104396 by UNIGIS América Latina

Master Thesis ǀ Tesis de Maestría submitted within the UNIGIS MSc programme presentada para el Programa UNIGIS MSc at/en Interfaculty Department of Geoinformatics- Z_GIS Departamento de Geomática – Z_GIS University of Salzburg ǀ Universidad de Salzburg

Estimación del riesgo de erosión hídrica en la subcuenca Alamor, Río Catamayo-Chira, Ecuador Assessment of water erosion risk in the subwatershed Alamor, river Catamayo-Chira, Ecuador by/por

Jorge Alberto Calderón Bustamante 01524625

A thesis submitted in partial fulfilment of the requirements of the degree of Master of Science (Geographical Information Science & Systems) – MSc (GIS) Advisor ǀ Supervisor: Anton Eitzinger PhD

Loja, Ecuador, enero 2020

Compromiso de ciencia Por medio del presente documento, incluyendo mi firma personal certifico y aseguro que mi tesis es completamente el resultado de mi propio trabajo. He citado todas las fuentes que he usado en mi tesis y en todos los casos he indicado su origen.

Loja, Ecuador, 17.01.2020

Dedicatoria

Dedicado para mi madre y padre

Agradecimientos

Un reconocimiento especial al Prof. M.Sc. Jefferson Valencia por su apoyo y supervisión. También agradezco el apoyo de la tutora del grupo 2015b y coordinadora de tesis. Muy agradecido con dos asistentes de campo anónimos en el área de investigación, Ecuador.

Además, estoy agradecido con varias instituciones: Programa de Investigación Biodiversidad y Servicios Ecosistémicos, Universidad Nacional de Loja, Departamento de Geología y Minas e Ingeniería Civil (DGMIC), Universidad Técnica Particular de Loja, INAMHI-Instituto Nacional de Meteorología e Hidrología, MAE-Ministerio del Ambiente y SENAGUA-Secretaría del Agua.

Resumen El proceso de degradación del suelo por la erosión hídrica se agrava en cuencas hidrográficas interandinas de Ecuador, donde las altas tasas de deforestación y una mala planificación del uso de la tierra se superponen con altos niveles de pobreza. Garantizar la sostenibilidad del medio ambiente es una cuestión central en los Objetivos de Desarrollo del Milenio de las Naciones Unidas, aspecto de especial atención en el "hotspot" de biodiversidad de los Andes. Por lo tanto, el objetivo de este estudio es estimar la pérdida de suelo por erosión hídrica en la subcuenca Alamor ubicada en la parte sur de Ecuador que hace parte de la Reserva de la Biósfera “Bosque Seco”. La subcuenca Alamor es una zona tropical andina y cubre un área de drenaje de 1,098 km2. Para estimar la pérdida anual de suelo se utilizó la Ecuación Universal de Pérdida de Suelo Revisada (RUSLE) con técnicas de geoprocesamiento. Se generaron mapas raster a una resolución espacial de 30 m de los factores erosividad de la lluvia (R), erodabilidad del suelo (K), topografía (LS), uso y manejo del suelo (C) y prácticas de conservación (P). Los resultados han demostrado que el 27.23% del área de estudio presenta pérdida de suelo moderada y alta con base a la clasificación de riesgo de erosión de la FAO. Los resultados indican que la mayoría de los bosques nativos caducifolios se encuentran en áreas de riesgo de erosión baja, mientras que la zona agrícola y pastizales en fuertes pendientes generalmente se asocian con áreas de riesgo moderado a alto. La tasa de erosión anual obtenida con RUSLE es consistente con los resultados de investigaciones previas basadas en modelaciones y en mediciones in situ en cuencas de la región interandina. Se resalta el hecho de que la cobertura vegetal y uso del suelo (factor C) tiene una mayor influencia que otros factores (R, K y LS) en la atenuación de pérdida de suelo. Para el escenario hipotético de la implementación de prácticas de conservación (factor P), este fue ajustado de acuerdo con los datos en la literatura y con respecto a la realidad socioambiental del área de estudio. El impacto de las prácticas de conservación se observa principalmente en áreas agrícolas donde el riesgo de erosión del suelo se reduce en un 5%. Los resultados indican que una alta y buena cobertura vegetal y un manejo eficaz de las prácticas de conservación son factores importantes para mejorar la estabilidad del suelo y reducir la pérdida de suelo por efectos de erosión. Los procesos erosivos modelados por geoprocesamiento en este estudio tienen el potencial de contribuir a un proceso ordenado de manejo del suelo para reducir la erosión del suelo en la subcuenca Alamor. Esta investigación permite concluir que los SIG y la Teledetección proporcionan herramientas prometedoras para evaluar y mapear el riesgo de erosión del suelo en los Andes ecuatorianos. Palabras claves: RUSLE, erosión de suelo, estimación de erosión, SIG, subcuenca, Alamor, Andes, Ecuador, manejo de suelo.

Abstract The process of soil degradation by water erosion increases in inter-Andean watersheds of Ecuador, where high rates of deforestation and poor land use planning overlap with high levels of poverty. To secure the sustainability of the environment is a central issue in United Nations Millennium Development Goals, which is an aspect of special importance in the Andes biodiversity â&#x20AC;&#x153;hot spotâ&#x20AC;?. Thus, the aim of this research is to estimate soil loss by water erosion in the Alamor subwatershed located in the southern part of Ecuador, which in turn is part of the "Bosque Seco" Biosphere Reserve. The subwatershed Alamor is an Andean tropical zone and covers a drainage area of 1,098 km2. The annual soil loss was estimated by using the Revised Universal Soil Loss Equation (RUSLE) and geoprocessing techniques. Raster maps were generated at a spatial resolution of 30 m for the factors rainfall erosivity (R), soil erodability (K), topography (LS), land use and management (C) and conservation practices (P). The results showed that 27.23% of the study area presents moderate and high soil loss based on the erosion risk classification of FAO. The results also indicate that most of the deciduous native forests are found in areas of low erosion risk, while the agricultural zone and grasslands in steep slopes are generally associated with areas of moderate to high risk. The annual erosion rate obtained with the RUSLE model is consistent with results of previous investigations based on modeling and in situ measurements in watersheds of the inter-Andean region. To highlight that the C factor (vegetation cover and land use) has a greater influence than other factors (R, K and LS) on the attenuation of soil loss. For the hypothetical scenario of the implementation of conservation practices, the P factor was adjusted according to literature and taking into consideration the socio-environmental conditions of the study area. The impact of conservation practices is observed mainly in agricultural areas where the risk of soil erosion is reduced by 5%. The results indicate that dense vegetation coverages and effective management of conservation practices are important factors to improve soil stability and reduce soil loss produced by water erosion. The erosive processes modeled by geoprocessing techniques in this study have the potential to contribute to orderly processes of soil management aimed at reducing soil erosion in the Alamor subwatershed. This research allows concluding that GIS and Remote Sensing provide promising tools to assess and map the risk of soil erosion in the Ecuadorian Andes. Keywords: RUSLE, soil erosion, erosion estimation, GIS, subwatershed, Alamor, Andes, Ecuador, soil management.

Contenido Agradecimientos .................................................................................................................... 4 Resumen ................................................................................................................................ 5 Abstract.................................................................................................................................. 6 1 Introducción ..................................................................................................................... 13 1.1 Antecedentes ............................................................................................................ 13 1.2 Objetivos .................................................................................................................. 14 1.2.1 Objetivo general ............................................................................................. 14 1.2.2 Objetivos específicos...................................................................................... 14 1.3 Preguntas de investigación....................................................................................... 15 1.4 Hipótesis .................................................................................................................. 15 1.5 Justificación ............................................................................................................. 15 1.6 Alcances ................................................................................................................... 17 2 Revisión de Literatura ...................................................................................................... 19 2.1 Proceso de erosión hídrica ....................................................................................... 19 2.2 Problemas de sedimentación e inundaciones en la parte baja de la subcuenca Alamor............................................................................................................................... 23 2.3 Modelos de estimación anual de la pérdida de suelo ............................................... 24 2.4 Descripción del modelo USLE/RUSLE .................................................................. 25 2.4.1 Factor lluvia-escorrentía (R) .......................................................................... 26 2.4.2 Factor de erodabilidad del suelo (K) .............................................................. 28 2.4.3 Longitud de pendiente (L) y factor de inclinación (S) ................................... 28 2.4.4 Factor de manejo de cobertura vegetal (C) .................................................... 30 2.4.5 Factor de prácticas de conservación del suelo (P) .......................................... 30 2.4.6 Prácticas de conservación de suelos y agua ................................................... 31 2.5 Evaluación del riesgo de erosión y modelos de predicción ..................................... 31 2.6 Validación de técnicas de interpolación espacial en SIG ........................................ 34 2.7 Validación cruzada .................................................................................................. 35 2.8 Estadísticas de bondad de ajuste .............................................................................. 36 3 Metodología ..................................................................................................................... 37 3.1 Diagrama de flujo de la metodología ....................................................................... 38 3.2 Área de estudio ........................................................................................................ 40

3.3 Procesamiento de datos meteorológicos para estimar el factor R de lluviaescorrentía ......................................................................................................................... 43 3.4 Datos de suelo y procesamiento en la determinación del factor de erodabilidad del suelo (K) ............................................................................................................................ 46 3.5 Determinación del factor longitud de pendiente L, factor de inclinación S y factor topográfico LS ................................................................................................................... 47 3.6 Digitalización de unidades de vegetación para la estimación del factor de manejo de cobertura vegetal C ........................................................................................................... 48 3.7 Evaluación del factor de prácticas de conservación (P) .......................................... 48 3.8 Estimación de la pérdida anual del suelo por riesgo de erosión hídrica en la subcuenca Alamor ............................................................................................................. 49 3.9 Modelación con prácticas de conservación de suelos y aguas para las diferentes clases de riesgo potencial de erosión ................................................................................ 50 4 Resultados ........................................................................................................................ 52 4.1 Erosividad de la lluvia factor R ............................................................................... 52 4.1.1 Erosión anual de lluvia por estación meteorológica ....................................... 52 4.1.2 Precisión de los diferentes métodos de interpolación y validación cruzada .. 53 4.2 Erodabilidad del suelo factor K ............................................................................... 56 4.2.1 Conjunto de datos de sitios de muestreo de suelo y análisis de parámetros del factor K ..................................................................................................................... 56 4.2.2 Comparación de métodos de interpolación y validación cruzada .................. 56 4.3 Factor topográfico LS .............................................................................................. 60 4.4 Factor manejo de cobertura vegetal C ..................................................................... 62 4.5 Factor de prácticas de conservación (P) .................................................................. 66 4.6 Estimación de la pérdida anual del suelo por riesgo de erosión hídrica en la subcuenca Alamor ............................................................................................................. 66 4.7 Prácticas de conservación de suelos para las diferentes clases de riesgo potencial de erosión ............................................................................................................................... 68 5 Discusión.......................................................................................................................... 73 5.1 Sobre la predicción, distribución y comportamiento espacial de los factores RUSLE para la subcuenca Alamor, Andes de Ecuador .................................................................. 73 5.2 Sobre la estimación del riesgo de erosión del suelo y evaluación de medidas de control de la erosión para la planificación de la conservación del suelo en la subcuenca Alamor, Andes de Ecuador ............................................................................................... 76 5.3 Respuestas a las preguntas de investigación ............................................................ 77 6 Conclusiones .................................................................................................................... 81 7 Referencias Bibliográficas ............................................................................................... 83 8

Lista de Figuras Figura 1. Factores que influyen en el proceso de erosión hídrica ...................................... 20 Figura 2. Distribución vertical de los tipos y procesos de erosión hídrica ......................... 23 Figura 3. Diagrama de flujo de la estimación del riesgo de erosión del suelo utilizando RUSLE con SIG .................................................................................................................. 39 Figura 4. Mapa del área de investigación ........................................................................... 42 Figura 5. Mapa de la distribución espacial de las estaciones de precipitación utilizadas para el cálculo del factor R. ................................................................................................. 45 Figura 6. Distribución espacial del factor R para los diferentes métodos de interpolación: (a) Ponderación de Distancia Inversa, (b) Kriging Ordinario, (c) Kriging Simple y (d) Función de Base Radial seleccionando el Spline Completamente Regularizado ................ 53 Figura 7. Mapa de la distribución espacial del factor R ..................................................... 55 Figura 8. Distribución espacial del factor K para los diferentes métodos de interpolación: (a) Kriging Ordinario, (b) Ponderación de Distancia Inversa, (c) Función de Base Radial seleccionando el Spline Completamente Regularizado y (d) Interpolación Polinómica Local .................................................................................................................................... 57 Figura 9. Mapa de la distribución espacial del factor K ..................................................... 59 Figura 10. Mapa de la distribución espacial factor topográfico LS ................................... 61 Figura 11. Mapa de la distribución espacial de la cobertura y uso del suelo ..................... 64 Figura 12. Mapa de la distribución espacial del factor C ................................................... 65 Figura 13. Mapa de la distribución espacial de la pérdida anual de suelo ......................... 67 Figura 14. Mapa de la distribución espacial de la pendiente .............................................. 69 Figura 15. Mapa de la distribución espacial del escenario “proyecto” de erosión hídrica del suelo ..................................................................................................................................... 70 Figura 16. Comparación de la distribución espacial de la reducción de erosión hídrica del suelo: Escenario Actual (a), Escenario “Proyecto” (b)........................................................ 72

