencia que para

los primeros eventos los resultados son 0, mientras que se fue intensificando a medida

que transcurren los eventos. Este análisis más detallado se mostrara en las siguientes

subsecciones. El anexo K muestra los resultados de calidad de agua reportados por el

laboratorio

3.2.1 Análisis por Componentes Principales (PCA)

El Análisis por Componentes Principales (PCA) se hace a partir de las simulaciones de

los resultados de calidad del agua. En la sección 2.4.6 se presenta la metodología para el

PCA.

La Figura 3-12 muestra el comportamiento que tienen los datos observados proyectados

sobre la componente 1 teniendo en cuenta la incertidumbre

54 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

Figura 3-12 Observaciones de calidad del agua proyectadas en la componente 1(CO1)

En la Figura 3-12 no se evidencia que se hayan conformado grupo de colores, lo que

indica que no parece existir observaciones que tengan la misma información y es

necesario utilizar todas las observaciones de calidad del agua.

La Figura 3-13 muestra el comportamiento que tienen los datos observados proyectados

sobre la componente 2 teniendo en cuenta la incertidumbre

Figura 3-13 Observaciones de calidad del agua proyectadas en la componente 2 (CO2)

En la Figura 3-13 se puede observar una gran variabilidad en los datos observados; los

colores indican grupos que tienen similitud en alguna observación. Las observaciones 23

55

y 29 se agruparon (color rojo) probablemente debido a que presentan similitud por estar

en eventos seguidos, por lo tanto es posible realizar el análisis con 54 observaciones en

vez de 56, presentando información suficiente, ya que la base para clasificar los grupos

fue la incertidumbre.

La Figura 3-14 muestra el comportamiento de las variables teniendo en cuenta la

incertidumbre en la componente 1 y 2

Figura 3-14 Variables de calidad del agua proyectadas en la componente 1(CO1) y la

componente 2 (CO2)

En la Figura 3-14 no se muestra similitud de variables en ninguna de las componentes.

Como el comportamiento es el mismo para las dos componentes se coloca una sola

figura. La ubicación de las variables se puede apreciar mejor en la Figura 3-15

Figura 3-15 Análisis de variables

56 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

La Figura 3-15 muestra la distribución de las variables de calidad del agua, se puede

apreciar que las variables DBO, SST y Pb se encuentran hacia la componente 1 con

valores negativos, mientras que el pH se encuentra hacia la componente 2 presentando

valores negativos; las variables Zn y CE no muestran una tendencia definida hacia

alguna de las dos componentes.

El análisis de clusters para calidad del agua se hace con las 10000 observaciones ya que

es posible apreciar las gráficas.

La Figura 3-16 muestra la separación por eventos de los datos de calidad del agua

Figura 3-16 Separación por evento

Se evidencia en la Figura 3-16 que hay mucho traslapo entre todos los eventos, por lo

tanto no hay diferencias evidentes con respecto a los eventos.

La Figura 3-17 muestra la separación por módulo de los datos de calidad del agua

Figura 3-17 Separación por módulo

57

Se observa en la Figura 3-17 que los módulos 1 y 6 presentan diferencia en la

componente 1 comparado con los otros módulos. Los módulos 3 y 4 presentan traslapo

entre ellos. Los módulos 5 y 7presentan diferencia en la componente 2. Es posible indicar

que los módulos presentan una gran variabilidad en los resultados de calidad del agua.

La Figura 3-18 muestra la separación por planta de los datos de calidad del agua

Figura 3-18 Separación por planta

Se observa en la Figura 3-18 que la planta A (Acelga china) y la planta C (Lechuga

Batavia) presenta diferencia entre ellas en la componente 1. La planta A (Acelga china) y

la planta B (Lechuga crespa) presentan diferencias en la componente 2. La planta C

(Lechuga Batavia) y la referencia presentan traslapo. Es posible indicar que las plantas

presentan una gran variabilidad en los resultados de calidad del agua.

La Figura 3-19 muestra la separación por sustrato en los datos de calidad del agua.

Figura 3-19 Separación por sustrato

58 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

Se observa en la Figura 3-19 que el sustrato A (cascarilla de arroz, tierra negra y humus)

y la referencia presentan diferencia en la componente 1. El sustrato B (Biochar) se

traslapa con el sustrato A (cascarilla de arroz, tierra negra y humus) y la referencia. Es

posible indicar que los sustratos presentan una gran variabilidad en los resultados de

calidad del agua

3.2.2 Análisis de Varianza (Kruskal-Wallis) para calidad del agua

El análisis de varianza para los datos de calidad del agua se hace mutivariado (Multi),

para cada determinante (DBO, SST, Zn, Pb, pH, CE), y las diferencias de las

concentraciones de calidad de agua (DBO, SST, Zn, Pb, pH, CE) de los módulos con

respecto al techo de referencia.

La Tabla 3-8 muestra las probabilidades de que el evento, sustrato y planta influyan de

manera significativa sobre los determinantes de calidad del agua.

Tabla 3-8 Probabilidades de influencia de evento, sustrato y planta en los determinantes de

calidad de agua

Calidad

Probabilidad de significancia

Evento Sustrato Planta

Multi 1 1 0

pH 0 1 0

CE 1 1 0

SST 1 1 0

DBO 0 1 0

Pb 1 0.67 0.013

Zn 1 0 0

La probabilidad de que el evento influya de manera significativa en CE, SST, Pb, Zn es

de 100% excepto para el pH y la DBO. La probabilidad de que el sustrato influya de

manera significativa en CE, SST, DBO , Pb y pH es de 67%-100% excepto para el Zn. La

planta no presenta ninguna influencia en los determinantes de calidad del agua. Es

posible decir que el tipo de planta no influye en los resultados de calidad del agua y por lo

tanto es indiferente escoger cualquier tipo de planta. Sin embargo, las recomendaciones

sobre el tipo de planta y sustrato para que disminuya las concentraciones de calidad del

agua se establecerán en un análisis posterior con base en la prueba de Wilcoxon.

La Tabla 3-9 muestra las probabilidades de que el evento, sustrato y planta influyan de

manera significativa sobre las diferencias de los determinantes de calidad del agua.

59

Tabla 3-9 Probabilidades de influencia de evento, sustrato y planta en la diferencia de los

determinantes de calidad de agua

Calidad-diferencia

Probabilidad de significancia

Evento Sustrato Planta

Multi 1 0.0429 0

pH 1 1 0

CE 1 0 0

SST 1 0 0

DBO 0.75 0 0

Pb 0.22 0.37 0

Zn 1 0 0

La probabilidad de que el evento influya de manera significativa en pH, CE, SST, DBO,

Zn esta entre 75%-100%. La probabilidad de que el sustrato influya de manera

significativa en el pH es de 100%. Por lo anterior se puede indicar que la planta no influye

en las diferencias de los determinantes de calidad del agua y es posible decir que es

indiferente escoger cualquier tipo de planta.

3.2.3 Análisis de Wilcoxon para calidad del agua

El análisis de Wilcoxon se realiza para los determinantes de calidad del agua que

resultaron con probabilidades significativas en el análisis Kruskal-Wallis para evento,

sustrato o planta. De esta manera se determinará que significancia hay entre plantas,

entre eventos y entre sustratos para los determinantes de calidad del agua.

La Tabla 3-10 muestra el resumen de los valores de CE

Tabla 3-10 Resumen de los valores de CE (µS/cm) para los eventos

Evento Min Media 1Q Mediana 3Q Max

1 8.69 20.45 13.59 16.99 30.40 38.40

2 13.79 42.91 28.01 41.40 64.50 69.99

3 8.79 112.73 75.50 86.00 186.30 209.41

4 31.28 47.51 43.60 49.40 53.30 61.20

5 30.68 38.56 36.80 40.30 43.00 51.23

6 22.09 72.58 58.81 72.40 97.50 102.30

7 8.18 78.87 62.11 73.30 110.39 120.71

8 49.58 47.44 48.80 51.90 55.49 63.30

Se observa en la Tabla 3-10 que los valores se encuentran desde un valor de 8.69

µS/cm hasta 209.41 µS/cm. Estos valores cambian dependiendo de los eventos.

60 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

La Figura 3-20 muestra el comportamiento de los datos de CE y los eventos de calidad

de agua

Figura 3-20 Boxplot de CE para cada evento

En la Figura 3-10 se encuentra una diferencia significativa entre el evento 1 y 4 lo cual se

puede decir que el evento 4 presenta mayor CE que el evento 1. Es posible que esto se

deba a características propias de cada evento (I, Imáx, H, d, ADWP).

La Tabla 3-11 muestra el resumen de los valores de CE para cada sustrato

Tabla 3-11 Resumen de los valores de CE (µS/cm ) para los sustratos

Sustrato Min Media 1Q Mediana 3Q Max

A 20.80 65.18 39.01 50.74 67.11 70.41

B 13.58 63.95 41.29 59.15 91.36 120.71

Ref 8.18 16.02 8.72 11.80 24.84 31.40

Se observa en la Tabla 3-11 que los valores se encuentran desde un valor de 8.18

(µS/cm.) hasta 120.71 (µS/cm.), los valores más altos corresponde a los sustratos.

La Figura 3-21 muestra el comportamiento de los datos de CE y el sustrato

61

Figura 3-21 Boxplot de CE para cada sustrato

La Figura 3-21 se observa que los sustratos A (Cascarilla de arroz, humus y tierra negra)

y B (Biochar) presentan una diferencia significativa con el techo de referencia, lo que es

posible indicar que hay mayor CE en los techos verdes que en un techo convencional. El

sustrato A (Cascarilla de arroz, humus y tierra negra) es el que genera menor CE.

La Tabla 3-12 muestra el resumen de los valores de DBO para los sustratos.

Tabla 3-12 Resumen de los valores de DBO (mg/l) para los sustratos

Sustrato Min Media 1Q Mediana 3Q max

A 4.03 11.77 7.20 10.12 15.68 28.16

B 4.80 12.07 7.14 10.53 16.69 27.93

Ref 2.14 3.40 2.31 3.55 4.54 5.11

En la Tabla 3-12 se observa que los valores se encuentran desde un valor de 4.03 mg/l

hasta 28.16 mg/l, se evidencia que los valores de DBO más altos corresponde a los

sustratos Ay B.

La Figura 3-22 muestra el comportamiento de los datos de DBO y el sustrato

62 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

Figura 3-22 Boxplot de DBO para cada sustrato

Se observa en la Figura 3-22 que los sustratos A (cascarilla de arroz, humus y tierra

negra) y B (Biochar) presentan diferencias significativas con el techo de referencia. Es

posible indicar que existe mayor cantidad de DBO en un techo verde que en un techo

convencional debido a la presencia de material vegetal en los techos verdes. Por otra

parte el techo no tiene un filtro que retenga el material que sale de las botellas debido a

las precipitaciones fuertes, y este material es depositado en los baldes de agua en los

cuales se toman las muestras para calidad del agua.

La Tabla 3-13 muestra el resumen de los valores de Pb para los eventos

Tabla 3-13 Resumen de los valores de Pb (mg/l) para los eventos

Evento Min Media 1Q Mediana 3Q Max

1 0.0000 0.0006 0.0000 0.0000 0.0000 0.0043

2 0.0000 0.0016 0.0000 0.0000 0.0000 0.0046

3 0.0000 0.0245 0.0110 0.0257 0.0375 0.0532

4 0.0350 0.0505 0.0353 0.0498 0.0657 0.0921

5 0.0560 0.0759 0.0641 0.0754 0.0871 0.0938

6 0.1000 0.1034 0.1002 0.1119 0.1226 0.1259

7 0.1178 0.1260 0.1154 0.1241 0.1144 0.1279

8 0.1187 0.1361 0.1258 0.1357 0.1432 0.1493

Se observa en la Tabla 3-13 que los valores se encuentran desde un valor de 0 mg/l

hasta 0.1493 mg/l. Observando que los valores aumentan a medida que hay eventos de

lluvia. Esto pudo ser debido a la acumulación de Pb en el sustrato.

