Departamento de Ciencias de la Tierra y Construcción
UNIVERSIDAD DE LAS FUERZAS ARMADAS ESPE
Revista GEOESPACIAL Vol. 18 Nº 1
Revista oficial de difusión científica y tecnológica en el área de las Ciencias y Tecnologías Geoespaciales de la Universidad de las Fuerzas Armadas ESPE
La revista Geoespacial es publicada semestralmente
Revista Geoespacial, Volumen 18 Nº 1, Enero-Junio 2021 Editor:
Alfonso Tierra
Departamento de Ciencias de la Tierra y Construcción de la Universidad de las Fuerzas Armadas ESPE - Ecuador
Alfonso Tierra
Departamento de Ciencias de la Tierra y Construcción de la Universidad de las Fuerzas Armadas ESPE - Ecuador
Oswaldo Padilla
Departamento de Ciencias de la Tierra y Construcción de la Universidad de las Fuerzas Armadas ESPE - Ecuador
Esthela Salazar
Departamento de Ciencias de la Tierra y Construcción de la Universidad de las Fuerzas Armadas ESPE - Ecuador
César Iván Álvarez Mendoza - Universidad Politécnica Salesiana -EcuadorI- Ecuador Roberto Luz Teixeira - Instituto Brasileiro de Geografía e Estatística IBGE- Brazil Gustavo Barrantes - Universidad Nacional de Costa Rica - Costa Rica
Rodrigo Márquez - Universidad Osorno - Chile
Pascal Podwojewski - IRD - France
José Luis Carrión Sánchez - Instituto Geográfico Militar - Ecuador
Preguntas y Correspondencia
Departamento de Ciencias de la Tierra y Construcción de la Universidad de las Fuerzas Armadas ESPE Av. Gral. Rumiñahui S/N. Sangolquí – Pichincha – Ecuador. artierra@espe.edu.ec
Los contenidos de los artículos, aquí publicados, son de responsabilidad de los autores.
Revista Geoespacial Vol. 18 Nº 1, Enero-Junio 2021
ISSN 2600-5921
Volumen 18 N° 1, 2021
Iván Palacios, Karol Arellano …………………………….…………………………………
Sofía Mejía, Fabián Rodríguez-Espinosa ……………………………….……………………..
Carlos Castro, Diana Guzmán, Diego Cortés ………………………… ..…………………......
Bryan Idrovo, Ivonne González, Omar Guerrero …..………………….……………………
Pag.
1
14
36
49
Revista GEOESPACIAL (Enero-Junio 2021) 18(1): 01-13
ISSN: 2600-5921
FOREST COVERAGE CHANGE PREDICTIVE MODEL IN THE QUÍLAMO MUNICIPAL CONSERVATION AREA –MORONA CANTON
* Autor de correspondencia: Calle 9 de Octubre y Sucre, Macas, Ecuador, ifpalacios@espe.edu.ec.
Recibido: 25 de marzo 2021 / Aceptado: 26 de mayo 2021
La pérdida de cobertura forestal es una problemática que en Ecuador depende de múltiples factores, especialmente de la intensificación del uso de suelo por actividades antrópicas. El cerro Quílamo ubicado en el cantón Morona, a pesar de haber sido declarado como área de conservación municipal (ACM) mediante ordenanza en el año 2016, aún refleja altas tasas de deforestación, consecuencia del control deficiente del avance de la frontera agrícola y cambios en el uso de suelo. El objetivo de estudio es generar un modelo predictivo del cambio de cobertura forestal en el ACM Quílamo, como un aporte a la toma de decisiones y a la generación de políticas enfocadas en reducir el impacto de deforestación en zonas protegidas de la región amazónica ecuatoriana. Mediante el uso de imágenes satelitales Landsat 5, Landsat 8 y Sentinel 2A de los años 2011, 2016 y 2020, se realizó una clasificación supervisada para identificar las coberturas del suelo, las cuales fueron reclasificadas en dos categorías: bosque y no bosque. Se aplica un modelo de simulación combinado entre autómatas celulares y cadenas de Markov, en cuya fase de calibración se utilizaron las coberturas de 2011 y 2016 para predecir la cobertura forestal al año 2020, y comparar su resultado con la cobertura real del 2020 en la fase de validación. Con el estadístico ROC y coeficiente Kappa se obtuvo un valor de 0.898 y 0.765 de precisión en la validación del modelo respectivamente, con el que se asegura una predicción robusta y confiable de la simulación. El modelo predictivo de cobertura forestal del ACM Quílamo para el año 2025, proyecta una deforestación anual de
31.76 ha/año y una tasa de deforestación de – 0.016% para el periodo 2020-2025, además, de una elevada fragmentación del paisaje. El modelo generado se presenta como insumo dentro de los instrumentos de planificación del territorio, enfocados a la contribución del sector de mitigación en cambio climático.
ROC.
The loss of forest coverage is a problem that in Ecuador depends on multiple factors, especially the intensification of land use by anthropic activities. The Quílamo hill located in Morona canton, despite having been declared as a municipal conservation area (MCA) by ordinance in 2016, still reflects high
I. Palacios; K. Arellano Pag. 2
rates of deforestation, a consequence of deficient control in the advance of the agricultural frontier and changes in land use. The objective of the study is to generate a forest coverage predictive model in the MCA Quílamo, as a contribution to decision-making and the generation of policies focused on reducing the impact of deforestation in protected areas of the Ecuadorian amazon region. Using Landsat 5, Landsat 8 and Sentinel 2A satellite images from the years 2011, 2016 and 2020, a supervised classification was carried out to identify land coverages, which were reclassified into two categories: forest and non-forest. A combined simulation model between cellular automata and Markov chains was applied, in whose calibration phase 2011 and 2016 coverages were used to predict the forest coverage to the year 2020, and compare its result with the 2020 real coverage in the validation phase. With the ROC statistic and Kappa coefficient, a precision value of 0.898 and 0.765 was obtained in the validation of the model respectively, with which a robust and reliable prediction of the simulation is ensured. The forest coverage predictive model of the MCA Quílamo for the year 2025, projects an annual deforestation of 31.76 ha/year and a deforestation rate of - 0.016% for the period 2020-2025, also, a high fragmentation of the landscape. The generated model is presented as an input into the territorial planning instruments, focused on the contribution of the mitigation sector in climate change.
La cobertura forestal o bosque constituye un ecosistema formado por árboles, arbustos y demás especies vegetales y animales, resultado de un proceso ecológico que interrelaciona otros recursos como el agua, la biodiversidad, el suelo, el aire, el paisaje, entre otros (Barrantes, Chaves, & Vinueza, 2010). Además, ofrece una serie de servicios ambientales como: regulación del ciclo hídrico, belleza escénica, protección de la biodiversidad, mitigación de gases de efecto invernadero (Palacios & Rodríguez, 2021) por mencionar algunos.
Ecuador, a nivel de Latino América, es uno de los países con mayor porcentaje de su territorio destinado a la protección y conservación de sus ecosistemas naturales (cerca del 20%) (Elbers, 2011), sin embargo, eso no siempre es una garantía de que estos espacios naturales se mantenga sin amenazas a través del tiempo. A nivel nacional, entre los años 2014 – 2016, la tasa anual de deforestación bruta fue de –0,74% y neta de –0,48%, es decir 94,353 ha/año y 61,112 ha/año respectivamente (MAE, 2017). Ya en 2018, en la región amazónica, Morona Santiago fue la provincia con una mayor deforestación de sus bosques, siendo la segunda a nivel nacional por detrás de Manabí (El Mercurio, 2018), lo que denota una clara problemática en dicho territorio.
En Morona Santiago, uno de los principales factores causantes de la pérdida de cobertura forestal es la expansión de nuevas áreas agropecuarias, que, si bien contribuyen como fuente directa de ingresos económicos a corto plazo para pequeños productores, con el tiempo promueven el asentamiento de nuevas urbanizaciones o la construcción de infraestructura (carreteras, equipamientos, tendidos eléctricos, u otros) para su equipamiento, lo cual genera una deforestación paulatina del bosque, así como un deterioro del suelo que soporta estas actividades antrópicas (Merecí & Suqui, 2014; MAG, 2017). Esta problemática, refleja también la ausencia o incumplimiento de políticas de ordenamiento territorial que incorporen el manejo sustentable del bosque y que regulen actividades antrópicas considerando la capacidad y aptitud del suelo (Palacios, Ushiña, & Carrera, 2018; Palacios & Toulkeridis, 2020).
Modelo predictivo del cambio de cobertura forestal Pag. 3
Las imágenes satelitales han sido ampliamente usadas para el monitoreo y análisis de las coberturas del suelo, y en especial los bosques (Abad et al., 2020; Lechner, Foody, & Boyd, 2020), ya que permiten capturar información de la realidad del territorio y estudiar su comportamiento dinámico en el tiempo. En distintas aplicaciones de las geociencias, las imágenes multiespectrales son fundamentales para su comprensión, como por ejemplo en el crecimiento urbano (Arellano & Castro, 2019; Palacios, 2020), cambio climático (Guo et al., 2017), cálculo de temperaturas superficiales (Arellano, Padilla, & Molina, 2019; Arellano et al., 2020), así como para la detección de cambios de cobertura forestal (Ávila et al., 2020), con una amplio bagaje de estudios realizados en regiones amazónicas (Palacios, Castro, & Rodríguez, 2019; Barni et al., 2020), lo que las convierte en una poderosa herramienta para en conjunto con modelos matemáticos y los sistemas de información geográfica (SIG), predecir los cambios futuros de la cobertura forestal.
Dentro de los SIG, los modelos espaciales de predicción son métodos que permiten la interacción de variables de la naturaleza (representadas en capas vectoriales o ráster) para la identificación de patrones o tendencias, y que generalmente son dinámicos en el tiempo (Palacios, 2019; Palacios, 2020). Estos patrones pueden ser modelados mediante algoritmos matemáticos, que basados en ciertas determinantes predicen el comportamiento de la variable objetivo en un lapso de tiempo dado (Palacios, Ushiña, & Carrera, 2020).
Existen varias técnicas usadas para el cálculo del potencial de transición de la variable, entre las más usadas se encuentran las Autómatas Celulares (AC) y Cadenas de Markov (CM) (Eastman & Toledano, 2018). La primera, consiste en una grilla simple – regular de píxeles en un número finito de estados posibles, y que dependen a su vez del anterior estado de los pixeles que se encuentran circunscritos en un vecindario (Mitsova, Shuster, & Wang, 2011), el cual se actualiza con cada paso discreto de tiempo en función de ciertas reglas para su transición. Por su parte, CM constituye un modelo matemático estocástico en que el estado de un sistema está condicionado por el valor conocido del estado anterior y por la probabilidad de transición de cada estado (Eastman, 2012). Una variante a estos dos métodos, es la combinación de ambas AC y CM, que agrega un elemento de contigüidad espacial, sumado al conocimiento de la distribución espacial probable de las transiciones al análisis del proceso markoviano (Mas, Kolb, & Paegelow, 2014).
Son varias las investigaciones a nivel regional y mundial que han aplicado datos satelitales con métodos de predicción espacial de los SIG, en la deforestación (Mas et al., 2004; Silva et al., 2020) y el cambio de la cobertura del suelo (Ghosh et al., 2017; MohanRajan, Loganathan, & Manoharan, 2020). Sumado a ello, existen autores como Syrbe y Walz (2012), o Duarte et al., (2018), quienes sugieren el cálculo de índices espaciales para determinar el grado de fraccionamiento de un paisaje (índice de dimensión fractal, cohesión, entre otros), siendo indicadores de cuan afectado o conservado está un área natural (Hao et al., 2017; Han et al., 2019). Estas variables resultan de gran interés de la comunidad científica, lo cual refleja la importancia de desarrollar análisis relacionados en la temática, que coadyuven en la planeación del territorio, la lucha contra el cambio climático y la generación de políticas públicas desde los distintos niveles de gobierno.
Por ello, el presente estudio tiene por objetivo el generar un modelo espacial predictivo del cambio de cobertura vegetal del Área de Conservación Municipal Quílamo – Cantón Morona, con el cual permita aplicar medidas de mitigación por parte de las autoridades competentes en cuanto a deforestación y fragmentación del paisaje en esta zona protegida de la región amazónica del Ecuador.
I. Palacios; K. Arellano Pag. 4
ÁREA DE ESTUDIO
El Área de Conservación Municipal (ACM) del Quílamo, se ubica en el cantón Morona, provincia de Morona Santiago, a 2°17’54.94” de latitud Sur y 78°09’59.03” de longitud Oeste. Su extensión comprende tres parroquias: Macas, Rio Blanco, y General Proaño, donde la mayor superficie se encuentra en la primera de ellas. Posee 5158.373 hectáreas, y protege una parte del Bosque siempreverde piemontano del Sur de la Cordillera Oriental de los Andes, que se asienta sobre una prolongación de la Cordillera de la Andes, conocida como Cordillera del Abanico (ver Figura 1). La topografía de su territorio es variable, con alturas que van desde
2152.27 hasta 916.88, y una temperatura promedio de 25°C (GAD Morona, 2012).
Figura 1. Mapa de ubicación del ACM Quílamo
Esta ACM fue declarada mediante ordenanza municipal el 05 de diciembre del 2016 (GAD Morona, 2016), y es una de las dos únicas áreas municipales protegidas en el cantón. El cerro Quílamo es un hito para la ciudad de Macas, no solo por su valor y riqueza inmaterial (lugar con tradición religiosa, ya que en su cima se encuentra una escultura dedicada a la Virgen Purísima de Macas), sino por ser uno de los principales atractivos turísticos de la urbe, donde se practica el turismo ecológico (Palacios, 2018), principalmente el avistamiento de aves en el mes de agosto. Además, en la parte colindante con el río Jurumbaino, se ha evidenciado que varias especies de animales (mamíferos menores, en especial) descienden al cuerpo de agua para beber, lo que destaca la importancia de la conservación del ACM, y otorga un valor agregado al presente estudio.
Modelo predictivo del cambio de cobertura forestal Pag. 5
En la Figura 2, se resumen los pasos seguidos para la obtención del modelo predictivo de cobertura forestal con el uso de imágenes multiespectrales.
Figura 2. Flujograma de la metodología aplicada
TRATAMIENTO DE IMÁGENES SATELITALES
Las imágenes satelitales multiespectrales libres, como de la constelación Landsat o Sentinel, poseen ciertos errores que deben corregirse antes de ser usados (Hantson et al., 2011). A menudo, presentan ya una corrección geométrica; sin embargo, es necesario una corrección radiométrica y atmosférica para solucionar distorsiones de la energía reflejada de los objetos sobre la superficie y su interacción con la atmósfera terrestre, entre otros errores (Cepeda et al., 2018; Palacios & Cepeda, 2018).
En este estudio, se trabajó con imágenes Landsat 5, Landsat 8 y Sentinel 2A, del año 2011, 2016 y 2020 respectivamente. Las escenas del satélite Landsat 5 fueron consideradas en reemplazo de las imágenes del Landsat 7 para evitar errores debido al bandeado que presenta este satélite en sus datos ráster (Arellano et al., 2020). El tratamiento de las bandas de cada escena fue realizado en el software libre QGIS, con el plugin de Clasificación Semi-automática (SCP, del inglés Semi-Automatic Classification Plugin), y posteriormente se compilaron sus bandas en un layer stack, cuyo resultado final fueron tres ráster corregidos. Vale señalar que la corrección atmosférica ejecutada con SCP es de tipo geométrico (método Chávez o DOS1), el cual elimina el efecto de la dispersión de la radiación electromagnética proveniente de partículas de la atmósfera; para esto, selecciona el número digital (ND) menor de cada banda, asumiendo que el error subyacente es debido a la dispersión atmosférica para calibrar la imagen, y que posteriormente los convierte a radiancia a través de fórmulas con parámetros extraídos del metadato de cada imagen guardado en un archivo MTL y MTD_MSI para Landsat y Sentinel, respectivamente (Chávez, 1988).
CLASIFICACIÓN DE LA IMAGEN Y DEFINICIÓN DE CATEGORÍAS
Se realizó una clasificación supervisada para la determinación de las distintas coberturas del suelo dentro del ACM Quílamo. Con la ayuda de combinaciones de bandas en color real y falso color, e índice de vegetación de diferencia normalizada (NDVI), se pudo tomar muestras de áreas de interés (ROI) para la conformación de cuatro librerías espectrales que representaron el número de coberturas identificadas. La separabilidad espectral mínima que se alcanzó en los ROI tomados fue de mínimo 1.87, lo que garantizó una correcta discriminación entre objetos.
Uno de los métodos más utilizados en clasificaciones orientadas a objetos es Máxima Verosimilitud, debido a su robustez y precisión en la determinación de coberturas en zonas heterogéneas (Hamdy et al., 2017), por lo que fue usado para la clasificación en las tres imágenes multiespectrales.
I. Palacios; K. Arellano Pag. 6
Por motivos de simplificación del modelo, se reclasificó las imágenes resultantes de la clasificación supervisada en dos categorías que son: bosque y no bosque; de esta forma se facilita el manejo de los datos, puesto que estas dos categorías son las predominantes en el área de estudio, además de evitar posibles errores en la calibración y validación del modelo predictivo. Para esto, se trabajó con el software DINAMICA EGO, el cual tiene gran capacidad para elaborar modelos espaciales tanto simples y complejos (como en el caso del cambio de uso del suelo), mediante distintos métodos de predicción espacial (Soares, Coutinho, & Lopes, 2002). Dicho software libre permite trabajar además con varios formatos de ráster, así como el manejo de sus propiedades (Soares, Rodrigues, & Costa, 2009). En este caso, se definieron las características de los tres ráster para que sean homogéneos (número de filas y columnas, profundidad de pixel, nombres de las categorías, tamaño de pixel) mediante “functors” que en contienen los operadores y fórmulas de configurar las propiedades de cada imagen. Este paso es fundamental para no tener errores al momento de la predicción espacial. En la Figura 3, se muestra el modelo construido en la definición de las categorías y propiedades de los ráster.
Figura 3. Reclasificación de categorías en DINAMICA EGO
MODELO MATEMÁTICO DE PREDICCIÓN
El modelo predictivo AC_CM fue ejecutado en el software IDRISI Selva, el cual utiliza la imagen booleana del segundo tiempo analizado (año 2016) como punto de partida para la simulación de los cambios futuros (al 2020); además, ingresa las áreas de transición resultantes del análisis entre los tiempos de calibración del modelo (2011 y 2016) mediante CM, las cuales reflejan la cantidad de cobertura de suelo que se espera cambie de una categoría a otra en la predicción. Otros inputs para AC_CM son: la probabilidad de transición de los pixeles a la clase de interés (bosque y no bosque) la cual es obtenida en el mismo módulo CM, así como el número de iteraciones (4) para el año en que se desea predecir (2020) y finalmente un filtro de contigüidad estándar de 5x5, valor recomendado según Eastman (2012), para el proceso de autómatas celulares, mismas que se encargan de reducir las probabilidades de las celdas más lejanas de las zonas existentes de cada categoría, y viceversa, cuyo resultado final es el ráster con las áreas de mayor probabilidad a ser ocupadas por las categorías de interés, que en este caso sería la cobertura boscosa (imagen al 2025).