Lista de Tablas Tabla 1. Clasificación del riesgo de erosión del suelo basada en la tasa de erosión promedio estimada por RUSLE ........................................................................................... 50 Tabla 2. Datos estadísticos del factor R anual por estación meteorológica........................ 52 Tabla 3. Comparación de las eficiencias y errores de los métodos de interpolación para predecir el factor R .............................................................................................................. 54 Tabla 4. Máximos y mínimos valores de parámetros de suelo de 50 puntos para calcular el factor K ................................................................................................................................ 56 Tabla 5. Comparación de las eficiencias y errores de los métodos de interpolación para predecir el factor K .............................................................................................................. 58 Tabla 6. Clases de uso y cobertura del suelo / valor del factor C respectivo ..................... 63 Tabla 7. Clasificación del riesgo de erosión del suelo basada en la tasa de erosión promedio estimada por RUSLE para la subcuenca Alamor ................................................ 66 Tabla 8. Variaciones en los factores de prácticas agrícolas (P) y de cobertura de uso del suelo (C) según los tipos de cultivo y pendiente ................................................................. 68 Tabla 9. Clases de erosión relevantes para los escenarios investigados ............................. 71

Acrónimos y abreviaciones

AGNPS

Modelo para abordar problemas de contaminación agrícola por fuente indeterminada (Agricultural Non-point Source pollution model)

ANSWERS

Simulación de respuesta de entorno de cuenca de fuente indeterminada (Areal Nonpoint Source Watershed Environment Response Simulation)

C CONAGE

Factor de manejo de cobertura vegetal Consejo Nacional de Geoinformática

CREAMS

Sustancias químicas, escurrimiento y erosión por sistemas de Manejo Agrícola (Chemical Runoff and Erosion from Agricultural Management Systems model)

CRS

Spline Completamente Regularizado

ECM EI30

Error Cuadrático Medio Índice de erosividad de la USLE, factor R (Erosivity index of the USLE, Rfactor) Modelo europeo de erosión del suelo (European Soil Erosion Model) Organización de las Naciones Unidas Para la Alimentación y la Agricultura (Food and Agriculture Organization of the United Nations)

EUROSEM FAO h

Hora

ha IDW

Hectárea Ponderación de Distancia Inversa

IEE IGM

Instituto Espacial Ecuatoriano Instituto Geográfico Militar

IMF INAMHI

Índice Modificado de Fournier Instituto Nacional de Meteorología e Hidrología

INIAP IPCC K Km2

Instituto Nacional de Investigaciones Agropecuarias de Ecuador Panel Intergubernamental sobre Cambio Climático (Intergovernmental Panel on Climate Change) Factor de erodabilidad del suelo Kilómetro cuadrado

KO KS

Kriging Ordinario Kriging Simple

L LPI

Longitud de pendiente Interpolación Polinómica Local

MAE MAE MAGAP

Error Medio Absoluto Ministerio del Ambiente del Ecuador Ministerio de Agricultura, Ganadería, Acuacultura y Pesca

MDE Mj

Modelo Digital de Elevación Megajoule

mm msnm

Milímetro Metros sobre el nivel del mar

NASA

Administración Nacional de la Aeronaútica y del Espacio de los Estados Unidos (National Aeronautics and Space Administration) 11

Factor de prácticas de conservación del suelo

R R2

Factor lluvia-escorrentía Coeficiente de determinación R cuadrado

RBF RUSLE S SENAGUA

Función de Base Radial Ecuación Universal de Pérdida de Suelo Revisada (Revised Universal Soil Loss Ecuation) Factor de inclinación Secretaría del Agua

SENAMHI SI

Servicio Nacional de Meteorología e Hidrología del Perú Sistema Internacional

SIG SIGTIERRAS SNAP

Sistemas de Información Geográfica Sistema Nacional de Información y Gestión de Tierras Rurales e Infraestructura Tecnológica Sistema Nacional de Áreas Protegidas

SNI SRTM

Servicio Nacional de Información La Misión Topográfica Shuttle Radar (Shuttle Radar Topographic Mission)

SWAT

t UNIGECC

Herramienta de evaluación para el suelo y agua (Soil and Water Assessment Tool) Simulador para Recursos Hídricos en Cuencas Rurales (Simulator for Water Resources in Rural Basins) Tonelada métrica Unidad de Gestión de la Cuenca Catamayo-Chira

USLE UTM

Ecuación Universal de Pérdida de Suelo (Universal Soil Loss Equation) Universal Transversal de Mercator

WEPP WGS

Proyecto de Predicción de Erosión Hídrica (Water Erosion Prediction Project) Sistema Geodésico Mundial (World Geodetic System)

SWRRB

Introducción

1.1 Antecedentes Existen estudios científicos que determinan que los procesos de erosión hídrica afectan severamente a la degradación de suelos (Dabral, Baithuri y Pandey, 2008; Gardi et al., 2014; Lal, 1994; Sharma, 2010). Dicho impacto se ve incrementado por actividades antrópicas como deforestación, cambio de uso y mal manejo de la tierra (Harden, 1988; Tayupanta, 1993). La erosión hídrica se constituye en un serio y continuo problema ambiental que está determinada por precipitaciones intensas que ocurren en la región cuyos procesos de remoción y transporte están estrechamente relacionados con los caminos que toma el agua en su movimiento sobre la superficie del suelo (Almorox, López y Rafaelli, 2010; Fernandez, Wu, McCool y Stoeckle, 2003; Lal, 1990; Morgan, 2005; Pimentel et al., 1995).

Ecuador tiene una tasa alta de deforestación en comparación a otras regiones de América del Sur (FAO, 2010). Entre 1990 y 2014 hubo una pérdida de 1,834,384 ha de cobertura forestal (MAE, 2016). Los suelos están siendo afectados por este proceso erosivo que se ve condicionado por actividades antrópicas que sustituyen la vegetación natural con cobertura vegetal en la mayoría de los casos menos protectora para los suelos.

Además, este proceso de erosión se constituye en amenaza socioeconómica para el mantenimiento de la productividad a largo plazo de suelos agrícolas y forestales del país. Estudios asociados a este proceso (INIAP, 2011), determinan que el 50% del suelo cultivado está alterado por este tipo de degradación. En la subcuenca Alamor perteneciente a la Unidad hidrográfica Catamayo-Chira, en Ecuador, la erosión hídrica es predominante debido a la intensa deforestación de la zona (Vílchez, Núñez y Valenzuela, 2006). Extensas áreas montañosas están siendo deforestadas donde se ha desprovisto de la cobertura vegetal natural por actividades de tala y quema (Beck, Bendix, Kottke, Makeschin y Mosandl, 2008; Hamilton y King, 1983; Molina et al., 2007; Parsons, 1982), para el establecimiento de actividades agropecuarias extensivas e intensivas.

La erosión hídrica en la subcuenca se ve influenciada en gran medida por la interacción de la fisiografía andina y las precipitaciones, lo que determina su alta variabilidad temporal y espacial (Ochoa et al., 2016). Registros climáticos reportan valores de precipitación anual de 600 mm en la zona baja a más de 1,000 mm en laderas de montaña circundantes (UNIGECC, 2003). Esto se traduce en aumento y generación de erosión de riberas, desbordes e inundaciones que afectan a obras de infraestructura vial, de riego, terrenos de cultivo y a centros poblados (Ocampo, Medina y Lobatón, 1996). La Ecuación Universal de Pérdida de Suelo Revisada – RUSLE (Renard, Foster, Weesies, McCool y Yoder, 1997) es uno de los modelos empíricos más usados a nivel mundial para obtener predicciones de erosión del suelo con datos de precipitación, topografía y uso de la tierra. Mediante la RUSLE, la utilización de los Sistemas de Información Geográfica (SIG), datos de elevación (e.g. Modelo Digital de Elevación) y la Teledetección es posible llevar a cabo la evaluación cualitativa y cuantitativa de la erosión hídrica del suelo en cuencas hidrográficas (Andrade, Kappas y Erasmi, 2010; Cox y Madramootoo, 1998; Jain, Kumar y Varghese, 2001; Kouli, Soupios y Vallianatos, 2009; Millward y Mersey, 1999).

1.2 Objetivos 1.2.1 Objetivo general Determinar el riesgo potencial de erosión hídrica en la subcuenca Alamor perteneciente a la Unidad hidrográfica Catamayo-Chira, en Ecuador.

1.2.2 Objetivos específicos 

Determinar los factores del modelo RUSLE para evaluar el proceso de erosión hídrica.



Estimar la pérdida de suelos por efecto de erosión hidrica en la subcuenca Alamor.



Recomendar prácticas de conservación de suelos y agua para las diferentes clases de riesgo potencial de erosión.

1.3 Preguntas de investigación El análisis del comportamiento espacial del riesgo de erosión hídrica en la subcuenca Alamor perteneciente a la Unidad hidrográfica Catamayo-Chira, en Ecuador, constituye la pregunta central de esta investigación.

Este análisis podrá ser conducido a través del planteamiento de las siguientes preguntas específicas de investigación: 

¿Cuál es el factor más influyente y de mayor afectación en la pérdida de suelo por erosión hídrica?



¿Se puede estimar la pérdida de suelo por efecto de la erosión hidrica en la subcuenca Alamor?



¿Es posible a partir de las diferentes clases de riesgo potencial de erosión recomendar prácticas de conservación de suelos y aguas?

1.4 Hipótesis Más del 30% de la extensión de la subcuenca Alamor se encuentra en riesgo medio y alto por la erosión hídrica dada.

1.5 Justificación La erosión, tanto la natural como la resultante de la deforestación y el deficiente manejo de tierras, está llevando a un aumento de sedimentación de los ríos aguas abajo y a un descenso de la productividad local. Estas acumulaciones de sedimentos se presentan a manera de terrazas aluviales altas, medias y bajas, en las que se desarrollan intensa actividad agrícola y que están sujetas a fenómenos de inundación en períodos ocasionales relacionados a las épocas de intensas precipitaciones pluviales (fenómeno “El Niño”), que afectan a las obras de infraestructura de riego, vial, urbana y terrenos agrícolas que se localizan en las márgenes de los ríos así como en zonas de montaña que conforman la subcuenca del río Alamor (UNIGECC, 2003).

Las comunidades consideradas vulnerables ante esta problemática corresponden a poblaciones localizadas en partes bajas de los valles muy cerca de los cauces: Zapotillo, Limones, Garzaguachana; y los poblados asentados en laderas de montaña: Alamor, San Juan de Pózul, Celica, Mercadillo, Chaquinal, Pindal, Milagros, 12 de Diciembre. Dado lo anterior, la planificación y manejo integral del uso de la tierra adquieren mayor relevancia para lograr un manejo sostenible de las cuencas hidrográficas (Müller-Sämann y Restrepo, 1999; Sheng, 1992; Yaguache y Carrion, 2004; Zury, 2004). Dicha planificación implica el conocimiento y utilización de los recursos naturales para generar el confort del ser humano y fomentar un rendimiento económico.

La subcuenca del río Alamor, ubicada en los Andes ecuatorianos, es un espacio cuyas actividades económicas principales son primarias y con un nivel de desarrollo relativo bastante bajo, los suelos son altamente vulnerables a procesos de erosión, producto de factores naturales y actividades antrópicas como deforestación y un deficiente manejo de tierras agrícolas. A pesar de la dificultad reconocida en algunas bases de datos como INAMHI (Instituto Nacional de Meteorología e Hidrología), SENAGUA (Secretaría del Agua) debido a la falta de estudios de investigación mínima o de monitoreo hidroclimático en el sur del Ecuador, los resultados de esta investigación tienen un potencial significativo para motivar más estudios y alertar sobre el problema de erosión hídrica que es uno de los más sensibles del mundo desde el punto de vista medioambiental, agrícola y socioeconómico.