La Figura 3-23 muestra el comportamiento de los datos de Pb y el evento

63

Figura 3-23 Boxplot de Pb para cada evento

En la Figura 3-23 se encuentra diferencias significativas entre el evento 1 con los eventos

4,5,6,7,8; el evento 2 con los eventos 4,5,6,7,8; el evento 8 con los eventos 4 y 5; se

puede decir que el plomo aumentó a medida que hay eventos de lluvia. Parece que hay

una acumulación de Pb que sale en la escorrentía; esto podría ser por la recirculación

que se hace del agua para riego, debido a que el agua depositada en las canecas es

utiliza para realizar el riego en los techos. Es posible que el Pb provenga de la atmosfera,

sin embargo se debería realizar estudios de calidad del aire para detectar posible

presencia de Pb en la atmosfera.

La Tabla 3-14 muestra el resumen de los valores de Pb para los sustratos

Tabla 3-14 Resumen de los valores de Pb (mg/l) para los sustratos

Sustrato Min Media 1Q Mediana 3Q Max

A 0 0.0602 0 0.043 0.112 0.148

B 0 0.071 0.014 0.073 0.121 0.143

Ref 0 0.058 0 0.051 0.115 0.122

Se observa en la Tabla 3-14 que los valores se encuentran desde un valor de 0 mg/l hasta 0.148mg/l, observando que el sustrato A presenta mayor cantidad de Pb. La Figura 3-24 muestra el comportamiento de los datos de Pb y el sustrato

64 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

Figura 3-24 Boxplot de Pb para cada sustrato

En la Figura 3-24 se observa que no se presentan diferencias significativas en el

sustrato, lo que es posible indicar que la presencia de plomo no influye por el material de

los techos verdes ni por el techo convencional. Esto afirma la posibilidad de que el Pb

proviene de la atmosfera y no de los materiales de los techos.

La Tabla 3-11 muestra el resumen de los datos de pH

Tabla 3-15 Resumen de los valores de pH para los sustratos

Sustrato min media 1Q mediana 3Q max

A 6.45 6.70 6.64 6.66 6.78 6.97

B 6.17 6.54 6.39 6.51 6.71 6.99

Ref 6.39 6.43 6.42 6.46 6.56 6.60

Se observa en la Tabla 3-11 que los valores se encuentran desde 6.17 hasta 6.99.

Indicando que los techos verdes tienen mayor pH que un techo convencional.

La Figura 3-25 muestra el comportamiento de los datos de pH y el sustrato

65

Figura 3-25 Boxplot de PH para cada sustrato

En la Figura 3-15 se observan diferencias significativas entre los sustratos A (Cascarilla

de arroz, humus y tierra negra) y B (Biochar), el sustrato A con el techo de referencia; lo

que indica que el sustrato A influye de manera significativa en el resultado de pH,

teniendo menor valor de pH comparado con el sustrato B. El sustrato B ayudaría a

neutralizar el pH estando ubicado en sitios industriales en donde provenga lluvia ácida

debido a la carga contaminante que hay en la atmosfera en estos sectores.

La Tabla 3-12 muestra el comportamiento de los datos de SST

Tabla 3-16 Resumen de los valores de SST para los eventos

Evento Min Media 1Q Mediana 3Q Max

1 4.09 12.79 10.34 12.74 14.63 23.61

2 0.13 5.98 2.90 6.49 7.99 12.52

3 2.50 10.97 5.32 12.66 14.15 18.52

4 7.05 60.82 19.84 45.01 129.58 153.52

5 0.46 75.50 13.77 21.75 142.54 259.11

6 3.03 39.56 6.89 14.00 42.66 57.11

7 0.55 36.92 26.33 35.69 49.48 74.50

8 0.27 20.05 10.67 16.24 26.99 51.71

Se observa en la Tabla 3-12 que los valores se encuentran desde un valor de 0.13 mg/l

hasta 259.11 mg/l. Estos valores varían en todos los eventos, pero se observa que para

los primeros tres eventos hay menos concentración de SST.

La Figura 3-26 muestra el comportamiento de los datos de SST y el evento

66 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

Figura 3-26 Boxplot de SST para cada evento

Se observa en la Figura 3-26 que no presentan ninguna diferencia significativa en los

eventos. Sin embargo se observa que en los eventos 4 y 5 hay una gran cantidad de

SST, esto pudo ser debido a que en estos eventos existieron lluvias con duraciones

largas que dejaron material en el techo verde siendo arrastrados por los eventos 4 y 5.

La Tabla 3-17 muestra el resumen de los valores de SST

Tabla 3-17 Resumen de los valores de SST para los sustratos

Sustrato Min Media 1Q Mediana 3Q Max

A 0.729 34.683 11.156 14.969 32.647 53.519

B 2.504 40.739 11.556 20.697 45.752 69.110

Ref 0.271 3.503 1.428 3.321 5.339 8.901

Se observa en la Tabla 3-17 que los valores se encuentran desde un valor de 0.271 mg/l

hasta 69.110 mg/l, observando que el sustrato B presenta mayor concentración de SST.

La Figura 3-27 muestra el comportamiento de los datos de SST y el sustrato.

67

Figura 3-27 Boxplot SST para cada sustrato En la Figura 3-27 se encuentran diferencias significativas entre los sustratos A

(Cascarilla de arroz, humus y tierra negra) con el techo de referencia y el sustrato B

(Biochar) con el techo de referencia. Es posible indicar que los sustratos influyen de

manera significativa en la presencia de SST debido al arrastre de material vegetal que

estos generan; sería bueno contemplar para futuros estudios filtros que retenga los

materiales que arrojan los techos verdes.

La Tabla 3-18 muestra el resumen de los datos de Zn.

Tabla 3-18 Resumen de los valores de Zn para os eventos

Evento Min Media 1Q Mediana 3Q Max

1 0.536 0.682 0.563 0.652 0.840 0.924

2 0.654 0.867 0.710 0.782 1.078 1.251

3 0.421 0.579 0.458 0.582 0.661 0.718

4 0.592 0.740 0.612 0.678 0.867 0.939

5 0.606 0.797 0.698 0.812 0.930 0.943

6 0.852 0.972 0.867 0.989 1.098 1.140

7 0.424 0.492 0.441 0.481 0.526 0.587

8 0.281 0.411 0.320 0.360 0.411 0.427

Se observa en la Tabla 3-18 que los valores están desde un valor de 0.281 mg/l hasta

1.25 mg/l. Se observa que los datos varían a medida que transcurren los eventos.

La Figura 3-28 muestra el comportamiento de los datos de Zn y el evento.

68 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

Figura 3-28 Boxplot Zn para cada evento

En la Figura 3-28 se encuentran diferencias significativas entre los eventos 2 y 7, 4 y 7, 5

y 7, 6 y 7,3 y 6. Esto pudo suceder debido a que hubo aguaceros fuertes que arrastraron

material vegetal lo que pudo contener partículas de Zn, por otro lado las características

propias de cada evento como (H, d, Imax) y además se debe tener en cuenta que las

cubiertas son de material de Zn lo que pudo alterar los resultados de calidad del agua en

algunos eventos de lluvia.

3.2.4 Análisis de correlaciones calidad de agua-características de lluvia

Teniendo en cuenta los resultados del análisis Kruskal-Wallis y escogiendo los resultados

que dieron significativos en cuanto al evento, se presenta el análisis de correlaciones

para los determinantes de calidad del agua, la prueba de correlaciones se hace para las

determinantes de calidad del agua junto con las características de lluvia.

La Tabla 3-19 muestra los resultados de la prueba de correlaciones para los

determinantes de calidad del agua y las características de lluvia

Tabla 3-19 Prueba de correlación calidad del agua-características de lluvia

H Imax d ADWP

DBO

𝜌𝑣𝑎𝑙𝑢𝑒 0.078 0.877 <0.001 0.759

𝜌 0.307 0.02 -0.56 -0.05

prob <0.001 0 1 0

SST

𝜌𝑣𝑎𝑙𝑢𝑒 0.265 0.033 0.029 0.224

𝜌 0.19 -0.36 -0.36 -0.21

69

prob 0 0.89 0.99 0

Pb

𝜌𝑣𝑎𝑙𝑢𝑒 0.002 0.0703 0.501 0.420

𝜌 0.48 -0.31 -0.11 0.14

prob 1 0.22 0 0

Zn

𝜌𝑣𝑎𝑙𝑢𝑒 0.460 0.556 0.006 0.003

𝜌 -0.12 -0.10 0.44 -0.48

prob 0 0 1 1

CE

𝜌𝑣𝑎𝑙𝑢𝑒 0.770 0.004 0.051 0.002

𝜌 0.05 0.46 -0.33 0.49

prob 0 1 0 1

Se observa que existe una probabilidad alta (de 1) de que haya una correlación

significativa negativa entre la DBO-d, lo que indica que entre menor duración del evento

(d) menor cantidad de DBO. Las características de lluvia H, Imax y ADWP parecen no

estar correlacionadas con DBO.

Se observa además que existe una probabilidad alta (de 0.89-0.99) de que haya una

correlación significativa negativa entre SST-Imax y SST-d; lo cual indica que entre menor

duración de lluvia y menor intensidad máxima habrá menor cantidad de SST. Las

características de lluvia H, ADWP parecen no influir estar correlacionadas con SST

Por otra parte existe una probabilidad alta (de 1) de que haya una correlación significativa

positiva entre Pb-H, lo que indica que entre mayor altura de lluvia habrá mayor cantidad

de Pb. Las características de lluvia Imax, d y ADWP parecen estar correlacionadas con

Pb.

Para el Zn existe una probabilidad alta (de 1) de que haya una correlación significativa

positiva entre Zn-d, lo que indica que a mayor duración de lluvia mayor cantidad de Zn y

existe una probabilidad alta (de 1) de que haya una correlación significativa negativa

entre Zn-ADWP lo que indica que a menor ADWP (período anterior seco) menor cantidad

de Zn. Las características de lluvia H, Imax parecen no estar correlacionas con Zn.

En cuanto al CE existe una probabilidad alta (de 1) de que haya una correlación

significativa positiva entre CE-Imáx y CE-ADWP, lo cual quiere decir que entre mayor

intensidad de lluvia habrá mayor CE y entre mayor ADWP mayor CE, las características

de lluvia H y d parecen no estar correlacionadas con CE.

Los resultados anteriormente descritos indican que teniendo en cuenta algunas

características de lluvia es posible diseñar los techos verdes para minimizar los

determinantes de calidad del agua

70 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

3.2.5 Análisis de correlaciones escorrentía-calidad del agua

Teniendo en cuenta los resultados del análisis Kruskal-Wallis y escogiendo los resultados

que dieron significativos en cuanto al evento, el análisis de correlaciones se hace para

las variables de escorrentía junto con los determinantes de calidad del agua

La Tabla 3-20 muestra los resultados del análisis de correlación para las variables de

escorrentía y los determinantes de calidad del agua

Tabla 3-20 Test de correlación Escorrentía-Calidad de Agua

CE DBO Pb SST Zn

C 𝜌𝑣𝑎𝑙𝑢𝑒 0.56 0.18 0.20 0.008 0.60

𝜌 0.10 0.32 0.21 0.43 -0.09

prob 0.00 0.00 0.03 0.95 0.00

Cp 𝜌𝑣𝑎𝑙𝑢𝑒 0.01 0.66 0.89 0.15 0.30

𝜌 0.40 -0.07 -0.008 -0.24 -0.17

prob 1.00 0.00 0.00 0.00 0.00

K 𝜌𝑣𝑎𝑙𝑢𝑒 0.61 0.50 0.97 0.44 0.17

𝜌 -0.001 -0.002 -0.001 -0.001 -0.001

prob 0.00 0.00 0.00 0.00 0.00

Se observa que existe una probabilidad alta (de 0.95) de que haya una correlación

significativa positiva entre C-SST, lo que indica que a mayor escorrentía mayor presencia

de SST. DBO, Pb, Zn y CE parece no estar correlacionado con CE.

