RESUMEN
La cuenca de Huancané está
ubicada en Puno-Perú, la superficie total de la cuenca 3,631.18 km2, los
ecosistemas pueden brindar servicios que benefician, muchos de estos servicios
ecosistémicos no son valorados, por este motivo se tiene como objetivo de estimar
la retención de sedimentos usando el modelo INVEST (SDR) en la cuenca Huancané.
El método que se desarrolló fue la aplicación del software InVEST (Valoración
integrada de servicios ambientales y compensación), para correr el modelo se
tuvo que procesar variables que requiere el modelo INVEST (SDR) como: Modelo de
elevación digital (DEM), erosividad lluvia (Factor R), Erodabilidad del suelo
(Factor K), Uso de suelo (Factor C) y Prácticas de apoyo (Factor P). Se obtuvo
en una escala de rojo a verde donde el valor más alto de retención de fue
5738.44 tn/año, el factor que desplaza el sedimento es la pendiente, pero en
pendientes < al 5%, es donde hay mayor retención de sedimentos (áreas con
predominancia de actividad agrícola). En conclusión, se realizó satisfactoriamente
el modelamiento de retención de sedimentos en la cuenca Huancané sumando
conocimientos ecosistémicos.
Palabras clave: INVEST; retención de sedimentos; servicios
ecosistémicos; suelo.
Estimation of
sediment retention with the INVEST (SDR) model, in the Huancané basin
ABSTRACT
The Huancané watershed is located in
Puno-Peru, the total area of the basin 3,631.18 km2, ecosystems can provide
services that benefit, many of these ecosystem services are not valued, for
this reason it aims to estimate sediment retention using the INVEST model (SDR)
in the Huancané watershed. The method developed was the application of the
InVEST (Integrated Valuation of Environmental Services and Compensation)
software. To run the model, variables required by the INVEST (SDR) model had to
be processed, such as: Digital Elevation Model (DEM), rain erosivity (R
Factor), soil erodibility (K Factor), land use (C Factor) and support practices
(P Factor). It was obtained on a scale from red to green where the highest retention
value was 5738.44 tn/year, the factor that displaces the sediment is the slope,
but in slopes < 5%, is where there is greater sediment retention (areas with
predominantly agricultural activity). In conclusion, the modeling of sediment
retention in the Huancané watershed was satisfactorily carried out, adding
ecosystemic knowledge.
Keywords: :INVEST; sediment retention; ecosystem services; soil.
Artículo recibido 14 junio 2023
Aceptado para
publicación: 14 julio 2023
INTRODUCCIÓN
La erosión del suelo y la sedimentación
continúan siendo una de las principales amenazas a nivel mundial para la
sostenibilidad de la producción de alimentos (Nyssen et al., 2009), además de verse como una crisis ambiental, por el contexto de
alimentación debido a una población en constante expansión (Pimentel, 2006); (Powlson et al., 2011) Se produce un perjuicio cuando las tasas de erosión (pérdida) del
suelo superan las tasas de C(formación del suelo) (Montgomery, 2007) amenazando el suministro de estos servicios y degradando la calidad
del agua (Woznicki et al., 2020), la acumulación de grandes volúmenes de los
sedimentos en los cuerpos de agua ocasiona severos problemas en las funciones
de los proyectos hidráulicos (Gashaw et al., 2021).
Una de las primeras menciones de la
retención de sedimentos como parte de un servicio ecosistémico fue realizado por
Constanza en el cual se menciona que es la función de retener el suelo, que da
un enfoque interdisciplinario para el estudio integrador de los sistemas
socio-económicos y ecológicos (Bogdan et al., 2016). El cambio de uso de suelos
y como la cobertura puede afectar drásticamente la gran cantidad de flujo de
sedimentos en las cuencas, pero la presencia de vegetación puede retener
sedimentos (Díaz & Fernanda, 2020).