Considerando esto, la estimación del riesgo de pérdida de suelo y su distribución espacial son uno de los factores clave para una evaluación exitosa de la erosión (Brito, Pérez, Schiettecatte, Suárez y Hernández, 2007; Hoyos, 2005; Parveen y Kumar, 2012). De esta forma, la información espacial, identificación de áreas susceptibles de erosión y la estimación cuantitativa de las tasas de pérdida de suelos a escala regional con suficiente precisión, son de extrema importancia para diseñar e implementar el control apropiado de la erosión o las prácticas de conservación de suelos y aguas (Fernandez et al., 2003; Shi, Cai, Ding, Wang y Chow, 2004; Vanacker et al., 2007).

Resulta muy pertinente realizar la investigación en esta subcuenca pues en la misma se desarrollan importantes proyectos de conservación de la biodiversidad en la Reserva de Biósfera Bosque Seco, sistemas de abastecimiento de agua potable, sistemas de riego comunitarios, proyectos ecoturísticos, etc. Además, el colector principal de la subcuenca del río Alamor nace a una altura puntual máxima de 2,586 msnm, que da lugar al río Alamor el cual es alimentado por varias quebradas para más adelante desembocar en el río Chira y realizar aportes hídricos para el embalse de Poechos, Perú (UNIGECC, 2003).

1.6 Alcances Esta investigación pretende realizar una evaluación cualitativa y cuantitativa de la erosión hídrica del suelo en la subcuenca Alamor perteneciente a la Unidad hidrográfica CatamayoChira, en Ecuador. La disponibilidad de información espacial a escala regional en Ecuador es limitada (De Koning, Veldkamp y Fresco, 1999), así, los productos cartográficos que se proponen como resultado de esta investigación, serán el aporte de insumos importantes para el desarrollo de estrategias de conservación de aguas y suelos en la subcuenca que ayuden a mantener la productividad de cultivos y reducir el proceso de sedimentación e inundaciones en la parte baja de la subcuenca. Esta evaluación se realizará a través de un análisis predictivo y de modelación del proceso de erosión hídrica en la subcuenca mencionada, para ello se implementará el modelo RUSLE bajo entorno SIG, un Modelo Digital de Elevación (MDE) de la zona de estudio y Teledetección.

La generación de mapas de erosión potencial de alta resolución usando RUSLE y SIG para estimar el riesgo de erosión hídrica en la subcuenca mencionada podrá utilizarse como un modelo escalable para diferentes niveles de unidades hidrográficas en la región; y que conlleve a inferir el alcance y magnitud de los problemas de erosión del suelo, de manera que se puedan recurrir a estrategias de manejo efectivas. La información espacial y cuantitativa sobre la erosión del suelo en una escala de subcuenca contribuye significativamente a la planificación para la conservación del suelo, el control de la erosión y el manejo del medio ambiente de la cuenca (Prasannakumar, Vijith, Abinod y Geetha, 2012). El área seleccionada para el presente estudio se constituye en un área ecológicamente sensible donde la mayor parte del área ha sufrido cambios en el uso de la tierra y procesos de degradación ambiental (Vílchez et al., 2006). 17

Del mismo modo la presente investigación se enmarca en tres sectores identificados en la zona de estudio: (a) sector generador de conocimiento e información (academia), (b) sector de generadores de instrumentos de toma de decisiones (secretarías y ministerios de Estado) y (c) sector ejecutores directos e indirectos (gobiernos locales). Lo que se pretende es que la información generada en esta investigación sirva a las instituciones generadoras de políticas pública en el Ecuador en los diferentes niveles y se pueda evidenciar una cultura de interacción con actores territoriales y toma de decisiones basada en la información científica.

Revisión de Literatura

2.1 Proceso de erosión hídrica La erosión del suelo es un proceso dinámico complejo que ocurre como parte de los procesos naturales y antrópicos determinado por la interacción mutua de varios factores (Jain et al., 2001; Lal, 2001; Šúri, Cebecauer, Hofierka y Fulajtár, 2002). La erosión hídrica es definida como el desprendimiento, transporte y deposición del material terroso o rocoso de cualquier parte de la superficie del suelo por agentes erosivos como la escorrentía, energía cinética de la gota de lluvia y la gravedad (Fernandez et al., 2003; Lal, 2001; Morgan, 2005).

El suelo erosionado de un área dada se presenta como la tasa de erosión anual expresada en términos de peso o volumen por unidad de superficie y tiempo (t/ha/año). En los suelos del Ecuador, la erosión hídrica se constituye en una amenaza ambiental importante para la sostenibilidad y la capacidad productiva de la agricultura, constituyéndose en uno de los factores más activos de degradación de los recursos naturales (De Noni y Trujillo, 1986).

El estudio de la erosión hídrica requiere la investigación de la variabilidad espacial de los factores que afectan los procesos de dicha erosión (Yang, Kanae, Oki, Koike y Musiake, 2003). Los efectos de este proceso son modificados por la interacción del medio biofísico que comprende el clima, la topografía, propiedades inherentes del suelo, patrones de la cobertura la tierra (Figura 1) y por las actividades antropogénicas que contribuyen a modificar las características protectoras de la vegetación natural (Cisneros et al., 2012; Hoyos, Waylen y Jaramillo, 2005). Además de los parámetros biofísicos, los componentes sociales, económicos y políticos también influyen en la erosión del suelo (Ananda y Herath, 2003).

Actividades antropogénicas (sistemas de labranza y prácticas de conservación del suelo, sobrepastoreo, quema indiscriminada, minería a cielo abierto)

Factores de erosión hídrica El efecto de los procesos es modificado por el medio ambiente biofísico que comprende el suelo, clima, topografía y la cubierta del suelo, y la interacción entre ellos.

Erodabilidad del suelo (textura, estructura, retención de agua, inflitración, contenido de materia orgánica, minerales, arcillas, etc.)

Topografía (gradiente, forma, aspecto y longitud de pendiente)

Clima (cantidad, distribución e intensidad de precipitaciones, balance hídrico)

Cobertura de la tierra (biomasa, cobertura del dosel, sistema radicular, diversidad de especies)

Evaluación de la susceptabilidad de los suelos a la erosión hídrica

Figura 1. Factores que influyen en el proceso de erosión hídrica Adaptado de: Lal (2001)

La intensidad de precipitación se considera generalmente la característica más importante en las pérdidas de suelos (Morgan, 2005). El desprendimiento de las partículas de los agregados del suelo por el impacto de las gotas de lluvia es el primer fenómeno que se presenta para que se inicie la eliminación del suelo de la superficie de la tierra por acción del escurrimiento del agua superficial (velocidad de escorrentía) (Gardi et al., 2014; Kinnell, 1990; Merritt, Letcher y Jakeman, 2003; Moss, 1988). En diferentes situaciones (pendiente, cantidad de agua y clase de suelo), los procesos principales que conducen a la erosión hídrica serán diferentes (Frevert, Schwab, Edminster y Barnes, 1963). Hay seis tipos principales de procesos de erosión hídrica: salpicadura, laminar, de surcos, de cárcavas, por remoción o movimientos en masa y erosión de cursos permanentes (Cisneros et al., 2012; Frevert et al., 1963; White y Maldonado, 1991).

La erosión por salpicadura resulta del impacto de las gotas de agua directamente sobre las partículas del suelo, se relaciona directamente con el tamaño y velocidad de las gotas de lluvia (Frevert et al., 1963). La erosión laminar se refiere al desprendimiento y remoción uniforme del suelo, o partículas de sedimentos de la superficie del suelo por el flujo superficial o el impacto de las gotas de lluvia distribuidas uniformemente a través de una pendiente (Hairsine y Rose, 1992).

La erosión en surcos se produce cuando el agua que se mueve sobre la superficie del suelo fluye a lo largo de vías preferenciales formando canales fácilmente reconocibles (zanjas o surcos). De acuerdo a Loch y Silburn (1996), dichos canales de flujo son áreas relativamente pequeñas y transitorias por lo que pueden ser borrados por labranza. Este tipo de escorrentía concentrada tiene una mayor capacidad de desprendimiento y de transporte que el flujo laminar, con lo cual las tasas de erosión por este mecanismo se incrementan (Cisneros et al., 2012). Junto con la erosión laminar, la erosión en surcos se clasifica a menudo como erosión del flujo superficial (escorrentía) y aparece en suelos con mayores pendientes ubicadas en media loma separando solamente el sedimento del perfil de la superficie del suelo (Bojie, Xilin y Gulinck, 1995; Gardi et al., 2014; Zaccagnini, Wilson y Oszust, 2014). Con fines de simplificación, los dos procesos se consideran a menudo juntos en el modelado de la erosión.

La erosión por cárcavas, en contraste con la erosión en surcos, describe canales de flujo concentrados que son demasiado profundos como para ser borrados por labranza (Loch y Silburn, 1996). Por lo tanto se puede decir que la erosión por cárcavas constituye una etapa avanzada de la erosión en surcos, tanto como la erosión en surcos es una etapa avanzada de la erosión laminar (Frevert et al., 1963). Las cárcavas (denominadas también zanjones o barrancos) “pueden alcanzar varios metros de profundidad, afectando no solamente el suelo, sino al subsuelo y obras de infraestructura” (Zaccagnini et al., 2014, p. 49).

La erosión de cursos permanentes implica la remoción directa de los sedimentos de las riberas de la corriente (erosión lateral) o del lecho de la corriente (Merritt et al., 2003). En algunos paisajes, este proceso erosivo contribuye a la carga de sedimentos en los ríos (Stott, 1997). Entre los aspectos que regulan este tipo de erosión está la frecuencia y caudal de las crecientes ocurridas en la subcuenca de aporte, y la remoción de la vegetación ribereña.

En la parte baja de la subcuenca Alamor debido a este tipo de erosión se presentan grandes pérdidas de suelos de cultivo y ganadería, reducción de la calidad del agua por acumulación de sedimentos y nutrientes que ingresan a los ríos, además de amenazar infraestructuras como sistemas de riego, vías y área urbana en general (UNIGECC, 2003).

Como última forma de erosión se analiza el movimiento en masa, definida por Crozier (1986) como un movimiento gravitatorio hacia fuera o hacia abajo del material terrestre sin la ayuda del agua corriente como agente de transporte. Blaschke, Trustrum y Hicks (2000) consideran el movimiento en masa como un tipo de degradación de la tierra afectando su productividad a través de diversos procesos como erosión, salinización, inundación, pérdida de nutrientes, deterioro de la estructura del suelo y contaminación. El proceso de movimiento en masa se caracterizan esencialmente por la eliminación catastrófica o el desplazamiento por gravedad de todo el cuerpo del suelo desde una pendiente (Cisneros et al., 2012) que contrasta con los procesos anteriores de flujo superficial que incluyen la eliminación progresiva de las partículas del suelo por el agua ya sea desde superficies inclinadas o niveladas.

Estos tipos de erosión no se producen necesariamente aislados unos de otros. Son influenciados por los factores de la subcuenca así como las características de la precipitación. Loch y Silburn (1996) afirmaron que el desarrollo de la erosión hídrica requiere la concentración de flujo y descargas que exceden los umbrales críticos, y como tal ocurrirá a medida que la longitud de la pendiente aumenta. Por lo tanto, se espera que el proceso de erosión dominante siga una secuencia descendente (Figura 2) de salpicadura-laminar-surcoscárcavas (Bojie et al., 1995).

Figura 2. Distribución vertical de los tipos y procesos de erosión hídrica Adaptado de: Bojie et al. (1995)

2.2 Problemas de sedimentación e inundaciones en la parte baja de la subcuenca Alamor La sedimentación constituye una problemática en la parte baja de la subcuenca Alamor y uno de los factores determinantes para generar los desbordes e inundaciones (Tote et al., 2011). Estas acumulaciones de sedimentos se presentan a manera de terrazas aluviales altas, medias y bajas, en las que se desarrollan intensa actividad agrícola y que está sujeta a fenómenos de inundación en períodos ocasionales relacionados a las épocas de intensas precipitaciones pluviales (fenómeno “El Niño”), que afectan a las obras de infraestructura de riego, vial, urbana y terrenos agrícolas que se localizan en las márgenes de los ríos que conforman la subcuenca (UNIGECC, 2003). Por otro lado, el río Alamor pierde su capacidad real de transporte en las grandes avenidas y a su vez origina cambios en la dirección del cauce principal, ocasionando desviaciones que finalmente afectan zonas de menor protección, debido a su mayor capacidad de erosión.