Por otra parte existe una probabilidad alta (de1) de que haya una correlación significativa

positiva entre Cp y CE, lo que indica que a mayor Cp mayor CE. DBO, Pb, SST y Zn

parece no estar correlacionado con Cp

Los resultados anteriormente descritos indican que teniendo en cuenta algunas variables

de escorrentía es posible controlar algunos determinantes de calidad del agua.

71

3.3 Resultados carga contaminante para los eventos

Teniendo en cuenta los eventos de lluvia que están ligados con los análisis de calidad

del agua, se procede a calcular la carga contaminante para cada evento de lluvia.

Tabla 3-21 Resultados de carga contaminante

Evento módulo DBO (mg)

SST(mg) Pb (mg)

Zn (mg)

21/08/2013 1 35 51.28 0 1.36 2 14.07 17.31 0 0.78 3 13.96 23.51 0 1.07 4 25.47 52.52 0 4.74 5 37.63 32.38 0 1.82

Ref 12.5 18.89 0 4.5 01/10/2013 1 161 261.69 0.46 11.27

2 66.65 211.26 0 10.32 3 113.7 189.36 0.42 9.64 4 93.66 147.24 0.41 6.42 5 123.9 234.84 0.47 6.9

Ref 34.96 80.48 0 12.11 29/10/2013 1 55.48 739.75 0.18 4.72

2 39.38 126.25 0.19 1.54 3 30.8 252.42 0.05 1.31 4 19.38 32.07 0.08 0.67 5 31.36 116.33 0.16 1.63

Ref 12.67 21.18 0.12 2.2 30/10/2013 1 24.42 61.48 0.17 2.5

2 49.15 231.59 0.28 1.75 3 34.36 305.44 0.15 1.5 4 12.47 21.42 0.12 1.26 5 24.17 549.18 0.15 1.51

Ref 16.14 4.93 0.18 4.18 05/11/2013 1 44.35 63.11 0.68 7.12

2 39.94 77.05 0.16 5.93 3 41.55 38.99 0.62 6.37 4 35.88 223.51 0.61 4.5 5 50.58 1116.14 0.68 4.13

Ref 24.72 28.23 0.83 10.01 06/11/2013 1 147.73 173.65 0.73 3.67

2 131.68 196.64 0.16 2.9 3 132.7 150.62 0.73 2.92 4 110.24 258.82 0.65 2.29 5 147.36 448.56 0.95 2.68

Ref 16.32 10.38 1.08 3.63 26/11/2013 1 116.23 425.55 2.37 14.13

2 0.83 19.18 0.01 0.04 3 115.64 297.66 2.55 6.73 4 39.42 479.91 0.81 1.61 5 144.39 1044.26 2.41 6.89

Ref 18.37 7.56 0.99 2.45

La Tabla 3-21 muestra los resultados de la carga contaminante para los siete eventos de

lluvia; se observa que la carga DBO y los SST son mayores para los techos verdes que

72 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

para un techo convencional. La carga de Pb se incrementó con el número de eventos,

posiblemente debido al recirculamiento de agua que se utilizó para el riego de las

plantas. Adicionalmente no se observan diferencias importantes entre las cargas de Pb

asociado al módulo del techo convencional y aquellas asociadas a los módulos de techos

verdes.

La carga de Zn es mayor en algunos eventos en el techo de referencia; esto

posiblemente es por el material de la teja del techo convencional (Zinc) que libera más

fácilmente este material , se evidencia en los resultados de carga contaminante.

3.3.1 Análisis por Componentes Principales (PCA)

El Análisis por Componentes Principales (PCA) se hace a partir de las simulaciones de

los resultados de carga contaminante En la sección 2.4.6 se presenta la metodología

para el PCA.

La Figura 3-29 muestra el comportamiento que tienen los datos observados proyectados

sobre la componente 1 teniendo en cuenta la incertidumbre.

Figura 3-29 Observaciones de carga contaminante proyectadas en la componente 1(CO1)

En la Figura 3-29 no se evidencia que se hayan conformado grupo de colores, lo que

indica que no parece existir observaciones que tengan la misma información y es

necesario utilizar todas las observaciones de carga contaminante.

La Figura 3-30 muestra el comportamiento que tienen los datos observados proyectados

sobre la componente 2.

73

Figura 3-30 Observaciones de carga contaminante proyectadas en la componente 2 (CO2)

En la Figura 3-30 se puede observar una gran variabilidad en los datos observados; los

colores indican grupos que tienen similitud en alguna observación. Las observaciones 7 y

15 se agruparon (color rojo) probablemente debido a que presentan similitud por estar

en eventos seguidos , por lo tanto es posible realizar el análisis con 47 observaciones en

vez de 49, presentando información suficiente , ya que la base para clasificar los grupos

fue la incertidumbre.

La Figura 3-31 muestra el comportamiento de las variables teniendo en cuenta la

incertidumbre en la componente 1 y 2,

Figura 3-31 Variables de carga contaminante proyectadas en la componente 1 (CO1) y la

componente 2 (CO2)

74 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

En la Figura 3-31 no se muestra similitud de variables en ninguna de las componentes.

Como el comportamiento es el mismo para las dos componentes se coloca una sola

figura. La ubicación de las variables se puede apreciar mejor en la Figura 3-32.

La Figura 3-32 muestra la distribución de las variables de carga contaminante

Figura 3-32 Análisis de variables

En la Figura 3-32 se puede apreciar que las variables DBO y Pb se acercan más a la

componente 1 con valores negativos, mientras que las variables de SST y Zn no tienen

ningún acercamiento con ninguna componente.

El análisis de clusters para carga contaminante se hace con las 10000 observaciones ya

que es posible apreciar las gráficas.

La Figura 3-33 muestra la separación por eventos de los datos de carga contaminante

Figura 3-33 Separación por evento

75

Se evidencia en la Figura 3-33 que hay traslapo en todos los eventos, mostrando una

gran variabilidad en los datos del evento 7.

La Figura 3-34 muestra la separación por módulo de los datos de carga contaminante

Figura 3-34 Separación por modulo

Se observa en la Figura 3-34 que el módulo 2 (Lechuga crespa-cascarilla de arroz,

humus y tierra negra) y el módulo 7 (Referencia) presentan diferencia en la componente

1, evidenciando una gran variabilidad en los datos del módulo de referencia. Los módulos

1 (Acelga china-cascarilla de arroz, humus y tierra negra), 3 (Lechuga batavia- cascarilla

de arroz, humus y tierra negra), y 4 (Acelga china-biochar) presentan traslapo entre ellos

Lo que es posible indicar que el módulo de referencia presenta diferencia con los

módulos de techos verdes en cuanto a carga contaminante.

La Figura 3-35 muestra la separación por planta de los datos de carga contaminante

Figura 3-35 Separación por planta Se observa en la Figura 3-35 que las plantas A (Acelga china) y C (Lechuga Batavia)

presentan traslapo. La planta A y C presentan diferencia con respecto al módulo de

76 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

referencia en la componente 1. Se observa gran variabilidad en los datos de carga

contaminante en el módulo de referencia.

La Figura 3-36 muestra la separación por sustrato en los datos de carga contaminante.

Figura 3-36 Separación por sustrato

Se puede evidenciar en la Figura 3-36 que el sustrato A (Cascarilla de arroz, humus y

tierra negra) y el sustrato B (Biochar) tienen diferencia con el módulo de referencia hacia

la componente1. Se observa gran variabilidad en los datos de carga contaminante en el

módulo de referencia.

3.3.2 Análisis de Varianza (Kruskal-Wallis) para carga contaminante

El análisis de varianza para los datos de carga contaminante se hace multivariado

(Multi), para cada carga contaminante (DBO, SST, Zn, Pb), y las diferencias de la carga

contaminante (DBO, SST, Zn, Pb) de los módulos con respecto al techo de referencia.

La Tabla 3-22 muestra las probabilidades de que el evento, sustrato y planta influyan de

manera significativa sobre la carga contaminante.

Tabla 3-22 Probabilidades de influencia de evento, sustrato y planta en la carga contaminante

Carga

Probabilidad de significancia

Evento Sustrato Planta

Multi 1 0.009 0.28

SST 0.81 1 0

DBO 1 0.73 0

Pb 1 0.007 0.03

Zn 0 0 0

La probabilidad de que el evento influya de manera significativa en SST, DBO, Pb es de

81%-100% excepto para el Zn. La probabilidad de que el sustrato influya de manera

77

significativa en SST y DBO es de 73%-100%. La planta no presenta ninguna influencia

en los datos de carga contaminante; por lo anterior es posible indicar que la planta no

afecta los datos de carga contaminante y es indiferente escoger cualquier tipo de planta.

Esta recomendación se hará posterior basados en las prueba de Wilcoxon.

La Tabla 3-18 muestra las probabilidades de significancia para las diferencias de la carga

contaminante.

Tabla 3-23 Probabilidades de influencia de evento, sustrato y planta en la diferencia de los

determinantes de carga contaminante

Carga-diferencia

Probabilidad de significancia

Evento Sustrato Planta

Multi 1 0 0

SST 0.98 0 0

DBO 0.35 0 0

Pb 0.56 0 0

Zn 0.51 0 0

El evento influye de manera significativa en los valores de carga contaminante de SST,

Pb y Zn con probabilidades entre 51%-100% .Es posible indicar que el sustrato y la

planta no afectan los datos de diferencia de carga contaminante y es indiferente escoger

cualquier tipo de planta y sustrato, es posible que el sustrato no presente probabilidades

altas de influencia significativa debido a que los sustratos presentan condiciones físico

químicas similares excepto porque se agrega una pequeña fracción de Biochar.Esta

recomendación se hará posterior basados en las prueba de Wilcoxon.

3.3.3 Prueba Wilcoxon para carga contaminante

El análisis de Wilcoxon se realiza para los valores de carga contaminante que resultaron

con probabilidades significativas en el análisis Kruskal-Wallis para evento, sustrato o

planta. De esta manera se determinará que significancia hay entre plantas, entre eventos

y entre sustratos para la carga contaminante.

La Tabla 3-24 muestra el resumen de los valores de carga para DBO en los eventos.

Tabla 3-24 Resumen de los valores de carga de DBO (mg) para los eventos

Evento Min Media 1Q Mediana 3Q Max

1 22.876 23.009 12.521 22.627 35.007 46.983

2 22.263 74.266 34.967 80.452 113.700 127.579

3 22.386 31.500 19.388 30.951 39.383 49.461

4 21.826 24.730 12.519 16.458 34.354 49.545

5 24.581 39.477 35.871 41.476 44.355 51.552

78 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

6 112.233 114.242 110.242 132.680 146.801 160.723

7 0.000 73.018 18.374 76.719 116.266 148.519

En la Tabla 3-24 se observa que los valores se encuentran desde un valor de 21.826 mg

hasta 160.73 mg. Estos valores cambian dependiendo de los eventos.