Modelo predictivo del cambio de cobertura forestal Pag. 7
La idea de trabajar con tres periodos de tiempo (2011, 2016 y 2020), responde a que las dos primeras imágenes sirven para el entrenamiento del modelo, mientras que la tercera imagen se usa para la validación del mismo, de esta forma se evalúa la precisión de la modelación y asegura que el resultado al periodo deseado (2025), sea confiable estadísticamente. En este estudio, se calculó el valor de ROC (Relative Operating Characteristic) y el coeficiente Kappa, para establecer el ajuste del ráster real (2020), con el ráster del modelo AC_CM (2020) (Eastman, 2012).
Como resultado de la reclasificación de las categorias de suelo, se obtuvieron los ráster de entrada para la fase de calibración y validación, las cuales se observan en la figura a continuación:
Figura 4. Reclasificación de categorías en DINAMICA EGO
Como se puede apreciar en la Figura 4, el cambio multitemporal sufrido en el área de conservación analizada es notorio, sobre todo en el primer rango de tiempo (2011 – 2016), lo que representa una agresiva antropización de la cobertura boscosa del Quílamo. En el año 2011, la cobertura forestal en el ACM representaba el 53.24% de su área total, mientras que en el 2016 fue del 41.83%, y ya para el 2020 el 40.62%; lo que representa una pérdida del bosque de
651.18 hectáreas en 9 años.
Además, para el periodo 2011 – 2016, se presenta una deforestación anual promedio de
117.77 ha/año, mientras que entre 2016 – 2020 es de 15,58 ha/año, y para el periodo 2020 – 2025 se proyectó un valor aproximado de 31.76 ha/año. Estos valores a su vez, se relacionan con tasas de deforestación de – 0.047%, – 0.007% y – 0.016% para los rangos de tiempo 2011- 2016, 2016 – 2020 y 2020 – 2025 respectivamente. Con estas cantidades, se refleja una tendencia negativa en la disminución de la cobertura boscosa en el área de conservación.
El análisis de precisión realizado mediante el estadístico ROC (estadística del área bajo la curva – AUC de ROC) el cual comparar una imagen booleana real frente a una imagen de idoneidad calculada, cuyo resultado es una gráfica que refleja el rendimiento de un modelo de clasificación en distintos umbrales de tolerancia (Eastman, 2012). El AUC bajo la curva ROC proporciona una medición agregada del rendimiento en todos los umbrales de clasificación posibles, donde 1 corresponde al 100% de las predicciones realizadas son correctas, y el valor de 0 significa lo contrario a lo primero (Azmi, Amar, & Norelyaqine, 2020). Otro indicador de ajuste es el coeficiente Kappa, el cual representa la exactitud general del emparejamiento de cada píxel idéntico en los ráster analizados (Aneesha, Shashi, & Deva, 2020); éste último fue computado dentro del plugin MOLUSCE de QGIS. En este caso, se tuvo un valor AUC de 0.898 y un Kappa de 0.765, lo que representa una correcta validación del modelo construido con las imágenes de la fase de entrenamiento (2011 y 2016). Asegurar una buena precisión
I. Palacios; K. Arellano Pag. 8
entre el modelo generado y la imagen real, permite obtener un modelo futuro con la suficiente robustez estadística para que los resultados producidos sean confiables (Palacios, 2020).
El cambio temporal que ha sufrido la cobertura forestal en el ACM Quílamo se presenta en la Figura 5, en la que es evidente la reducción progresiva del bosque en las cuatro fechas analizadas. Por su parte, el producto del modelamiento espacial con autómatas celulares y cadenas de Markov para el año horizonte (2025) se muestra en la Figura 6, donde se denota que las zonas más afectadas se encuentran al costado Este del ACM, junto al área urbana de la ciudad de Macas, al igual que el costado Sur cerca del poblado de Río Blanco; mientras que al Oeste es la zona con mayor superficie de bosque que se mantiene constante en el tiempo.
Figura 5. Mapa comparativo de la reducción multitemporal del bosque en el ACM Quílamo
Figura 6. Modelo predictivo de cobertura boscosa en el ACM Quílamo al 2025
Modelo predictivo del cambio de cobertura forestal Pag. 9
Una de las ventajas de combinar el proceso markoviano y autómatas celulares es que se reduce el nivel de sesgo en la probabilidad de cambio de cobertura, principalmente cuando se trabaja con productos de una clasificación del suelo, como el obtenido mediante Máxima Verosimilitud, en cuyo caso se recomienda asignar un error proporcional de 0.15, ya que el error típico en los mapas de cobertura del suelo están alrededor del 85% de precisión (Eastman, 2012); de esta forma el modelo resultante de AC_CM optimiza la tasa de transición generada con Markov, y el umbral adyacente de búsqueda que selecciona a los píxeles con mejor contigüidad espacial a través de las autómatas celulares.
En cuanto al fraccionamiento del paisaje, este se puede determinar a través del cálculo de estadísticos como el índice de dimensión fractal (para aproximar al valor de asimetría del parche), índice de cohesión del parche y distancia al vecino más cercano, los mismos que fueron calculados mediante el plugin LecoS de QGIS. En la Tabla 1, se resumen los resultados del análisis espacial del paisaje dentro del área de conservación Quílamo:
Tabla 1. Estadísticas de fragmentación del paisaje del ACM Quílamo
Período de tiempo | Variable | Cantidad |
2011 | Índice de dimensión fractal | 1.046 |
Índice de cohesión | 9.901 | |
Distancia vecino cercano (m) | 3946.656 | |
2016 | Índice de dimensión fractal | 1.044 |
Índice de cohesión | 9.885 | |
Distancia vecino cercano (m) | 3823.640 | |
2020 | Índice de dimensión fractal | 1.037 |
Índice de cohesión | 9.895 | |
Distancia vecino cercano (m) | 3742.028 | |
2025 | Índice de dimensión fractal | 1.085 |
Índice de cohesión | 9.879 | |
Distancia vecino cercano (m) | 3776.954 |
De los estadísticos del paisaje, se obtuvo que en el caso del índice de dimensión fractal, existió un descenso progresivo de los parches de bosque desde 2011 a 2020, con valores cercanos a la unidad, lo que representa una forma simple, y para el 2025 se tuvo un ligero incremento del valor de cohesión, pero permanece morfológicamente simple. En cuanto al índice de cohesión, se muestra un aumento gradual a través del periodo de tiempo analizado, incluyendo el año horizonte del estudio, sin embargo, los valores calculados son bajos que indicarían una alta fragmentación del paisaje, y que a su vez corresponden a la realidad que atraviesa el ACM Quílamo. Finalmente, los valores de distancia entre parches vecinos reflejarían una reducción en su distancia, pero con un pequeño incremento entre el periodo 2020
– 2025, lo cual permite inferir que los parches de bosque estarán más aislados. Con esto, se puede decir que el paisaje en el área natural se encuentra fragmentado, y por ende con repercusiones en la biota existente en ella; esta situación concuerda con el estado general proyectado al 2020 en que se halla el suelo en la región amazónica (Castro et al., 2013), por lo que es una situación preocupante y con un panorama poco alentador si se mantienen las condiciones de los últimos 10 años.
I. Palacios; K. Arellano Pag. 10
Desde que el ACM Quílamo fue creada mediante ordenanza en el 2016, al hacer una comparación de las hectáreas perdidas de bosque entre los periodos 2011 – 2016 y 2016 – 2020, se observa una disminución en la superficie de cambio, por lo que podría relacionarse con esta normativa cantonal se pudo reducir el impacto de la deforestación, sin embargo, aún persiste el cambio de cobertura en el área protegida. Esto denota la falta de un instrumento técnico/legal que produzca un mayor control del uso y cobertura del suelo, como por ejemplo el plan de manejo ambiental, con el cual hasta la fecha de estudio no cuenta el ACM Quílamo.
Además, si se considera el PDOT vigente en el cantón (PDOT 2012 – 2020), el área protegida se emplaza dentro de la unidad ambiental con alto valor paisajístico y conservación, con una ponderación de méritos de conservación “alta” (GAD Morona, 2012), lo que refleja desde una mirada de ordenación del territorio, la importancia por conservar este espacio natural del cantón Morona. Sin embargo, al igual que lo indicado en la ordenanza de creación, el PDOT hasta la actualidad no ha coadyuvado en el control de cambio de suelo en el ACM. Una oportunidad para cambiar esta realidad, es a través de los instrumentos de gestión del suelo planteados en la legislación nacional vigente en materia de planificación del territorio, como el Plan de Uso y Gestión del Suelo (PUGS), el cual es vinculante no solo para el sector público, sino también el particular (art. 15 de la Ley Orgánica de Ordenamiento Territorial, Uso y Gestión del Suelo – LOOTUGS) (Asamblea Nacional, 2016), por lo que se brindaría una herramienta legal para efectivizar el control del uso del suelo o sus cambios sufridos, como en el área protegida analizada.
Trabajos como el desarrollado en el ACM Quílamo, se presentan como un insumo técnico para la toma de decisiones, no solo desde la parte legal/política, sino también para ser considerados en planes sectoriales orientados al manejo y uso del suelo, puesto que permiten la generación de escenarios tendenciales para la zonificación y elaboración de propuestas de remediación en estas áreas.
El análisis multitemporal con tres periodos de tiempo (2011, 2016, 2020), permitió realizar la calibración del modelo y una posterior validación con la imagen real del último año (2020) con una precisión de ROC 0.898 y coeficiente Kappa 0.765, que garantizó un modelo predictivo a 2025 estadísticamente confiable.
Al año 2025, el modelo generado mediante la combinación de cadenas de Markov y autómatas celulares, proyectó una superficie de cobertura forestal del 37.54% aproximadamente, por lo que es urgente la intervención de las autoridades competentes para mitigar esta tendencia de pérdida de bosque en el ACM Quílamo.
A través del cálculo de indicadores de fragmentación del paisaje, tales como el índice de cohesión, índice de dimensión fractal y distancia al vecino más cercano, se determinó que el paisaje dentro del área de conservación presenta una alta fragmentación, lo que propende a una degradación de su biodiversidad.
La generación de modelos predictivos de cambio de cobertura del suelo, como el elaborado en este estudio, se presentan como una herramienta fundamental para el apoyo a los tomadores de decisiones y como insumo dentro de los instrumentos de planificación del territorio, enfocados en la contribución al sector de mitigación USCUSS (uso de suelo, cambio de uso de suelo y silvicultura) del cambio climático.
Modelo predictivo del cambio de cobertura forestal Pag. 11
Abad, E., González, M., Vázquez, E., & López, E. (2020). Remote sensing applied in forest management to optimize ecosystem services: advances in research. Forests, 11(9), 969. doi:10.3390/f11090969
Aneesha, B., Shashi, M., & Deva, P. (2020). Future land use land cover scenario simulation using open source gis for the city of Warangal, Telangana, India. Applied Geomatics, 12, 281–290. doi:10.1007/s12518-020-00298-4
Arellano, K., & Castro, B. (2019). Modelamiento del crecimiento urbano en el cantón Ibarra al año 2025 para la planificación del uso y ocupación del suelo. Tesis de grado: Universidad de las Fuerzas Armadas ESPE, Sangolquí.
Arellano, K., Padilla, P., & Molina, I. (2019). Determinación de zonas propensas al virus de la Mancha Blanca en piscinas camaroneras de la isla Puná mediante el cálculo de temperatura superficial con algoritmo Split-Window. Revista Geoespacial, 16(1), 33-42.
doi:10.24133/geoespacial.v16i1.1277
Arellano, K., Padilla, P., Molina, I., Padilla, O., & Toulkeridis, T. (2020). Evaluation of the surface temperature applied in aquaculture based on satellite images in coastal Ecuador. Conference On Information And Communication Technologies of Ecuador. TICEC 2020. 1307, págs. 572-586. Quito. doi:10.1007/978-3-030-62833-8_42
Asamblea Nacional. (2016). Ley Orgánica de Ordenamiento Territorial, Uso y Gestión del Suelo. Quito.
Ávila, I., Ortiz, E., Soto, C., Vargas, Y., Aguilar, H., & Miller, C. (2020). Evaluación de cuatro algoritmos de clasificación de imágenes satelitales LANDSAT-8 y SENTINEL-2 para la identificación de cobertura boscosa en paisajes altamente fragmentados en Costa Rica. Revista de teledetección, 50, 37-49. doi:10.4995/raet.2020.13340
Azmi, R., Amar, H., & Norelyaqine, A. (2020). Generate knowledge base from very high spatial resolution satellite image using robust classification rules and genetic programming. 2020 IEEE International conference of Moroccan Geomatics (Morgeo) (págs. 1-6). Casablanca: IEEE Xplore Barni,
P., Barbosa, R., Manzi, A., & Fearnside, P. (2020). Simulated deforestation versus satellite data in Roraima, Northern Amazonia. Sustainability in Debate, 11(2), 78-94.
Barrantes, G., Chaves, H., & Vinueza, M. (2010). El bosque en el Ecuador. Una visión transformada para el desarrollo y la conservación. COMAFORS.
Castro, M., Sierra, R., Calva, O., Camacho, J., & López, F. (2013). Zonas de procesos homogéneos de deforestación del Ecuador. Factores promotores y tendencias al 2020. Quito: Programa GESOREN-GIZ y Ministerio de Ambiente del Ecuador.
Cepeda, M., Palacios, I., Tierra, A., & Kirby, E. (2018). Multiresolution analysis in the visible spectrum of LANDSAT-TM images through Wavelet Transform. Geographia Technica, 13(1), 20-29. doi:10.21163/GT_2018.131.03
Chávez, J. (1988). An improved dark-object subtraction technique for atmospheric scattering correction of multispectral data. Remote Sensing of Environment, 24, 459-479.
Duarte, G., Santos, P., Cornelissen, T., Ribeiro, M., & Paglia, A. (2018). The effects of landscape patterns on ecosystem services: meta-analyses of landscape services. Landscape Ecology, 33, 1247–1257. doi:10.1007/s10980-018-0673-5
Eastman, J. (2012). IDRISI Selva tutorial. Obtenido de http://uhulag.mendelu.cz/files/pagesdata/eng/gis/idrisi_selva_tutorial.pdf
Eastman, J., & Toledano, J. (2018). A short presentation of the land change modeler (lcm). En M. Camacho, P. M., J. Mas, & F. Escobar, Geomatic Approaches for Modeling Land Change Scenarios. Lecture Notes in Geoinformation and Cartography (págs. 499-505). Cham: Springer. doi:10.1007/978-3-319-60801-3_36
El Mercurio. (23 de Agosto de 2018). Morona Santiago con altos índices de deforestación. Recuperado el 28 de 02 de 2021, de https://ww2.elmercurio.com.ec/2018/08/23/morona-santiago-con-altos- indices-de- deforestacion/#:~:text=El%20funcionario%20revel%C3%B3%20que%20Morona,la
%20utilizaci%C3%B3n%20de%20las%20maderas
I. Palacios; K. Arellano Pag. 12
Elbers, J. (2011). Las áreas protegidas de América Latina: situación actual y perspectivas para el futuro.
Quito: UICN.
GAD Morona. (2012). Plan cantonal de desarrollo y ordenamiento territorial del cantón Morona 2012- 2020. Macas.
GAD Morona. (2016). Ordenanza que regula el uso y gestión del suelo en el cerro “Quílamo”, del cantón Morona. Macas.
Ghosh, P., Mukhopadhyay, A., Chanda, A., Mondal, P., Akhand, A., Mukherjee, S., . . . Hazra, S. (2017). Application of cellular automata and markov-chain model in geospatial environmental modeling- a review. Remote Sensing Applications: Society and Environment, 5, 64-77. doi:10.1016/j.rsase.2017.01.005
Guo, Q., Fu, B., Shi, P., Cudahy, T., Zhang, J., & Xu, H. (2017). Satellite monitoring the spatial- temporal dynamics of desertification in response to climate change and human activities across the ordos plateau, China. Remote Sensing, 9(6), 525. doi:10.3390/rs9060525
Hamdy, O., Zhao, S., Salheen, M., & Eid, Y. (2017). Analyses the driving forces for urban growth by using IDRISI selva models abouelreesh - aswan as a case study. International Journal of Engineering and Technology, 9(3), 226-232. doi:10.7763/IJET.2017.V9.975
Han, Y., Kang, W., Thorne, J., & Song, Y. (2019). Modeling the effects of landscape patterns of current forests on the habitat quality of historical remnants in a highly urbanized area. Urban Forestry & Urban Greening, 41, 354-363. doi:10.1016/j.ufug.2019.04.015
Hantson, S., Chuvieco, E., Pons, X., Domingo, C. C., Moré, G., Cristobal, J., . . . Tejeiro, J. (2011). Cadena de pre-procesamiento estándar para las imágenes Landsat del plan nacional de teledetección. Revista de Teledetección, 36, 51-61.
Hao, R., Yu, D., Liu, Y., Liu, Y., Qiao, J., Wang, X., & Du, J. (2017). Impacts of changes in climate and landscape pattern on ecosystem services. Science of The Total Environment, 579(1), 718-728. doi:10.1016/j.scitotenv.2016.11.036
Lechner, A., Foody, G., & Boyd, D. (2020). Applications in remote sensing to forest ecology and management. One Earth, 2(5), 405-412. doi:10.1016/j.oneear.2020.05.001
MAE. (2017). Deforestación del Ecuador continental, periodo 2014-2016. Quito.
MAG. (2017). Sistematización del taller de diagnóstico rural participativo del sector ganadero en las zonas de implementación del proyecto mgci en la provincia de Morona Santiago. Macas.
Mas, J., Kolb, M., & Paegelow, M. (2014). Inductive pattern-based land use/cover change models: a comparison of four software packages. Environmental Modelling & Software, 51, 94-111. doi:10.1016/j.envsoft.2013.09.010
Mas, J., Puig, H., Palacio, J., & Sosa, A. (2004). Modelling deforestation using GIS and artificial neural networks. Environmental Modelling & Software, 19(5), 461-471. doi:10.1016/S1364- 8152(03)00161-0
Merecí, J., & Suqui, A. (2014). Efecto de la deforestación sobre las propiedades físico-químicas de los suelos de la microcuenca del río Zhurucay. Tesis de grado: Universidad de Cuenca, Cuenca.
Mitsova, D., Shuster, W., & Wang, X. (2011). A cellular automata model of land cover change to integrate urban growth with open space conservation. Landscape and Urban Planning, 99(2), 141-153. doi:10.1016/j.landurbplan.2010.10.001
MohanRajan, S., Loganathan, A., & Manoharan, P. (2020). Survey on land use/land cover (LU/LC) change analysis in remote sensing and GIS environment: techniques and challenges. Environmental Science and Pollution Research volume, 27, 29900–29926. doi:10.1007/s11356- 020-09091-7
Palacios, I. (2018). Evaluación multicriterio para la ubicación de un relleno sanitario en la ciudad de Macas, a través de la ponderación de sus variables con el Proceso Analítico Jerárquico, AHP. Revista de Ciencias de Seguridad y Defensa, 3(3), 83-94.
Palacios, I. (2019). Generación de un modelo de predicción de la variable ondulación geoidal, para la zona rural del cantón Guayaquil, mediante el uso del método Cokriging. Tesis de grado: Universidad de las Fuerzas Armadas ESPE, Sangolquí.