Además de la capacidad de regular la
cantidad de sedimentos erosionados que llegan a red fluvial, brindando
beneficios como el mantenimiento de la calidad del suelo, el agua y las
funciones de los embalses (Bogdan et al., 2016), entre otros servicios que pueden proporcionar un ecosistema dentro de
sus funciones ecológicas teniendo la capacidad de brindar elementos como aire,
animales, agua limpia, suelo y entre otros que es importante que valoremos (Bedoya, 2017).
La pérdida de sedimentos y los factores
que influyen en el proceso de entrega de sedimentos, como el desprendimiento de
sedimentos, la capacidad de transporte y la topografía, enfatizan la necesidad
de utilizar modelos espaciales distribuidos (Gashaw et al., 2021). En este caso el modelo INVEST (Integrated Valuation of Ecosystem
Services and Tradeoffs) es uno de ellos (Mena, 2019)
para poder simular la pérdida de suelo y la producción de sedimentos desde su
desarrollo (Hamel et al., 2015), además de cuantificar y mapear los servicios ecosistémicos (Mena, 2019),
para el modelo de retención de sedimentos SDR, en cada pixel, el algoritmo
primero calcula la cantidad anual promedio de sedimentos erosionados, y luego
la tasa de entrega de sedimentos (SDR) que corresponde a la proporción de
pérdida de suelo que realmente llega a la corriente (Hamel et al., 2015).
El presente artículo tiene como objetivo
estimar la retención de sedimentos usando el modelo INVEST (SDR) en la cuenca
Huancané.
METODOLOGÍA
1.1.
Área
de aplicación
La cuenca Huancané políticamente se ubica
en el departamento de Puno, ocupa las superficies de las provincias de
Huancané, Moho, San Antonio de Putina y Azángaro. La superficie total de la
cuenca es de 3,631.18 km2, presenta pendientes que varía en un rango <5%
hasta >124%, con una cobertura predominante de pajonal andino, seguido de la
agricultura andina y costera, además de una precipitación anual que varía de
658 mm hasta los 714 mm.
Imagen 1: Mapa de Ubicación
El método La estimación a realizarse de
retención del suelo anual promedio a un largo plazo se centra en RUSLE y están
vinculadas con el modelo de retención de sedimentos (SDR) basado en el paisaje
que tiene en cuenta la conectividad hidrológica (Borselli et al., 2008).
Estos métodos se derivan de los utilizados
en el modelo de retención de sedimentos InVEST (Valoración integrada de
servicios ambientales y compensación) (Hamel et al., 2015), con una amplia aplicación en los Estados Unidos. Las siguientes
series describen la derivación de cada factor del SDR para el cálculo del
rendimiento de sedimentos y la tabla 1 contiene las fuentes de datos utilizadas
para derivar cada factor.
Figura 1: Diagrama de la metodología para correr el modelo InVEST en
la cuenca Huancané.
Figura 2: Flujograma de proceso en el modelo InVEST en la cuenca Huancané.
1.2.
Modelo
de elevación digital
El modelo de elevación digital (DEM) por
sus siglas en inglés, corresponde a una capa espacializada en formatos ráster,
cuyas celdas contienen valores de altura el cual fue obtenida a través del
visor de datos de imágenes geoespaciales (Google Earth Engine) con una
resolución de 30 m.
Finalmente, a la capa en formato ráster se
hicieron las correcciones pertinentes, con el apoyo del sistema de información
geográfica.
1.3.
Factor
R de erosividad lluvia – escorrentía
Representa el efecto del impacto de las
gotas de lluvia, la cantidad y la tasa de escorrentía, (Renard et al., 1997)
reflejándose como se combina la energía y la intensidad de una tormenta y
define los efectos conjuntos del impacto de las gotas de lluvia y la
turbulencia de la escorrentía en el transporte de las partículas de suelo
provenientes de un área (Pérez & Mesa, 2002).
este factor es uno de los insumos de la
ecuación de la pérdida universal de pérdida de suelo, se expresa de la
siguiente forma (MJ * mm * ha-1). Para el cálculo de la erosividad de la
lluvia, se basó en la ecuación propuesta por Arnoldus, (1978), en relación al
índice modificado de Fornier (IMF), donde no solo se considera la precipitación
mensual del mes más húmedo, sino también la de los restos de los meses, este
IMF caracteriza la agresividad de la precipitación y se calcula de la siguiente
forma:
Donde, IMF: índice modificado de Fournier,
Pi: precipitación de cada mes [mm], Pt: es la precipitación media anual [mm].