La Figura 3-37 muestra el comportamiento de los datos de carga contaminante de DBO y

los eventos.

Figura 3-37 Boxplot de DBO para cada evento

En la Figura 3-37 se encuentra una diferencia significativa entre el evento 5 y 6 lo cual se

puede decir que el evento 6 presenta mayor carga de DBO. Es posible que esto se deba

a características propias de cada evento (I, Imáx, H, d, ADWP).

La Tabla 3-25 muestra el resumen de los valores de carga para DBO en los sustratos.

Tabla 3-25 Resumen de los valores de carga de DBO (mg) para los sustratos

Sustrato Min Media 1Q Mediana 3Q Max

A 0.000 60.050 29.263 41.697 114.028 149.723

B 11.826 63.194 25.479 38.773 110.242 149.990

Ref 12.263 19.384 12.697 16.321 24.701 35.219

Se observa en la Tabla 3-25 que los valores se encuentran desde un valor de 0 mg hasta

149.99 mg, se evidencia que los valores de carga de DBO más altos corresponde a los

sustratos Ay B.

La Figura 3-38 muestra el comportamiento de los datos de carga de DBO para el

sustrato.

79

.

Figura 3-38 Boxplot DBO para cada sustrato

Se muestra en la Figura 3-38 que no se encontró diferencias significativas en la carga de

DBO en el sustrato. Sin embargo se observa que los techos verdes generan mayor carga

de DBO que un techo convencional, esto es posible por la presencia de material vegetal

que hay en el techo verde.

La Tabla 3-26 muestra el resumen de los valores de carga de Pb para los sustratos.

Tabla 3-26 Resumen de los valores de carga de Pb (mg/l) para los eventos

Evento Min Media 1Q Mediana 3Q Max

1 0.00000 0.00129 0.00000 0.00000 0.00000 0.08218

2 0.00000 0.31743 0.00000 0.33877 0.50229 0.89018

3 0.04928 0.00649 0.14829 0.06929 0.12102 0.27361

4 0.35030 0.38259 0.34031 0.39708 0.47097 0.47271

5 0.50247 0.55872 0.56907 0.64723 0.72702 0.97860

6 0.92515 0.98008 0.63567 0.73865 0.94959 1.35242

7 0.01729 1.52771 0.80923 1.47220 2.44817 2.86005

Se observa en la Tabla 3-26 que los valores se encuentran desde un valor de 0 mg

hasta 2.86 mg, mostrando variedad de carga de Pb en los eventos.

La Figura 3-39 muestra el comportamiento de los datos de carga de Pb para los eventos.

80 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

Figura 3-39 Boxplot Pb para cada evento

En la Figura 3-39 no se presentan diferencias significativas en la carga de Pb en cuanto

al evento. Sin embargo se observa el ascenso de la carga de Pb a medida que hay

eventos; esto puede ser debido a la recirculación de agua lluvia que es utilizada para el

riego de las plantas.

La Tabla 3-27 muestra el resumen de los datos de carga de SST para los eventos

Tabla 3-27 Resumen de los valores de carga de SST para los eventos

Evento Min Media 1Q Mediana 3Q Max

1 4.623 32.530 20.480 29.364 48.712 72.024

2 76.028 187.470 147.244 199.749 234.881 296.383

3 18.812 204.466 32.073 116.715 189.368 296.862

4 15.566 195.186 21.425 119.014 305.443 656.515

5 21.460 257.889 38.993 68.673 223.518 242.131

6 3.913 206.355 150.625 182.932 258.820 265.063

7 4.228 340.705 19.191 247.385 479.916 1099.088

Se observa en la Tabla 3-27 que los valores se encuentran desde un valor de 4.22 mg

hasta 1099.08 mg. Estos valores cambian en los eventos. Sin embargo se observa que

los eventos 4 y 7 presentan mayor cantidad de carga de SST.

La Figura 3-40 muestra el comportamiento de la carga contaminante de los datos de SST para los eventos.

81

Figura 3-40 Boxplot SST para cada evento

En la Figura 3-40 se presentan diferencias significativas entre los eventos 1 y 2. Es

posible indicar que el evento 1 tiene menos carga contaminante de SST. Esto puede ser

debido a que en el evento 1 no había tanto material vegetal disperso en los techos ya

que a medida que ocurrían los eventos se evidenciaba mayor presencia de material

vegetal en las tejas de los techos.

La Tabla 3-28 muestra el resumen de los valores de SST para los sustratos.

Tabla 3-28 Resumen de los valores de carga de SST para los sustratos

Sustrato Min Media 1Q Mediana 3Q Max

A 4.623 175.294 58.411 170.889 249.695 366.862

B 19.359 339.850 52.520 226.363 479.916 1142.131

Ref 44.228 24.515 8.554 18.893 27.105 108.217

Se observa en la Tabla 3-28 que los valores se encuentran desde un valor de 4.623 mg hasta 1142.13 mg, observando que el sustrato B presenta mayor carga de SST. La Figura 3-41 muestra el comportamiento de la carga de SST con el sustrato.

82 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

Figura 3-41 Boxplot SST para cada sustrato

En la Figura 3-41 se presenta diferencias significativas entre los sustratos A (Cascarilla

de arroz, humus y tierra negra) y el techo de referencia; B (Biochar) y el techo de

referencia. Lo cual es posible indicar que los techos verdes tienen mayor cantidad de

carga contaminante de SST que un techo convencional. Teniendo menor carga de SST

el sustrato A seguido del sustrato B.

4. Perspectivas de simulación de Carga contaminante

Con el propósito de ilustrar las potencialidades de aplicación de los resultados obtenidos

y presentados en el capítulo anterior, en el presente capítulo se muestran simulaciones

para un caso de estudio. Aunque esto va más allá de los objetivos planteados en el

presente trabajo y los resultados mostrados son lejos de ser concluyentes, se consideró

importante incluir este capítulo, con el propósito de abrir caminos y dejar planteadas

algunas preguntas que se espera se puedan resolver en el marco de futuros proyectos

de investigación

De acuerdo con los resultados obtenidos para calidad del agua, se procede a realizar

simulaciones de carga contaminante para una zona de Bogotá seleccionada

arbitrariamente. Estas simulaciones sencillas están soportadas en la herramienta de

aprendizaje de máquina SVM (Support Vector Machine) la cual se seleccionó como

modelo de caja negra, capaz de interpretar una salida a partir de datos de entrada en

varias variables de manera no líneal (Schölkopf y Smala, 2002). Aunque SVM se

desarrolló inicialmente para propósitos de clasificación, existe una extensión del método

para regresiones, que fue la que se utilizó en el presente trabajo.

En el siguiente estudio no se tuvo en cuenta muchas variables (porosidad del suelo,

áreas libres de construcción, áreas verdes en la zona, tipo de plantas a utilizar como

techos verdes) que serían necesarias tenerlas en cuenta en estudios futuros

4.1 Resultados de carga contaminante

Se seleccionó el barrio Santa María de Usme (4°30'54.35" N 74°06'48.37" O) ubicado

entre las Carreras 1 BE- Carrera 1DE y Calle 74 CS - Calle 75 S debido a que en esta

zona se encuentra cerca una estación de la EAAB. Tiene un área de14858m². La

estación Quiba (P090) de la Empresa de Acueducto y Alcantarillado de Bogotá (EAAB)

fue escogida por ser una estación cercana al área seleccionada. Se escogieron los datos

de precipitación diaria en un período de 01/01/1993-31/12/2012.

La Figura 4-1 muestra el área seleccionada

84 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

Figura 4-1 Área seleccionada para el estudio (Barrio Santa María de usme) (Google Earth,

2014)

La simulación consistió en observar la respuesta del área de drenaje correspondiente en

términos de carga contaminante, al considerar que todos los inmuebles están equipados

con techos verdes como los estudiados en el presente trabajo y comparados a aquella

obtenida con techos convencionales. La simulación se basa en los resultados obtenidos

en campo y laboratorio en el presente estudio, por lo cual se plantean hipótesis (material

de los techos convencionales, régimen de lluvias, densidad de techo verde) no

verificadas

La Figura 4-2 muestra el comportamiento de la carga contaminante de DBO en un techo

verde para un período de 20 años

Figura 4-2 Carga para un techo verde de DBO en un tiempo de 20 años

85

En la Figura 4-2 se puede apreciar el comportamiento de la carga contaminante de DBO

en un techo verde para un período de 20 años en donde se observa que el año 2 tiene

mayor carga de DBO posiblemente por mayor cantidad de material vegetal.

La Figura 4-3 muestra el comportamiento de la carga contaminante de DBO en un techo

convencional para un período de 20 años.

Figura 4-3 Carga para un techo convencional de DBO en un tiempo de 20 años

En la Figura 4-3 los años 16 y 18 presentan mayor cantidad de carga de DBO, sin

embargo los techos verdes tienen valores más altos de DBO que un techo convencional;

debido a que en este estudio no se tuvo en cuenta colocar filtros para evitar arrastre de

material.

La Figura 4-4 muestra el comportamiento de la carga contaminante de SST para un techo verde en un período de 20 años.

86 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

Figura 4-4 Carga para un techo verde de SST en un tiempo de 20 años

Se observa en la Figura 4-4 que la carga de SST no varía mucho entre años, tienden a

tener un comportamiento similar entre los diferentes años.

La Figura 4-5 muestra el comportamiento de la carga contaminante de SST para un

techo convencional en un período de 20 años

Figura 4-5 Carga para un techo convencional de SST en un tiempo de 20 años

Se observa en la Figura 4-5 que los techos verdes tienen valores muchos más altos que

los valores de un techo convencional, debido a que en este estudio no se contempló

filtros para retener estos materiales.

87

La Figura 4-4 muestra el comportamiento de la carga contaminante de Zn para un techo

verde en un período de 20 años

Figura 4-6 Carga de Zn para un techo verde en un tiempo de 20 años

Se observa en la Figura 4-6 que la carga muestra una tendencia en algunos años, sin

embargo se observa que el año 16 y 18 presentan mayor cantidad de carga de Zn,

posiblemente por materiales que se encuentran en la atmosfera.

La Figura 4-7 muestra el comportamiento de la carga contaminante de Zn para un techo

convencional en un período de 20 años

Figura 4-7 Carga de Zn para un techo convencional en un tiempo de 20 años

88 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

Se observa en la Figura 4-7 que la carga muestra una tendencia en algunos años, sin

embargo se observa que el año 16 y 18 presentan mayor cantidad de carga de Zn. Los

techos convencionales arrojan mayor carga de Zn que los techos verdes debido a la

composición de los tejados y la corrosión presentada en estos en un período de tiempo

largo.

La Figura 4-8 muestra el comportamiento de la carga contaminante de Pb para un

período de 20 años.

Figura 4-8 Carga de Pb para un techo verde en un tiempo de 20 años

Se observa en la Figura 4-8 que en el año 12 la carga de Pb es mínima comparada con

los otros años, es posible que en ese año se presentara una precipitación mínima

comparada con las de los otros años.

La Figura 4-9 muestra el comportamiento de la carga contaminante de Pb para un techo

convencional en un período de 20 años

89

.

Figura 4-9 Carga de Pb para un techo convencional en un tiempo de 20 años

En la Figura 4-9 la carga muestra una tendencia en algunos años, sin embargo se

observa que el año 16 y 18 presentan mayor cantidad de carga de Pb. No se evidencian

diferencias en las cargas de Pb en los techos verdes y en los techos convencionales.