De acuerdo con lo expuesto anteriormente, se evidencia que dichos problemas se originan por el inadecuado manejo de la subcuenca. Por un lado está la acumulación de sedimentos que ha rebasado las previsones y de esta forma afectando notablemente la parte baja causando daños materiales y generando costos de mantenimiento sobre todo en el sistema de riego Zapotillo (Oñate, 2004). Otros fenómenos de gran significancia en la subcuenca son los de erosión de riberas, desborde e inundaciones que afectan a las obras de infraestructura de riego, vial, urbana y terrenos agrícolas que se localizan en las márgenes de los ríos.

2.3 Modelos de estimación anual de la pérdida de suelo Los científicos han estado involucrados en la investigación de la erosión del suelo durante mucho tiempo, y se han desarrollado diversos modelos para la estimación de las tasas de pérdida de erosión del suelo y de otros problemas asociados con ellas, es decir, el transporte de sedimentos y la pérdida de nutrientes (Angima, Stott, O’Neill, Ong y Weesies, 2003; Jagarlapudi y Bombay, 2015; Kouli et al., 2009; Nearing, Foster, Lane y Finkner, 1989; Shen et al., 2003; Wischmeier y Smith, 1978).

El propósito final de estos modelos es evaluar las prácticas de uso de la tierra especialmente para fines de conservación, en un nivel de precisión efectivo y aceptable (Fistikoglu y Harmancioglu, 2002; Prasannakumar et al., 2012). Varios modelos difieren en complejidad, escala de aplicación, datos requeridos, los procesos modelados y suposiciones en las que se basan (Dabral et al., 2008; Lal, 2001; Lu, Li, Valladares y Batistella, 2004).

Los modelos de erosión del suelo se clasifican en tres categorías principales: (a) empírico, (b) de base física y (c) conceptual (parcialmente empírico/mixto) (Lørup y Styczen, 1990; Merritt et al., 2003). Ejemplos de las dos primeras categorías comprende el empírico USLE (Universal Soil Loss Equation) (Wischmeier y Smith, 1978) y su derivada principal RUSLE (Revised Universal Soil Loss Equation) (Renard, Foster, Weesies y Porter, 1991; Renard et al., 1997), y algunos de los modelos de base física más completos como ANSWERS (Areal Nonpoint Source Watershed Environment Response Simulation) (Beasley, Huggins y Monke, 1980), CREAMS (Chemical Runoff and Erosion from Agricultural Management Systems model) (Knisel, 1980), WEPP (Water Erosion Prediction Project) (Nearing et al., 1989) y EUROSEM (European Soil Erosion Model) (Morgan et al., 1998). 24

Entre los modelos conceptuales destacan AGNPS (Agricultural Non-point Source pollution model) (Young, Onstad, Bosch, y Anderson, 1989), SWRRB (Simulator for Water Resources in Rural Basins) (Arnold, Williams, Griggs y Sammons, 1990) y SWAT (Soil and Water Assessment Tool) (Arnold, Williams y Maidment, 1995). Estos modelos han sido aplicados a escala regional para estimar la erosión del suelo y desarrollar planes óptimos de manejo y conservación de suelos.

2.4 Descripción del modelo USLE/RUSLE El modelo dominante aplicado mundialmente a la predicción de la pérdida de suelo es el USLE, ya sea en la misma forma o en formas modificadas, debido a su conveniencia en la aplicación y compatibilidad con Sistemas de Información Geográfica y Teledetección (Dabral et al., 2008; Fernandez et al., 2003; Lu et al., 2004; Millward y Mersey, 1999; Wilson y Lorang, 1999).

La principal razón por la que los modelos de tipo empírico todavía se utilizan ampliamente en la predicción de la pérdida anual de erosión del suelo, y en muchas aplicaciones de modelados de erosión y transporte de sedimentos (Merritt et al., 2003) es su simplicidad, lo que los hace aplicables, aunque sólo se disponga de una cantidad limitada de datos de entrada (Fistikoglu y Harmancioglu, 2002; Hernández, González y Schiettecatte, 2007; Kinnell y Risse, 1998; Parveen y Kumar, 2012). Originalmente USLE fue desarrollado para estimar la erosión de suelos en tierras de cultivo en topografía de pendiente suave basada en cinco factores principales (patrón de lluvia, tipo de suelo, topografía, sistema de cultivo y prácticas de manejo), luego esta metodología fue ampliando su ámbito de aplicación a diferentes escenarios (tierras forestales pertubadas, cultivos y pastizales) e incluyendo adaptaciones y mejoras en el cálculo de sus factores. Su derivada principal, RUSLE, maneja la teoría moderna sobre los procesos de erosión del desprendimiento, transporte y deposición de partículas del suelo por impacto de las gotas de lluvia y escorrentía superficial, para así predecir la pérdida potencial del suelo mediante la siguiente ecuación (Renard et al., 1997): 𝐴 = 𝑅 𝐾 𝐿𝑆 𝐶 𝑃

(1)

Donde: A es la pérdida media del suelo producido por la erosión del agua por unidad de área (t/ha/año), R es el factor de erosividad causada por la lluvia (Mj.mm/ha.h.año), K es el factor de erodabilidad del suelo (t.ha.h/Mj.mm.ha), LS corresponde a los factores adimensionales asociados con la longitud de la pendiente y la inclinación de la pendiente, C es la cobertura vegetal y factor de gestión y P es el factor de prácticas de conservación del suelo, C y P también adimensionales.

En contraste con la USLE, en la versión revisada se incorporan algunos métodos para el desarrollo de dichos parámetros, así por ejemplo para el cálculo de la erosividad de lluvia, Renard y Freimund (1994) incluyen el uso de la precipitación media mensual y la precipitación media anual, así mismo el factor LS puede ser calculado a partir de datos de Modelo Digital de Elevación (MDE) con varios enfoques (Hickey, 2000; Van Remortel, Hamilton y Hickey, 2001), el factor P presenta de igual modo un enfoque más determinista utilizando datos experimentales según Renard et al. (1997).

En Ecuador, la utilización del modelo RUSLE bajo entorno SIG resulta una opción viable para realizar evaluaciones de pérdida de suelo por efecto de erosión hídrica a nivel de cuencas hidrográficas. Existen procesos investigativos de estimación del riesgo de erosión del suelo en diversas cuencas en los Andes meridionales del Ecuador (Alvarez, Tamayo, Ramos, Palacios y Vega, 2016; Harden, 1988; Ochoa-Cueva, Fries, Montesinos, RodríguezDíaz y Boll, 2013; Ochoa et al., 2016), los cuales son a mediano y largo plazo la generación de base científica para el entendimiento y evaluación del cambio de cobertura de la tierra.

2.4.1 Factor lluvia-escorrentía (R) La erosividad de la precipitación está influenciada por el clima, y generalmente se expresa en términos de cantidad de lluvia e intensidad, las cuales determinan su potencial de causar erosión del suelo (Hoyos et al., 2005; Lal, 1990). Se han desarrollado varios índices de erosividad para cuantificar el efecto del impacto de las gotas de lluvia en el suelo y reflejar la cantidad y la tasa de escorrentía que probablemente se asociarán con esa lluvia (Foster, McCool, Renard y Moldenhauer, 1981; Wischmeier y Smith, 1958).

Uno de los Ăndices de erosividad de lluvia mĂĄs extendidos, es el factor R del modelo USLE/RUSLE, que resume todos los eventos erosivos cuantificados por el Ăndice EI30 (producto de la energĂa total de lluvia y la intensidad mĂĄxima durante un periodo de 30 minutos) ocurridos a lo largo del aĂąo (Brown y Foster, 1987; Wischmeier y Smith, 1978; Wischmeier, 1959).

El factor R del modelo USLE/RUSLE se considera como el Ăndice mĂĄs correlacionado con la pĂŠrdida de suelo en muchas regiones del mundo (Aronica y Ferro, 1997; Renard y Freimund, 1994). Sin embargo, su cĂĄlculo es elaborado y requiere registros de intensidad de lluvia durante un perĂodo de tiempo, frecuentemente no disponibles en la regiĂłn (se recomienda datos para un perĂodo de tiempo mayor a 20 aĂąos; Renard et al., 1997).

Para facilitar el cĂĄlculo de este Ăndice, se han desarrollado varios modelos para estimarlo a partir de otros tipos de datos de precipitaciĂłn (datos pluoviomĂŠtricos mensuales o anuales de estaciones meteorolĂłgicas representativas) (Angima et al., 2003; Renard y Freimund, 1994). Basado en estudios realizados en Ă frica del Norte y Oriente Medio, Arnoldus (1977) desarrollĂł el Ă?ndice Modificado de Fournier (IMF), que se define como:

đ??źđ?&#x2018;&#x20AC;đ??š = â&#x2C6;&#x2018;12 đ?&#x2018;&#x2013;=1

đ?&#x2018;&#x192;đ?&#x2018;&#x2013; 2 đ?&#x2018;&#x192;

(2)

Donde: Pi es la precipitaciĂłn media mensual (mm) y P la precipitaciĂłn media anual (mm).

SegĂşn Arnoldus (1977), este Ăndice muestra una alta correlaciĂłn con la cantidad de sedimentos arrastrados por la escorrentĂa. Hoyos et al. (2005) establecen que el IMF es un buen estimador de la erosividad de las lluvias para el modelamiento de procesos erosivos en zonas tropicales; y Morgan (2005) lo considera como un buen indicador del riesgo de erosiĂłn en cĂĄrcavas, ademĂĄs de ser un buen parĂĄmetro local de la erosividad ampliamente utilizado en los trĂłpicos.

2.4.2 Factor de erodabilidad del suelo (K) El factor erodabilidad explica la susceptibilidad de las partículas del suelo al desprendimiento y al movimiento por el agua de lluvia y la escorrentía (Ganasri y Ramesh, 2016; Renard et al., 1997). Este factor resulta ser una medida empírica de la erodibilidad del suelo afectada por propiedades intrínsecas del suelo como el contenido de materia orgánica, clase textural (porcentaje de limo, arcilla, arena fina), estructura (macroporosidad, propiedades agregadas), y clase de permeabilidad del suelo (Fu, Chen y Mccool, 2006; Wischmeier y Smith, 1978).

El factor K está relacionado con el efecto integrado de la precipitación, escorrentía e infiltración en la pérdida de suelo, lo que explica la influencia de las propiedades del suelo sobre la pérdida de suelo durante los eventos de precipitación en las partes altas (Renard et al., 1997). Tanto la USLE como el modelo RUSLE utilizan modelos experimentales basados en las propiedades del suelo (composición de los porcentajes de arena fina-limoarcilla, materia orgánica, estructura y permeabilidad del perfil del suelo) (Renard et al., 1997; Wischmeier, Johnson y Cross, 1971).

2.4.3 Longitud de pendiente (L) y factor de inclinación (S) Los factores L y S se combinan comúnmente como LS y se denomina como factor topográfico (Troeh, Hobbs y Donahue, 1991). La influencia del terreno sobre la erosión está representada por el factor LS que refleja el hecho de que la erosión aumenta con el ángulo y la longitud de la pendiente (Van Remortel et al., 2001). El factor topográfico representa una relación entre la pérdida de suelo en condiciones dadas y la de un sitio con pendiente "estándar" de 9% de inclinación y 22.1 metros de longitud (Renard et al., 1997). Wischmeier y Smith (1978) definen a la longitud de pendiente (L) como la distancia desde el origen del flujo terrestre hasta el punto en que la pendiente disminuye lo suficente para que la deposición comience, o la escorrentía superficial se concentre para formar un canal bien definido, así, la pérdida de suelo por unidad de área aumenta a medida que aumenta la longitud de la pendiente.

Por otra parte, los efectos de la inclinaciĂłn de la pendiente (S) tienen un mayor impacto en la pĂŠrdida de suelo que la longitud de la pendiente. Cuanto mĂĄs inclinada sea la pendiente, mayor serĂĄ la erosiĂłn. SegĂşn Ganasri y Ramesh (2016), la peor erosiĂłn ocurre entre 10 y 25% de pendiente. McCool, Foster y Weesies (1997) desarrollaron las siguientes ecuaciones para estimar el factor LS en RUSLE: đ??żđ?&#x2018;&#x2020; = đ??ż đ?&#x2018;&#x2020; đ?&#x153;&#x2020;

(3) đ?&#x2018;&#x161;

đ??ż = (22,13)

(4)

đ?&#x203A;˝

đ?&#x2018;&#x161; = 1+đ?&#x203A;˝ đ?&#x203A;˝=

(5)

sin đ?&#x153;&#x192;/0,0896

(6)

3(sin đ?&#x153;&#x192;)0,8 +0,56

đ?&#x2018;&#x2020; = 10.8 (sin đ?&#x153;&#x192; ) + 0.03

tan đ?&#x153;&#x192; < 9%

(7)

đ?&#x2018;&#x2020; = 16.8 (sin đ?&#x153;&#x192; ) â&#x2C6;&#x2019; 0.50

tan đ?&#x153;&#x192; â&#x2030;Ľ 9%

(8)

Donde: L es factor de longitud de pendiente (adimensional), S es el factor gradiente de inclinaciĂłn (adimensional), đ?&#x153;&#x2020; es longitud de pendiente (m), m es exponente de longitud de pendiente, Î˛ es el subfactor que varĂa con el gradiente de pendiente, y đ?&#x153;&#x192; es ĂĄngulo de inclinaciĂłn de la pendiente.