Modelo predictivo del cambio de cobertura forestal Pag. 13
Palacios, I. (2020). Generación de un modelo de crecimiento tendencial urbano de la ciudad de Macas (Ecuador) al año 2030, mediante técnicas de modelación espacial multivariable. Tesis de maestría: Universitat de Barcelona, Barcelona.
Palacios, I. (2020). Susceptibilidad a deslizamientos en la vía Alóag – Santo Domingo, mediante Lógica Difusa. Revista Geoespacial, 17(2), 1-12. doi:10.24133/geoespacial.v17i2.1571
Palacios, I., & Cepeda, M. (2018). Elimination of white noise from time series through the Wavelet Transform. Modern Environmental Science and Engineering, 4(7), 681-685.
Palacios, I., & Rodríguez, F. (2021). Economic valuation of environmental goods and services of the Protector Forest Kutukú – Shaimi, SE Ecuador. International Journal of Energy, Environment, and Economics, 27(2), 117-132.
Palacios, I., & Toulkeridis, T. (2020). Evaluation of the susceptibility to landslides through diffuse logic and Analytical Hierarchy Process (AHP) between Macas and Riobamba in central Ecuador. 2020 Seventh International Conference on eDemocracy & eGovernment (ICEDEG), págs. 201-207. Buenos Aires. doi:10.1109/ICEDEG48599.2020.9096879
Palacios, I., Castro, S., & Rodríguez, F. (2019). Almacenamiento de carbono como servicio ambiental en tres reservas naturales del Ecuador. Revista Geoespacial, 16(1), 1-14. doi:10.24133/geoespacial.v16i1.1275
Palacios, I., Ushiña, D., & Carrera, D. (2018). Identificación de cangahuas para su recuperación mediante estudio multicriterio y constatación in situ en comunas del volcán Ilaló. Congreso de Ciencia y Tecnología ESPE, 13 (1), págs. 9-12. Sangolquí. doi:10.24133/cctespe.v13i1.649
Palacios, I., Ushiña, D., & Carrera, D. (2020). Técnicas SIG para recuperación de suelos cangahuosos, con fines de agricultura comunitaria en el Ilaló. Ciencia del Suelo, 38(2), 295-309.
Silva, A., Fonseca, L., Körting, T., & Escada, M. (2020). A spatio-temporal bayesian network approach for deforestation prediction in an Amazon rainforest expansion frontier. Spatial Statistics, 35, 100393. doi:10.1016/j.spasta.2019.100393
Soares, B., Coutinho, G., & Lopes, C. (2002). Dinamica - a stochastic cellular automata model designed to simulate the landscape dynamics in an amazonian colonication frontier. Ecological Modelling, 154(3), 217-235.
Soares, B., Rodrigues, H., & Costa, W. (2009). Modeling environmental dynamics with dinamica ego.
Obtenido de https://csr.ufmg.br/dinamica/
Syrbe, R., & Walz, U. (2012). Spatial indicators for the assessment of ecosystem services: providing, benefiting and connecting areas and landscape metrics. Ecological Indicators, 21, 80-88. doi:10.1016/j.ecolind.2012.02.013
Revista GEOESPACIAL (Enero-Junio 2021) 18(1): 14-35
ISSN: 2600-5921
CRITICAL AREAS OF CONSERVATION USING DIFFUSE LOGIC
1 Consultora privada, José Abascal N-4021 y Gaspar de Villarroel, sofi210493@gmail.com
2Universidad de las Fuerzas Armadas, Gral. Rumiñahui s/n y Ambato, Sangolquí Ecuador, ffrodriguez3@espe.edu.ec.
* Autor de correspondencia: Universidad de las Fuerzas Armadas, ffrodriguez3@espe.edu.ec
Recibido: 25 de febrero 2021 / Aceptado: 01 de junio 2021
Ante la exigente demanda de los servicios que provienen de los recursos naturales, debido al aumento poblacional, el crecimiento económico y la necesidad de mejorar la calidad de vida, ha causado el deterioro de los servicios ambientales. El cuidado de los mismos representa un trabajo demandante en tiempo y dinero, por lo que existen herramientas como la valoración económica cuyo objetivo es asignar valores cuantitativos a los bienes y servicios ecosistémicos y así apoyar de alguna manera a la conservación de los ecosistemas con el fin de lograr el manejo eficiente de los recursos. En el presente estudio se realizó un modelo con la metodología de lógica difusa, que permitió proponer zonas de conservación y cuidado del recurso hídrico. Se determinó que existen 6100 Ha con alta probabilidad de ser conservadas. Finalmente, la ciudad de Tulcán debería revisar sus políticas de tarifas de agua para mejorar el manejo del recurso de forma eficiente y promover la conservación del páramo donde sus fuentes de agua se localizan.
Population growth is the driving force of a raise on natural resources demand, economic growth and life quality increase. Yet, it is also the main cause of environmental services damage and worsening. Conservation of environmental services is a demanding work in time and money especially with those which do not have a price or market value. The present study concentrates in, throughout a Fuzzy logic model, establishing critical areas of paramo conservation for water conservation. This study was carried out in the City of Tulcan, Carchi province. An area of 6,100 ha of Andean highlands (paramo) should be protected or declare for some kind of conservation to guarantee water provision. Finally, the city of Tulcan should review its policy for water fees in improve water management efficiency and conservation of water sources.
La demanda de los servicios ambientales que provienen de los ecosistemas está en aumento, debido principalmente al crecimiento exponencial de la población mundial, el desarrollo económico y la necesidad de mejorar la calidad de vida (Klimaszyk and Goldyn, 2020; McGrane, 2016; Khatri and Tyagi, 2015). Esta mayor demanda ha causado el deterioro y la sobreexplotación de los ecosistemas, especialmente a los ecosistemas frágiles como los páramos (Quispe-Coica, et al., 2020; Biswas and Tortajada, 2019; Custodio y Chávez, 2019; Ruiz, et al., 2017). Los páramos por su alta sensibilidad ante cualquier alteración o daño ambiental, son difícilmente recuperables, y necesitan especial atención dada la presión social sobre el ambiente y el impacto de las actividades antrópicas. En los páramos las condiciones ambientales extremas con temperaturas que pueden bajar menos de 0° y una alta variabilidad durante el día. Condiciones a las cuales se han adaptado un número pequeño de especies por lo tienen una baja tolerancia a cambios (Capriles et al., 2016; Celleri and Feyen, 2009; Squeo et al., 1991). Estas condiciones hacen que sean extremadamente vulnerables a los efectos antrópicos y necesitan especial cuidado dada la presión social sobre el ambiente y el impacto de las actividades humanas que hacen incrementar su fragilidad (Boelens, 2008; Rivera & Vargas, 1991).
Los páramos son fundamentales para la regulación de la hidrología regional y constituyen la fuente de agua potable para consumo humano, desempeñando de esta manera una función hidrológica, como fábricas de agua y esponjas de almacenamiento. Los páramos tienen un importante valor científico y ecológico por su flora, avifauna endémica y su paisaje único, es decir tiene una función ecológica, también cumplen un importante rol en la producción agrícola, pecuaria y forestal, lo cual representa una función económica (Camacho, 2013). Su principal, aunque no única función relacionada con las sociedades humanas es la capacidad de sus suelos, desde captar, almacenar y distribuir agua a las tierras bajas, donde es consumida y usada por millones de personas, para riego, agua potable, generación hidroeléctrica, etc. (Viviroli, et al., 2007).
La importancia hidrológica de los páramos radica en el potencial de captación, almacenamiento y regulación hídrica por lo cual han sido considerados ecosistemas estratégicos (McGrane, 2016; Guhl, 1982). El páramo es el mayor proveedor de agua de los Andes de Venezuela, Colombia y Ecuador y de partes extensas de las zonas interandinas, de las costas del Caribe y el Pacífico de Costa Rica y Panamá, hasta el desierto del norte de Perú (Rodríguez- Espinosa et al., 2018; Rodríguez et al., 2009b). No es exagerado señalar que prácticamente todos los sistemas fluviales de los países andinos septentrionales nacen en el páramo y que los sistemas de riego, agua potable e hidroelectricidad dependen, en gran medida de este ecosistema (Malagón Castro, 2003; Malagón y Pulido, 2000; Malagón et al., 1991).
El más conocido y estudiado servicio de aprovisionamiento del páramo es la provisión de agua dulce, pues provee de hasta 80% del agua dulce de las grandes ciudades como Quito y Bogotá (Rodríguez-Espinosa et al., 2018; Buytaert et al, 2006; Rodríguez et al., 2009a). En el Ecuador se desarrolló la creación de una mancomunidad para la protección del páramo, 11 provincias forman parte de esta iniciativa y la provincia que lidera el proyecto es Cotopaxi. El objetivo principal es el cuidado de estos ecosistemas, tener una distribución equitativa del agua y evitar el avance de la frontera agrícola (Moreta, et al., 2018). Otros servicios ambientales también tienen vital importancia y reconocimiento para la conservación de ecosistemas críticos como el almacenamiento de carbono tanto en la capa vegetal como en el suelo son de vital importancia para capturar el CO2 proveniente de la combustión de hidrocarburos (León et al., 2017). La paja es usada en la construcción tradicional pero también en algunas construcciones, el uso de leña y madera (construcción, herramientas, cercas) de los bosques dentro del páramo también es frecuente (Vega & Martínez, 2000). El objetivo del estudio es proponer zonas
prioritarias de cuidado del recurso hídrico mediante el uso de herramientas geo-informáticas con la metodología de Lógica Difusa.
ÁREA DE ESTUDIO
El área de influencia del proyecto se encuentra localizada en las parroquias Tufiño y en la cabecera cantonal de Tulcán (la población a servir), en la provincia de Carchi. El cantón Tulcán se encuentra ubicado al Norte de la provincia del Carchi, su cabecera cantonal es la ciudad de Tulcán, la misma donde se agrupan gran parte de su población. El cantón limita al Norte con Colombia, Departamento de Nariño, al Sur con los cantones Huaca, Montufar, Espejo y Mira, al Este con Colombia y la provincia de Sucumbíos y al Oeste con Colombia y la provincia de Esmeraldas (Gobierno Autónomo Descentralizado de Tulcán, 2015).
Según el Gobierno Provincial del Carchi (Prefectura), la ciudad de Tulcán posee el 47% de su población. Por ello Tulcán, con una población según el censo del INEC 2010 de 60.403 habitantes que representa el 69% de la población de todo el territorio del cantón Tulcán, se divide en dos parroquias urbana: Gonzáles Suárez y Tulcán, teniendo una extensión total de 1670,03 Km2, con una altura de 2.957 m.s.n.m. (Figura 1).
Figura 1. Localización del área de estudio
EVALUACIÓN MULTICRITERIO
El objetivo general de la evaluación multicriterio es auxiliar al decisor a escoger la mejor alternativa entre un conjunto de alternativas en base a un conjunto de criterios (factores y restricciones) en competencia y conflicto, estos pueden ser económicos, ambientales, sociales, institucionales, técnicos, entre otros (Pietersen, 2006).
De acuerdo con Tkach y Simonovic (1997), las técnicas multicriterio se caracterizan por una gran diversidad metodológica y pueden agruparse en tres principales grupos de técnicas: a) de ordenamiento o jerarquías; b) de utilidad multiatributo o multicriterio, y c) técnicas de programación matemática. Las primeras requieren de comparaciones pareadas o globales entre alternativas, y no son prácticas cuando el número de alternativas es grande; las segundas se basan en modelos multiplicativos simples o aditivos para agregar o agrupar criterios simples; las terceras se utilizan en un contexto continuo para identificar soluciones muy cercanas a la solución ideal introduciendo la medida de la distancia en unidades métricas (Bocco et al, 2002). La premisa básica de la lógica difusa, como una de las técnicas multicriterío, es que existen imprecisiones en los atributos y en la geometría de los datos especiales. La definición de las clases en una clasificación en los procesos de establecer jerarquías y la imprecisión al asignar fenómenos a las clases pueden afectar la toma de decisiones. La lógica difusa se enfoca
en modelar las imprecisiones de los límites de clases (ESRI, 2016).
La teoría matemática de la lógica difusa fue propuesta por Zadeh en 1965, y se basa en la existencia de diferentes grados de pertenencia entre lo falso y lo verdadero (deseado, no deseado; apto, no apto); es decir, valores como “moderado”, “bajo”, “alto”, entre otros (variables lingüísticas), en lugar de expresarse como “si” o “no” similar al concepto del álgebra booleana. Mediante la lógica difusa, un problema se puede representar en términos de conjuntos difusos, los cuales pueden derivarse de procedimientos cuantitativos o cualitativos (Prakash, 2003).
Para modelar o representar las variables se hará uso de las funciones sinusoidales y cosinusoidales ya que estas se ajustan a las representaciones que tiene la lógica difusa, en donde al ángulo a ser analizado será la variable a ser representado, por lo que la probabilidad de que suceda un evento se puede definir como:
Donde:
𝑃𝑃 = 𝑓𝑓�𝑠𝑠𝑠𝑠𝑠𝑠(𝛼𝛼)� (1)
P = probabilidad de ocurrencia de un evento o fenómeno
α= variable en función del evento o fenómeno Mínima P = 0 o 0%
Máxima P= 1 o 100%
En Padilla (2006) se determina que existen 3 casos. En el Caso 1 se contempla a la curva del seno cuadrado, que se encuentra en un rango de 0 a π radianes. Los eventos al cual corresponderían este caso, serían aquellos que la probabilidad de presencia va desde 0 y crece hasta un punto máximo, posteriormente esta probabilidad vuelve a decrecer.
𝑃𝑃 = �𝑠𝑠𝑠𝑠𝑠𝑠2(𝛼𝛼)� (2)
Rango = [0 < α < π]
Los puntos de interés del caso 1, de acuerdo con Padilla (2006) permiten el análisis del área bajo la curva. Los puntos de inflexión se calculan con la segunda derivada de la función (Figura 2). A raíz de esto se determinan los puntos necesarios para ser analizados, los cuales se presentan en la figura 2b.
Figura 2. Casos de la lógica difusa; (a) y (b) para Caso 1; (c) y (d) para Caso 2, (e) y (f) para el Caso 3.
Fuente: (Padilla, 2006)
Donde, P1 (A; 0) en la figura 2b: este es el valor mínimo que obtendrá la variable a ser modelada; P2 (B; π/4): punto de inflexión donde empieza el área en la que se encuentra ubicado el mayor número de datos. P3 (C; 3π/4): punto de inflexión donde termina el área en la que se encuentra ubicado el mayor número de datos. P4 (D; π): punto en el que la variable a modelar tendrá el valor mínimo. P5 (E; π/2): punto en el que la variable toma su valor máximo, donde E = (B+C) /2 (figura 2b).
Sección P1P2 (figura 2b) es la sección al inicio de la función en la que existe menor cantidad de datos. Se utilizará la ecuación de la curva donde x representa los valores de la variable en estudio que será llamada V, y son los valores de la función seno cuadrado para la sección α.
P1 (A; 0) y P2 (B; 𝜋𝜋)
4
𝑦𝑦 − 𝑦𝑦1 = 𝑦𝑦2− 𝑦𝑦1 (𝑥𝑥 − 𝑥𝑥 ) (3)
𝑥𝑥2− 𝑥𝑥1 1
Remplazando los puntos se tiene:
𝜋𝜋
𝛼𝛼 − 0 = 4 − 0 (𝑉𝑉 − 𝐴𝐴) (4)
𝐵𝐵 − 𝐴𝐴
𝛼𝛼 =
𝑉𝑉 − 𝐴𝐴
𝐵𝐵 − 𝐴𝐴
𝜋𝜋
∗
4
Sección P2P5 (figura 2b) es la sección al inicio de la función en la que existe mayor
cantidad de datos. Se utilizará la ecuación de la curva donde x representa los valores de la variable en estudio que será llamada V, y son los valores de la función seno cuadrado para la sección α.
P2 (B; π/4) y P5 (E; π/2)
𝑦𝑦 − 𝑦𝑦1 =
Remplazando los puntos se tiene:
𝑦𝑦2 − 𝑦𝑦1
𝑥𝑥2 − 𝑥𝑥1
(𝑥𝑥 − 𝑥𝑥1)
𝜋𝜋
𝜋𝜋
𝛼𝛼 −
𝜋𝜋
=
4
2 − 4
𝐵𝐵 + 𝐶𝐶 − 𝐵𝐵
2
(𝑉𝑉 − 𝐵𝐵)
𝜋𝜋
𝛼𝛼 = 𝜋𝜋 + 2(𝑉𝑉−𝐵𝐵)
(5)
4 𝐶𝐶−𝐵𝐵
Sección P5P3 (figura 2b) es la sección al final de la función en la que existe mayor cantidad de datos. Se utiliza la ecuación de la curva donde x representa los valores de la variable en estudio que será llamada V, y son los valores de la función seno cuadrado para la sección α.
P5 (E; 𝜋𝜋) y P3 (C; 3𝜋𝜋)
4
𝑦𝑦 − 𝑦𝑦1 = 𝑦𝑦2− 𝑦𝑦1 (𝑥𝑥 − 𝑥𝑥
) (6)
2 4
Remplazando los puntos se tiene:
𝑥𝑥2− 𝑥𝑥1 1
3𝜋𝜋
𝜋𝜋
𝛼𝛼 −
𝜋𝜋
2
= 4 − 2
𝐶𝐶 − 𝐵𝐵 + 𝐶𝐶 − 𝐵𝐵
2
(𝑉𝑉 −
𝐵𝐵 + 𝐶𝐶
)
2
𝜋𝜋
𝛼𝛼 = 𝜋𝜋 + 4(2𝑉𝑉−𝐵𝐵+𝐶𝐶)
(7)
2 𝐶𝐶−𝐵𝐵
Sección P3P4 (figura 2b) es la sección al final de la función en la que existe menor cantidad de datos. Se utiliza la ecuación de la curva donde x representa los valores de la variable en estudio que será llamada V, y son los valores de la función seno cuadrado para la sección α.
P3 (C; 3𝜋𝜋) y P4 (D; π)
4
𝑦𝑦 − 𝑦𝑦1 = 𝑦𝑦2− 𝑦𝑦1 (𝑥𝑥 − 𝑥𝑥
) (8)
𝑥𝑥2− 𝑥𝑥1 1
Remplazando los puntos se tiene
𝛼𝛼 −
3𝜋𝜋
=
4
𝜋𝜋 − 3𝜋𝜋
4
𝐷𝐷 − 𝐶𝐶
𝜋𝜋
(𝑉𝑉 − 𝐶𝐶)
𝛼𝛼 = 3𝜋𝜋 + 4(𝑉𝑉−𝐶𝐶)
(9)
4 𝐷𝐷−𝐶𝐶
Caso 2. Este caso contempla a la parte de la curva seno cuadrado, que se encuentra en un
rango de 0 a π/2 radianes (figura 2c). Los eventos al cual corresponderían este caso, serían aquellos que la probabilidad de presencia crece desde 0 hasta un punto máximo, a medida que se alejen de determinada condición habrá más probabilidad de ocurrencia.
𝑃𝑃 = 𝑓𝑓(𝑠𝑠𝑠𝑠𝑠𝑠2(𝛼𝛼))
Rango = [0 < α < π/2]
En este caso existen 3 puntos de inflexión de la curva los mismos que serán tomados del caso 1 (figura 2d), P1(A,0); P2 (B; π/4); P3 (C; π/2).