4.2 Resultados SVM (Support Vector Machine)

Máquinas de Vectores de Soporte (en inglés Support Vector Machine-SVM) son

máquinas de aprendizaje que aplican el principio inductivo de minimización del riesgo

estructural para obtener una buena generalización en un número limitado de patrones de

aprendizaje. La minimización del riesgo estructural involucra evaluar de forma simultánea

la minimización del riesgo teórico y la dimensión VC (Vapnik–Chervonenkis) que es un

valor escalar que mide la capacidad de un conjunto de funciones. La teoría fue

originalmente desarrollada por Vapnik y sus compañeros del AT&T Bell Laboratories.

SVM implementa un algoritmo de aprendizaje, útil para el reconocimiento de patrones

sutiles en los conjuntos de datos complejos. El algoritmo realiza la clasificación

discriminatoria de aprendizaje por ejemplo para predecir la clasificación de los datos

inéditos (Basak et al., 2007; Ghanty et al., 2009). La librería utilizada en el programa R es

kernlab (R Development Core Team ,2014).

La ecuación utilizada para Kernel es de tipo líneal

d

T

d xxxxk ),( (4.1)

90 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

El modelo se construye a partir de las características de lluvia (duración (d), altura de

lluvia (H), Intensidad máxima (Imax), período antecedente seco (ADWP). Teniendo en

cuenta estos valores, con ayuda del modelo se procede a calcular las concentraciones de

SST, DBO, Zn y Pb.

El objetivo del modelo es determinar si es posible hallar resultados de calidad del agua a

partir de características de lluvia con su respectivo error, de esta manera poder proponer

futuras investigaciones que aporten más eventos de lluvia y que puedan analizar con

más certeza estos resultados. El modelo no fue posible validarlo debido a los pocos

datos obtenidos.

4.2.1 Sólidos suspendidos Totales (SST)

Se presentan los resultados de SST para un módulo teniendo en cuenta las

características de lluvia.

La Figura 4-6 muestra el comportamiento de la concentración de SST para el módulo1

(Acelga china-Cascarilla de arroz, humus y tierra negra) a partir de los datos de lluvia (d,

H, duración, Imáx, -ADWP).

Figura 4-10 Concentración de SST (módulo1) a partir de las variables de lluvia

En la Figura 4-10 se aprecia que el RMSE es 1 mg/l con un r de1; lo que indica que

presenta un buen comportamiento escoger los datos de lluvia para predecir SST.

La Tabla 4-1 presenta los resultados de SST para los módulos restantes.

91

Tabla 4-1 Resultados de SST para los módulos restantes

Módulo r RMSE(mg/l)

2 1 3

3 1 6

4 0.92 7

5 1 9

Ref 0.76 2

Se aprecia en la Tabla 4-1 que el módulo 2 (Lechuga crespa- cascarilla de arroz, humus

y tierra negra) presenta un buen modelo para calcular los SST a partir de las

características de lluvia, mientras que el módulo de referencia tiene un r de 0.76 inferior a

los otros módulos y un RMSE de 2 (mg/l). Sin embargo los módulos presentan un buen

comportamiento, sería necesario validar el modelo y de esta manera obtener mejores

resultados que aporten a la investigación, si es posible llegar a determinar los valores de

SST con características de lluvia sin necesidad de llevar muestras al laboratorio.

4.2.2 Demanda Bioquímica de Oxígeno (DBO)

Se presentan los resultados de DBO para un módulo teniendo en cuenta los datos de

concentración de SST, pH y CE.

La Figura 4-12 muestra el comportamiento de la concentración de DBO para el módulo 1

(Acelga china-Cascarilla de arroz, humus y tierra negra) a partir de los datos de

concentración (SST, pH y CE).

Figura 4-11 Concentración de DBO (módulo1) a partir de las variables concentración

92 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

Se aprecia en la Figura 4-12 que el RMSE es 4 mg/l con un r de 0.95; lo que indica que

presenta un comportamiento aceptable escoger los datos de concentraciones de calidad

de agua para predecir los valores de DBO.

La Tabla 4-2 presenta los resultados de DBO para los módulos restantes.

Tabla 4-2 Resultados de DBO para los módulos restantes

Módulo r RMSE(mg/l)

2 0.95 4

3 0.97 3

4 0.95 4

5 0.9 4

Ref 0.89 1

Se aprecia en la Tabla 4.2 que el módulo 3 (Lechuga batavia- cascarilla de arroz, humus

y tierra negra) presenta un buen modelo para calcular la DBO a partir de concentraciones

de calidad del agua, mientras que el módulo de referencia tiene un r de 0.89 inferior a los

otros módulos y un RMSE de 1 (mg/l). Sin embargo los módulos presentan un buen

comportamiento, sería necesario validar el modelo y de esta manera obtener mejores

resultados que aporten a la investigación si es posible llegar a determinar los valores de

DBO con algunas concentraciones de calidad del agua.

4.2.3 Zinc

Se presentan los resultados de Zn para cada módulo teniendo en cuenta los datos de

concentración de SST, pH, CE y DBO.

La Figura 4-12 muestra el comportamiento de la concentración de Zn para el módulo

1(Acelga china-cascarilla de arroz, humus y tierra negra) a partir de los datos de

concentración (SST, pH, CE y DBO).

Figura 4-12 Concentración de Zn (módulo1) a partir de las variables concentración

93

Se aprecia en la Figura 4-12 que el RMSE es 0 mg/l con un r de 1; lo que indica que

presenta un comportamiento bueno escoger los datos de concentraciones de calidad de

agua para predecir los valores de Zn.

La Tabla 4-3 presenta los resultados de Zn para los módulos restantes.

Tabla 4-3 Resultados de Zn para los módulos restantes

Módulo r RMSE(mg/l)

2 1 0

3 1 0

4 1 0

5 1 0

Ref 1 0

Se aprecia en la Tabla 4-3 que todos los módulos tienen el mismo r de 1 y RMSE de

0(mg/l), esto indica que teniendo en cuenta las concentraciones de calidad del agua

(SST, pH, CE y DBO) para hallar Zn mostrará valores iguales a los reportados por el

laboratorio. Sin embargo es necesario realizar investigaciones futuras con más eventos

de lluvia y de esta manera poder validar el modelo utilizado.

4.2.4 Plomo

Se presentan los resultados de Pb para cada módulo teniendo en cuenta los datos de

concentración de SST, pH, CE y DBO.

La Figura 4-13 muestra el comportamiento de la concentración de Pb para el módulo 1

(Acelga china-Cascarilla de arroz, humus y tierra negra) a partir de los datos de

concentración (SST, pH, CE y DBO)

Figura 4-13 Concentración de Pb (módulo 1) a partir de las variables concentración

94 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

Se aprecia en la Figura 4-13 que el RMSE es 0 mg/l con un r de 1; lo que indica que

presenta un comportamiento bueno escoger los datos de concentraciones de calidad de

agua para predecir los valores de Pb.

La Tabla 4-4 presenta los resultados de Pb para los módulos restantes.

Tabla 4-4 Resultados de Pb para los módulos restantes

Módulo r RMSE(mg/l)

2 1 0

3 1 0

4 1 0

5 1 0

Ref 1 0

Se aprecia en la Tabla 4-4 que todos los módulos tienen el mismo r de 1 y RMSE de

0(mg/l), esto indica que teniendo en cuenta las concentraciones de calidad del agua

(SST, pH, CE y DBO) para hallar Pb mostrará valores iguales a los reportados por el

laboratorio. Sin embargo es necesario realizar investigaciones futuras con más eventos

de lluvia y de esta manera poder validar el modelo utilizado.

Los resultados anteriormente mostrados abren una puerta a investigaciones futuras, ya

que los valores obtenidos presentan un buen comportamiento teniendo en cuenta pocos

eventos de lluvia. Sin embargo es necesario poder verificar con muchos más eventos de

lluvia y más modelos que se ajusten mejor si es posible llegar a establecer

determinantes de calidad del agua que se con variables de lluvia medidas en campo.

.

5. Conclusiones y recomendaciones

No es indiferente proponer tipos de techos verdes para variables de calidad del agua,

lluvia escorrentía y carga contamínate, no es lo mismo utilizar cualquier tipo de planta y

sustrato. Esto se evaluó bajo una metodología especializada donde se involucra la

incertidumbre, lo cual se puede confirmar con más certeza los resultados. Lo que implica

que no es indiferente el tipo de techo verde en función de los objetivos que se está

persiguiendo. Se recomienda continuar con nuevas investigaciones para comprender los

fenómenos asociados a la cantidad, calidad de escorrentía (fuentes de contaminación,

transporte de contaminantes en plantas y sustratos, acumulación de contaminantes y

retoma de contaminantes durante eventos de lluvia etc.).Y para otorgar herramientas de

diseño adaptadas a condiciones locales y a las necesidades ambientales (herramientas

de modelación, reglas de diseño, etc.). Se podrían plantear nuevas investigaciones

donde se proponga propuestas que optimicen el diseño de los techos verdes.

Se propone una metodología para tener en cuenta la incertidumbre de los eventos de

lluvia y calidad del agua. .El resultado anteriormente mencionado fue soportado mediante

la inclusión de incertidumbre experimental tanto en campo como en laboratorio. Esta

inclusión fue posible gracias al desarrollo de un método especialmente diseñado para tal

fin en el cual se contempla las precisiones de los instrumentos de medición, tanto en

campo como en laboratorio. Mediante la utilización de este método es posible realizar

análisis estadísticos como anova, t-test, análisis de correlación que también contemplan

incertidumbre en sus resultados, abriendo la posibilidad de hablar de probabilidades de

significancia y no de significancia como tal, la cual puede aportar beneficios importantes

para el análisis de fenómenos tan variables y complejos como los analizados en este

trabajo, proponiendo conclusiones mejor soportadas y fiables.

A partir de la metodología propuesta que tiene en cuenta la incertidumbre de los eventos

de lluvia y calidad del agua Lo que implica que no es indiferente el tipo de techo verde en

función de los objetivos que se está persiguiendo.. Se podrían proponer nuevas

investigaciones donde se proponga propuestas que optimicen el diseño, todo esto

involucra la incertidumbre lo cual se puede confirmar con más certeza en los resultados.

Durante este trabajo se encontró que la planta tiene una probabilidad alta (80%) de influir

significativamente en variables que características de la atenuación de la escorrentía

(coeficientes de escorrentía, tiempos de retardos). Adicionalmente teniendo en cuenta

todos los resultados obtenidos en este trabajo la planta asociada a menores coeficientes

de escorrentía es Lechuga Crespa. Por otro lado se observó que el sustrato no influye de

96 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

manera significativa en la atenuación de la escorrentía. Lo anterior implica que el tipo de

planta resulto crucial para la atenuación de la escorrentía y por lo tanto se recomienda

tener en cuenta esta variable en el diseño de techos verdes y hacer estudios con más

tipos de plantas que están sujetas a las condiciones, solo se midió con 3 tipos de plantas,

pero se abre la puerta a realizar más estudios con otros tipos de plantas que se adapten

a las condiciones ambientales deseadas. Es normal que el sustrato no haya resultado

influyente a la escorrentía, debido a su composición (cascarilla de arroz, humus y tierra

negra- Biochar). Se recomienda realizar estudios donde varié el tipo de sustrato y la

altura del mismo.

A pesar de que el sustrato no influye en la atenuación de la escorrentía, en cuanto a los

determinantes de calidad del agua medidos, la probabilidad de que esta influya de

manera significativamente en algunos de estos determinantes (pH, CE, SST, DBO y Pb)

es alta (mayor al 65%).Es posible que los techos verdes pierdan material del sustrato, se

debe tener en cuenta la pérdida de sustrato por lo cual se recomienda estar pendiente de

renovar el sustrato evitando pérdidas, y contemplar estas recomendaciones para el

diseño de alcantarillado urbano.