Para la estimación se partió con los datos
de precipitaciones medias mensuales en un Excel para seis estaciones,
recogiendo los códigos y las precipitaciones desde enero hasta diciembre en un
rango de 30 años, desde 1980 a 2009, para correlacionar R con el IMF, se
aplican métodos distintos en función a la región, uno de ellos es el realizado
por Arnoldus (1977), que estableció un mapa de índices de erosividad R para
Marruecos empleando el IMF en la forma siguiente:
Finalmente, propuestas ya las ecuaciones,
se obtiene el factor R para la cuenca y se espacializa a partir de una
interpolación para el área de estudio, a través del método del Kriging que
pondera los valores medidos circundantes para calcular una predicción de una
ubicación sin mediciones.
1.4.
Factor
K Erodibilidad del suelo
El factor de erosionabilidad del suelo (K)
representa la susceptibilidad a la erosión por escorrentía y el impacto de las
gotas de lluvia (Woznicki et al., 2020).
Para el cálculo de este factor, se basó en
la fórmula propuesta por Wiliams
Donde 0.1317 es un factor de conversión de
unidades, multiplicado por cuatro factores separados fcsand: contenido de
arena; fcl-si: contenido de limo- arcilla; forgc: contenido del carbono
orgánico; fhisand: contenido en relación con la arena.
Para estimar el parámetro de contenido de
arena, la fórmula a continuación.
Para calcular el parámetro de contenido de
limo – arcilla.
Para el cálculo del parámetro en relación
al contenido de arena
Entonces, se procede a descargar un mapa
digital de los suelos del mundo, obtenido del geo servidor de la FAO, el cual
provee archivos en formato shape, con apoyo del GIS se hace un recorte para la
zona de estudio, seguido se identifica todos los tipos de suelos que se tiene
para el área de interés, por consiguiente, se aplica las fórmulas presentadas
anteriormente, para obtener el factor K.
Finalmente se crea un nuevo campo en la
tabla de atributos del shape de la capa de suelos, para luego convertirlo en un
ráster.
1.5.
Factor
C Uso de suelo
El factor de uso de suelo típicamente
representa efectos de las prácticas agrícolas de cultivo y manejo sobre las
tasas de erosión (Renard, KG et al., 1997).
Valores de C universalmente no válidos no
existen (Tapia & Gómez, 2018). Por la gran variedad de cultivos, secuencias y
rotaciones de cultivos y manejos se hace necesaria la evaluación de valores de
C experimentales en condiciones locales (CENEPRED, 2019).
Un componente clave, es un ráster
espacialmente continuo de uso de suelo/cobertura vegetal del suelo (LULC por
sus siglas en inglés), una clasificación LULC ligeramente más sofisticada
consta en dividir los tipos de LULC relevantes en tipos más significativos, se
procede a descargar en formato shapefile la capa de vegetación natural de todo
el Perú, el cual elaborado por el MINAM a una escala de 1/100000), descargable
en: http://geoservidor.minam.gob.pe/intro/geoservicios/intercambio-de-base-de-datos-12.html
Por consiguiente, se hace un corte para el
área de interés, para luego hacer una clasificación de la información espacial,
para la asignación de valores del Factor C, se toma como referencia a los
investigadores Wischmeier & Smith, (1978), que realizaron un cuadro con valores del factor
C.
Finalmente, se le convierte en un formato
ráster contenido con las propiedades biofísicas de uso de suelos, para ser
ingresado al modelo INVEST (SDR).
1.6.