Desmet y Govers (1996) consideraron que en una situaciĂłn bidimensional, la longitud de la pendiente deberĂa ser reemplazada por el ĂĄrea que contribuye a la unidad y el algoritmo de ĂĄrea de contribuciĂłn de la unidad utilizada para calcular el segmento de la pendiente como: đ?&#x2018;&#x161;+1

đ??żđ?&#x2018;&#x2013;,đ?&#x2018;&#x2014; =

(đ??´(đ?&#x2018;&#x2013;,đ?&#x2018;&#x2014;) +đ??ˇ2 )

â&#x2C6;&#x2019;đ??´(đ?&#x2018;&#x2013;,đ?&#x2018;&#x2014;) đ?&#x2018;&#x161;+1

(đ?&#x2018;Ľ đ?&#x2018;&#x161; đ??ˇđ?&#x2018;&#x161;+2 )(22,13)đ?&#x2018;&#x161;

(9)

Donde: A(i,j) es la acumulaciĂłn de flujo a nivel del pixel, D es el tamaĂąo de pixel, y x es el factor de correlaciĂłn de forma (x=1 para sistemas pixelados).

2.4.4 Factor de manejo de cobertura vegetal (C) El factor C refleja los efectos de la cobertura vegetal y las prácticas de manejo en las tasas de erosión del suelo e indica cómo la pérdida potencial de suelo se distribuirá en el tiempo bajo diferentes coberturas de uso de la tierra y/o diferentes prácticas de manejo (Renard et al., 1997; Wischmeier y Smith, 1978). El factor C después del topográfico es un factor importante que contrala el riesgo de pérdida del suelo ya que representan las condiciones que se pueden cambiar fácilmente para reducir la erosión (Prasannakumar et al., 2012). El factor C es básicamente el porcentaje de cobertura de vegetación y se define como la relación entre la pérdida de suelo de cultivos específicos y la pérdida equivalente de parcelas de prueba labradas y desnudas (Wischmeier y Smith, 1978). El valor de C depende del tipo de vegetación, etapa de crecimiento y porcentaje de cobertura (Parveen y Kumar, 2012). Por lo tanto, es muy importante tener un buen conocimiento sobre el patrón de uso de la tierra en la subcuenca para generar valores confiables del factor C.

2.4.5 Factor de prácticas de conservación del suelo (P) El factor de prácticas de conservación del suelo indica la importancia de las prácticas de apoyo, que reducen la pérdida de suelo al modificar el patrón de flujo, el grado o la dirección de la escorrentía superficial (Ganasri y Ramesh, 2016). El factor P se define como la relación de pérdida de suelo con una práctica de soporte específica para la pérdida de suelo correspondiente con labranza de pendiente ascendente y descendente (Wischmeier y Smith, 1978).

El valor del factor P varía de 0 a 1, el valor que se aproxima a 0 indica una buena práctica de conservación y el valor que se aproxima a 1 indica una mala práctica de conservación (Renard et al., 1997). P se considera el valor más incierto (Morgan y Nearing, 2011) debido a dificultades en su estimación, como la necesidad de observaciones directas en el terreno específico para determinar el tipo de uso de la tierra e identificar el sistema de cultivo específico que requiere mucho tiempo e inversión. Los valores de P se pueden derivar de clasificaciones de imágenes usando datos de sensores remotos, estudios previos o incluso conocimiento experto (Panagos et al., 2015b).

2.4.6 Prácticas de conservación de suelos y agua La selección de prácticas apropiadas para mantener la erosión del suelo dentro de un rango tolerable es un componente esencial del manejo sostenible del suelo (FAO, 2017). El control de la erosión hídrica ha sido bien estudiado, y las investigaciones recientes (FAO, 2019; Keesstra et al., 2016; Molla y Sisheber, 2017; Xiong, Sun y Chen, 2018) se han centrado en la eficiencia de algunas prácticas clasificadas en tres grupos: prácticas biológicas (como la reforestación, regeneración natural), prácticas de manejo del suelo (como la no labranza y enmienda del suelo) y prácticas de ingeniería que incluyen el contorneado (labranza y siembra en curvas de nivel), cultivo en franjas, terrazas y drenaje subterráneo.

Xiong et al. (2018), mencionan que el control de la erosión hídrica es uno de los servicios ecosistémicos más importantes proporcionados por las prácticas de conservación de suelos, que se utilizan ampliamente para alterar los procesos de suelos y agua y mejorar los servicios de los ecosistemas como: (1) reducción de escorrentía y conservación del suelo, (2) mejorar la fertilidad del suelo y la productividad de la tierra, (3) aumentar el rendimiento de los cultivos y garantizar la seguridad alimentaria, (4) mejorar la biodiversidad, (5) filtrar el agua; y (6) crear paisajes estéticos.

2.5 Evaluación del riesgo de erosión y modelos de predicción El potencial de erosión del suelo varía de una cuenca a otra dependiendo de la configuración de ésta (topografía, forma), características del suelo, condiciones climáticas y las prácticas de manejo y uso del suelo implementadas en la cuenca (Fernandez et al., 2003). Los cambios en las tasas de erosión se evalúan generalmente a través de mediciones puntuales en parcelas o perfiles de ladera, pero en la actualidad con el desarrollo de los SIG, se potencian las técnicas de análisis espacial de la erosión de varios modelos empíricos como la USLE/RUSLE (Renard et al., 1997; Wischmeier y Smith, 1978) extendida a cuencas hidrográficas. En este contexto la evaluación de erosión del suelo, a través de modelos de simulación se ha convertido en una herramienta importante para el análisis de procesos de las laderas y cuencas hidrográficas y sus interacciones, así como para el desarrollo y la evaluación de escenarios de manejo de cuencas (Metternicht y Gonzalez, 2005; Semmens et al., 2007). 31

A continuación se presentan algunas investigaciones realizadas en cuencas hidrográficas del Ecuador, donde la comprensión de los procesos de erosión a través de novedosas metodologías fue el punto de análisis.

Estimación a gran escala de la erosión del suelo en la cuenca del río Ambato, sierra ecuatoriana (Harden, 1988)

En la cuenca del río Ambato en los Andes centrales del Ecuador se estimaron tasas de erosión desde cero hasta 836 t/ha/año y se identificaron las áreas de mayor pérdida de suelo bajo las condiciones actuales de uso de la tierra. La investigación comprendió la estimación de las tasas de erosión para varios microambientes representativos en la cuenca de drenaje, y una extrapolación de esas tasas al resto de la cuenca de drenaje. La metodología de investigación que evolucionó a partir de este proyecto fue particularmente útil para definir qué tierras son relativamente más frágiles que otras y para dirigir ciertas áreas a los esfuerzos de conservación de mayor prioridad.

Estimación espacial del riesgo de erosión del suelo por cambio de cobertura vegetal en los Andes del sur de Ecuador (Ochoa-Cueva et al., 2013)

En esta investigación se estimó el riesgo de erosión del suelo de una microcuenca de los Andes meridionales de Ecuador a una resolución espacial de 30 m, utilizando la RUSLE revisada. Se crearon mapas de cubierta de tierra para 1976, 2008 y 2040 suponiendo un aumento de las tasas de deforestación durante las décadas siguientes. Se estimaron mayores tasas de erosión en áreas de sucesión con cultivos agrícolas y pastizales con valores máximos de 936 t/ha/año, donde las pendientes y precipitaciones son mayores. Bajo la vegetación forestal natural, las tasas estimadas fueron insignificantes (entre 1.5 a 40 t/ha/año) incluso en pendientes pronunciadas y elevaciones más altas donde las cantidades e intensidades de lluvia son generalmente más altas. Cuando toda la cuenca ha sufrido una deforestación sustancial en 2040, los valores de erosión pueden alcanzar 2,021.00 t/ha/año.

La cobertura vegetal es el factor más importante para la erosión potencial del suelo. Los factores secundarios estuvieron relacionados con la precipitación (factor R) y topografía (factores LS). Aunque las predicciones espaciales de la erosión potencial del suelo sólo tienen un significado limitado para el riesgo de erosión, este método proporciona una importante herramienta para el manejo y evaluación del cambio de cobertura de la tierra.

Efectos del clima, cobertura del suelo y topografía sobre el riesgo de erosión del suelo en una cuenca semiárida de los Andes (Ochoa et al., 2016)

Se propone un método de estimación del riesgo de erosión del suelo en una cuenca semiárida de Catamayo con datos limitados. Los resultados mostraron que la distribución de lluvia, erosividad y topografía, seguida de la cobertura de la tierra (factor C) son los factores más importantes para estimar el riesgo de erosión del suelo. La erodibilidad del suelo es el factor más importante en la estación seca para áreas agrícolas y con escasa cobertura vegetal. En áreas protegidas con vegetación de hoja perenne, el riesgo de erosión del suelo es muy bajo, incluso con pendientes pronunciadas y altas precipitaciones anuales. La metodología desarrollada permitió comprender los procesos de erosión del suelo y los factores que conducen a la variabilidad espacio-temporal del riesgo de erosión del suelo y, en consecuencia, mejora el potencial para lograr la sostenibilidad de este ecosistema a través de medidas de conservación propuestas.

Modelación de erosión de agua en los cantones Zapotillo y Pindal provincia de Loja usando SIG (Alvarez et al., 2016)

Se realizó una estimación de la erosión en los cantones Zapotillo y Pindal mediante el modelo RUSLE con el fin de proponer alternativas que permitan disminuir la erosión del suelo en las zonas más susceptibles. Los resultados obtenidos fueron que el 55.5% del cantón Pindal presenta tasas de erosión hídrica superiores a los 200 t/ha/año catalogada como muy alta, ya que presenta pendientes superiores a 20.6%, moderada intensidad de precipitación, suelos de texturas medias a gruesas con bajo nivel de materia orgánica, que hacen que el territorio sea vulnerable a este fenómeno. Para la zona de Zapotillo se obtiene una susceptibilidad ligera (83.3%) a erosión hídrica (menor a 10 t/ha/año) debido a la conservación de sus bosques y la baja intensidad de precipitación. 33

2.6 Validación de técnicas de interpolación espacial en SIG La interpolación espacial constituye una herramienta analítica dominante en el campo de las ciencias espaciales y consiste en estimar o predecir valores de una variable en ubicaciones donde no se tiene datos (Pavão et al., 2012; Wijeratne y Manawadu, 2017). La meta de la interpolación es generar la mejor representación posible de la variación espacial de una superficie temática en cualquier región dada basada en algunos puntos de medición (Li y Heap, 2014; Longley, Goodchild, Maguire y Rhind, 2011; Wijeratne y Manawadu, 2017). Varios autores han usado técnicas SIG para mapear los factores de la ecuación de RUSLE por medio de métodos de interpolación (Oñate, 2004; Prudhomme y Reed, 1999; Weisse y Bois, 2002).

Hay dos tipos de técnicas de interpolación: la determinista que crea una superficie basada en un punto medido o fórmulas matemáticas, la misma puede usar interpoladores locales (polígonos de Thiessen, Ponderación de Distancia Inversa y splines), y globales (superficies de tendencia y modelos de regresión), y la geoestadística o método estocástico que se basa en estadística de los datos por ejemplo la familia Kriging que utiliza modelos anticipados avanzados (Di Piazza, Conti, Noto, Viola y La Loggia, 2011; Li y Heap, 2014; Plouffe, Robertson y Chandrapala, 2015; Wijeratne y Manawadu, 2017).

Uno de los métodos más comunes de interpolación determinista y disponibles en SIG es la interpolación de Ponderación de Distancia Inversa (IDW por sus siglas en Inglés) (Longley et al., 2011), que predice los valores de celda utlizando una combinación ponderada linealmente de un conjunto de puntos de muestra y el peso asignado usando la distancia de los puntos de entrada (Naoum y Tsanis, 2004).