Se observó que las concentraciones de DBO, SST y CE fueron significativamente

mayores en el agua de escorrentía de los techos verdes en comparación con aquella de

los techos convencionales. Esto implica que podría llegar a existir un riesgo de que estos

determinantes lleguen a un alcantarillado, plantas de tratamiento, acuíferos etc. Si no se

toman las medidas necesarias de mitigación sobre estos determinantes. Se debe tener

en cuenta la carga adicional de estos determinantes en los sistemas de drenaje urbano al

utilizar este tipo de techo verde a gran escala. Se recomienda modificar el diseño de los

techos verdes para disminuir esta sobrecarga de contaminación asociada a los techos

verdes (filtros, elementos de captura).

Existe una probabilidad del 100% de que el evento influya significativamente en

determinantes de calidad (CE, SST, Pb, Zn), esto implica que las características del

evento podrían ser factores explicativos de variables de calidad del agua, lo cual abre la

posibilidad de estimar concentraciones a partir de características de lluvia. Por otro lado

se observó que el Pb aumenta a medida que transcurre los eventos lo cual puede estar

explicado por la forma en que se hizo el riego: (Recirculación del agua); lo anterior

sugiere que hay una acumulación en el sustrato y dicho Pb es repuesto a disposición. Se

recomienda no hacer recirculación del agua para el riego y realizar estudios que exploten

estos resultados con fines de modelación.

Se encontró que el evento tuvo influencia significativa en la presencia de Zn, los eventos

con mayor duración presentaron mayor concentración de Zn, siendo más altas en los

techos convencionales que en los techos verdes. Lo que implica que los techos verdes

disminuyen la presencia de Zn en el agua de escorrentía y podrían utilizarse en zonas

donde el tejado presenta corrosión y libera mayor cantidad de Zn en el agua de

escorrentía.

Conclusiones 97

El sustrato B (Biochar) presenta valores más cercanos a 7 (Neutro) , lo que implica que

con este sustrato se podría neutralizar el pH en sitios industriales donde se presenta gran

cantidad de lluvia acida, ayudando a eliminar contaminates existentes en la atmosfera.

El tiempo de retardo máximo Kmax es muy pequeño (0-4 min), lo que evidencia que los

retardos correspondientes a los módulos de techos verdes no son muy grandes con

respecto a los hidrogramas del módulo de referencia. Lo anterior puede deberse a que se

trata de módulos pequeños. Sin embargo cabe aclarar que para techos verdes reales,

con mayores dimensiones, dichos tiempos de retardo podrían alcanzar valores no

despreciables, los cuales podrían representar beneficios importantes en los procesos de

lluvia-escorrentía en las ciudades.

Los resultados presentados en este estudio sobre la simulación de carga contaminante

en una zona de Bogotá, presentan similitud en las cargas de los eventos a lo largo de los

20 años, sin embargo debido a que los techos verdes de este estudio no presentaron

filtros que retuvieran material vegetal se apreció que existe mayor DBO, SST y CE en la

serie de lluvia de 20 años para los techos verdes que para los techos convencionales. Se

recomienda realizar este estudio teniendo en cuenta más variables (sitio, material de las

calles, porosidad del suelo, tiempos de infiltración etc.) y asi de esta manera determinar

resultados fiables que aporten a la investigación

De acuerdo a las perspectivas de simulación de carga contaminante se encontró que los

resultados obtenidos presentan un buen comportamiento con errores mayores a 0.76, lo

que es aceptable. Estos resultados abren una puerta a nuevas investigaciones en donde

se involucren más variables de lluvia y más eventos para poder validar los modelos y

determinar con más certeza los resultados.

A. Anexo: Código para DBO

Se muestra una parte de

rm(list=ls(all=TRUE)) MDBO=read.table("DBO.txt",header=TRUE) attach(MDBO) oi=t(matrix(t(oi),length(oi)/max(muestra),max(muestra))) of=t(matrix(t(of),length(of)/max(muestra),max(muestra))) vols=t(matrix(t(Vol),length(Vol)/max(muestra),max(muestra))) precm=0.0002 precvol=0.4 numsim=10000 m=1 while (m<=max(muestra)) { oi1=oi[m,1] oi2=oi[m,2] oi3=oi[m,3] of1=of[m,1] of2=of[m,2] of3=of[m,3] vol1=vols[m,1] vol2=vols[m,2] vol3=vols[m,3] aleaDBO1=300*(rnorm(numsim,oi1,precm/2)-rnorm(numsim,of1,precm/2))/(rnorm(numsim,vol1,precvol/2)) aleaDBO2=300*(rnorm(numsim,oi2,precm/2)-rnorm(numsim,of2,precm/2))/(rnorm(numsim,vol2,precvol/2)) aleaDBO3=300*(rnorm(numsim,oi3,precm/2)-rnorm(numsim,of3,precm/2))/(rnorm(numsim,vol3,precvol/2)) MaleaDBO=cbind(aleaDBO1,aleaDBO2,aleaDBO3) j=1 while (j<=dim(MaleaDBO)[1]) { if (j==1) {bps=boxplot.stats(MaleaDBO[j,])$stats[c(1,3,5)]}else{bps=rbind(bps,boxplot.stats(MaleaDBO[j,])$stats[c(1,2,3)])} j=j+1 } #bps=t(apply(MaleaSST,1,fivenum)) proms=bps[,2] promDBO=median(proms) #SSTbp=(apply(MaleaSST,1,bps)) DBOinf=median(bps[,1]) DBOsup=median(bps[,3]) uDBO=(DBOsup-DBOinf)/4 if(m==1){result=c(DBOinf,DBOsup,promDBO,round(100*uDBO/promDBO)) MMaleaDBO=proms }else{result=rbind(result,c(DBOinf,DBOsup,promDBO,uDBO,round(100*uDBO/promDBO))) MMaleaDBO=cbind(MMaleaDBO,proms) } m=m+1 }

99

write.csv(result,"resultDBO.csv",row.names=FALSE) write.csv(MMaleaDBO,"aleaDBO.csv",row.names=FALSE)

B. Anexo: Código para SST

rm(list=ls(all=TRUE)) MSST=read.table("sst.txt",header=TRUE) attach(MSST) mis=t(matrix(t(mi),length(mi)/max(muestra),max(muestra))) mfs=t(matrix(t(mf),length(mf)/max(muestra),max(muestra))) vols=t(matrix(t(vol),length(vol)/max(muestra),max(muestra))) precm=0.0001 recvol=0.75

numsim=10000

m=1

while (m<=max(muestra)) {

mi1=mis[m,1] mi2=mis[m,2] mi3=mis[m,3]

mf1=mfs[m,1] mf2=mfs[m,2] mf3=mfs[m,3]

vol1=vols[m,1] vol2=vols[m,2] vol3=vols[m,3]

aleaSST1=1000*(rnorm(numsim,mf1,precm/2)-rnorm(numsim,mi1,precm/2))/(rnorm(numsim,vol1,precvol/2)/1000)

aleaSST2=1000*(rnorm(numsim,mf2,precm/2)-rnorm(numsim,mi2,precm/2))/(rnorm(numsim,vol2,precvol/2)/1000)

aleaSST3=1000*(rnorm(numsim,mf3,precm/2)-rnorm(numsim,mi3,precm/2))/(rnorm(numsim,vol3,precvol/2)/1000)

MaleaSST=cbind(aleaSST1,aleaSST2,aleaSST3)

j=1

while (j<=dim(MaleaSST)[1]) {

102 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

if (j==1) {bps=boxplot.stats(MaleaSST[j,])$stats[c(1,3,5)]}else{bps=rbind(bps,boxplot.stats(MaleaSST[j,])$stats[c(1,2,3)])} j=j+1 } #bps=t(apply(MaleaSST,1,fivenum)) proms=bps[,2] promSST=median(proms) #SSTbp=(apply(MaleaSST,1,bps)) SSTinf=median(bps[,1]) SSTsup=median(bps[,3]) uSST=(SSTsup-SSTinf)/4 if(m==1){result=c(SSTinf,SSTsup,promSST,uSST,round(100*uSST/promSST)) MMaleaSST=proms }else{result=rbind(result,c(SSTinf,SSTsup,promSST,uSST,round(100*uSST/promSST))) MMaleaSST=cbind(MMaleaSST,proms) } m=m+1 } vec=c(1:numsim) j=1 while (j<=numsim) {if (j==1) {minSSTacum=median(bps[1:j,1]) maxSSTacum=median(bps[1:j,3]) promSSTacum=median(bps[1:j,2]) }else{minSSTacum=c(minSSTacum,median(bps[1:j,1])) maxSSTacum=c(maxSSTacum,median(bps[1:j,3])) promSSTacum=c(promSSTacum,median(bps[1:j,2]))} j=j+1} wth=3*580 hth=wth/2^(.5) tiff(filename = "estableSST.tif", width = wth, height = hth, compression = "lzw", pointsize = 10, bg = "white", res = 300) par(mar=c(4.5,4.5,1,1)) plot(promSSTacum,type="l",lwd=0.5,col="blue",ylim=c(min(minSSTacum),max(maxSSTacum)),xlab="Simulaciones", ylab="SST") lines(minSSTacum,type="l",lty=2,col="red") lines(maxSSTacum,type="l",lty=2,col="red") dev.off() write.csv(result,"resultSST.csv",row.names=FALSE) write.csv(MMaleaSST,"aleaSST.csv",row.names=FALSE)

C. Anexo: Código para pH y CE

rm(list=ls(all=TRUE)) M=as.vector(as.matrix(read.table("pHs.txt",header=FALSE))) prec=.01 u=prec/2 numsim=10000 MaleapH=t(matrix(rnorm(length(M)*numsim,M,u),length(M),numsim)) #proms=apply(MaleapH,1,mean) #MaleaSST=cbind(aleaSST1,aleaSST2,aleaSST3) #prompH=apply(MaleapH,1,mean) #sdpH=apply(MaleapH,1,sd) m=1 while (m<=dim(MaleapH)[1]) { if (m==1) {bps=boxplot.stats(MaleapH[m,])$stats[c(1,3,5)]}else{bps=rbind(bps,boxplot.stats(MaleapH[m,])$stats[c(1,3,5)])} m=m+1 } #bps=t(apply(MaleapH,1,fivenum)) proms=bps[,2] prompH=median(proms) pHinf=median(bps[,1]) pHsup=median(bps[,3]) upH=(pHsup-pHinf)/4 write.csv(c(pHinf,pHsup,prompH,upH,100*upH/prompH),"resultpH.csv",row.names=FALSE) write.csv(proms,"simulaciones.csv",row.names=FALSE) vec=c(1:numsim) j=1 while (j<=numsim) {if (j==1) {minpHacum=median(bps[1:j,1]) maxpHacum=median(bps[1:j,3]) prompHacum=median(bps[1:j,2]) }else{minpHacum=c(minpHacum,median(bps[1:j,1])) maxpHacum=c(maxpHacum,median(bps[1:j,3])) prompHacum=c(prompHacum,median(bps[1:j,2]))} j=j+1} wth=3*580 hth=wth/2^(.5) tiff(filename = "establepH.tif", width = wth, height = hth, compression = "lzw", pointsize = 10, bg = "white", res = 300) par(mar=c(4.5,4.5,1,1)) plot(prompHacum,type="l",lwd=0.5,col="blue",ylim=c(min(minpHacum),max(maxpHacum))) lines(minpHacum,lty=2,col="grey")

104 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

lines(maxpHacum,lty=2,col="grey") dev.off()

Bibliografía

Aguirre D., Morera C., Torres A (2014), XXI Seminario Nacional Hidráulica e Hidrología. Villa de Leyva- Boyacá. Antrop, M., 2004. Landscape change and the urbanization process in Europe. Landsc. Urban Plann. 67, 9–26. Alter,O., Brown, P.o and Botstein, D. (2000)Singular value decoposition for genome-wide expression data processing and modeling . Proc. Natl Acad. Sci.USA, 97, 10101-10106. American Society for testing and Materials. Annual book of Standards 1994 Asano, T. (2007). Water reuse: issues, technologies, and applications: McGraw-Hill

Professional.