Factor
P prácticas de apoyo
El factor de prácticas de apoyo (P)
refleja las prácticas de manejo agrícola que reduce la erosión del suelo, no se
han detectado prácticas de manejo en la región por lo que asumimos que el
factor P es 1 (uno) para todo el ámbito, pero si, el valor de uno se ingresa a
la tabla biofísica.
1.7.
Corrido
del modelo
El interfaz del modelo INVEST (SDR) es
amigable y no requiere un escritorio GIS, aunque los resultados son exportados
con cualquier herramienta GIS, en este caso el ArcGIS.
Todas las entradas espaciales deben tener
exactamente el mismo sistema de coordenadas proyectado, las entradas de ráster
deben tener el mismo tamaño de celda. En el requerimiento de la tabla
Biofísica, se le debe de asignar cada código LUCL a las propiedades biofísicas,
todos los valores del ráster deben tener las entradas correspondientes en esa
tabla, teniendo en consideración la descripción en la tabla lo siguiente:
Lucode (es el código LUCL del ráster
LULC); Usle_ C (factor de uso de suelo para la usle, los datos varían de 0
(cero) a 1 (uno)); Usle_ P (factor requerido de prácticas de apoyo para el
usle, en este caso se está considerando “1” (uno)).
Tabla 1:
Insumos requeridos por el modelo Invest
(SDR)
ITEM
|
Formato
|
Fuente
|
Descripción
|
Cuenca
|
SHP
|
GeoGPSPerú
|
Área de estudio, para
aplicar los demás factores
|
Modelo
de Elevación Digital (DEM)
|
Ráster
|
Google Earth Engine
|
Capa uniforme con
información de altitud del terreno. Se corrigió del Dem con algebra de mapas
de Arcgis.
|
Factor
R (Erosibidad del suelo)
|
Ráster
|
Cálculo en base a la
ecuación de Índice Modificado de Fournier.
|
Considera la
capacidad de la lluvia para erosionar el suelo, es uno de los factores que
entra en la ecuación universal de pérdida de suelo revisada (RUSLE)
|
Factor
K (Erodabilidad del suelo)
|
Ráster
|
Geoservidor de la
Fao, cálculo de en base a la ecuación de Wiliams con una clasificación de
clase textural del factor K.
|
Mide el grado por el
cual un suelo es suceptible a erosionarse. Es uno de las variables de entrada
de la RUSLE.
|
Factor
C (uso de suelo)
|
Ráster
|
Portal del MINAM –
cobertura vegetal.
Revisión
bibliográfica.
(Tapia & Gómez,
2018)
|
Mide la influencia de
diferentes tipos de cultivo para erosionar el suelo.
|
Factor
P
|
Dato
incluido en la tabla biofísica
|
Para el presente
trabajo no se consideran prácticas de manejo en la cuenca, por lo tanto, se toma
el valor de 1.
|
Este valor cambia de
acuerdo con la aplicación de diferentes prácticas de diferentes prácticas de
manejo en los cultivos.
|
Tabla
Biofísica
|
Csv
(delimitado por comas
|
factor
C
|
Contiene información
del modelo correspondiente a cada una de las clases de uso de suelo y las
prácticas de uso de suelos correspondiente en esta tabla.