Sección P1P2 (figura 2d) es la sección en la que existe menor cantidad de datos. Se utiliza la ecuación de la curva donde x representa los valores de la variable en estudio que será llamada V, y son los valores de la función seno cuadrado para la sección α.
P1(A, 0) y P2 (B; π/4)
𝑦𝑦 − 𝑦𝑦1 =
𝑦𝑦2 − 𝑦𝑦1
𝑥𝑥2 − 𝑥𝑥1
(𝑥𝑥 − 𝑥𝑥1)
Remplazado los puntos se tiene
𝜋𝜋
𝛼𝛼 − 0 = 4 − 0 (𝑉𝑉 − 𝐴𝐴)
𝐵𝐵 − 𝐴𝐴
𝛼𝛼 = 𝜋𝜋 ∗ 𝑉𝑉−𝐴𝐴
(10)
4 𝐵𝐵−𝐴𝐴
Sección P2P (figura 2d) es la sección en la que existe mayor cantidad de datos. Se utiliza la
ecuación de la curva donde x representa los valores de la variable en estudio que será llamada V,
y son los valores de la función seno cuadrado para la sección α.
P2 (B; 𝜋𝜋) y P3 (C; 𝜋𝜋)
4 2
𝑦𝑦 − 𝑦𝑦1 =
𝑦𝑦2 − 𝑦𝑦1
𝑥𝑥2 − 𝑥𝑥1
(𝑥𝑥 − 𝑥𝑥1)
Remplazando los puntos se tiene
𝜋𝜋
𝜋𝜋
𝛼𝛼 −
𝜋𝜋
4
= 2 − 4
𝐶𝐶 − 𝐵𝐵
𝜋𝜋
(𝑉𝑉 − 𝐵𝐵)
𝛼𝛼 = 𝜋𝜋 + 4(𝑉𝑉−𝐵𝐵)
(11)
4 𝐶𝐶−𝐵𝐵
Caso 3. Es la curva de la función seno cuadrado que comprende el rango de π/2 a π. Se
puede entender por su curva que a medida que se las variables que se alejen de una condición
específica, su probabilidad de ocurrencia disminuye (figura 2e). Existen 3 puntos de inflexión de la curva los mismos que serán tomados del caso 1 (figura 2f), estos puntos con coordenadas: P1 (A; π/2); P2 (B; 3π/4), P3 (C, 0).
Sección P1P2 (figura 2f) es la sección en la que existe mayor cantidad de datos. Se utiliza la ecuación de la curva donde x representa los valores de la variable en estudio que será llamada V, y son los valores de la función seno cuadrado para la sección α.
P1 (A; 𝜋𝜋) y P2 (B; 3𝜋𝜋).
2 4
𝑦𝑦 − 𝑦𝑦1 =
𝑦𝑦2 − 𝑦𝑦1
𝑥𝑥2 − 𝑥𝑥1
(𝑥𝑥 − 𝑥𝑥1)
Remplazando los puntos se tiene
3𝜋𝜋
𝜋𝜋
𝛼𝛼 −
𝜋𝜋
2
= 4 − 2
𝐵𝐵 − 𝐴𝐴
𝜋𝜋
(𝑉𝑉 − 𝐴𝐴)
𝛼𝛼 = 𝜋𝜋 + 4(𝑉𝑉−𝐴𝐴)
(12)
2 𝐵𝐵−𝐴𝐴
Sección P2P3 (figura 2f) es la sección en la que existe menor cantidad de datos. Se utiliza
la ecuación de la curva donde x representa los valores de la variable en estudio que será llamada
V, y son los valores de la función seno cuadrado para la sección α.
P2 (B; 3𝜋𝜋) y P3 (C, 0).
4
𝑦𝑦 − 𝑦𝑦1 =
Remplazando los puntos se tiene
𝑦𝑦2 − 𝑦𝑦1
𝑥𝑥2 − 𝑥𝑥1
(𝑥𝑥 − 𝑥𝑥1)
𝛼𝛼 −
3𝜋𝜋
=
4
𝜋𝜋 − 3𝜋𝜋
4
𝐶𝐶. 𝐵𝐵
𝜋𝜋
(𝑉𝑉 − 𝐵𝐵)
𝛼𝛼 = 3𝜋𝜋 + 4(𝑉𝑉−𝐵𝐵)
(13)
4 𝐶𝐶−𝐵𝐵
Para determinar las zonas prioritarias de conservación en las afluentes abastecedoras de
agua para la ciudad de Tulcán, primero se obtuvo los archivos cartográficos bases para su análisis y aplicación en un software de Sistemas de Información Geográfica que en este caso fue ArcGis 10.8. Para lo cual se requirió información cartográfica al área de técnicos de la empresa municipal de agua potable y alcantarillado en la ciudad de Tulcán, se obtuvo información en archivos shapefile de insumos bases como: Puntos de captación de agua, cuencas y microcuencas hidrográficas, curvas de nivel y áreas protegidas. Además, se obtuvo información temática del Ministerio de Agricultura y Ganadería del Ecuador (MAGAP) en archivos shapefile: Sistemas productivos y Geopedológico (Figura 3).
Adicionalmente se utilizó las curvas de nivel a escala 1:50.000 utilizando la altura en metros, se ubicó los cuerpos de agua también a escala 1:50.000, de igual forma se utilizó el Orden de Suelo a partir de la información geopedológica del MAGAP a escala 1: 25.000 del año 2013, y finalmente el uso de suelo a partir de la información de los sistemas productivos del MAGAP a escala 1:25.000 también del año 2013. La variable páramos fue obtenida de la Cobertura Vegetal obtenida del MAGAP del año 2013 en escala 1:25.000 (Figura 4).
Figura 3. Variables utilizadas en la Lógica Difusa de la demarcación del área de estudio; (a) puntos de captación de agua; (b) áreas pobladas; (c) vías del cantón Tulcán, y (d) ríos de la parroquia Tufiño.
Figura 4. Variables en la Lógica Difusa de la caracterización del área de estudio; (e) curvas de nivel; (f) cuerpos de agua; (g) tipos de suelo, y (h) usos de suelos.
La altura es un factor que determina la existencia de los ecosistemas, el páramo en el país se ubica entre las cotas de los 3200 a 4700m en el país (Camacho, 2013). Para realizar la zonificación se tomará en cuenta la altura desde los 3200m. Mientras más cerca se encuentre una zona a la altura establecida tendrá mayor probabilidad de ser conservada, se aplica el caso 3 de lógica difusa.
Los puntos de captación representan el lugar inicial del sistema de abastecimiento de agua potable, para su posterior tratamiento y suministro del recurso a la población (Basan Nickisch, et al., 2018). Los puntos donde se capta el agua tienen una gran importancia, mientras más cerca se encuentre de la zona tendrá mayor probabilidad de ser conservada, se aplica el caso 3 de lógica difusa
Sistema Hídrico. El agua es un recurso crucial para la humanidad y para el resto de los seres vivos. Los ríos y lagos, aguas costeras, marítimas y subterráneas, constituyen recursos valiosos que es preciso proteger (Campoblanco & Gomero, 2000). Para la zonificación se tomó en cuenta los ríos ubicados en la parroquia de Tufiño. Mientras más cerca esté una zona de las fuentes de agua tendrá mayor probabilidad a ser conservada, se aplica el caso 3 de lógica difusa Zonas pobladas. El impacto que tienen las actividades humanas en su desarrollo, constituye la fuente de presiones en el medio ambiente y tiene como consecuencia un desequilibrio en los ecosistemas (CSIC, 2006). Para la zonificación se tomó en cuenta la ciudad de Tulcán, Tufiño y Chiles. Mientras más lejos se encuentre una zona de esta variable tiene
mayor posibilidad a ser conservada, se aplica el caso 2 de lógica difusa.
Cuerpos de Agua. Los lagos y lagunas permiten mantener y aumentar la biodiversidad del ecosistema (Conaf, 2013). Mientras más cerca esté la zona de esta variable, tiene mayor probabilidad para ser conservada. Se aplica el caso 3 de lógica difusa.
Sistema Vial. Los proyectos viales constituyen un elemento importante en el desarrollo de las regiones, pues ayudan al beneficio social y económico, a su vez mejoran la calidad de vida de los habitantes. Sin embargo, la apertura de carreteras, al igual que todas las obras de infraestructura y actividades antropogénicas, causa efectos negativos sobre el ambiente (Arroyabe M et al, 2006). Mientras más lejos estén las vías se podrá mantener una zona en estado de conservación, se aplica el caso 2 de lógica difusa.
Concesiones de agua. Existe un orden de prioridad para las concesiones de agua, lo que quiere decir que algunos usos tienen prioridad sobre otros usos, el uso doméstico tendrá siempre prioridad sobre los demás, los usos colectivos sobre los individuales y los de los habitantes de una región sobre los de fuera de ella (Corrales, 2015). Para el estudio se tomaron en cuenta las autorizaciones de agua para consumo humano. La cercanía a esta variable tendrá la posibilidad de mantener una zona en estado de conservación, se aplica el caso 3 de lógica difusa.
Los páramos tienen características que los hacen vitales, Mientras más cerca este la zona a ser conservada de este ecosistema frágil, tiene mayor probabilidad de ser conservada, se aplica el caso 3 de lógica difusa.
Las variables utilizadas fueron rasterizadas, para esto se aplicó la herramienta de Euclidean Distance del Spatial Analyst. Se consideró la escala de las capas 1:50.000 y se estableció el tamaño de celda de 16 metros, que es el mínimo elemento que se puede visualizar. Con el fin de reducir los cálculos matemáticos de la lógica difusa, Padilla (2006) propone que para el análisis las variables estén en un rango de [0,1], por lo que fueron normalizadas a través de la herramienta Raster Calculator del Spatial Analyst y se aplicó la siguiente fórmula:
𝑁𝑁 = 𝑉𝑉𝑂𝑂−𝑣𝑣𝑣𝑣
𝑉𝑉𝑀𝑀−𝑣𝑣𝑣𝑣
(14)
Donde:
Vo. Es el raster original
vm. Es el valor mínimo del raster Vm. Es el valor máximo del raster
Una vez realizada la normalización, se transformó en radianes, considerando que en el caso 2 y el caso 3 el rango de las funciones va de 0 a π/2, para esta operación se utilizó la siguiente fórmula:
𝑅𝑅 = 𝑁𝑁 ∗ 1.5707963268 (15)
Donde R representa los radianes y N es el raster normalizado.
Finalmente se procedió a aplicar las probabilidades a cada raster según los casos estudiados. Si la variable corresponde al caso 2 se aplicó:
𝑃𝑃 = 𝑠𝑠𝑠𝑠𝑠𝑠(𝑅𝑅) (16)
Si la variable corresponde al caso 3 se aplicó:
𝑃𝑃 = 𝑐𝑐𝑐𝑐𝑠𝑠(𝑅𝑅) (17)
Con el fin de realizar el análisis estadístico se tomó puntos de comprobación en campo de
forma aleatoria, los puntos en la zona de prioridad crítica de conservación se dio el valor de 1. Y los puntos que se tomó en la zona de prioridad baja se dio el valor de 0.
Para los cálculos estadísticos de aplicó:
𝑉𝑉 = [𝑉𝑉𝑉𝑉𝑠𝑠𝑉𝑉 − 𝑉𝑉𝑐𝑐𝑉𝑉𝑉𝑉𝑐𝑐]2 (18)
Donde:
V: Valor de ajuste
Vmed: Es el punto tomado en campo Vcalc: Es el valor en el modelo
Finalmente, a cada variable jerarquizada, se le dio distintos pesos para poder comparar la importancia de cada variable jerarquizada y dar la consistencia requerida para seleccionar las áreas críticas de conservación.
La información geográfica recolectada corresponde a datos en formato shapefile con escala 1:50000 y 1:25000, con sistema de referencia geofísico mundial de 1984 (WGS84), coordenadas Universal Transverse Mercator (UTM) 17S. Los modelos se realizaron en escala 1:50.000 donde cada pixel tiene 16 metros. Para realizar la zonificación de áreas para conservación fue necesario establecer a que caso de lógica difusa pertenece cada variable.
En la Figura 5 se muestra un resumen del proceso que se aplicó a cada variable, se determinó que el caso 2 es el apropiado para las variables zonas urbanas y sistema vial, ya que, si la zona a ser conservada se encuentra lejos de presiones antrópicas, la zona tendrá mayor posibilidad para su manejo y cuidado.
Para las variables: páramo, sistema hídrico, uso de suelo, textura de suelo, captaciones de agua, concesiones y altura se determinó que el caso 3 es el apropiado, ya que estas variables son esenciales para cuidado, y la cercanía a las mismas proporcionaría mayor importancia para la conservación de la zona.
Figura 5. Procedimiento para cada variable
Para la variable textura de suelo se realizó una clasificación de acuerdo a la permeabilidad y contenido de materia orgánica de cada tipo de suelo existente en la cuenca hidrográfica del río Carchi. Como se puede observar en la tabla 16 la mayor jerarquización tiene los suelos andisoles y los molisoles que representan los suelos más permeables, seguido de los suelos inceptisoles e entisoles que son suelos jóvenes en evolución y se empleó el método Saaty de ponderación (Figura 6).
Para la variable uso de suelo se realizó una clasificación de acuerdo a la conservación como el principal componente de jerarquía en la cuenca del río Carchi. Como se puede observar en la Figura 7 la mayor jerarquización tiene los suelos con uso de conservación y protección, mientras que los suelos con fines agrícolas y pecuarios tienen una jerarquización baja, ya que representan presiones para cuidado del medio.
Figura 6. Orden de Suelo en la cuenca del Río Carchi
Figura 7. Ponderación Uso de Suelo
Modelos Generados
Para generar el modelo 1 se asignó el mismo peso a todas las variables, esto significa que, al promediar las 10 variables, cada una obtiene el 10% de importancia. Con la herramienta Raster Calculator utilizado en ArcGis se sumó las variables que se utilizaron y se dividió para el número total (Tabla 1), como se indica en la siguiente fórmula:
𝑴𝑴𝑴𝑴𝑴𝑴𝑴𝑴𝑴𝑴𝑴𝑴𝑴𝑴 = (𝑍𝑍𝑐𝑐𝑠𝑠𝑉𝑉 𝑢𝑢𝑢𝑢𝑢𝑢𝑉𝑉𝑠𝑠𝑉𝑉 + 𝑝𝑝𝑢𝑢𝑠𝑠𝑝𝑝𝑐𝑐𝑠𝑠 𝑉𝑉𝑠𝑠 𝑐𝑐𝑉𝑉𝑝𝑝𝑝𝑝𝑉𝑉𝑐𝑐𝑐𝑐𝑐𝑐𝑠𝑠 + 𝑐𝑐𝑐𝑐𝑠𝑠𝑐𝑐𝑠𝑠𝑠𝑠𝑐𝑐𝑐𝑐𝑠𝑠𝑠𝑠𝑠𝑠 +
𝑠𝑠𝑐𝑐𝑠𝑠𝑝𝑝𝑠𝑠𝑉𝑉𝑉𝑉 𝑣𝑣𝑐𝑐𝑉𝑉𝑉𝑉 + 𝑉𝑉𝑉𝑉𝑝𝑝𝑢𝑢𝑢𝑢𝑉𝑉 + 𝑠𝑠𝑐𝑐𝑠𝑠𝑝𝑝𝑠𝑠𝑉𝑉𝑉𝑉 ℎ𝑐𝑐𝑉𝑉𝑢𝑢𝑐𝑐𝑐𝑐𝑐𝑐 + 𝑐𝑐𝑢𝑢𝑠𝑠𝑢𝑢𝑝𝑝𝑐𝑐𝑠𝑠 𝑉𝑉𝑠𝑠 𝑉𝑉𝑎𝑎𝑢𝑢𝑉𝑉 + 𝑝𝑝𝑉𝑉𝑢𝑢𝑉𝑉𝑉𝑉𝑐𝑐 +
𝑐𝑐𝑢𝑢𝑉𝑉𝑠𝑠𝑠𝑠 𝑉𝑉𝑠𝑠 𝑠𝑠𝑢𝑢𝑠𝑠𝑉𝑉𝑐𝑐 + 𝑢𝑢𝑠𝑠𝑐𝑐 𝑉𝑉𝑠𝑠 𝑠𝑠𝑢𝑢𝑠𝑠𝑉𝑉𝑐𝑐)/10 (19)
Tabla 1. Modelo 1 de variables de selección del área crítica
VARIABLES | JERARQUÍA | PONDERACIÓN |
ALTURA | 9 | 0.1216 |
PARAMO | 10 | 0.1351 |
SISTEMA VIAL | 4 | 0.0541 |
SISTEMA HIDRICO | 9 | 0.1216 |
ZONA URBANA | 4 | 0.0541 |
PUNTOS DE CAPTACION | 9 | 0.1216 |
CUERPOS DE AGUA | 8 | 0.1081 |
USO DE SUELO | 7 | 0.0946 |
ORDEN DE SUELO | 7 | 0.0946 |
CONCESIONES DE AGUA | 7 | 0.0946 |
En la figura 8 se muestra el modelo 1 aplicado a la cuenca hidrográfica del Río Carchi.
Figura 8. Modelo 1 en la cuenca del Río Carchi
De acuerdo al modelo 1 que corresponde al promedio de las variables, la probabilidad de conservación varía de 35.40% a 79.88%
Para generar el modelo 2 se utilizó el método de jerarquías de Saaty, para iniciar se dio valores del 1 al 10 a cada variable según el criterio del autor. En la siguiente tabla se muestra la ponderación dada.
Con la herramienta Raster Calculator se multiplicó cada variable por su ponderación, luego se sumó las variables alcanzando un valor del Coeficiente de Consistencia de 0 como se indica en la siguiente fórmula:
𝑴𝑴𝑴𝑴𝑴𝑴𝑴𝑴𝑴𝑴𝑴𝑴 𝟐𝟐 = 0.0541 ∗ 𝑍𝑍𝑐𝑐𝑠𝑠𝑉𝑉 𝑢𝑢𝑢𝑢𝑢𝑢𝑉𝑉𝑠𝑠𝑉𝑉 + 0.1216 ∗ 𝑝𝑝𝑢𝑢𝑠𝑠𝑝𝑝𝑐𝑐𝑠𝑠 𝑉𝑉𝑠𝑠 𝑐𝑐𝑉𝑉𝑝𝑝𝑝𝑝𝑉𝑉𝑐𝑐𝑐𝑐𝑐𝑐𝑠𝑠 + 0.0946 ∗
𝑐𝑐𝑐𝑐𝑠𝑠𝑐𝑐𝑠𝑠𝑠𝑠𝑐𝑐𝑐𝑐𝑠𝑠𝑠𝑠𝑠𝑠 + 0.0541 ∗ 𝑠𝑠𝑐𝑐𝑠𝑠𝑝𝑝𝑠𝑠𝑉𝑉𝑉𝑉 𝑣𝑣𝑐𝑐𝑉𝑉𝑉𝑉 + 0.1216 ∗ 𝑉𝑉𝑉𝑉𝑝𝑝𝑢𝑢𝑢𝑢𝑉𝑉 + 0.1216 ∗ 𝑠𝑠𝑐𝑐𝑠𝑠𝑝𝑝𝑠𝑠𝑉𝑉𝑉𝑉 ℎ𝑐𝑐𝑉𝑉𝑢𝑢𝑐𝑐𝑐𝑐𝑐𝑐 + 0.1081 ∗ 𝑐𝑐𝑢𝑢𝑠𝑠𝑢𝑢𝑝𝑝𝑐𝑐𝑠𝑠 𝑉𝑉𝑠𝑠 𝑉𝑉𝑎𝑎𝑢𝑢𝑉𝑉 + 0.1351 ∗ 𝑝𝑝𝑉𝑉𝑢𝑢𝑉𝑉𝑉𝑉𝑐𝑐 + 0.0946 ∗ 𝑐𝑐𝑢𝑢𝑉𝑉𝑠𝑠𝑠𝑠 𝑉𝑉𝑠𝑠 𝑠𝑠𝑢𝑢𝑠𝑠𝑉𝑉𝑐𝑐 + 0.0946 ∗
𝑢𝑢𝑠𝑠𝑐𝑐 𝑉𝑉𝑠𝑠 𝑠𝑠𝑢𝑢𝑠𝑠𝑉𝑉𝑐𝑐. ( 20 )
En la figura 9 se muestra el modelo aplicado a la cuenca hidrográfica del Río Carchi.