Ashley, R., Lundy, L., Ward, S., Shaffer, P., Walker, L., Morgan,C., Saul, A., Wong, T., and Moore, S., 2013. Water-sensitive urban design: opportunities for the UK. Proceedings of the ICE-Municipal Engineer, 166 (2), 65–76. Ballard, B. Woods, and R. Kellagher. 2007. The SUDS Manual. Construction Industry

Research & Information Association (CIRIA).

Barbosa, A. Fernandes J and David L. 2012. Key issues for sustainable urban stormwater

management. Water Research (2012), doi:10.1016/j.watres.2012.05.029

Basak, D., Pal, S., y Patranabis, D. (2007) Support vector regression. Neural Information

Processing, 11(10), 203–224.

Berardi, U., GhaffarianHoseini, A., & GhaffarianHoseini, A. (2014). State-of-the-art

analysis of the environmental benefits of green roofs. Applied Energy, 115, 411–428.

doi:10.1016/j.apenergy.2013.10.047

Berndtsson, R., Niemczynowicz, J., 1988. Spatial and temporal scales in rainfall analysis, some aspect and future perspectives. J. Hydrol. 100 (1–4), 293–313.

Berndtsson., Czemiel, J., Emilsson, T., and Bengtsson ,L. (2006). “The Influence of

Extensive Vegetated Roofs on Runoff Water Quality.” The Science of the Total

Environment 355 (1-3) (February 15): 48–63. doi:10.1016/j.scitotenv.2005.02.035.

108 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

Berthier, E., Ramieri, D., and De Geouvello, B .(2011). “Simulation of Green roof

hydrological behavior with a reservoir model”. 12nd International Conference on Urban

Drainage, Porto Alegre/Brazil, 10-15 September 2011.

Beysens D, Ohayon C, Muselli M, Clus O. Chemical and biological characteristics of dew

and rain water in an urban coastal area (Bordeaux, France). Atmos Environ

2006;40:3710–23.

Biduhendra, S. (2002). Heavy metals in the environment.New York: Marcel Decker.

Biggs, T. W., Atkinson, E., Powell, R., & Ojeda-Revah, L. (2010). Land cover following rapid urbanization on the US–Mexico border: Implications for conceptual models of urban watershed processes. Landscape and Urban Planning, 96(2), 78–87. doi:10.1016/j.landurbplan.2010.02.005

Bliss, D., Neufeld, R.,and Ries, J. (2009). “Storm Water Runoff Mitigation Using a Green Roof.” Environmental Engineering Science 26 (2) (February): 407–418. doi:10.1089/ees.2007.0186.

Brun, S.E., Band, L.E., 2000. Simulating runoff behavior in an urbanizing watershed. Comput. Environ. Urban Syst. 24 (1), 5–22.

Butler, D. y Davies, J. (2011) Urban drainage (T. & Francis, ed.), London, England.

Cherkassky, V. and Ma, Y. (2004) Practical selection of SVM parameters and noise

estimation for SVM regression. Neural networks, 17(1), 113–26.

Calvo, M. (1999). Aguas Residuales: Tratamiento por humedales artificiales. fundamentos científicos. Tecnologías. diseño. Mundi-Prensa.

Carter,T. and C. Butler. 2008. Ecological impacts of replacing traditional roofs with green

roofs in two urban areas. Cities and the Environment. 1(2) article 9, pp.17. Castleton, H. F., V. Stovin, S. B. M. Beck, and J. B. Davison. 2010. Green Roofs; Building energy savings and the potential for retrofit. Energy and Buildings. 42: 1582-1591

Chapra, Steven (1997) Surface water-quality modelling.

Cho,R.J., Campbell,M.J.,Winzeler,E.A., Steinmetz,L., Conway,A.,Wodicka,L., Wolfsber,T.G., Gabrielian, A.E., Landsan,D., Lockhaty, D.J and Davis,R.W. (1998).Agenome-wide transcriptional analysis of the mitotic cell cycle.Mol. Cell, 2, 65-73

Chow, Ven Te., Maidment, David.,and Ways, Larry.(1997). Hidrología Aplicada. McGraw Hill

109

CEM, Centro Español de Metrología, (2008); Vocabulario internacional de metrología –

Conceptos fundamentales y generales, y términos asociados (VIM), 3ª edición, Madrid,

España, 88p.

Claus, K., and Rousseau ,S. (2012). “Public versus private incentives to invest in green

roofs: A cost benefit analysis for Flanders”. Urban Forestry & Urban Greening (2012).

Consejo, E. L., Uni, D. E. L. A., Europeo, P., and Europeo, P. (1998). Consejo de la

Unión Europea L 330/32.

Coombes, P., Argue, J., and Kuczera, G. (2000). Figtree Place: “a case study in water

sensitive urban development (WSUD)”. Urban Water, 1(4), 335-343.

Copete R., James A. (2013). INFORME TÉCNICO SOBRE ESTACIONES CON REGISTRO DE PRECIPITACIONES EN LA SABANA DE BOGOTÁ PERTENECIENTES A LA EMPRESA DE ACUEDUCTO Y ALCANTARILLADO DE BOGOTÁ (EAAB). Pontificia Universidad Javeriana. Maestría en Hidrosistemas. Grupo de investigación Ciencia e Ingeniería del Agua y el Ambiente

Crabtree, B., Dempsey, P., Johnson, I., Whitehead, M., 2008. The development of a risk-

based approach to managing the ecological impact of pollutants in highway runoff. Water

Sci. Technol. 57 (10), 1595e1600

CSQ. (2003). Stormwater Best Management Practice Handbook. California Stormwater

Quality Association

Devia ,C., Puentes, A., Oviedo, N., Torres, A., and Angarita ,H.(2012) “Cubiertas verdes y

dinámica hídrica en la ciudad”. XXV congreso latinoamericano de hidráulica. San José,

Costa Rica, 2012.

Dunnett, N., Nagase, A., Booth, R., and Grime, P. (2008). “Influence of Vegetation

Composition on Runoff in Two Simulated Green Roof Experiments.” Urban Ecosystems

11 (4) (May): 385–398. doi:10.1007/s11252-008-0064-9.

Durrans R. (2003). Stormwater conveyance modeling and desing. 1ed, Haestad Methods,

Inc., USA. ISBN 0-965-75808-7

Environment Agency, 2002. The Urban Environment in England andWales.ADetailed Assessment. Report Environment Agency, Bristol.

Fletcher, T. D., Shuster, W., Hunt, W. F., Ashley, R., Butler, D., Arthur, S., Trowsdale, S., et al. (2014). SUDS, LID, BMPs, WSUD and more – The evolution and application of terminology surrounding urban drainage. Urban Water Journal, (July), 1–18. doi:10.1080/1573062X.2014.916314

Fewtrell, L., Kay, D., 2007. Microbial quality of rainwater supplies in developed countries: a review. Urban Water J. 4 (4), 253e260.

110 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

Forero C., Devia C., Torres A., Mendez-Fajardo S. (2011). Diseño de ecotechos productivos para poblaciones vulnerables. Revista Acodal, 229, 28-36

Forero, C., Devia, C., Torres, A., and Méndez, S. (2012) "Diseño de ecotechos productivos para poblaciones vulnerables en:Colombia “.Revista Acodal ISSN: 0120-0798 ed: v.229 fasc.1 p.28 - 36 ,2012 .

Francis, R. A. and J. Lorimer. 2011. Urban reconciliation ecology: the potential of living roofs and walls. J. Environ. Mgt. 92: 1429-1437. Fuller, R.A., K.N. Irvine, P. Devine-Wright, P.H. Warren, K.J. Gaston. 2007. Psychological benefits of greenspace increase with biodiversity. Biol Lett 3:390– 394. Fuller, R.A. & Irvine, K.N. 2010. Interactions between people and nature in urban environments, In Gaston, K.J. (ed.) Urban Ecology. Cambridge: Cambridge University Press, pp. 134-171. Galarza, S., Torrés, A., Rengifo, P., Puentes, A., Cárcamo.(2014) The hydrological behaviour of an Eco-Productive Green roof in Bogotá, Colombia. 13 13 International Conference on Urban Drainage, Sarawak, Malaysia, 7-12 September 2014. Ghanty, P., Paul, S., y Pal, N. (2009) NEUROSVM: An Architecture to Reduce the Effect

of the Choice of Kernel on the Performance of SVM. The Journal of Machine Learning

Research, 10, 591–622.

Getter, K., Rowe, B., and Andresen, J. (2006) “Quantyfing the effect of slope on extensive

green roof stormwater retention” Science Direct: Ecological Engineering, 31(4), 225-

231.doi:10.1016/j.ecoleng.2006.06.04.

Gong, K., Wu, Q., Peng, S., Zhao, X., & Wang, X. (2014). Research on the characteristics of the water quality of rainwater runoff from green roofs. Water Science and Technology : A Journal of the International Association on Water Pollution Research, 70(7), 1205–10. doi:10.2166/wst.2014.358

Greenland, S., (2001); Sensitivity analysis, Monte Carlo risk analysis, and Bayesian

uncertainty assessment, Risk Anal, 21(4), 579-583.

Gujer, W. (2008) Systems analysis for water technology, Zurich, Switzerland, Springer.

Handia, L., Tembo, J., and Mwiindwa, C. (2003). Potential of rainwater harvesting in

urban Zambia. Physics and Chemistry of the Earth, Parts A/B/C, 28(20-27), 893-896.

Hakimdavar, R., Culligan, P. J., Finazzi, M., Barontini, S., & Ranzi, R. (2014). Scale dynamics of extensive green roofs: Quantifying the effect of drainage area and rainfall characteristics on observed and modeled green roof hydrologic performance. Ecological Engineering, 73, 494–508. doi:10.1016/j.ecoleng.2014.09.080.

Helmreich, B., and Horn, H. (2009). Opportunities in rainwater harvesting. Desalination,

248(1-3), 118-124.

111

Hernández, O. (1998). Temas de análisis estadístico multivariado (1. Ed). Editorial de la

Universidad de Costa Rica. San José, Costa Rica. 170p.

Holter, NS., Miltra, M., MAritan, A., Cieplak,M., Banavar,J.R and Fedoroff,N.V.(2000)

Fundamental patterns underlying gene expression profiles: cimplicity from complexity.

Proc. Natl Acad. Sci.USA, 97,8409-8414

Ichihara ,K ., and Cohen J .(2010). New York City property values: what is the impact of

green roofs on rental pricing?. Lett Spat Resour Sci (2011) 4: 21–30 DOI

10.1007/s12076-010-0046-4.

JCGM, Joint Committee for Guides in Metrology, (2008); International vocabulary of

metrology: basic and general concepts and associated terms (VIM). Sèvres, France:

Available from: http://www.bipm.org/en/publications/guides/vim.html.

Jolliffe, I.T.(1986) Principal Component Analysis. Springer, New York.