|
RESULTADOS Y DISCUSIÓN
Imagen 2: Cantidad de sedimentos Retenidos por la
Cuenca Huancané
En la imagen 2 se reflejan, que
aquella distribuciones de color rojo - naranja, son áreas donde se dan un mayor
retención de sedimentos alcanzando hasta los 5738.44 tn/año, corroborando el
motivo de este resultado, se debe a que estas áreas son de cobertura de
agricultura costera y andina, con pendientes < 5%, según Monge, (2020) por la acción de la precipitación, las partículas
de sedimentos (arena, limo o arcilla) son trasportados por las pendiente de las
laderas y el tipo de cobertura vegetal, haciendo la aparición de pequeños
arroyos, que al unirse forman ríos, transportando grandes cantidades de
sedimentos, Bogdan et al., (2016) expresa que el servicio de retención de
sedimentos se desarrollan en zonas con bajos niveles de pendientes, con la
capacidad de regular la cantidad de sedimentos erosionados que llegan a la red
fluvial, brindando el beneficio de mantener la calidad del suelo, agua y las
funciones de los embalses
Así mismo los resultados
muestran que, aunque tengan diferente uso de suelos la tierra puede cambiar
notablemente, estudios realizados en Yan'an, China se llegó a la conclusión de
que las áreas también pueden mejorar gradualmente (Hou et al., 2015). Por otra parte los sitios más
vulnerables con altos niveles de aportes de sedimentos son los arroyos con una
pendiente pronunciada, bosques estrechos y el uso intensivo de tierras (Cordeiro et al., 2020). Contrastando el autor Rodrigues et al., (2004) menciona que la orilla con densidad alta
de juncos tiene una alta concentración de sedimentos.
Modelamientos realizados en
Cuenca del Río Meléndez Parque Nacional Natural Farallones de Cali se observa
que las áreas con mayor exportación de sedimentos son donde no hay cobertura
vegetal esto se debe a que las raíces de los árboles ayudan a que estos no se
desplacen por factores climáticos (Bedoya, 2017).
CONCLUSIONES
Se realizó satisfactoriamente el modelamiento
de retención de sedimentos de la cuenca Huancané de la región de Puno-Perú,
mediante el modelo INVEST (SDR), donde se puede observar las partes de mayor
retención de sedimentos con valores alcanzando hasta los 5738.44 tn/año.
El uso de suelo que sobreabunda es el
pajonal andino, seguido de la agricultura costera y andina, presente en
pendientes < al 5%, es por ello que en esa zona hay mayor retención de
sedimentos, evitando así que lleguen a las fuentes de agua, que ocasionan alta
turbiedad, desbordes, limitan la luz para el desarrollo del ecosistema
acuático, así como también trunca proyectos hidráulicos.
Finalmente debido al realizar una amplia
aplicación del modelo INVEST (SDR) en los Estados Unidos y una escasez de
información sobre el muestreo de sedimentos se ve un interés en poder aplicar
el modelo en una cuenca regional, porque el modelo SDR captura con alta presión
la combinación espacial del flujo de sedimentos, sumando conocimiento del
servicio ecosistémico de retención en la cuenca.
LISTA DE REFERENCIAS
Bedoya, M. (2017). Valoración
del servico ecositémicos de retensión de sedimentos cuenca del Río Meléndez
parque nacional natural Farallones de Cali. 1–40.
Bogdan,
S., Pătru, I., & Zaharia, L. (2016). The Assessment of Regulatory
Ecosystem Services: The Case of the Sediment Retention Service in a Mountain
Landscape in the Southern Romanian Carpathians. Procedia Environmental Sciences, 32, 1–16.
https://doi.org/10.1016/j.proenv.2016.03.008
Borselli,
L., Cassi, P., & Torri, D. (2008). Catena Prolegomena to sediment and
fl ow connectivity in the landscape : A GIS and fi eld numerical assessment. 75, 268–277.
https://doi.org/10.1016/j.catena.2008.07.006
CENEPRED.
(2019). Manual para la Evaluación del riesgo originador por Fenómenos
Naturales. Centro Nacional de Estimación, Prevención y Reducción Del Riesgo
de Desastres., 3, 1–117.
https://cenepred.gob.pe/web/wp-content/uploads/Guia_Manuales/Borrador EVAR
V3/MANUAL_EVARv3-PRE.pdf
Cordeiro,
G., Vasconcelos, V., Salemi, L. F., & Nardoto, G. (2020). Factors affecting the
effectiveness of riparian buffers in retaining sediment: an isotopic approach. Environmental
Monitoring and Assessment, 192(11).
https://doi.org/10.1007/S10661-020-08705-4
Díaz,
R., & Fernanda, G. (2020). Valoracion
del Servicio Ecosistemico de Retencion de Sedimentos con Invest (SDR), en una
Cuenca Transformada. Caso del Rio Sauce Chico, Buenos Aires, Argentina. November.