Figura 9. Modelo 2 en la cuenca hidrográfica del río Carchi.
En el modelo 2 del modelo desarrollado por la metodología de Satty la probabilidad de conservación varia de 39.30% a 82.66%.
Análisis Estadístico
Se realizó el análisis estadístico en los modelos con el fin de analizar y conocer el ajuste de acuerdo a las zonas propuestas.
Analisis-Modelo1
En el modelo 1 la Vmed tomada en campo tiene el valor de 1 en la zona de interés crítico de conservación, y la Vcalc en el modelo tiene el valor de 0.79. Al realizar el cálculo estadístico tenemos como resultado un valor de ajuste de: 0.041
Análisis- Modelo 2
En el modelo 2 la Vmed tomada en campo tiene el valor de 1 en la zona de interés crítico de conservación, y la Vcalc en el modelo tiene el valor de 0.82. Al realizar el cálculo estadístico tenemos como resultado un valor de ajuste de: 0.032
Zonas de conservación
Para la cuenca hidrográfica del río Carchi se establece zonas de acuerdo a la prioridad e importancia para conservar en 5 categorías: crítica, alta, media, ligera y baja (Figura 10)
Figura 10. Modelos de la cuenca del río Carchi
Se obtuvo que en el modelo 1 (Tabla 2), la zona de prioridad crítica de conservación corresponde a 159.16km2, la zona de prioridad alta corresponde a 71.01km2, la zona de prioridad media son 57.24km2, la zona de prioridad ligera 32.26km2 y la zona de prioridad baja 16.69km2.
Tabla 2. Resultados de Modelo 1
ZONAS DE PRIORIDAD | SIMBOLOGÍA | INTERVALO DE PROBABILIDAD | EXTENSIÓN (Km2) |
CRïTICA | 0.70-0.79 | 159.16 | |
ALTA | 0.63-0.70 | 71.07 | |
MEDIA | 0.56-0.63 | 57.24 | |
LIGERA | 0.48-0.56 | 32.26 | |
BAJA | 0.35-0.48 | 16.69 |
En el modelo 2 (Tabla 3), la zona de prioridad crítica de conservación corresponde a
167.79 km2, la zona de prioridad alta corresponde a 63.91km2, la zona de prioridad media son
59.66 km2, la zona de prioridad ligera 30.02km2 y la zona de prioridad baja 15.05 km2.
Tabla 3. Resultados de Modelo 2
ZONAS DE PRIORIDAD | SIMBOLOGÍA | INTERVALO DE PROBABILIDAD | EXTENSIÓN (Km2) |
CRÍTICA | 0.76-0.82 | 167.79 | |
ALTA | 0.70-0.76 | 63.91 | |
MEDIA | 0.62-0.70 | 59.66 | |
LIGERA | 0.54-0.62 | 30.02 | |
BAJA | 0.39-0.54 | 15.05 |
Áreas protegidas existentes
Se cruzaron los modelos generados con la capa de áreas protegidas con el objetivo de conocer el estado de conservación en cuanto al manejo y protección del medio ambiente en la cuenca hidrográfica del río Carchi (Figura 11).
Figura 11. Áreas protegidas en la cuenca del río Carchi
En la cuenca hidrográfica del Río Carchi existe la Reserva Ecológica del Ángel dentro del Sistema Nacional de Áreas Protegidas (SNAP) del Ministerio del Ambiente (Ver figura 23), el área que corresponde la reserva ecológica se traslapa en los dos modelos principalmente con la zona de prioridad crítica de conservación y en menor área con la zona de prioridad alta.
La Reserva Ecológica el Ángel tiene un área total de 15002,70 Ha; el área que ocupa en la zona de prioridad critica es de 10650,00 Ha. El área que se propone para conservación es de 6109,5 Ha
Cobertura Vegetal
La agricultura es considerada como la actividad que provoca mayor impacto ambiental, por lo que es importante visualizar las zonas agrícolas en los modelos generados para conocer la presión de esta actividad en las áreas de conservación (Figura 12).
Figura 12. Cobertura vegetal en la cuenca hidrográfica del río Carchi
En relación a la cobertura vegetal se estableció que en la cuenca hidrográfica del río Carchi existe una gran cantidad de presiones que provienen de la actividad agrícola (Figura 24).
Con un enfoque más directo en las zonas de prioridad crítica y la zona de prioridad alta se analizó que en la zona de prioridad crítica, la cobertura principal es páramo con un porcentaje de: 88.56% seguido de vegetación arbustiva 8.8%.
En la zona de prioridad alta de conservación la principal cobertura es los pastizales con un porcentaje de 73.40% seguido de paramo con 7.58% y cultivos 7.50%.
Suelo con uso pecuario
La actividad ganadera figura como una de los sectores más perjudiciales para el recurso hídrico, y el daño a gran escala del suelo. Se traslaparon los modelos generados con el shape de uso pecuario para saber el estado y la presión de las zonas de conservación (Figura 13).
Figura 13. Uso de suelo en la cuenca hidrográfica del río Carchi
En la zona de prioridad critica el 97.37% está destinado para la conservación seguido de valores mínimos: 1.58% destinado a uso pecuario y 1.05% destinado a agricultura. En la zona de prioridad alta el 73.40% tiene uso pecuario, el 16.72% está destinado para conservación y protección y el 7.61% uso agrícola (Ver figura 14).
Centros poblados
En la figura 14 se muestra el traslape de los modelos generados con los centros poblados existentes en la cuenca hidrográfica del río Carchi. Algunas de las poblaciones están dentro del área crítica de conservación estimada.
Figura 14. Poblaciones en la cuenca del río Carchi
Se determinó que el número de centros poblados que se encuentran en la zona de conservación crítica son 2 y en la zona de conservación alta son 4. Mientras que los otros centros poblados se encuentran en zonas de interés media, ligera y baja para conservación (Figura 14).
La metodología de Lógica Difusa permitió obtener zonas con diferentes probabilidades para su cuidado, a partir de distancias y criterios basados en aspectos ambientales y geográficos. Según el análisis estadístico el modelo que tuvo un mejor ajuste corresponde al modelo realizado con lógica difusa; fundamentando este resultado a la proximidad de los datos de acuerdo a las distancias, como también la jerarquización de acuerdo a la importancia que tienen las variables.
Las zonas que tienen la mayor probabilidad para ser conservadas son las ubicadas en zonas altas de la cuenca hidrográfica del río Carchi, cerca de la reserva ecológica El Ángel y cerca de cobertura vegetal de páramo, pues este ecosistema representa el hábitat de fauna y flora endémica, además este ecosistema provee servicios ambientales irremplazables.
Se recomienda que la información geográfica para el modelamiento se encuentre en el mismo sistema cartográfico de referencia para que no existan inconvenientes.
Para realizar la metodología de lógica difusa se recomienda tener criterios de expertos en el tema para un mejor manejo de la información.
Se recomienda que las entidades administrativas del cantón Tulcán, realicen estudios de acuerdo a las 6.000 ha propuestas, para posteriormente poder declararlas como bosques de protección o corredores cuyo fin sea la conservación y el cuidado del páramo, a su vez generen estrategias para cuidar y mantener la extensión de la cobertura vegetal.
Los pobladores de la comuna la esperanza de la parroquia de Tufiño debe planificar que no se realicen actividades de ganadería o pastoreo en las zonas de interés propuestas, ya que estas actividades afectan a la flora y fauna endémicas de este ecosistema.
Aguiar, H., y Álvarez , R. (2002). Valoración económica de bienes ambientales. Semestre Económico, 5 (9): 1-12.
Arroyabe, M., Gómez, C., Gutiérrez. M. E., Múnera, D. P., Zapata, P. A., Vergara, I. C., Andrade, L. M., y Ramos, K. C. (2006): Impactos de las carreteras sobre la fauna silvestre y sus principales medidas de manejo Revista de la Escuela de Ingeniería de Antioquia, 5: 45-57.
Basán Nickisch, M., Sánchez, L., Tosolini, R., Tejerina Díaz, F., y Jordan, P. (2018). Sistemas de captación de agua de lluvia para consumo humano. Aqua Lac, 10 (1): 15-25. https://doi.org/10.29104/PHI-2018-AQUALAC-V10-N1-02.
Beltrán, K., Salgado, S., Cuesta, F., León-Yánez, S., Romoleroux, K., Ortíx, E., Cárdenas, A., y Velástegui, A. (2009). Distribución espacial, sistemas ecológicos y caracterización florística de los páramos en el Ecuador. EcoCiencia, Proyecto Páramo Andino y Herbarío QCA. Quito.
Biswas, A. K. and Tortajada, C. (2019). Water quality management: a globally neglected issue. International Journal of Water Resources Development, 35 (6): 913-916. DOI: 10.1080/07900627.2019.1670506.
Bocco, M., Syago, S., y Tártara, E. (2002). Modelos multicriterio: una aplicación a la selección de alternativas productivas. Agricultura técnica, 62 (3): 450-462. http://dx.doi.org/10.4067/S0365-
Boelen2s8, 0R7.2(020020080)0. 3W00a0te1r0r.ights arenas in the Andes: Upscaling networks to strengthen local water control. Water Alternatives 1 (1): 48‐ 65
Buytaert, W., Célleri, R., de Bièvre, D., Cisneros, F., Wyseure, G., Deckers, J., and Hofstede, R. (2006).
Human impact on the hydrology of the Andean páramos, Earth Science Reviews, 79 (1-2): 53- 72. https://doi.org/10.1016/j.earscirev.2006.06.002.
Camacho, M. (2013). Los páramos ecuatorianos: caracterización y consideraciones para su conservación. Revista Anales, 1 (372): 78-92.
Campoblanco, H., y Gomero, J. (2000). La importancia de los ríos en el entorno ambiental. Revista del Instituto de Investigación de la Facultad de Ingeniería Geológica, Mineras, Metalúrgica y Geográfica, 3 (5): 57-63. https://doi.org/10.15381/iigeo.v3i5.2539.
Capriles, J. M., Santoro, C. M., y Dillehay, T. D. (2016). Harsh Environments and the Terminal Pleistocene Peopling of the Andean Highlands. Current Anthropology, 57 (1): 99-100. DOI: 10.1086/684694.
Célleri, R., and Feyen, J. (2009). The hydrology of tropical Andean ecosystems: Importance, knowledge status, and perspectives. Mountain Research and Development, 29 (4): 350-355. http://dx.doi.org/10.1659/mrd.00007.
Conaf. (2013). Los humedales y la importancia de conservarlos. Fondo Conjunto de Cooperación Chile- México, Santiago, Chile.
Corrales, S. M. (2015). Las concesiones de agua: una revisión con criterios de equidad y eficiencia.
Tesis de maestría, Universidad del Valle, Colombia.
CSIC. (2006). Cambio Global: impacto de la actividad humana sobre el sistema Tierra. Colección Divulgación, Consejo Superior de Investigaciones Científicas, Ministerio de Educación y Ciencia, Madrid, España.
Custodio, M., y Chávez E. (2019). Quality of the aquatic environment of high Andean rivers evaluated through environmental indicators: a case of the Cunas River, Peru. Revista chilena de ingeniería, 27 (3): 396-409.
ESRI. (2016). Aplicar lógica difusa a rasteres de superposición. ArcGis for Desktop, Redlands, California.
Gobierno Autónomo Descentralizado Tulcán. (2015). Plan de Desarrollo y Ordenamiento Territorial Cantón Tulcán. Diagnostico Tulcán.
Gobierno Autónomo Descentralizado de la Provincia del Carchi. 2016. Creación del Área de Conservación y Uso Sustentable de la Cordillera Oriental del Carchi. Gobierno Autónomo Descentralizado de la Provincia del Carchi/CONDESAN-Proyecto EcoAndes. Tulcán.
Guhl, E. (1982). El papel de la geografía en las ciencias humanas. Revista Colombiana de Sociología, 2 (1): 81-128.
Hofstede, R. (2011)., Los Servicios del Páramo y la Evaluación de Ecosistemas del Milenio. En: P. Mena Vásconez, J. Campaña, A. Castillo, S. Flores, R. Hofstede, C. Josse, S. Lasso, G. Medina,
N. Ochoa y D. Ortiz (Eds.). Páramo. Paisaje estudiado, habitado, manejado e institucionalizado. EcoCiencia/Abya-Yala/ECOBONA. Quito. pp. 315-330.
Isch, E. (2012). Agua: el gobierno incumple con la Constitución (Política Pública). Revista de Análisis Político, 13: pp. 88-91.
Klimaszyk, P., and Goldyn, R. (2020). Water quality of freshwater ecosystems in a temperate climate.
Water, 12: 2643. doi:10.3390/w12092643.
León, P., Tapia, E., y Rodríguez, F. (2017). Valor económico del almacenamiento de carbono en los páramos de la reserva ecológica El Ángel. Revista Geoespacial, 14 (1): 65-82.
Malagón Castro, D. (2003). Ensayo sobre tipología de suelos colombianos -Énfasis en génesis y aspectos ambientales. Revista de la Academia Colombiana de Ciencias, 27(104): 319-341.
Malagón D. y Pulido, C. (2000). Suelos del Páramo Colombiano. Colombia Diversidad Biótica III, La región de vida paramuna. Universidad Nacional de Colombia. Facultad de Ciencias, Instituto de Ciencias Naturales.
Malagon. D., Pulido, C., y Llinas, R. (1991). Génesis y taxonomía de los andisoles Colombianos.
Instituto Geográfico Agustín Codazzi, Bogotá, Colombia.
McGrane, S. J. (2016). Impacts of urbanisation on hydrological and water quality dynamics, and urban water management: a review. Hydrological Science Journal, 61 (13): 2295-2311. https://doi.org/10.1080/02626667.2015.1128084.
Medina, G., Mena, P. y Josse, C. (Eds.). (1999). El Páramo como espacio de mitigación de carbono atmosfèrico. Serie Páramo 1. GTP/Abya Yala. Quito.
Moreta, M., Castillo, L., y Benalcázar, W. (2018). 11 provincias del Ecuador se integran afavor del páramo. El Comercio, Actualidad, Ecuador. Compañía Anónima El Comercio,10 de abril de 2018. Recuperado en: https://www.elcomercio.com/actualidad/ecuadorprovincias-agua-paramo- humedales.html.
Padilla, O. (2006). Fundamento teórico para modelización de variables ambientales mediante operadores difusos. Revista Geoespacial, 4: 56-62.
Pietersen, K. (2006): Multiple criteria decision analysis (MCDA) a tool to support sustainable management of groundwater resources in South Africa. Water SA, 32 (2): 119-128. DOI: 10.4314/wsa.v32i2.5242.
Prakash, T. N. (2003). Land suitability analysis for agricultural crops: A fuzzy multicriteria decision making. Institute for geo information science and earth observation, University of Twente, Enschede, Netherlands.
Quispe-Coica, A., Fernándes, S., Acharte Lume, L., and Pérez-Foguet, A. (2020). Status of water quality for human consumption in high-Andean rural communities: Discrepancies between techniques for identifying trace metals. Multidisciplinary Scientific Journal, 3: 162-180. doi:10.3390/j3020014.
Rivera , D., y Vargas, O. (1991). El páramo un ecosistema frágil. Ciencia y Tecnología, 5 (12): 143- 166.
Rodríguez-Espinosa, F., Galárraga, R., Salazar-Córdova, R., Narváez, N., y Ananganó, P. (2018). Beneficios económicos de la conservación de las áreas protegidas andinas. Revista Geoespacial, 15 (2): 112-126.
Rodríguez, F. Southgate, D., and Haab, T. (2009a). Is better drinking water valued in the Latin American countryside? Some evidence from Cotacachi, Ecuador. Water International, 34: 325-334. doi/abs/10.1080/02508060903114665
Rodríguez, F., Galárraga, R., Salazar, R., y Narváez, N. (2009b). Ecuador y los objetivos del Milenio: inversiones para la conservación del agua. Letras Verdes, #: 23-25.
Ruiz. D. M., Martínez Idrobo, J. P., Otero Sarmiento, J. D., y Figueroa Casas, A. (2017). Effects of productive activities on water quality for human consumption in an Andean basin, a case study. Revista Internacional de Contaminación Ambiental, 33 (3): 361-375. DOI: 10.20937/RICA.2017.33.03.01.
Squeo, F. A., Rada, F., Azocar, A., y Goldstein, G. (1991). Freezing tolerance and avoidance in high tropical Andean plants: Is it equally represented in species with different plant height? Oecologia, 86: 378-382.
Tkach, R., & Simonovic, S. (1997). A New Approach to Multi-criteria Decision Making in Water Resources, Journal of Geographic Information and Decision Analysis, 1 (1): 25-44.
Vargas. O., Reyes, S., Gómez, P., y Díaz, J. (2010). Guías técnicas para la restauración ecológica de ecosistemas. Grupo de Restauración Ecológica. Departamento de Biología. Universidad Nacional de Colombia. Bogotá, Colombia. 92 p.
Vega, E., y Martínez, D. (2000). Productos económicamente sustentables y servicios ambientales del páramo. Serie Páramo 4.
Viviroli, D., Dürr, H. H., Messerli, B., Meybeck, M., and Weingartner, R. (2007). Mountains of the world, water towers for humanity: Typology, mapping, and global significance. Water Resource Reseach, 43: W07447. doi:10.1029/2006WR005653.