En el método Spline, se estiman los valores utilizando la función matemática que minimiza la curvatura de la superficie general. Taesombat y Sriwongsitanon (2009) resaltan la aplicación del Spline en la interpolación de datos de precipitación con mayor precisión en especial en áreas montañosas. La asunción del modelo de interpolación Spline es la absoluta suavidad de variación (Burrough, 1986; Pavão et al., 2012).

El método Kriging es una técnica de interpolación geoestadística que se refiere a funciones aleatorias y a la teoría de variables regionalizadas (Clark, 2001). Intenta suponer que la distancia o dirección entre los puntos de muestra utiliza la correlación espacial (Longley et al., 2011). Una de las ventajas de los interpoladores Kriging es que se puede generar una superficie continua de los errores o incertidumbres de la interpolación.

Dado que Kriging es un proceso totalmente basado en estadística (variografía) se puede obtener resultados satisfactorios solamente si el modelo estadístico es lo más preciso posible (Cabrera, 2016; Naoum y Tsanis, 2004). En Hidrociencias, el enfoque Kriging fue realizado por primera vez por Delhomme (1978) para determinar las mejores ubicaciones para la implementación de nuevos sitios de observación de precipitaciones.

2.7 Validación cruzada Las superficies resultantes de una interpolación pueden ser validadas mediante un análisis estadístico, esta técnica se conoce como validación cruzada y se lleva a cabo dejando algunos puntos de muestreo sin incluir en el proceso de interpolación y luego validar en dichos sitios cómo fue la predicción del método de interpolación (Berrar, 2019; Curtarelli, Leão, Ogashawara, Lorenzzetti y Stech, 2015; Wise, 2011).

Se prefieren las técnicas de validación cruzada a los procedimientos de muestreo dividido más tradicionales para estimar el error de generalización, ya que permiten una validación independiente sin sacrificar una cantidad importante de datos (Clark, 2001; Martínez, 2012)

Básicamente este procedimiento implica la eliminación temporal de un punto del conjunto de datos y la reestimación de su valor a partir de los datos restantes mediante la interpolación. El valor predicho se compara luego con el valor observado del punto eliminado; la precisión se evalúa calculando el error acumulado entre los valores observados y modelados en todos los puntos (Bier y de Souza, 2017; Falivene, Cabrera, Tolosana-Delgado y Sáez, 2010).

2.8 Estadísticas de bondad de ajuste La validación de predicción en los sitios de muestra requiere un conjunto de estadísticas de bondad de ajuste que incluyen: (i) el error absoluto medio (MAE), que es una medida del error promedio, (ii) el error cuadrático medio (ECM), que es una medida utilizada en las diferencias entre los valores predichos y los valores observados. En SIG, el ECM es una de las medidas utilizadas para evaluar la precisión de un análisis espacial y la teledetección (Chen y Liu, 2012).

El MAE y el ECM proporcionan una medida de la precisión de interpolación, con valores más bajos que indican métodos más precisos, al mismo tiempo, el coeficiente de determinación R2 se utiliza para evaluar si los datos estimados se ajustan a los datos observados (Bhunia, Shit y Maiti, 2018; Mirzaei y Sakizadeh, 2016). Las ecuaciones de MAE, ECM, y R2 son consideradas por Li y Heap (2011), Willmott (1982) y Xiao et al. (2016):

1 n MAE =  | pi  oi | n i 1

(10)

1 n 2 ECM =  ( pi  oi ) n i 1

(11)



R =



( pi  p ave )(oi  oave ) i 1



( pi  p ave ) 2 i 1 (oi  oave ) 2 i 1 n

(12)

Donde: n es el número de observaciones, o es el valor observado, p es el valor predicho, pave es el valor predicho promedio y oave es el valor observado promedio.

Metodología

Los problemas asociados con la erosión del suelo, movimiento y deposición de sedimentos en los ríos aguas abajo persisten a través de las edades geológicas en casi todas las partes de la tierra (Ganasri y Ramesh, 2016). Sin embargo, la situación se agrava en los últimos tiempos con las crecientes presiones sobre el ambiente como la deforestación y el deficiente manejo de tierras. La disponibilidad y calidad de los datos requeridos para estimar el riesgo de erosión hídrica es un verdadero desafío en cuencas hidrográficas a gran escala, así la falta de disponibilidad de datos como los registros continuos de intensidad de lluvia (menos de 30 minutos) en el área de estudio, ha limitado las opciones para la selección de modelos intensivos de datos como WEPP, SWAT, ANSWERS, entre otros. Dada esta situación, se han desarrollado muchos modelos empíricos, que se constituyen en herramientas ideales para superar esta desventaja, especialmente, con el rápido desarrollo de los SIG que permiten estimar las tasas de erosión del suelo y de muchas aplicaciones de modelados de erosión y transporte de sedimentos (Djoukbala, Hasbaia, Benselama y Mazour, 2019; Merritt et al., 2003).

RUSLE constituye el modelo empírico más utilizado para la predicción de la erosión del suelo en muchas cuencas alrededor del mundo (Dabral et al., 2008; Jiang et al., 2015; Ketema y Dwarakish, 2019; Kumar, Devi y Deshmukh, 2014; Tanyaş, Kolat y Süzen, 2015; Yue-Qing, Xiao-Mei, Xiang-Bin, Jian, y Yun-Long, 2008). El amplio uso de la ecuación RUSLE se explica gracias a las constantes mejoras en las capacidades de predicción de pérdida de suelo y puede aplicarse a condiciones ambientales naturales (Renard et al., 1997). Por lo tanto, el modelo RUSLE se seleccionó y se aplicó a la zona de estudio porque es relativamente fácil de usar, compatible con SIG para incorporar información espacial variable como la cobertura de uso de suelo, datos de precipitación, pendiente, tipo de suelo, la gestión, cuyos datos de entrada generalmente están disponibles en bases de datos institucionales, y su capacidad para predecir las pérdidas promedio y el riesgo de erosión del suelo a largo plazo (Ketema y Dwarakish, 2019; Tanyaş et al., 2015) y en varios entornos como la agricultura, bosques, pastizales, área mineras, obras de construcción (Da Cunha, Bacani y Panachuki, 2017; Ketema y Dwarakish, 2019) permitiendo comparar los beneficios probables de diferentes medidas de conservación de suelos y agua (Benavidez, Jackson, Maxwell y Norton, 2018; Ketema y Dwarakish, 2019; Park, Oh, Jeon, Jung y Choi, 2011). 37

Por lo tanto, la metodología utilizada en la presente investigación fue la implementación de la ecuación RUSLE en un entorno SIG, siendo el formato raster el utilizado para el cálculo de factores específicos que controlan la vulnerabilidad de la erosión y pérdida anual del suelo en la subcuenca Alamor, con el fin de avanzar en la comprensión del riesgo de erosión del suelo bajo la fuerte presión antropogénica en los Andes ecuatorianos.

3.1 Diagrama de flujo de la metodología Toda la cadena de procesamiento de este estudio se presenta en la Figura 3. La primera fase consistió en la obtención de los recursos (datos del terreno, lluvia, uso del suelo y propiedades del suelo) para identificar los valores de los cinco factores R, K, LS, C y P que constituyen los datos de entrada para el modelo RUSLE. En una segunda fase se realizó el cálculo y procesamiento por separado en formato de datos raster utilizando el software ArcMap 10.5.1. Se estableció un proceso de validación de resultados aplicando validación cruzada y de campo. Posteriormente el producto de estos factores resultó en la pérdida anual de suelo en toda la subcuenca Alamor.

MDE mosaico corregido

Pre-procesamiento

Imagen SRTM 30 m

Entrada Proceso

Cálculo de dirección de flujos

Cálculo de pendiente Salida

Factor topográfico (LS)

Cálculo de acumulación de flujos

Ortofoto

Procesamiento digital y visual

Cobertura y uso del suelo

Validación en campo

Datos de precipitación

Datos de Suelos

Cálculo Índice Modificado de Fournier (IMF)

Cálculo propiedades del suelo

Valores factor R

Superficie interpolada factor R

Interpolación espacial Valores factor K

Superficie interpolada factor K

Análisis

Factor manejo de cobertura vegetal (C)

Factor prácticas de conservación del suelo (P)

Datos de campo

Producto

Modelo RUSLE

Factor lluviaescorrentía (R)

Identificación de zonas de alto, medio y bajo riesgo de erosión del suelo

Validación cruzada

Factor de erodabilidad del suelo (K)

Figura 3. Diagrama de flujo de la estimación del riesgo de erosión del suelo utilizando RUSLE con SIG

Mapeo potencial de escenario de erosión

3.2 Área de estudio El área de investigación se encuentra en el sur de Ecuador, haciendo parte de la Reserva de la Biósfera “Bosque Seco”, en la provincia de Loja cerca de la frontera con Perú. Alrededor del 60% de la provincia de Loja está cubierta por bosques secos caducifolios y semideciduos (Aguirre y Kvist, 2005). Ecuador tiene el porcentaje más bajo de bosques naturales de todos los países de América del Sur (FAO, 2010). En el área de estudio, el ecosistema más amenazado por la deforestación es el bosque seco tropical. Como en otras partes del Ecuador, el cambio en el uso de la tierra es principalmente en tierras de pastoreo y áreas de cultivo (Knoke et al., 2009) y continúa principalmente a través de actividades de tala y quema (Bahr, Hamer, Zaragocin y Makeschin, 2013; Espinosa, De La Cruz, Luzuriaga y Escudero, 2012). La producción de maíz con labranza convencional es el cultivo dominante durante la estación húmeda (Castro, Calvas, Hildebrandt y Knoke, 2013).

La subcuenca Alamor corresponde a la Unidad Hidrográfica Catamayo-Chira, que abarca una superficie de 1,098 km2. Tiene clima tropical, diversos ecosistemas, usos y sistemas administrativos, que determinan el territorio natural y las muy diversas caracteristicas antrópicas. El río Alamor provee agua potable para los habitantes del sur de Ecuador y el norte de Perú y también para los sistemas de riego dentro de la subcuenca donde se ubica parte del área de influencia del Proyecto de Riego Zapotillo de singular importancia para el desarrollo de la zona sur ecuatoriana. La ubicación del área de investigación se puede observar en la Figura 4.

El río Alamor constituye uno de los principales tributarios al sistema hidrográfico CatamayoChira (17,199.19 km2), que desemboca en el Océano Pacífico (Tote et al., 2011). El río Alamor desde su parte alta es alimentado por varias quebradas y los ríos Matalanga y Quillusara. Los aportes de la parte media y baja de la subcuenca, no son significativos o no existen por el esquema topográfico presente en la zona, además debido a que algunas quebradas sólo se activan en periodos de precipitación excepcional. El origen de los sedimentos se debe a la alta capacidad erosiva de la lluvia sobre los suelos de la subcuenca, totalmente vulnerables a sufrir un posterior arrastre de estos.

Según UNIGECC (2003), el fenómeno de erosión se muestra con mayor severidad en las partes altas de la subcuenca, donde la pendiente topográfica es mayor a 16 %. La geografía de la subcuenca es abrupta y tiene rangos de altitud que van entre los 2,906 y 107 msnm. Se caracteriza por una alternancia entre valles y crestas dentro de distancias cortas, lo que conduce a diferentes condiciones climáticas debido a la topografía que cambia rápidamente (Oñate-Valdivieso y Bosque Sendra, 2011). La temporada lluviosa es durante el verano austral (diciembre a mayo), cuando los vientos tropicales del este son frecuentemente interrumpidos por los vientos del oeste, transportando humedad desde el Océano Pacífico hasta el área de estudio (Pineda, Ntegeka y Willems, 2013). En la estación seca (de junio a noviembre) prevalecen los vientos del este tropical, llevando el clima seco y soleado al área de estudio, debido a que la Cordillera Oriental más alta forma una barrera que bloquea el transporte de humedad de la Cuenca del Amazonas.