Kabir, M. I., Daly, E., and Maggi, F. (2014). A review of ion and metal pollutants in urban green water infrastructures. The Science of the total environment, 470-471, 695–706. doi:10.1016/j.scitotenv.2013.10.010

Kadas, G.(2006) Rare Invertebrates Colonizing Green Roofs in London. Urban Habitats,

4(1).

Kasmin, H., Stovin, V., and Hathway, E. (2010). “Towards a Generic Rainfall-runoff

Model for Green Roofs.” Water Science and Technology: A Journal of the International

Association on Water Pollution Research 62 (4): 898–905. doi:10.2166/wst.2010.352.

Kinkade-Levario, Heather. (2007). Design for Water: Rainwater Harvesting, Stormwater

Catchment, and Alternate Water Reuse. 1st ed. New Society Publishers.

Kobiyama, M., and Hansen, S. (2002). Vantagens da utilização do sistema de coleta de

água da chuva sob o ponto de vista dos aspectos hidrológico e econômico: estudo de

caso em Florianópolis–SC. Aproveitamento da água da chuva. Curitiba: Organic Trading

Tradução de Masato Kobiyama, Cláudio Tsuyoshi Ushiwata e Manoela dos Anjos Afonso.

Tradução do original japonês ―Yatte Miyo Amamizu Riyo‖.

Lazarova, V., Hills, S., and Birks, R. (2003). Using recycled water for non-potable, urban

uses: a review with particular reference to toilet flushing. Water Science & Technology:

Water Supply, 3(4), 69-77.

Lepot, M. (2012) Mesurage en continu des flux polluants en MES et DCO en réseau

d’assainissement. , 1–253.

Li, Z., Boyle, F., and Reynolds, A. (2010). Rainwater harvesting and greywater treatment

systems for domestic application in Ireland. Desalination 2010, 260, 1-8.

112 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

Locatelli, L., Mark, O., Mikkelsen, P. S., Arnbjerg-Nielsen, K., Jensen, M. B., & Binning, P. J. (2014). Modelling of green roof hydrological performance for urban drainage applications. Journal of Hydrology. doi:10.1016/j.jhydrol.2014.10.030

Mate Jiménez, Carlos (1998). Curos general sobre statgraphics II. Universidad Pontificia

Comillas (ICAI-ICADE).

Mentents J., Raes, D and Hermy, M (2006) “Green roofs as a tool for solving the

rainwater runoff problem in the urbanizaed 21 st century?” Landscape and Urban Plannig,

77(3),217-226.doi:10.1016/j.landurbplan.2005.02.010ofs as a tool for solving t

Ministerio de Desarrollo Económico, (2000); Reglamento Técnico del Sector de Agua

Potable y Saneamiento Básico, RAS - 2000. Sección II, Título E Tratamiento de Aguas

Residuales, República de Colombia.

Ministerio de Salud República de Colombia. (1984). Decreto 1594. Usos del agua y

residuos líquidos. pp. 152

Ministerio de Protección Social y Ambiente, Vivienda y Desarrollo Territorial. (2007)

Resolución 2115 de 2007.

Ministry of Land, Infrastructure, Transport and Tourism (MLIT) (2005).The flood control

economy investigation manual (proposed), River Bureau (in Japanese).

Minke, Gernot. (2005). Techos Verdes: Sencillo y Eficaz ; Planificación, Ejecución,

Consejos Prácticos. EcoHabitar.

Miranda, J. (2003) [en línea]. "EVALUACIÓN DE LA INCERTIDUMBRE EN DATOS

EXPERIMENTALES." p. 43.

http://depa.fquim.unam.mx/amyd/archivero/eval_incert_6905.pdf [Consulta: 10 enero

2012].

Muttamara, S. (1996) Wastewater characteristics. Resources, Conservation and

Recycling, 16, 145–159.

Mwenge, K J., Taigbenu, A., and Boroto, J. (2007). Domestic rainwater harvesting to

improve water supply in rural South Africa. Physics and Chemistry of the Earth, Parts

A/B/C, 32(15-18), 1050-1057.

New Jersey Department of Environmental Protection. (2004). New Jersey Stormwater

Best Management Practices Manual. Trenton, NJ 08608-1501

Niemczynowicz, J. (1999). “Urban Hydrology and Water Management – Present and

Future Challenges.” Urban Water 1 (1) (March): 1–14. doi:10.1016/S1462-

0758(99)00009-6.

113

Oberndorfer, E., Lundholm, J., Bass, B., Coffman, R., Doshi, H., Dunnett, N., Gaffin, S.,

KöHler, M.,Liu K, and Rowe, B. (2007). “Green Roofs as Urban Ecosystems: Ecological

Structures, Functions, and Services.” BioScience 57: 823. doi:10.1641/B571005.

Ogden, F., Sharif, H., Senarath, S., Smith, J., Baeck, M., Richardson, J., 2000. Hydrologic analysis of the Fort Collins, Colorado, flash floods of 1997. J. Hydrol. 228 (1–2), 82–100. Oviedo, N .(2012) .Estudio de la atenuación de la escorrentía en techos verdes en altos de Cazucá-Soacha. Pontificia Universidad Javeriana. Revista Ingenieria y Universidad Pontificia Universidad Javeriana. Doi:10.11144/Javeriana.IYU18-2hahb Oviedo, N y Torres, A (2014). Hydrologic Attenuation and the Hydrologic Benefits of Implementing Eco-Productive Green Roofs in Marginal Urban Areas. Peck, S., and Callaghan,C. (1999). Greenbacks from Green Roofs: Forging a New

Industry in Canada.

Pescod, M.B. (1992). Wastewater Treatment and Use in Agriculture. FAO Irrigation and

Drainage Paper 47, FAO, Rome, 125 pp

Poulter, S.R (1998). Monte Carlo simulation in environmental risk assessment –science

policy and legal issues, Risk: Health ,Safety and Environment, 9 ,7-26

Rasch ,D., Jürgen, P., Rob, V and Albrecth, G (2011). Optimal Experimental Design

with R .CRC press.

R Development Core Team (2014). R: A language and environment for statistical

computing. R Foundation for Statistical Computing, Vienna, Austria. URL http://www.R-

project.org/.

Rice, E. W., Bridgewater, L., American Public Health Association, American Water Works

Association, and Water Environment Federation (2012) Standard methods for the

examination of water and wastewater., Washington, D.C., American Public Health

Association.

Roldán, Gabriel (2003).Bioindicación de la calidad de agua en Colombia. Uso del método

BMWP/Col. Editorial Universidad de Antioquia. ISBN 958-665-671-9

Sanchéz, J. (2003). Hidrología Superficial (III). Consultado el 23 de abril de 2012

Disponible en internet: http://212.128.130.23/eduCommons/ciencias-

experimentales/hidrologia/

Secretaría Distrital de Ambiente (2011). Guía de Techos Verdes en Bogotá

Smith, E. (2002). Uncertainty analisys, In: Encyclopedia of Environmetrics, Willey,4, 2283-

2297

Schölkopf, B., Smola A. J. Learning with kernels. The MIT Press, Cambridge, Massachusetts, 2002.

114 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

Stone Jr., B., 2004. Paving over paradise: how land use regulations promote residential

imperviousness. Landsc. Urban Plann. 69, 101–113

Teemusk, A., and Mander, U. (2011). ” The Influence of Green Roofs on Runoff Water

Quality: A Case Study from Estonia”. Water Resour Manage DOI 10.1007/s11269-011-

9877-z

Thévenot, D. R (1992). Pollution des eaux oluviales urbanies. París, ENPC

Torres, A. (2004) "Apuntes de clase sobre Hidrologia Urbana" En: Colombia ed:Editorial

Pontificia Universidad Javeriana ISBN: 9586837130 v. 1 pags. 377.

Torres, A (2011). Metodología para la Estimación de Incertidumbres Asociadas a

Concentraciones de Sólidos Suspendidos Totales Mediante Métodos de Generación

Aleatoria. Revista Tecno Lógicas No. 26, Junio de 2011

Torres, A., Lara, J., Torres, O., Estupiñán , J., and Méndez , S. (2011). "Aprovechamiento

de aguas lluvias en el campus de la Pontificia Universidad Javeriana, Sede Bogotá

(PUJB)" Gestion Integrada Del Recurso Hidrico Frente Al Cambio Climatico . En:

Colombia ISBN: 978-958-670-914-9 ed: Programa Editorial Universidad Del Valle , v. ,

p.325 – 336.

Torres A., Méndez S., Lara J., Estupiñan J., Zapata H., Torres O. (2012)” Hacia

equipamientos urbanos sostenibles: Aprovechamiento de aguas lluvias en el campus de

la Pontificia Universidad Javeriana en Bogotá”. Cuadernos de vivienda y urbanismo.

ISSN 2027–2103. Vol. 5, No. 9, enero-junio 2012: 124-141

Torres A., Méndez-Fajardo S., Gutiérrez A. and Sandoval S. (2013). Quality of Rainwater Runoff on Roofs and Its Relation to Uses and Rain Characteristics in the Villa Alexandra and Acacias Neighborhoods of Kennedy, Bogota, Colombia. J. Environ. Eng., 139, 1273-1278.

United Nations, 2002.World Urbanization Prospects: The 2001 Revision. United Nations, New York.

Urbonas, B. 1999. Design of a Sand Filter for Water Quality Enhancement. Water

Environment Research. Vol. 71, No. 1, pp. 102-113.

US EPA. (2004). Better Assessment Science Integrating point and Nonpoint Sources

BASINS Version 3.0 User’s Manual, EPA-823-B-01-001, US Environmental Protection

Agency, Office of Water, Washington, DC

115

VanWoert, N., Rowe, D ., Andresen, J., Rugh, R., Fernandez ,T., and. Xiao, L (2005).

Green Roof Storm water Retention: Effects of Roof Surface, Slope, and Media Depth.

J.Environ. Qual. 34:1036-1044.

Yang, X.L., Ren, L.L., Singh, V.P., Liu, X.F., Yuan, F., Jiang, S.H., Yong, B., 2012. Impacts of land use and land cover changes on evapotranspiration and runoff at Shalamulun River watershed, China. Hydrol. Res. 43 (1–2), 23–37. .

.

Werthmann, Christian, and American Society of Landscape C. Architects. (2007). Green

Roof: a Case Study. Princeton Architectural Press.

White, R., 2002. Building the Ecological City. Woodhead Publication, Cambridge. Villarreal, E.L., Semadeni-Davies, A., Bengtsson, L., 2004. Inner city stormwater control using a combination of best management practices. Ecol. Eng. 22, 279–298. Wanielista, Martin., Kerstein, Robert., and Eaglin, Ron.(1997). Hydrology waterquantity and aulity control. Segunda edición

Ye, J., Liu, C., Zhao, Z., Li, Y., & Yu, S. (2013). Heavy metals in plants and substrate from simulated extensive green roofs. Ecological Engineering, 55(2), 29–34. doi:10.1016/j.ecoleng.2013.02.012

Zafra, C., Temprano, J., and Tejero, J. (2007). Contaminación por escorrentía superficial

urbana: metales pesados acumulados sobre la superficie de una vía. Revista Ingeniería e

Investigación. Universidad Nacional de Colombia. ISSN (Versión impresa): 0120-5609

COLOMBIA

Zamora, D. (2013). Métodos Machine Learning aplicados para estimar la concentración

de los contaminantes de la DQO y de los SST en hidrosistemas de saneamiento urbano

a partir de espectrometría UV-Visible. Pontificia Universidad Javeriana.

116 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

117

118 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá

119

120 Techos verdes utilizados como elementos de regulación de la escorrentía en Bogotá