Revista GEOESPACIAL (Enero-Junio 2021) 18(1): 36-48
ISSN: 2600-5921
WATER STORAGE AND AVAILABILITY IN DETERMINING THE POTENTIAL USE OF LAND
1 Universidad Pedagógica y Tecnológica de Colombia – Instituto Geográfico Agustín Codazzi. Subdirección de Agrología. GIT Levantamiento de suelos y Aplicaciones Agrológicas. Carrera 30 47 51. Bogotá-Colombia. cecastro@igac.gov.co. cecastro77@gmail.com
* Autor de correspondencia: Instituto Geográfico Agustín Codazzi, cecastro@igac.gov.co
Recibido: 03 de abril 2021 / Aceptado: 07 de junio 2021
Uno de los servicios ecosistémicos del suelo está en la regulación de la oferta hídrica para los usos productivos. La capacidad de uso con enfoque ambiental debe incluir la capacidad de almacenamiento de agua en el suelo para evitar el aprovechamiento excesivo del agua, el efecto negativo en los ecosistemas y la disminución de la producción agrícola en los sectores bajos de las cuencas hidrográficas. La capacidad de almacenamiento de agua en el suelo es, además, un factor relevante para definir el grado de utilización de la tierra para la agricultura, la ganadería y el consumo humano. Se proponen ajustes en la metodología de clasificación por capacidad de uso ahora que se realizan levantamientos de suelos a escala detallada y se requiere perfeccionar el procedimiento y profundizar aún más en el análisis. Para innovar en la interpretación de los datos del suelo se aplicó un enfoque cuantitativo y de variabilidad espacial para obtener información sobre índices de regulación y determinar las categorías de disponibilidad de agua total (superficial y en el suelo), en la microcuenca de la Quebrada Barbillas, municipio de La Plata, Huila. La información edáfica contribuyó a optimizar la estimación del agua en el suelo a profundidad efectiva y, mediante el cálculo de balance hídrico decadiario, se precisó la clasificación por capacidad de uso. En diferentes escenarios de variabilidad climática se encontraron cambios significativos en la disponibilidad de agua en la microcuenca. Adicionalmente, se evaluaron los excedentes de humedad cercanos al límite líquido del suelo, los cuales podrían ser utilizados como inductores de fenómenos de remoción en masa. Se considera que estas aplicaciones pueden contribuir en la generación de planes de gestión del riesgo, así como en el ordenamiento productivo de mayor pertinencia para la zona.
One of the ecosystems services of the soil is the possibility of regulating the water supply for productive uses. The land capability classification with an environmental approach must know the capacity of water storage in the soil, and thus avoid excessive water extraction, the negative effect on ecosystems and the
decrease of agricultural production in the lower sectors of the basin. Water storage capacity in the soil is also a relevant factor in defining the degree of land use for agriculture, livestock or multi-stratified systems. Adjustments to the potential land use classification are proposed when detailed scales are worked on, by improving procedures and improving interpretation. A quantitative and spatial variability approach was applied to obtain information on regulation indices and determine the categories of total water availability (surface and soil), in the Barbillas gully microbasin, municipality of La Plata, Huila. The edaphic information contributed to improve the estimation of water in the soil, at effective depth and through the calculation of the decay water balance, the land capability classification was specified. In different scenarios of climatic variability, significant changes were found in the availability of water in the microbasin; additionally, excess moisture levels close to the liquid soil limit were evaluated, which could be used as inducers of mass removal phenomena. It is considered that these applications can help to generate risk management plans, as well as in the productive order of greater relevance for the area.
Keywords: water storage capacity in the soil; capacity for use; water availability; natural hazards.
La clasificación del uso potencial o capacidad de uso de las tierras es una herramienta técnica que no ha perdido vigencia. En la actualidad se le considera un instrumento de decisión importante en la protección de las tierras agrícolas (Decreto 3600 de 2007) y en el fortalecimiento de programas que incluyan el tema de seguridad alimentaria para la población colombiana (Mejía, 2017)
La línea de investigación en Geografía de suelos de la Subdirección de Agrología del Instituto Geográfico Agustín Codazzi, en esta oportunidad se dedicó al fortalecimiento de las aplicaciones de los levantamientos de suelos, y fijó sus actividades en la revisión de métodos e instructivos relacionados con la capacidad de uso de las tierras, y encontró la posibilidad de innovar en las técnicas de procesamiento de la información mediante la utilización de datos climatológicos para observar la variabilidad espacial dentro de una unidad hidrográfica de menor extensión. Además, dentro de las actividades institucionales relacionadas con el catastro multipropósito, está la necesidad de generar información alternativa sobre la disponibilidad de agua, lo que le permitió precisar las temáticas relacionadas con el uso y valoración de las tierras. El levantamiento semidetallado de suelos de la microcuenca del río Barbillas permitió definir dos unidades climáticas que tienen comportamientos diferenciados cuando se les aborda desde los ramales hidrológicos, los escurrimientos de agua y los factores regulatorios de la relación agua- suelo se consideran importantes para definir el uso y manejo y tomar medidas
de protección ante posibles desastres.
La metodología que se revisa en la actualidad contiene como factores determinantes de la clase agrológica la distribución de las lluvias, el piso térmico, la condición de humedad, el régimen de temperatura, la presencia de heladas y el régimen climático del suelo. Sin embargo, en la escala general, la disponibilidad de agua se determina a partir del balance hídrico climático, que relaciona la evapotranspiración con la precipitación, y en el cual se tenía como elemento de partida un almacenamiento de 100 milímetros de agua, en todos los tipos de suelos y esto se considera una imprecisión en el procedimiento que no permite reconocer los índices reales de escurrimiento superficial y no fija diferencias en cuanto a la disponibilidad de agua.
En la investigación se presentan resultados parciales del análisis de la secuencia clima, cuenca, paisaje y suelo. A través de dicho análisis se incluyó la fluctuación del almacenamiento de agua, para el que se tomó como referencia un año normal y se confrontó con los periodos de ocurrencia de fenómenos de niño y de niña. Además se incluyeron aportes conceptuales que propenden por el uso adecuado de los suelos y fija una posición de alerta ante riesgos que puedan presentarse en periodos climáticos extremos (IGAC, 2018).
Cuando se tratan los fenómenos observados como entidades separadas se incurre en interpretaciones desvinculadas de la realidad o parcializadas, que aportan poco a la solución de
Revista GEOESPACIAL, 18(1):36-48
problemas y a la interpretación escalar del fenómeno. Es por eso que para analizar la disponibilidad de agua es necesario transitar por el análisis climático, de la hidráulica observada a través de la morfometría de la cuenca, por la interpretación de los cambios en la capacidad de almacenamiento y en proponer categorías que mejore la información referida al escurrimiento de aguas.
El área de estudio corresponde a la microcuenca de la Quebrada Barbillas, localizada en el municipio de La Plata, departamento de Huila, Colombia (Figura 1). Tiene una extensión de 2.635 ha, correspondiente al paisaje de montaña en un 90% de la extensión; en la región predomina el relieve de filas y vigas caracterizado por pendientes largas y muy largas, de vertientes rectas y poco disectadas debido a la dureza de su material geológico y en el sector bajo de la microcuenca se encuentran abanicos aluviales de perfil rectilíneo y con diversos grados de disección. Las unidades climáticas delimitadas corresponden a frío húmedo y templado húmedo, con precipitaciones que superan los 1.500 mm anuales y temperatura promedio inferior a los 22°C.
El objetivo de la investigación es presentar un procedimiento alternativo para incluir la capacidad de almacenamiento de agua en el suelo como una variable cambiante en el espacio que permite definir con mayor exactitud la disponibilidad de agua para los cultivos, informar sobre los riesgos a movimientos en masa e identificar las áreas que tendrán mayor impacto al cambio climático cuando se intensifiquen los periodos de sequía.
En este informe se incluye adicionalmente un análisis comparativo entre procedimientos actualizados sobre la disponibilidad de agua para catastro y el mejoramiento de la información cuando se tiene datos de suelos a la escala 1:25.000.
Figura 1. Localización del área de estudio y puntos de muestreo.
Fuente: los Autores
Durante el levantamiento de suelos se realizó su identificación a partir de las características morfológicas derivadas del marco pedológico trabajado en oficina, en el cual se programaron al menos tres observaciones por unidad delimitada; se realizó la toma de muestras de suelos de 55 perfiles de suelos que fueron procesadas en el Laboratorio Nacional de Suelos del Instituto Geográfico Agustín Codazzi; la distribución de los suelos se obtuvo a nivel detallado, cuya publicación se realizó a escala 1:10.000, de la cual se generó una capa digitalizada en formato shapefile con su correspondiente base de datos e información de suelos. El levantamiento de suelos se realizó más allá del límite de parte aguas de la microcuenca Barbillas localizada en el departamento de Huila (IGAC, 2018). La clasificación taxonómica de los perfiles de suelos se realizó hasta nivel de familia (USDA, 2014), estos suelos predominantemente son de orden taxonómico Molisol e Inceptisol con el 88% del área de la microcuenca, y en menores proporciones suelos de los órdenes Entisol, Andisol y Vertisol.
La metodología aplicada comienza con la variable más general pero determinante que es la delimitación del clima ambiental para la escala semidetallada, luego se identificaron las variables del suelo que definen la capacidad de almacenamiento de agua en el suelo, se tomaron como referencia las mismas tablas de reclasificación de la disponibilidad de agua para los cultivos de clases agrológicas o uso potencial (IGAC, 2014) y se establecieron los parámetros de agua suficiente y deficiente en términos de porcentaje de almacenamiento de agua en el suelo.
En cuanto a las aguas de escorrentía promedio se utilizaron datos del Estudio Nacional del Agua IDEAM (2014) en formato raster y estos datos se ajustaron con los parámetros de los ramales hídricos que determinan la información sectorizada de la escorrentía, por medio de los parámetros establecidos para catastro se clasificó la disponibilidad de agua superficial a escala 1:25.000 para tomarlo como un marco de referencia con el que se compara la propuesta de ingreso de la capacidad de almacenamiento en la definición de las clases agrológicas a la escala 1:10.000.
Para matizar la información se realizó el procedimiento para evaluar la capacidad de almacenamiento de agua y observar su comportamiento en un año normal en comparación con dos eventos climáticos extremos denominados fenómenos del niño y de la niña.
Luego de esas modelaciones de datos climatológicos se establecieron los cambios de disponibilidad de agua en tiempo normal, seco (fenómeno del niño) y húmedo (fenómeno de la niña) para observar dos condiciones espaciales relacionadas con la variación de agua almacenada en el suelo, por un lado se identificaron los riesgos de remoción en masa de algunos sectores de la cuenca de la quebrada Barbillas en tiempos húmedos y cuando el suelo supera el límite líquido y también para identificar los sectores con mayor déficit de agua en los períodos secos; con base en el año normal se revisaron las clases agrológicas y su incidencia en la clasificación de disponibilidad de agua en el suelo según el nuevo procedimiento.
La metodología aplicada en el desarrollo de la investigación correspondió a la comparativa, en donde las características evaluadas se relacionan con la escala de información y representación y con la variabilidad de la oferta de agua en relación con una variable permanente definida como la capacidad de almacenamiento de agua de los suelos a escala 1:10.000.
El primer paso consistió en definir el límite de pisos térmicos, teniendo en cuenta la zonificación climática aplicada a levantamiento de suelos (Agualimpia y Castro, 2018; IGAC, 2018), pues, para la escala general, la microcuenca del río Barbillas se encontraba en clima templado húmedo definida por la cota establecida para estudios generales (IGAC, 1998). El gradiente de temperatura hallado para este sector estima que el piso térmico templado se encuentra entre las cotas 950 y 1.880 y el piso frío se identificó a partir de la cota 1.881. El reconocimiento de estos límites se complementó con la identificación de especies vegetales representativas de los pisos térmicos frío y templado y mediante el registro de la temperatura estabilizada del suelo a 50 cm de profundidad. El valor de referencia de la temperatura para el suelo localizado en el piso térmico frío estuvo entre 13,9 y 16,1°C (Castro, Agualimpia y Sánchez, 2016).
Se abordó el concepto de disponibilidad de agua total, que tiene dos componentes: la oferta de agua superficial y el agua almacenada en el suelo. Para la determinación cuantitativa de la primera, se utilizó la información del Estudio Nacional del Agua (IDEAM, 2014). Se contempló una nueva forma de representación de la disponibilidad de agua superficial a través de indicadores hidrológicos, en los cuales se muestran los cambios en temporadas húmedas, secas y promedio. No obstante, dado su nivel de detalle, se consideró que estos datos requerían de ajustes en el contexto regional y local para lograr un acercamiento a la oferta neta y cumplir con el objetivo planteado inicialmente.
La estimación de la capacidad de almacenamiento de agua (CA) del suelo (Ecuación 1) se determinó en su profundidad efectiva (PE, cm), limitada físicamente por la presencia de abundantes fragmentos de roca (>60%). Se recopilaron muestras de suelo en los 55 sitios, para los cuales se obtuvieron muestras para conocer la densidad aparente (Da, gr.cm-3), fragmentos de roca (FR, %) y humedad aprovechable (HA, cm). Esta última entendida como la diferencia entre los contenidos de humedad a capacidad de campo y punto de marchitez permanente. Adicionalmente, para el primer horizonte de cada sitio, se calculó el límite líquido.
𝐶𝐶𝐴𝐴 = 𝐻𝐻𝐴𝐴𝑥𝑥𝐷𝐷𝑉𝑉𝑥𝑥 100−𝐹𝐹𝐹𝐹 𝑥𝑥𝑃𝑃𝑥𝑥 (01)
100
La oferta de agua o su disponibilidad en el suelo se estimó a partir de la evaluación del balance hídrico, que permitió valorar el contenido de agua en el suelo, en un intervalo de tiempo equivalente a un año (Leiva, 2012). El balance se realizó a partir del método de Thornthwaite
& Mather (1955) en el que se asumió un ingreso del agua al suelo a partir de la precipitación, la escorrentía o aportes subterráneos, y que las pérdidas hacia la atmósfera fueron ocasionadas por la evaporación y por la transpiración desde la vegetación existente en condiciones climáticas medias (IGAC, 2018). Las variables climáticas se estimaron a partir de series históricas de estaciones meteorológicas del IDEAM, con una frecuencia decadiaria (cada 10 días), particularmente con la aplicación de la normal climatológica 1981 - 2011.
El análisis del balance hídrico decadiario permitió estimar el tiempo durante el cual el suelo se mantuvo con humedad suficiente y constituyó la disponibilidad temporal de agua en el mismo, en términos de lámina de agua (mm); luego se procedió a su clasificación de acuerdo con las ocho categorías (Tabla 1) consideradas en la metodología de capacidad de uso de las tierras (IGAC, 2014).
Tabla 1. CLASIFICACIÓN DE GRUPOS DE CAPACIDAD AJUSTADA, AL AGUA ESTIMADA EN EL SUELO.
Criterio | |
1 | Suficientes durante los dos semestres; permite cultivos continuados |
2 | Suficientes durante un semestre, con deficiencias en el siguiente, no requiere riego |
3 | Suficientes durante un semestre, con deficiencias en el siguiente, requiere riego |
4 | Suficientes durante un semestre, con exceso en el siguiente |
5 | Exceso durante los dos semestres, permite ciertos cultivos |
6 | Deficiencias durante los dos semestres, permite ciertos cultivos |
7 | Exceso durante los dos semestres, no permite cultivos |
8 | Deficiencias durante los dos semestres, no permite cultivos |
Fuente: IGAC (2014).
La definición cuantitativa de los valores suficientes durante un semestre correspondió a la lámina de agua por día, que excede la capacidad de almacenamiento de agua (CA) en el suelo en un límite de 50% durante 90 días; la categoría deficiente cuando se mantuviera por debajo del 50% y, cuando hay necesidad de riego suplementario toda vez que la capacidad de almacenamiento de agua esté por debajo del 25%, en ambos casos que se mantuviesen por 90 días en el semestre. De igual manera se realizó el conteo del número de días con excesos, aquellos en los cuales los aportes de las lluvias superan la capacidad de almacenamiento. La estimación de la cantidad de agua disponible en el suelo, durante el año, permitió precisar con mayor detalle la oferta de agua para los cultivos y fue el criterio utilizado para evaluar los cambios en la clasificación de capacidad de uso cuando se utiliza el método convencional de determinar la disponibilidad de agua acorde con la distribución de lluvias durante el año (IGAC, 2014).
El procedimiento de cuantificar el número de días durante el año, en los que el agua está o no presente en el suelo también fue realizado para las fases de oscilación climática, El Niño y La Niña, información proveniente de la Normal Climatológica (1981-2011) del IDEAM. Esto con el fin de identificar la disponibilidad, déficit o excesos de agua en el suelo, así como los excesos de agua que superan al límite líquido del suelo, condiciones importantes como instrumentos de planificación. Entendiendo que la variación de las precipitaciones en la zona de estudio indica que para la fase El Niño las lluvias tienen a disminuir y en la Niña hay mayor oferta de las lluvias y menor pérdida por evapotranspiración.
Una prueba física adicional realizada en el Laboratorio Nacional de Suelos fue el índice de plasticidad que incluyó dos parámetros el límite líquido y el límite plástico; el primero de ellos (liquido) se empleó para determinar el contenido de agua con el cual el suelo puede fluir en pendientes superiores al 30% con la aplicación de bajos esfuerzos (Suarez de Castro, 1982). De ahí que se utilizó este valor estimado en milímetros para encontrar, a través de los balances hídricos, el número de días en los que pueden presentarse excesos de agua en el primer horizonte, para cada uno de los 55 sitios de muestreo. Dicho resultado podría ser un indicador de una alta probabilidad de movimientos en masa, cuando la condición de humedad supera el valor de almacenamiento de agua en el suelo. En la presente aplicación se tomó como un elemento caracterizador de la degradación de suelos a la presencia de derrumbes los cuales pudieron identificarse en campo a través de cicatrices de despeje y por la presencia de golpes de cuchara en las laderas de montaña, en contraste con la investigación realizada por Palacios (2020) quien dio prioridad a la susceptibilidad que tienen intrínsecamente los paisajes a la erosión con la aplicación de la técnica geomática denominada lógica difusa, con la generación de mapas de pendientes en formato raster y como detonantes de los procesos erosivos presentó
la apertura de vías y la intervención humana; para ese caso específico, la vulnerabilidad procede de la intervención antrópica, mientras que para el caso de estudio se analiza la cuenca de la quebrada Barbillas en su condición natural.
Los datos provenientes del Estudio Nacional del Agua - ENA debieron acondicionarse para el análisis espacial, mediante, la caracterización hidráulica de la microcuenca y a partir del análisis morfométrico de los ramales o sistemas hídricos individuales (Castro, 2019). La microcuenca se subdividió en cinco ramales a los que se les calcularon los índices, como el de concentración, densidad de drenajes y relación de bifurcación. Estas, a su vez, individualmente se clasificaron dentro de las categorías alto medio y bajo; la densidad de drenaje y el índice de concentración tuvieron mayor influencia en la condición hidráulica que la relación de bifurcación. El valor promedio de los tres factores (Tabla 2) constituye el factor morfométrico de cada ramal, el cual permitió reducir el valor de escurrimiento reportado por IDEAM (2014). Así el ramal que tiene menor eficiencia para retener agua en sus vertientes fue el ramal 5 con una pérdida de 25% del valor de escorrentía mientras que en los ramales 1 y 2 caracterizaron una reducción de escorrentía del 12%; es decir, desde la configuración hidráulica hay una mayor regulación de la escorrentía superficial de aguas (figura 2)
Tabla 2. DETERMINACIÓN DEL FACTOR MORFOMÉTRICO DE CINCO RAMALES DE LA MICROCUENCABARBILLAS
Análisis Morfométrico | Microcuenca Barbillas | |||||||||
Ramal 1 | Ramal 2 | Ramal 3 | Ramal 4 | Ramal 5 | ||||||
Valor | factor | Valor | factor | Valor | factor | Valor | factor | Valor | factor | |
Densidad Drenaje | 5,13 | 0,75 | 3,59 | 0,75 | 4,97 | 0,75 | 3,96 | 0,75 | 3,51 | 0,75 |
Relación de Bifurcación | 1,56 | 0,90 | 1,73 | 0,90 | 1,33 | 0,90 | 1,18 | 0,90 | 2,89 | 0,80 |
Índice de Concentración | 1,03 | 0,99 | 2,28 | 0,99 | 0,28 | 0,71 | 0,21 | 0,71 | 0,31 | 0,71 |
PROMEDIO | 0,88 | 0,88 | 0,79 | 0,79 | 0,75 | |||||
Fuente de Datos: IGAC, 2018
Figura 2. Distribución de ramales en la microcuenca de la quebrada Barbillas Fuente: los Autores
Figura 3. Distribución del agua superficial de la Microcuenca de la Quebrada Barbillas
Fuente: los Autores
Las características de los suelos relacionadas con la humedad aprovechable y la capacidad de almacenamiento (CA) se ilustran en la tabla 3. De ella, el último valor en la tabla es la capacidad de almacenamiento del primer horizonte en su límite líquido (LL).