Figura 4. Mapa del รกrea de investigaciรณn

3.3 Procesamiento de datos meteorológicos para estimar el factor R de lluvia-escorrentía Los datos climáticos para el estudio fueron proporcionados por una red operativa de 11 estaciones meteorológicas oficiales del Instituto Nacional de Meteorología e Hidrología (INAMHI) del Ecuador y una estación automática del Servicio Nacional de Meteorología e Hidrología del Perú (SENAMHI) ubicadas dentro y adyacentes a la subcuenca (Figura 5). Para esta investigación se utilizó la información correspondiente a un periodo de 35 años, de cuyos datos resultantes se calculó la precipitación mensual y anual promedio. En muchas partes del mundo no son comunes los registros contínuos de intensidad de lluvia, incluyendo al Ecuador, por lo que el enfoque general utilizado para la estimación del factor R en la subcuenca Alamor, se establece en una relación entre el factor R y los tipos de datos de precipitación más fácilmente disponibles y calculados (totales mensuales o anuales) incluyendo el IMF (Arnoldus, 1977; Renard y Freimund, 1994), ya que la subcuenca no tiene registro de la intensidad de la precipitación diaria. El modelo IMF ha sido utilizado en varios estudios recientes, principalmente de interés regional (Correa, Mello, Chou, Curi y Norton, 2016; Elsenbeer, Cassel y Tinner, 1993; Martínez, 2012; Ochoa-Cueva et al., 2013; Sonder, Müller-Sämann, Hilger y Leihner, 2003), el mismo que puede ser estimado según: 𝑅 = 21.56 𝐼𝑀𝐹 0.927

(13)

Donde: R es Factor de erosividad (Mj.mm)/(ha.h.año) e IMF es el Índice Modificado de Fournier.

Para generar la superficie raster y verificar la confiabilidad de la estimación del factor de erosividad de lluvia calculado, se interpoló con cuatro técnicas diferentes (dos determinísticas y dos geoestadística) disponibles en el Geostatistical Analyst del software ArcMap 10.5.1. Los interpoladores evaluados en este estudio fueron: Ponderación de Distancia Inversa (IDW), Función de Base Radial (RBF) seleccionando el Spline Completamente Regularizado (CRS), Kriging Ordinario (KO) y Kriging Simple (KS), a los cuales se les realizaron diferentes parametrizaciones y ajustes.

Estos métodos fueron elegidos porque son ampliamente utilizados en la literatura (Li y Heap, 2011, 2014) y con frecuencia se aplican para interpolar datos de precipitación (Di Piazza et al., 2011; Martínez, 2012; Plouffe et al., 2015; Soenario y Sluiter, 2010; Wijeratne y Manawadu, 2017). La validación de cada método de interpolación espacial se realizó utilizando la técnica de validación cruzada, en este caso se utilizó la validación cruzada usando k grupos (k-fold cross-validation). La base de datos se dividió aleatoriamente en dos subconjuntos: 75% para el entrenamiento del modelo y el 25% como datos de prueba. Al final de este procedimiento, se utilizó un conjunto de estadísticas de bondad de ajuste que incluyen: el MAE, ECM y R2 para cada método de interpolación de acuerdo a las ecuaciones (10) a (12).

Figura 5. Mapa de la distribuciรณn espacial de las estaciones de precipitaciรณn utilizadas para el cรกlculo del factor R.

3.4 Datos de suelo y procesamiento en la determinaciĂłn del factor de erodabilidad del suelo (K) El factor K se estimĂł con la ayuda de informaciĂłn obtenida a partir de anĂĄlisis de suelos proporcionados por la Base de Datos GeogrĂĄfica de Suelos de la Provincia de Loja que estĂĄ disponible en el Laboratorio de Suelos de la Universidad Nacional de Loja. Se estructurĂł la base de datos con los valores de materia orgĂĄnica, estructura y permeabilidad del perfil del suelo y la composiciĂłn de los porcentajes de arena fina-limo-arcilla, propiedades del suelo que permiten una estimaciĂłn de la erodabilidad del suelo (factor K) segĂşn Renard et al. (1997); Wischmeier, Johnson y Cross (1971). Finalmente, se convirtieron en unidades del Sistema Internacional (SI) (t.ha.h/Mj.mm.ha) y se utilizaron como entrada de la siguiente ecuaciĂłn: đ??ž = 0.277(10â&#x2C6;&#x2019;6 )đ?&#x2018;&#x20AC;1.14 (12 â&#x2C6;&#x2019; đ?&#x2018;&#x20AC;đ?&#x2018;&#x201A;) + 0.0043(đ?&#x2018; â&#x2C6;&#x2019; 2) + 0.0033(đ?&#x2018;? â&#x2C6;&#x2019; 3)

(14)

Donde: M es (% limo + % arena fina) (100 â&#x20AC;&#x201C; % arcilla), MO es materia orgĂĄnica, s es estructural del perfil del suelo y p es parĂĄmetro de permeabilidad.

Hay 50 puntos de muestreo de campo identificados en la base de datos para la subcuenca Alamor, de los cuales se calculĂł los valores del factor K. Luego fueron interpolados por cuatro mĂŠtodos: PonderaciĂłn de Distancia Inversa (IDW), FunciĂłn de Base Radial (RBF) seleccionando el Spline Completamente Regularizado (CRS), InterpolaciĂłn PolinĂłmica Local (LPI) y Kriging Ordinario (KO) como lo sugiere Bhunia et al. (2018), Robinson y Metternicht (2006). Se aplicĂł validaciĂłn cruzada de los valores estimados versus los reales para evaluar la precisiĂłn de los mĂŠtodos de interpolaciĂłn mediante el R2, ECM y MAE de acuerdo a las ecuaciones (10) a (12). Los puntos de muestra se dividieron arbitrariamente en dos conjuntos de datos, uno para entrenar el modelo (80%) y el otro para validar el modelo (20%).

3.5 Determinación del factor longitud de pendiente L, factor de inclinación S y factor topográfico LS El Modelo Digital de Elevación (MDE) es la referencia básica para los estudios relacionados con el factor LS. Para la subcuenca Alamor, el MDE se basó en las imágenes de Shuttle Radar Topographic Mission (NASA/SRTM), con una resolución espacial de 30 m. El área de estudio está cubierta por dos tiles de datos SRTM en formato ASCII. Cada tile se importó en ArcMap 10.5.1 creando un mosaico a partir de los tiles originales y utilizando la herramienta Mosaic To New Raster. Además, se configuraron los parámetros de proyección a WGS84 UTM Zona 17S, tamaño de píxel y se realizó una eliminación de huecos y valores negativos del raster con la herramienta Fill del software ArcMap 10.5.1.

Autores como Hickey, Smith y Jankowski (1994); McCool, Foster y Weesies (1997); Mitasova, Hofierka, Zlocha y Iverson (1996); Moore y Wilson (1992) desarrollaron algoritmos de flujo basados en MDE para determinar la longitud del flujo de superficie acumulada y, por lo tanto, el factor LS. Estas nuevas relaciones basadas en la Teoría del poder de la unidad de flujo incluyen la influencia de la convergencia y divergencia de flujo (Correa et al., 2016). Por lo tanto, el uso de algoritmos asociados con SIG para calcular el factor LS es una gran mejora para el modelo RUSLE.

El factor LS se estimó en ArcMap 10.5.1 utilizando la herramienta raster calculator a través del siguiente proceso: con base en el MDE se creó un ráster de pendientes (herramienta Slope) utilizado para calcular los subfactores β y m en las ecuaciones (4) a (6). De acuerdo a Mitasova et al. (1996), la acumulación de flujo, que denota el área total de contribución de una celda determinada, se calcula sumando las áreas de todas las celdas ascendentes que drenan en ella. La acumulación y dirección de flujo se obtuvieron a partir del MDE mediante el uso de la extensión de modelado hidrológico del conjunto de herramientas de ArcGIS Spatial Analyst. Según McCool et al. (1997), el factor S depende del valor del ángulo, para su cálculo dentro del ArcMap 10.5.1 se utilizó la condicionante “con” usando la ecuación (7). Para el cálculo del factor L se utilizó el enfoque de área de contribución de la unidad (Desmet y Govers, 1997) en ecuación (9). Ejecutado todo este proceso se calculó el factor topográfico LS con la ecuación (3).

3.6 Digitalización de unidades de vegetación para la estimación del factor de manejo de cobertura vegetal C El mapa del factor de cobertura vegetal C se preparó sobre la base de ortofotografía a escala 1:5,000 a una resolución de 0.4 x 0.4 m en el tamaño de pixel (SIGTIERRAS, 2014) y empleando el sistema de clasificación y leyenda temática niveles I a IV desarrollada y adaptada de acuerdo con las guías 2006 del Panel Intergubernamental sobre Cambio Climático (IPCC) (IPCC, 2006) y generados por el Ministerio del Ambiente (MAE), Ministerio de Agricultura, Ganadería, Acuacultura y Pesca (MAGAP) e Instituto Espacial Ecuatoriano (IEE) en el marco del Proyecto Mapa de Cobertura y Uso de la Tierra del Ecuador Continental 2013-2014, escala 1:100,000 (MAE-MAGAP, 2015) y con base a los lineamientos establecidos por el Consejo Nacional de Geoinformática (CONAGE, 2013).

En el software ArcMap 10.5.1, se digitalizó en pantalla los polígonos de las unidades de vegetación con el mosaico de ortofotografías de la subcuenca Alamor. El mapa de uso y cobertura de la tierra, producto de la digitalización, fue validado mediante puntos de verificación recopilados durante los recorridos in situ aplicando un muestreo aleatorio estratificado (100 puntos de muestreo) los cuales se sobrepusieron en el respectivo mapa para compararlos con las categorías o clases que se definieron y así determinar el grado de coincidencia de los datos correspondientes al mapa elaborado.

Posteriormente se calculó el área asociada con cada clase de cobertura vegetal y se asignaron los factores C atendiendo a valores citados en la literatura académica de zonas tropicales (Alvarez et al., 2016; Correa et al., 2016; Cox y Madramootoo, 1998; Ganasri y Ramesh, 2016; Hoyos, 2005; Labrière, Locatelli, Laumonier, Freycon y Bernoux, 2015; Lianes, 2008; Ochoa-Cueva et al., 2013; Panagos et al., 2015a; Wischmeier y Smith, 1978) y, ajustando éstos según las prácticas agrícolas de la zona.

3.7 Evaluación del factor de prácticas de conservación (P) El factor P refleja el efecto de las prácticas de conservación para reducir la erosión del suelo.

En la presente investigación, durante la validación de campo de las unidades de vegetación en la subcuenca Alamor, no se evidenció prácticas de conservación adoptadas que ayuden a impedir la erosión del suelo, por lo que el factor P queda asumido como 1.

3.8 Estimación de la pérdida anual del suelo por riesgo de erosión hídrica en la subcuenca Alamor RUSLE es un modelo aplicable para cuencas hidrográficas a nivel local y regional (Ganasri y Ramesh, 2016; Hoyos, 2005; Millward y Mersey, 1999; Oliveira, Mello, Durães y Silva, 2014) con precisión aceptable en la estimación de las pérdidas anules de suelo a largo plazo mediante la introducción de medios mejorados de cálculo de los factores de erosión del suelo con el uso de tecnología SIG (Correa et al., 2016; Cox y Madramootoo, 1998; Lu et al., 2004).

Los factores de entrada de pérdida de suelo que componen la ecuación RUSLE (1) fueron estimados en función de las características biofísicas y condiciones hidroclimáticas locales de la subcuenca. Para la estimación y la distribución espacial de la pérdida de suelo en el área de estudio, todos los factores de la ecuación RUSLE se representaron mediante modelos raster con un tamaño de celda de 30 x 30 m en un entorno SIG. Los modelos raster son representaciones basadas en celdas de las características del mapa que ofrecen capacidades analíticas para datos continuos y permiten un procesamiento rápido de las operaciones de superposición de las capas analizadas (Fernandez et al., 2003). Utilizando la ecuación (1) dentro de la herramienta Raster Calculator en el entorno ArcMap 10.5.1, las capas se superpusieron y se multiplicaron píxel por píxel, obteniendo el raster resultante de la pérdida media anual de suelo por riesgo de erosión hídrica en la subcuenca Alamor expresada en toneladas por hectárea.

El riesgo de erosión del suelo se clasificó de acuerdo con los criterios adoptados por la FAO (1980), en donde, de acuerdo con la pérdida del suelo en toneladas por hectárea/año, se determina el riesgo, tal como se muestra en la Tabla 1.

Tabla 1. Clasificación del riesgo de erosión del suelo basada en la tasa de erosión promedio estimada por RUSLE Pérdida de suelo (t/ha/año) 0 – 10 10 – 50 50 – 200 > 200

Riesgo de erosión Baja Moderada Alta Severa

Fuente: FAO (1980)

Dentro del marco de trabajo de modelado de RUSLE, se estimó la tasa de erosión hídrica actual considerando los factores de erosividad de lluvia R, erodabilidad del suelo K, factor topográfico LS, cobertura vegetal C y prácticas de conservación P. El mapa de erosión hídrica actual representa la susceptibilidad a la erosión o la posible pérdida de erosión del suelo para el área de investigación.