Gashaw,
T., Bantider, A., Zeleke, G., Alamirew, T., Jemberu, W., Worqlul, A. W., Dile,
Y. T., Bewket, W., Meshesha, D. T., Adem, A. A., & Addisu, S. (2021). Evaluating InVEST model
for estimating soil loss and sediment export in data scarce regions of the
Abbay (Upper Blue Nile) Basin: Implications for land managers. Environmental
Challenges, 5(November), 100381.
https://doi.org/10.1016/j.envc.2021.100381
Hamel,
P., Chaplin-Kramer, R., Sim, S., & Mueller, C. (2015). A new approach to
modeling the sediment retention service (InVEST 3.0): Case study of the Cape
Fear catchment, North Carolina, USA. Science of the Total Environment, 524–525,
166–177. https://doi.org/10.1016/j.scitotenv.2015.04.027
Hou,
K., Li, X., Wang, J. jing, & Zhang, J. (2015). An analysis of the impact on
land use and ecological vulnerability of the policy of returning farmland to
forest in Yan’an, China. Environmental Science and Pollution Research 2015
23:5, 23(5), 4670–4680. https://doi.org/10.1007/S11356-015-5679-9
Mena,
P. (2019). Tasa de
Entrega de Sedimentos (Seddiment Delivery Ratio) InVEST ver. 3.7.0 español. 1–19.
Monge,
A. (2020, February 26). Retención y exportación de sedimentos y nutrientes.
https://acto.go.cr/retencion-y-exportacion-de-sedimentos-y-nutrientes/
Montgomery,
D. (2007). Soil erosion and agricultural sustainability. Proceedings of the
National Academy of Sciences of the United States of America, 104(33),
13268–13272. https://doi.org/10.1073/pnas.0611508104
Nyssen,
J., Haile, M., Naudts, J., Munro, N., Poesen, J., Moeyersons, J., Frankl, A.,
Deckers, J., & Pankhurst, R. (2009). after 140 years. Science of the
Total Environment, The. https://doi.org/10.1016/j.scitotenv.2008.12.016
Pérez,
J., & Mesa, O. (2002). Estimación del factor de erosividad d ela lluvia
en Colombia.
Pimentel,
D. (2006). SOIL EROSION : A FOOD AND ENVIRONMENTAL THREAT. 119–137.
https://doi.org/10.1007/s10668-005-1262-8
Powlson,
D. S., Gregory, P. J., Whalley, W. R., Quinton, J. N., Hopkins, D. W.,
Whitmore, A. P., Hirsch, P. R., & Goulding, K. W. T. (2011). Soil
management in relation to sustainable agriculture and ecosystem services q. Food
Policy, 36, S72–S87. https://doi.org/10.1016/j.foodpol.2010.11.025
Renard,
KG, Foster, GR, Weesies, G., McCool, D., & Yoder, D. (1997). Predicting
soil erosion by water: a guide to conservaion planning with the revised
universal soil loss equation (RUSLE).
Rodrigues,
alberto, Ocon, C., & Tangorra, M. (2004). Una visión bentónica de arroyos y
ríos pampeanos. Biología Acuática.
https://ri.conicet.gov.ar/handle/11336/32478
Tapia,
J., & Gómez, C. (2018). Estimación de la erosión hídrica mediante la
aplicación de la metodología RUSLE en la cuenca del río Piura.
Wischmeier,
W. H., & Smith, D. D. (1978). PREDICTING RAINFALL EROSION LOSSES. 537.
Woznicki,
S. A., Cada, P., Wickham, J., Schmidt, M., Baynes, J., Mehaffey, M., &
Neale, A. (2020). Sediment retention by natural landscapes in the conterminous
United States. Science of the Total Environment, 745, 140972.
https://doi.org/10.1016/j.scitotenv.2020.140972