Los suelos de la microcuenca de la Quebrada Barbillas se caracterizan por tener variabilidad media en cuanto a las propiedades físicas evaluadas. Sin embargo, la densidad aparente presenta un coeficiente de variación - CV bajo, con respecto a las demás propiedades y valores que no varían entre sí, en gran medida, dadas las condiciones de uso y manejo de los suelos. En contraste y particularmente, el CV de la cantidad de fragmentos de roca (FR) presentes en el suelo es más alto, atributo determinante en que la capacidad de almacenamiento (CA) oscile desde muy baja hasta muy alta.
Tabla 3. ESTADÍSTICA DESCRIPTIVA DE LAS CARACTERÍSTICAS DE LOS SUELOS.
Media | Mediana | Desv. Estándar | CV | Mínimo | Máximo | |
Prof. Efectiva (cm) | 74,05 | 100,00 | 31,90 | 43,08% | 15,00 | 100,00 |
% F.R | 22,68 | 19,99 | 16,15 | 71,23% | 3,92 | 65,13 |
% HA | 14,89 | 13,15 | 6,34 | 42,58% | 6,54 | 36,89 |
Da (gr.cm-3) | 1,23 | 1,26 | 0,23 | 18,88% | 0,70 | 1,59 |
CA (prof. Efectiva, mm) | 101,17 | 101,62 | 68,72 | 67,92% | 0,00 | 255,94 |
CA (a LL, mm) | 93,85 | 111,65 | 66,83 | 71,21% | 0,00 | 228,80 |
En la figura 4 se ilustra la distribución espacial de la capacidad de almacenamiento en la microcuenca en dónde, de acuerdo con el estudio realizado, los sectores de menor valor corresponden a aquellos donde la presencia de fragmentos de roca dentro del suelo es más alta y viceversa.
Figura 4. Distribución espacial de la Capacidad de Almacenamiento (CA) de agua en el suelo
Fuente: los Autores
El criterio para clasificación de las tierras por capacidad de uso contemplaba tan solo los aspectos subjetivos basados en la distribución de las lluvias consignadas en la tabla 1 y sin el soporte cuantitativo de la oferta hídrica total en la zona. Al definir e incluir los rangos de variación se precisó que la disponibilidad de agua en la cuenca alta de la Quebrada Barbillas llega a ser suficiente durante los dos semestres, en un 17% de la microcuenca, lo que se explica por la humedad presente, la distribución de lluvias y la poca pérdida de agua por escorrentía en el suelo. En la parte media, 41% del área de la microcuenca se nota deficiencia para el segundo semestre y en la parte más baja de la microcuenca, un 35% del área, se constituyen suelos con deficiencia de humedad durante los dos semestres en el año. Esta situación, básicamente, se relaciona con la menor oferta de las lluvias y el aumento de la temperatura, así como con la constitución propia de sus suelos, que no favorece la retención de humedad en periodos largos si no hay aportes suficientes por lluvias (Figura 5).
Dicha información pudo constatarse en campo mediante la identificación de especies de climas más secos y los regímenes de humedad del suelo identificados en los trabajos de campo durante la descripción morfológica de los perfiles de suelos.
La variación espacial de la humedad del suelo frente a un fenómeno climatológico se analizó a partir de la variabilidad de la capacidad de almacenamiento en el suelo y se constituye en una nueva forma de cuantificar y representar espacialmente el exceso o el déficit, siguiendo los criterios establecidos de superación del 25% y del 50% del almacenamiento de agua en el suelo.
Figura 5. Disponibilidad de agua en el suelo en la Microcuenca de la Quebrada Barbillas (Arriba año normal, abajo a la izquierda año niña, abajo a la derecha año niño)
En lo que respecta al análisis de los escenarios climáticos en las fases La Niña y El Niño se encontró que, como se representa en la figura 5, para la fase El Niño aumenta el área en la que se presenta deficiencia de humedad como consecuencia de la disminución de las precipitaciones, pasando de 35% a 94% del área con deficiencias de humedad en ambos semestres, contrario a lo que sucede en la fase La Niña que muestra excesos de humedad en la parta alta de la cuenca cubriendo un 17% del área, y con suficiente agua en el área restante.
Por su parte, el número de días con excesos de humedad por encima del límite liquido del primer horizonte tomaría importante relevancia en aquellas áreas donde, por la intervención humana, los suelos se hacen vulnerables a fenómenos de remoción en masa. Se observa, en la figura 6, que en un año normal estos excesos se presentan en la parte alta de la cuenca y por un rango entre 10 y 40 días en el año. Por otra parte, durante eventos del fenómeno de La Niña y como consecuencia del aumento de lluvias los excesos de humedad por encima al límite liquido podrían presentarse incluso hasta por 140 días durante el año, incrementando así las posibilidades de que en la microcuenca induzcan movimientos de remoción en masa. En contraste, bajo un evento del Niño las posibilidades de que se produzcan deslizamientos disminuyen dado que durante este periodo climático se presenta déficit de humedad en toda la microcuenca de la quebrada Barbillas.
Días con excesos de humedad > LL | |
0-10 | |
10-50 | |
50-100 | |
>100 | |
Figura 6. Distribución espacial de la cantidad de días con excesos de humedad por encima del límite líquido (Arriba año normal, abajo izq. año niña, abajo der. año niño)
Mediante la cuantificación de capacidad de almacenamiento de agua en el suelo y la oferta hídrica total, se encontró que en los sectores más bajos de la microcuenca la clasificación de los suelos cambio de clases 3 y 4, según la metodología convencional a una clase 5, cuya limitante principal es el clima y en particular el nuevo procedimiento puso al descubierto la baja disponibilidad de agua a través del tiempo. Esta situación manifiesta un déficit de agua que debe considerarse durante la planeación de usos agrícolas en este sector de la microcuenca.
En términos de valor catastral las tierras del sector bajo de la microcuenca deberían tener menor valor potencial y los precios de la tierra serían más bajos en este caso la clase agrologica permitiría mejorar el procedimiento catastral y es especial la forma de obtener el valor por disponibilidad de aguas superficiales y consecuentemente almacenada en el suelo.
SIMBOLO | CLASE | SIMBOLO | CLASE | |
3 | 6 | |||
4 | 7 | |||
5 | 8 |
Figura 7. Distribución espacial de las clases de capacidad de uso de las tierras (Der, método convencional; Izq, incorporando CA y balances hídricos)
En resumen la medida de la capacidad de almacenamiento de agua en el suelo es indispensable para generar datos relacionados con la disponibilidad de agua para los cultivos. Es, además, un avance significativo asociado a la escala detallada, y se considera un aporte para definir la capacidad de uso de las tierras y disminuir posibles impactos en los ecosistemas, especialmente en la disminución del caudal base de la quebrada Barbillas.
Durante el levantamiento detallado de suelos en la microcuenca de la quebrada Barbillas se realizaron innovaciones en dos aspectos que contribuyen a la definición de la capacidad de uso de las tierras y a la necesidad de incluir las prácticas de manejo ambiental en las recomendaciones; la innovación principal fue la inclusión del método numérico (enfoque cuantitativo) en la variable disponibilidad de agua para los cultivos y la segunda una nueva forma de análisis de la susceptibilidad a la degradación de las tierras en la tipología de amenaza a los deslizamientos de tierras, que en los estudios generales de suelos se determinaban de manera subjetiva.
La incorporación de la información de morfometría de los sistemas hídricos aportó un mejoramiento escalar para precisar la clasificación por capacidad de uso y generó nuevos elementos para incluirlos en la interpretación, esto le permitió la realización de ajustes espaciales a la escorrentía de agua superficial con la introducción del concepto de eficiencia hidráulica que posibilitó el ajuste espacial de los datos hidrológicos reportados por el Instituto de Hidrología, Meteorología y Estudios Ambientales IDEAM.
Se encontró una correspondencia entre las tierras que contienen la mayor capacidad de almacenamiento de agua en el suelo y la presencia de deslizamientos visibles en el paisaje de montaña, la presencia de cicatrices de despegue en la parte alta de la microcuenca de la quebrada Barbillas confirmaron la alta capacidad de retención de humedad que hay en los suelos en este sector de la microcuenca y que en combinación con las pendientes fuertes producen movimientos masivos de tierra durante los picos de intensidad de las lluvias.
Respecto al análisis de variabilidad climática con el fenómeno ENOS, se encontró en la parte alta de la microcuenca, que durante un evento La Niña (aumento de los volúmenes de lluvia), hay mayor probabilidad de deslizamientos, mientras que en la fase El Niño
(disminución de las lluvias) aumentaría en un 59% el área afectada por déficit de humedad en los suelos y además el caudal de la quebrada Barbillas tendería a desaparecer. De esta manera, los análisis del suelo con eventos de variabilidad climática ayudan a tomar medidas en la definición del uso y en el manejo de las tierras al involucrar estas amenazas al ambiente.
Castro, C., 2019. Propuesta metodológica para definir la disponibilidad de agua para catastro GIT gestión de suelos y aplicaciones agrológicas. Subdirección de Agrología. Instituto Geográfico Agustín Codazzi. Socialización 19 de julio de 2019.
IDEAM. 2014. Estudio Nacional del Agua (ENA). Bogotá, Colombia: 493 p.
Instituto Geográfico Agustín Codazzi. IGAC). 1998. Estudio general de suelos del departamento del Huila. Bogotá, D.C. Colombia. Subdirección de Agrología.
Instituto Geográfico Agustín Codazzi (IGAC). 2007. Definición de Usos Alternativos y Sostenibles Para la Ocupación de las Tierras a Nivel Nacional. Bogotá, D.C. Colombia. Subdirección de Agrología. Instituto Geográfico Agustín Codazzi. (IGAC). 2014. Metodología para la clasificación de las tierras por su capacidad de uso. Bogotá D. C., Colombia. GIT Gestión de Suelos y Aplicaciones
Agrológicas, Subdirección de Agrología.
Instituto Geográfico Agustín Codazzi IGAC. 2018. Levantamiento semidetallado de suelos de la Microcuenca Barbillas, municipio de La Plata, Huila. Subdirección de Agrología, Bogotá, Colombia.
Leiva, N. 2012. Metodología para el cálculo de la humedad del suelo usando parámetros topográficos (MDE), climáticos y edáficos en un sector del piedemonte depositacional del municipio de Villavicencio. Bogotá, Colombia: Universidad Nacional de Colombia. Facultad de Agronomía, Escuela de Posgrados.
Palacios, I. Susceptibilidad a deslizamientos en la vía Aloag - Santo Domingo, mediante lógica difusa. En revista GEOESPACIAL (julio-Diciembre 2020) 17(2): 01-12. Recuperado el 15 de febrero de
2021 de https://journal.espe.edu.ec/ojs/index.php/revista-geoespacial/article/view/1571 Suarez de Castro, F. (1982), Conservación de suelos. segunda edición. Salvat Editores. 298 p.
Thornthwaite, C.W.; Mather, Jr. 1955. The Water Balance. Laboratory of Climatology, Centerton, NJ, USA.
USDA (2014). Keys to Soil Taxonomy. 12va ed. United States Departament of Agriculture.
Revista GEOESPACIAL (Enero-Junio 2021) 18(1): 49-61
ISSN: 2600-5921
EFFECT OF LAND USE CHANGE ON SEDIMENT PRODUCTION AND RETENTION: THE CASE OF A MOUNTAIN WATERSHED
3 Docente de la Facultad de Ingeniería – Escuela de Ingeniería Geológica. Universidad de Los Andes – Mérida. Grupo de Ciencias de la Tierra – TERRA. Correo-e: oag2021gmail.com
*Autor de correspondencia: Loja, Ecuador, brian.cloxo@hotmail.com
Recibido: 24 de marzo 2021 / Aceptado: 26 junio 2021
Se identificó y simuló los cambios de usos de suelo en dos escenarios diferentes (tendencial y negativo), para estimar su relación con la producción y retención de sedimentos en la cuenca hidrográfica Zamora Huayco del cantón Loja. Se realizaron modelos espaciales utilizando SIG. Asimismo se efectuaron mediciones en campo que arrojaron rangos de producción de sedimentos de 0.51 – 3.76 g para bosque y 7.75 – 72.75 g para pastizal. De manera complementaria se elaboró un mapa de susceptibilidad a movimientos en masa y erosión. Estos escenarios evidencian la importancia de restringir el cambio del uso del suelo en cuencas hidrográficas de montaña, debido a alteraciones en procesos ecológicos y geológicos, además son fundamentales en la producción de sedimentos y el suministro de agua potable.
The changes in land use were identified and simulated in 4 different scenarios, to estimate their relationship with the production and retention of sediments in the Zamora Huayco watershed of the Loja canton. They were compared using GIS and field samplings. Ranges of 0.51 - 3.66 g for forest and 7.75
- 72.75 g for grassland are calculated. In a complementary way, a map of susceptibility to mass movements and erosion and its integration of biophysical variables was elaborated. These scenarios show the importance of restricting the change of land use in mountain hydrographic basins, due to alterations in ecological and geological processes, and they are also fundamental in the production of sediments and the supply of drinking water.
B. Idrovo; I. González; O. Guerrero Pag. 50
Los ecosistemas son reguladores importantes de la cantidad del agua y sedimentos. Para realizar estas funciones, los ecosistemas requieren acciones de protección y gestión, sin las cuales se generarían serias consecuencias ambientales, sociales y económicas. Sin embargo, varios estudios indican que cerca de las dos terceras partes de los servicios que brinda la naturaleza a la humanidad, están degradándose en el ámbito mundial. Esto significa que los beneficios obtenidos, a partir de la transformación del planeta, se han logrado mediante una reducción de los bienes de capital natural (Guerrero, Keizer y Córdoba, 2006; Cabrera, Jaramillo y Fries 2018).
La vegetación de los bosques contribuye a retener el suelo, al reducir el impacto de las precipitaciones mediante la disminución de la escorrentía superficial, lo a que a su vez mitiga el arrastre de sedimentos hacia los cursos de agua (Figueroa, Reyes y Rojas, 2009). Por otro lado, Hall, Kirn y Fernández (2015) señalan que la cantidad de sedimentos varía en función de la geología, la morfología, la inclinación de la pendiente, la intensidad de lluvia, la cobertura de la vegetación y la gestión del uso del suelo. Es así que, estos autores exponen un estudio realizado en Puerto Rico para estimar la respuesta hidrológica y producción de sedimentos a nivel de cuencas hidrográficas. Con esta finalidad, seleccionaron un par de cuencas ubicadas sobre rocas volcánicas y otro par de cuencas situadas sobre rocas plutónicas. Además, en cada tipo de roca madre escogieron una cuenca boscosa y otra predominantemente agrícola. El estudio demostró diferencias en la respuesta hidrológica y un mayor rendimiento de sedimentos en los paisajes agrícolas.
En Ecuador, el Fondo Regional del Agua y Ambiente (FORAGUA), se implementó para mejorar la supervisión de los servicios hídricos y la conservación de las cuencas hidrográficas. Hall et al (2015) indican que los fondos de agua de Ecuador tienen poca información disponible sobre la relación que existe entre el uso del suelo y la producción de servicios ecosistémicos. Uno de los pocos estudios realizados a nivel nacional, analiza el efecto del cambio uso del suelo en los servicios que proveen los ecosistemas del Corredor ecológico Llanganates Sangay (Gaglio et al., 2017). Esta investigación muestra que los bosques de alta montaña en los últimos 14 años no han sufrido mayores cambios y corrobora la importancia de estos ecosistemas en la prevención de la erosión. En la región sur del país Ochoa et al. (2015), analizaron el riesgo de erosión asociados a cambios de uso del suelo en la microcuenca Zamora Huayco, encontrando que el uso del suelo es un factor clave, sobre todo en las zonas que presentan condiciones climáticas y morfológicas extremas.
En este artículo, se plantea la generación de escenarios de cambio de uso del suelo en la cuenca hidrográfica Zamora Huayco, cuenca de suma importancia, pues brinda el 60% del abastecimiento de agua para la población de Loja (Hernández y González, 2016), de forma complementaria, se ha realizado un modelo de susceptibilidad a movimientos en masa y erosión y mediciones in situ de la producción de sedimentos, para poder estimar la variación del servicio ecosistémico de control de sedimentos en función de los cambios de uso del suelo. A través de esta propuesta se pretende generar información útil para la planificación hídrica de la ciudad de Loja.
ÁREA DE ESTUDIO
La cuenca hidrográfica Zamora Huayco ubicada en el cantón Loja, Ecuador, tiene un área de 4009.77 ha. Se encuentra entre las coordenadas: 9559962N - 9548415N, 708180E - 698895E. Un 33.41% de su superficie se localiza dentro del Parque Nacional Podocarpus y un 66.59% dentro de los límites de la zona de amortiguamiento del mismo (MAE, 2019). Las
Efecto del cambio del uso del suelo en la producción Pag. 51
parcelas para la medición in situ de sedimentos se establecieron en la reserva “El Madrigal del Podocarpus”, ubicada a 7 km de la ciudad de Loja, con una extensión de 306 ha (Figura 1).
Figura 1. Ubicación de la zona de estudio y área de muestreo
Fuente: Elaboración propia a partir de INEC (2012), Copernicus sentinel (2019)
CARACTERÍSTICAS BIOFÍSICAS DEL ÁREA DE ESTUDIO
La cuenca hidrográfica Zamora Huayco está integrada por cuatro microcuencas (Figura 2a): Mendieta, El Carmen, San Simón y Las Minas. Las tres primeras contienen las captaciones de agua potable de Pizarros, El Carmen y San Simón, respectivamente, mientras que la quebrada Las Minas no cuenta con una captación de agua.
La cuenca hidrográfica posee un rango de temperatura anual de 12.7 °C – 16.1 °C (Figura 2b) y la precipitación media anual está entre 878.50 mm a 1838.23 mm (Figura 2c) (Álvarez
,2017). La pendiente media de la cuenca es de 29° (Figura 2d), con un rango de elevaciones de 2048 a 3416 msnm (Figura 2e). Presenta una red hidrográfica densa y variada (Figura 2f), con un orden de jerarquización de nivel (N=6).
Figura 2. a. Microcuencas hidrográficas y captaciones hídricas; b. Isotermas; c. Isoyetas; d.
Pendientes; e. Elevaciones; f. Red hidrográfica.
La cuenca hidrográfica Zamora Huayco está conformada por las siguientes unidades geológicas (Figura 3); Chigüinda (PZlc), compuesta de pizarras, filitas, esquistos grafitosas y cuarcitas que conforman la roca de basamento de edad Paleozoica, de manera discordante y suprayacente se reconocen afloramientos de las formaciones sedimentarias miocenas, denominadas San Cayetano (MSc) compuestas por areniscas, limolitas, lutitas y diatomitas y la Formación Quillollaco (MPLQ) conformada por conglomerados y areniscas. Finalmente, estas unidades están recubiertas por espesas secuencias cuaternarias aluviales (QA), con material geológico poco consolidado generalmente bloques, cantos y guijarros de rocas volcánicas y metamórficas.
Figura 3. Geología de la cuenca Zamora Huayco Fuente: Elaboración propia a partir de INAIGEMM (2017).
La presencia de rocas de composición esencialmente arenosa y arcillosa afectadas por fallamiento geológico local, incrementan la susceptibilidad a movimientos en masa y erosión de suelos y material rocoso en zonas con pendientes fuertes.
La morfometría de la cuenca hidrográfica que determina parámetros claves en la evaluación hidrogeológica de superficie, considera los parámetros de Sthraler (1983). Los valores morfométricos de la cuenca (Tabla 1), definen una microcuenca hídrica de montaña torrentosa con pendientes promedios de 29° y relación de forma ligeramente alargada, oblonga a ligeramente ensanchada que determina menor probabilidad de generar picos de crecidas (Guerrero et al. 2014), con tiempos de concentración de caudales por tormentas de aproximadamente 72.55 minutos.
Tabla 1. Parámetros morfométricos de la cuenca hidrográfica Zamora Huayco
Parámetros | Valor |
Perímetro (km) | 28.33 |
Área (km2) | 40.11 |
Longitud máxima (km) | 10.42 |
Longitud cauce principal (km) | 12.66 |
Ancho de la cuenca (km) | 3.84 |
Desnivel altitudinal (m) | 1698.59 |
Cota máxima (msnm) | 3417.32 |
Cota mínima (msnm) | 2045.91 |
Altitud media (msnm) | 2470.63 |
Altitud más frecuente (msnm) | 2251.62 |
Altitud mayor del cauce (msnm) | 3125.59 |
Altitud menor del cauce (msnm) | 2046.69 |
Pendiente promedio de la cuenca (°) | 29° |
Factor forma | 0.37 (Ligeramente alargada) |
Coeficiente de compacidad | 1.25 (Oval redonda- oval oblonga) |
Coeficiente de circularidad | 0.63 (Ligeramente Ensanchada) |
Tiempo de concentración (min) | 72.55 (1 h 21 min) |
Para identificar la evolución del uso del suelo se generó una línea base del año 2010, a partir de la digitalización de ortofotos (SigTierras, 2010). Se actualizó el mapa de uso del suelo al año 2019, mediante el método de fotointerpretación interdependiente propuesto por la FAO, utilizando imágenes Sentinel 2. Se generó un escenario negativo de cobertura vegetal del año 2019, considerando una deforestación de -0.77% anual, dato que corresponde a la tasa de deforestación bruta anual en el Ecuador continental, reduciendo la cobertura vegetal de bosque nativo en la cuenca en aproximadamente un 6.93%. (Mogrovejo, 2017).
Con la herramienta QGIS MOLUSCE se obtuvo las transiciones de uso del suelo desde al año 2010 hasta el año 2019 tendencial y 2019 negativo. Estas transiciones sirvieron como base para proyectar el uso del suelo al año 2028 tendencial y 2028 negativo. En MOLUSCE el año proyectado corresponde al año final más la diferencia entre el año final y el año inicial. Se configuró la herramienta con ANN (Artifical Neural Network) aproximado, vecino de proximidad de 3 x 3(9 pixeles) m 0.001 learning rate, 10 hidden layers, 0.050 momentum value, valores referenciales de Bugday y Bugday (2019) y un numero de interacciones de 1500.
El mapa de susceptibilidad a movimientos en masa y erosión se realizó integrando parámetros biofísicos, como la precipitación media anual (mm), cobertura vegetal, geología y pendiente (Tabla 2), criterios utilizados en la propuesta de diversos autores (Español, 2017; SNGRE, 2017; Esquivel, 2018). En la asignación de pesos la variable de cobertura vegetal tiene el mayor peso (40%), debido a que su escasez influye considerablemente de forma negativa en la estabilidad de terreno. En la cuenca se registra una elevada precipitación media anual, por lo cual se ha considerado asignar un peso de 30%, ya que es un factor detonante en la meteorización, arrastre de sedimentos y generación de movimientos en masa. La pendiente es una variable de alto impacto para la estabilidad del terreno, por lo cual tiene una ponderación de 20%, sin embargo, su influencia depende de la interacción con la litología y la cobertura vegetal. Finalmente, la geología es la variable con menor peso (10%), debido a que la geología de la cuenca es mayormente de composición silícica y homogénea, representando una variable de poco impacto de movimientos en masa (Guerrero, 2019).
Adicionalmente se elaboró una figura de integración a los movimientos en masa y erosión añadiendo valores de temperatura y elevaciones a los correspondientes niveles de subcuencas, representando valores de trasporte de sedimentos y erosión de suelo respectivos a cada nivel analizado (Guerrero, 2019; Palacios, 2020).
Tabla 2. Asignación de pesos a las variables del mapa de susceptibilidad.
Capa base | Nivel de influencia (%) |
Cobertura vegetal | 40% |
Precipitación | 30% |
Pendiente | 20% |
Geología | 10% |
Total | 100% |
Efecto del cambio del uso del suelo en la producción Pag. 55
Para la caracterización de producción-retención de sedimentos in situ, se aplicó la metodología basada en la propuesta de Soliveres y García-Palacios (2019), adaptada a las condiciones hidrográficas del terreno. Se realizaron parcelas permanentes (una por cada uso del suelo). En bosque y pastizal se establecieron parcelas de 5 m de largo y 2.5 m de ancho. Se delimitó las parcelas con láminas geosintéticas de 40 cm de altura. Se introdujeron 20 cm dentro del suelo previamente surcado, dejando los 20 cm restantes expuestos. Las parcelas tienen una pendiente de 18 -19% y una precipitación anual de 1215 mm en pastizal y 1280 mm en bosque. Para la captura de sedimentos se elaboró un método de recolección mecánico manual y se realizaron observaciones durante 57 días, con una frecuencia de recolección de sedimentos de 7 – 15 días. El periodo de muestreo inició el 24 de noviembre del 2019 hasta el 05 de enero del 2020, correspondiente al periodo lluvioso de la región Sierra del Ecuador con valores mayores de precipitación (Chamba y Chuncho, 2011).
ESCENARIOS DE COBERTURA Y USO DEL SUELO
En el año 2010 (figura 4a) el bosque nativo tenía la mayor extensión de territorio con
2169.87 ha, mientras que el uso con menor extensión corresponde a cultivo, con tan solo 5.73 ha. (Figura 4a). En el año 2019 (figura 4b) el bosque nativo presenta una extensión de 2238.25 ha y el cultivo con 5.5 ha (tabla 3). La cobertura vegetal dominante del año 2019 escenario negativo (figura 4c) es de igual manera el bosque nativo con una extensión de 2083.22 ha.
Figura 4. Cobertura vegetal cuenca Zamora Huayco; a. año 2010, b. año 2019, c. año 2019 negativo.
Fuente: Elaboración propia a partir de SIGTIERRAS (2010- 2019).
B. Idrovo; I. González; O. Guerrero Pag. 56
Tabla 3. Cambio del uso del suelo periodo 2010 – 2019
Cobertura vegetal | 2010 (ha) | 2019 (ha) | 2019 negativo (ha) | Variación 2010- 2019 (ha) | Variación 2010-2019 negativo (ha) |
Pastizal | 621.67 | 565.53 | 720.66 | -56.14 | 98.99 |
Bosque nativo | 2169.87 | 2238.25 | 2083.22 | 68.38 | -86.65 |
Cultivo | 5.73 | 5.50 | 5.50 | -0.23 | -0.23 |
Infraestructura antrópica | 19.87 | 19.87 | 19.87 | 0.00 | 0.00 |
Cuerpo de agua | 7.47 | 7.47 | 7.47 | 0.00 | 0.00 |
Área poblada | 223.69 | 231.1 | 231.1 | 11.41 | 11.41 |
Páramo | 23.7 | 23.7 | 23.7 | 0.000 | 0.00 |
Vegetación arbustiva | 236.81 | 240.81 | 240.81 | 4 | 4 |
Plantación forestal | 312.94 | 260.61 | 260.61 | -52.33 | -52.33 |
Vegetación herbácea | 388.41 | 417.11 | 417.11 | 28.7 | 28.7 |
Fuente: Elaboración propia a partir de SIGTIERRAS (2010- 2019)
La proyección tendencial del año 2028 muestra la disminución de áreas de pastizal, plantaciones forestales y aumento de extensiones de bosque. Por el contrario, en el escenario 2028 negativo, se observa una diferencia de -296.97 ha de bosque nativo con respecto a la proyección tendencial y un incremento de pastizal de 297.5 ha. Las coberturas restantes se mantienen en valores significativamente similares en ambos escenarios (tabla 4)
Figura 5. Cobertura vegetal cuenca Zamora Huayco: a. año 2028 tendencial natural; b. Escenario de cobertura vegetal 2028 tendencial negativo simulado
Efecto del cambio del uso del suelo en la producción Pag. 57
Tabla 4. Cambio de uso del suelo 2028 tendencial natural-2028 negativo tendencial simulado
Cobertura vegetal | 2028 (ha) | 2028 negativo (ha) | Variación 2028-2028 negativo (ha) |
Pastizal | 526.24 | 823.74 | 297.5 |
Bosque nativo | 2277.91 | 1980.94 | -296.97 |
Cultivo | 5.5 | 5.5 | 0.00 |
Infraestructura antrópica | 19.8 | 19.8 | 0.00 |
Cuerpo de agua | 7.43 | 7.43 | 0.00 |
Área poblada | 231.55 | 231.44 | -0.11 |
Páramo | 23.8 | 23.8 | 0.00 |
Vegetación arbustiva | 240.79 | 240.61 | -0.18 |
Plantación forestal | 234.4 | 234.4 | 0.00 |
Vegetación herbácea | 443.2 | 442.72 | -0.48 |
El efecto de la cubierta vegetal contribuye en la reducción de la erosión hídrica. La presencia de vegetación además de interceptar parte de la precipitación, también disminuye la velocidad del escurrimiento superficial (Molina, 2008). Según Ochoa et al. (2015), en el sur del Ecuador la deforestación ha llegado a niveles preocupantes, entre el año 1989 y 2008, la tasa anual de deforestación es de 2.86% y se estima que la vegetación nativa remanente cubre aproximadamente cerca del 49% de la región. Sin embargo, la situación de la cuenca Zamora Huayco, nos muestra una realidad distinta, esto se debe al estado parcial de conservación en la que se encuentra, pues se ubica en un 33.41% de dentro del Parque Nacional Podocarpus (MAE, 2019), reduciendo los principales sistemas agropecuarios y aumentando la superficie del tipo de cobertura vegetal bosque nativo, resaltando la importancia de declarar estos territorios, parcial o totalmente en estado de conservación.
SUSCEPTIBILIDAD A MOVIMIENTOS EN MASA Y EROSIÓN
La cuenca hidrográfica Zamora Huayco presenta los siguientes niveles de susceptibilidad: severa (1.86%), alta (53.97%), moderada (44.05%) y leve (0.10%). La mayor parte de la cuenca es muy susceptible a procesos de movimientos en masa y erosión, debido a la existencia de pendientes abruptas y altos niveles de precipitación, a pesar que posee gran cantidad de buena cobertura vegetal y una litología favorable a la infiltración (Figuras 7 y 8). Por tanto, la hace objeto aun de mayor interés de conservación debido a su nivel de riesgo natural a movimientos en masa. Las microcuencas El Carmen y San Simón, son las más propensas a generar movimientos en masa, seguidas de Las Minas y Mendieta.
B. Idrovo; I. González; O. Guerrero Pag. 58
Figura 6. Susceptibilidad a movimientos en masa de las microcuencas hidrográficas que conforman la cuenca Zamora Huayco.
Figura 7. Integración de los parámetros biofísicas y las condiciones de susceptibilidad a movimientos en masa de los niveles de subcuencas la cuenca Zamora Huayco.
Efecto del cambio del uso del suelo en la producción Pag. 59
EXPORTACIÓN IN SITU DE SEDIMENTOS
Los resultados obtenidos en la producción de sedimentos in situ, extraídos en las diferentes parcelas muestran una gran diferencia en la generación de sedimentos entre el uso del suelo pastizal y la cobertura de bosque nativo (Figura 8).
Figura 8. Relación de peso seco in situ de sedimentos Reserva “El Madrigal del Podocarpus”
Los sedimentos en seco generados en el periodo de muestreo dieron un total de 9.38 g para bosque y 130.93 g en pastizal. Con estos valores se estima que, al cabo de un año, se generarían 60.06 g y 838.60 g respectivamente en un área de 12.5 m2. Estos resultados determinan que el pastizal es la cobertura vegetal más vulnerable a ocasionar erosión y producción de sedimentos. Por tanto, el estado de conservación del escenario tendencial 2028 reduciría de manera significativa el efecto de erosión y producción de sedimentos por su mayor cobertura de bosque nativo. Por el contrario, el escenario 2028 negativo aumentaría este efecto al perder la protección de 157.19 ha de bosque nativo.
Por otra parte, debe considerarse la limitación del periodo de muestreo y la influencia de la época lluviosa donde fue realizado, al igual que la influencia de las demás variables a las que está sometida la cuenca tal como se indica en el modelo de susceptibilidad a movimientos en masa y erosión.
CONCLUSIONES
La cuenca hidrográfica de Zamora Huayco para el periodo 2010 a 2019, sufrió cambios del uso del suelo de forma positiva, disminuyendo la cantidad de sedimentos producidos a lo largo del tiempo, gracias a su estado de conservación, demostrando la importancia de la cobertura vegetal y su relación con los riesgos de erosión y movimientos en masa.
El deterioro estimado de la vegetación protectora (bosque), genera un ascenso visible de producción de sedimentos a lo largo del tiempo determinado por el escenario negativo 2019 y la proyección año 2028 negativo.
B. Idrovo; I. González; O. Guerrero Pag. 60
El análisis de producción-retención de los sedimentos in situ, determina que la producción de sedimentos en bosque nativo, varía entre los 0.51– 3.76 g y en pastizal entre los 7.75–72.72 g para el periodo muestreado. Esto refleja la efectividad del tipo de cobertura vegetal en el proceso de restauración y protección ambiental de cuencas hidrográficas.
Álvarez, J. (2017). Disponibilidad y demanda del recurso hídrico superficial. Estudio de caso: Subcuenca Zamora Huayco, Ecuador. La Plata. Disponible en: https://cutt.ly/WzGpQ6B.
Buğday, E. y Buğday, S. (2019). Modeling and simulating land use/cover change using artificial neural network from remotely sensing data, CERNE, 25(2), 246-254.
Cabrera, M., Jaramillo, V. y Fries, A. (2018). Caracterización de variables meteorológicas a ser usadas como fuentes de energía en la región sur del Ecuador. GEOESPACIAL, 15(2), 13-23.
Chamba, E. y Chuncho, J. (2011). Estudio de la variabilidad espacial y temporal de la precipitación temperatura, ligada al cambio climático en la provincia de Loja. Loja, Ecuador. Disponible en: https://cutt.ly/7zGvUaq.
Copernicus Sentinel data 2019, processed by ESA.
Español, A. (2017). Estudio de susceptibilidad por movimientos en masa en la subcuenca del arroyo Quijorna mediante evaluación multicriterio. España. Disponible en: https://n9.cl/q3rp4.
Esquivel, R. (2018). Análisis de susceptibilidad a deslizamientos. Caso de estudio: Sector centro norte de la ciudad de Toluca, estado de México. México. Disponible en: https://n9.cl/30qdt.
Figueroa, E., Reyes, P., y Rojas, J. (2009). Pagos por servicios ambientales en áreas protegidas en América Latina. Santiago, Chile. FAO. Disponible en: https://core.ac.uk/download/pdf/48017739.pdf.
Guerrero, E., Keizer, O., Córdoba, R. (2006). La aplicación del enfoque ecosistémico en la gestión de los recursos hídricos. Quito, Ecuador: UICN. Disponible en: https://cutt.ly/zzGnOEd.
Guerrero, O. et l. (2014). Caracterización geomorfológica y tasa de erosión en los humedales alto- andinos de la cuenca Mucuy-La Coromoto. Geominas, 41(62),141-149.
Guerrero, O. (2019). Los riesgos geológicos de cuencas Hidrográficas y la planificación Urbana. Loja, Ecuador. UTPL.
Hall, J., Kirn, V., Fernández, E. (2015). La gestión de las cuencas hidrográficas para asegurar los servicios ecosistémicos en las laderas del neotrópico. Panamá. Disponible en: https://cutt.ly/0zGE8IN.
Hernández, F. y González, C. (2013). Autodesarrollo y conservación de los recursos naturales de la microcuenca Zamora Huayco. Loja, Ecuador. Disponible en: https://cutt.ly/ozGgkX5.
Instituto Nacional de Estadísticas y Censos – INEC (2012). Censo de población y vivienda. Ecuador.
REDATAM.
Instituto Nacional de Investigación Geológico Minero Metalúrgico – INIGEMM (2017). Memoria técnica de la hoja de geología Zamora 1:100000. Proyecto investigación geológica y disponibilidad de ocurrencias de recursos minerales en el territorio ecuatoriano. Quito,53.
Ministerio del Ambiente y Agua – MAE (2019). Sistema único de información ambiental. Ecuador.
Disponible en: http://suia.ambiente.gob.ec/.
Molina, F. (2008). Retención de sedimentos por la vegetación de la zona de protección de cauce en la cuenca del predio Los Pinos. Valdivia. Disponible en: https://cutt.ly/gzGv8SB.
Efecto del cambio del uso del suelo en la producción Pag. 61
Ochoa, P. et al. (2015). El papel de la cobertura vegetal en la generación de sedimentos y calidad de agua de los Andes Ecuatorianos. Córdoba. Disponible en: https://cutt.ly/WzGkVP6.
Palacios, I. (2020). Susceptibilidad a deslizamientos en la vía Aloag- Santo Domingo, mediante lógica difusa, Geoespacial, 17(2), 01-12.
Secretaría Nacional de Gestión de Riesgos y Emergencias – SNGRE (2017). Propuesta metodológica para el análisis de amenaza ante movimientos en masa en Ecuador continental. Ecuador.
Soliveres, S. y García-Palacios, P. (2019). Sucesión secundaria, interacciones biológicas y funcionamiento de las comunidades asociadas a taludes de carretera: las interacciones planta- suelo importan más que las planta-planta. Ecosistemas, 28(2), 50-60. Doi.: 10.7818/ECOS.1718.
Strahler, A. (1983). Geografía física. Barcelona, Omega S.A, 387.