3.9 Modelación con prácticas de conservación de suelos y aguas para las diferentes clases de riesgo potencial de erosión En este apartado se realizó la modelación de un escenario para el control y disminución de la erosión hídrica considerando las condiciones actuales de modelación como un escenario de referencia para la comparación. El escenario de riesgo de erosión hídrica del suelo propuesto corresponde a un escenario “proyecto” donde se asumen variaciones en los factores de prácticas agrícolas (P) y de cobertura/uso del suelo (C).

El factor P es una expresión de los efectos de las prácticas de conservación de suelos, como la agricultura de contorno, terraceo y cultivo en franjas, sobre la pérdida de suelo en un sitio en particular. El valor de P disminuye al adoptar estas prácticas de conservación de suelos porque reducen el volumen y la velocidad de la escorrentía y fomentan la deposición de sedimentos en la superficie de la ladera.

Algunos investigadores sugieren que el valor de P depende más bien de la inclinación de la pendiente (Shin, 1999; Wenner, 1981; Wischmeier y Smith, 1978); mientras que otros utilizan las prácticas agrícolas para calcular el valor de P (Stone y Hilborn, 2000).

En esta investigación para la determinación de los porcentajes para las diferentes clases de riesgo potencial de erosión se utilizó el mismo modelo descrito en ecuación (1), con la particularidad de que para establecer las prácticas propuestas para reducir la erosión y por ende conservar el suelo, se adoptó el método de combinar el tipo general de uso de la tierra y la pendiente tal como lo utilizó Shin (1999). Se asignaron valores P de 0.54 para pendientes entre 0 y 11.3% y de 0.8 para rangos de pendiente entre 11.3 y 26.8%. Estos valores se han utilizado para los siguientes usos de la tierra: cultivo de maíz, café, arroz, misceláneo de frutales, pastizales y fueron adaptados de (Oliveira, Rodrigues, Sobrinho, Carvalho y Panachuki, 2012; Parveen y Kumar, 2012; Renard et al., 1997; Shin, 1999; Wischmeier y Smith, 1978; Yang et al., 2003). Además, se modificó el valor del factor C asumiendo la reducción de sus valores a la mitad con relación al escenario actual, en tierras de cultivos de maíz, café, arroz, misceláneo de frutales, pastizales, matorral degradado y áreas con escasa vegetación.

Resultados

4.1 Erosividad de la lluvia factor R 4.1.1 Erosión anual de lluvia por estación meteorológica Con base en la metodología establecida y utilizando la ecuación (2), se estimó el Índice Modificado de Fournier (IMF) para cada estación meteorológica ubicada dentro y adyacente a la subcuenca, el cual es utilizado en la estimación del factor R en la ecuación (13) como lo sugiere Martínez (2012). La erosión anual de lluvia resultante se muestra en la Tabla 2.

Tabla 2. Datos estadísticos del factor R anual por estación meteorológica Estación climática

UTM X_17S

UTM Y_17S

Alamor Celica Saucillo Zapotillo Mangahurquillo Mangahurco El Limo Mercadillo Macará Ciano El Alamor Lauro Guerrero Promedio

607925 616393 588930 583709 578193 563648 596765 612705 617065 614259 566807 637817

9555751 9546313 9526784 9515550 9548832 9540643 9559295 9555653 9516928 9565386 9504876 9561300

Altitud (msnm)

Precipitación media anual (mm)

1,250 1,904 328 223 272 317 1,156 1,142 544 1,523 116 1,945

1,442.61 1,052.95 752.47 638.35 850 721 1,634 1,574 557 1,715 787.15 1,327

IMF

358.63 234.36 206.03 188.74 204.12 128.40 262.65 247.37 147.51 262.69 164.05 214.88

R (Mj.mm/ha.h.año) 5,032.76 3,392.59 3,010.66 2,775.71 2,984.78 1,942.18 3,770.61 3,566.82 2,208.75 3,771.14 2,437.43 3,130.36 3,168.65

4.1.2 Precisión de los diferentes métodos de interpolación y validación cruzada Los resultados de los cuatro métodos de interpolación espacial tuvieron una tendencia de distribución bastante similar (Figura 6). La Tabla 3 presenta los resultados de validación cruzada del factor R obtenidos de los métodos KO, KS, RBF (CRS) e IDW.

Figura 6. Distribución espacial del factor R para los diferentes métodos de interpolación: (a) Ponderación de Distancia Inversa, (b) Kriging Ordinario, (c) Kriging Simple y (d) Función de Base Radial seleccionando el Spline Completamente Regularizado

La interpolación de los datos del factor R estimado resultó en un ECM entre 63.06 y 213.68. El mejor desempeño fue obtenido por KO (ECM = 63.06). El método RBF (CRS) también dio buen resultado. Entre los métodos analizados, la interpolación KS tiene el mayor error entre los estadísticos evaluados. Entre los cuatro métodos de interpolación probados, KO y RBF (CRS) mostraron una mayor correlación con los valores medidos (R2 = 0.97). Sin embargo, el valor de KS mostró una menor precisión en el método de estimación.

Tabla 3. Comparación de las eficiencias y errores de los métodos de interpolación para predecir el factor R Validación estadística MAE

ECM

998.19

Desviación Estándar 693.02

994.36 1,054.21 1,022.81

766.06 228.12 500.61

113.70 398.16 157.44

63.06 213.68 96.98

0.97 0.90 0.97

387.48

305.25

184.92

0.96

Media Observados Predichos Kriging Ordinario (KO) Kriging Simple (KS) Función de base radial (RBF) spline completamente regularizado (CRS) Ponderación de Distancia Inversa (IDW)

1,084.19 2

MAE: error medio absoluto; ECM: error cuadrático medio; R : coeficiente de determinación

De los métodos de interpolación se eligió Kriging Ordinario que, comparado con los métodos restantes, dio los mejores resultados de validación cruzada con un ECM y MAE más bajos y el valor más alto de R2. La Figura 7 muestra la superficie raster de la subcuenca Alamor con la distribución espacial del factor R. Como se esperaba la mayor erosión de lluvia se localiza en la parte noroeste de la subcuenca, donde la elevación y la precipitación anual son más altas. Se muestra claramente una zonificación del factor R; de norte a sur la erosividad disminuye. Los valores del factor R de erosión de lluvia-escorrentía oscilaron de 2,281.72 a 5,037.20 Mj.mm/ha.h.año.

Figura 7. Mapa de la distribuciรณn espacial del factor R

4.2 Erodabilidad del suelo factor K 4.2.1 Conjunto de datos de sitios de muestreo de suelo y análisis de parámetros del factor K Los valores del factor K de la subcuenca Alamor fueron obtenidos a partir de ecuación (14) y varían entre 0.016 a 0.050 t.ha.h/Mj.mm.ha (Tabla 4). Las texturas del suelo fueron principalmente arcillosas, franco arcillosas y franco arenosas indicando una mediana vulnerabilidad a la erosión. El contenido promedio de materia orgánica fue 3.97%. La clasificación de la permeabilidad basada en la infiltración fue de clase 4 y 5.

Tabla 4. Máximos y mínimos valores de parámetros de suelo de 50 puntos para calcular el factor K % MO

% Arena

1.15

Máximo 8.04

Mínimo

% % Limo Arcilla

Clase textural

% AMF

Parámetro estructural

12.84 Franco arcillosa 60 Franco limosa

3.29

1,040

0.016

3,967.30

0.050

MO: materia orgánica; AMF: arena muy fina; P: permeabilidad Fuente: Laboratorio de Suelos UNL (2016)

4.2.2 Comparación de métodos de interpolación y validación cruzada Se utilizaron tres métodos determinísticos IDW, LPI, RBF (CRS) y uno geoestadístico KO para estimar la distribución espacial del factor K (Figura 8). Las diferencias entre los modelos con respecto a las estadísticas de validación fueron estrechas, pero de todas formas permitieron realizar una comparación entre ellos. Los resultados comparativos mostraron que KO es más preciso que las otras tres técnicas con un valor de R2 = 0.951. El valor de RBF mostró una menor precisión en el método de estimación. La comparación cuantitativa de estas técnicas se obtuvo a través de estadísticas de validación cruzada (Tabla 5).

Figura 8. Distribución espacial del factor K para los diferentes métodos de interpolación: (a) Kriging Ordinario, (b) Ponderación de Distancia Inversa, (c) Función de Base Radial seleccionando el Spline Completamente Regularizado y (d) Interpolación Polinómica Local

Tabla 5. Comparación de las eficiencias y errores de los métodos de interpolación para predecir el factor K Validación estadística Media

MAE

ECM

Observados Predichos Kriging Ordinario (KO) Interpolación Polinómica Local (LPI) Función de base radial (RBF) spline completamente regularizado (CRS)

0.003

Desviación Estándar 0.010

0.003 0.003 0.003

0.009 0.009 0.009

0.002 0.002 0.002

0.001 0.001 0.001

0.951 0.950 0.923

Ponderación de Distancia Inversa (IDW)

0.003

0.009

0.002

0.001

0.937

MAE: error medio absoluto; ECM: error cuadrático medio; R : coeficiente de determinación

Los resultados indican que el factor K se predijo mejor mediante KO con el mínimo ECM y el valor más alto de R2. El valor promedio del parámetro K para toda la subcuenca fue de 0.031 t.ha.h/Mj.mm.ha. En la Figura 9 se presenta la distribución espacial del factor K y de los sitios de las muestras de suelos en la subcuenca Alamor. Se evidencia que los valores más bajos de erodabilidad corresponden a suelos de textura arcillo arenosa y franco arcillosa (0.016 a 0.029) debido a las altas tasas de infiltración y la menor escorrentía. Los suelos de textura franco tienen valores moderados de K (0.030 a 0.044) y los valores más altos (0.045 a 0.050) son los de textura franco limosa, ya que producen altas tasas de escorrentía. Estos valores están relacionados con el contenido de materia orgánica por lo que se presentan excepciones en función al mayor o menor contenido de la misma.

Figura 9. Mapa de la distribuciรณn espacial del factor K

4.3 Factor topográfico LS La variación espacial del factor combinado LS para la subcuenca Alamor se presenta en la Figura 10. Los valores del factor topográfico aumentan en un rango de 0.03 a 84.20 a medida que aumenta la acumulación de flujo y la pendiente. Los valores bajos se distribuyen en las partes bajas y planas de la subcuenca (0.03 a 2.01) y los valores altos se encuentran en la zona montañosa con topografía empinada (17.86 a 84.20), especialmente en el noreste y siguiendo el curso de los ríos principales. Esto implica que la influencia del factor LS para la pérdida de suelo es significativa en la parte superior de la subcuenca.

Figura 10. Mapa de la distribuciรณn espacial factor topogrรกfico LS

4.4 Factor manejo de cobertura vegetal C El área de investigación se ha clasificado en 12 clases de uso y cobertura del suelo (Figura 11). El 45.08% de la subcuenca se encuentra cubierta de bosque nativo, localizándose en la parte media y baja; los últimos y mejores remanentes de bosque seco semideciduo del Ecuador (BirdLife International, 2017). En la parte alta existen pequeños remanentes de bosque siempreverde montano denso intervenido o bosque nublado (Lozano, 2002). Existen además zonas extensas destinadas a la agricultura y ganadería entre los remanentes de bosque natural, pastizales degradados en la parte alta (21.25%) y entre los cultivos predomina el maíz de temporal (19.46%) localizados en su mayoría en la parte media de la subcuenca. El 6.55% corresponde a remanentes de vegetación densa que han surgido después de la tumba de vegetación nativa o de áreas que antiguamente fueron utilizadas para la agricultura o ganadería (matorral degradado). El porcentaje restante (7.66%) comprende a coberturas distribuidas en toda la zona de investigación (suelos desnudos, plantaciones forestales, bosques degradados, cultivos de café en asociación con árboles frutales y guineo, los cultivos de arroz localizados en suelos planos, cuerpos de agua y zonas urbanas). El resultado de evaluación de la clasificación del mapa de uso y cobertura del suelo para la subcuenca Alamor fue del 90%, validación cartográfica que resultó ser satisfactoria, producto de las actividades del muestreo llevado a cabo y de las actividades de recopilación y ubicación espacial de los sitios de verificación realizadas en campo.

El factor de manejo de cobertura vegetal se asignó a dichos patrones de uso de la tierra, se puede observar valores comprendidos entre 0.003 para bosque nativo y 0.415 para cultivos de maíz (Tabla 6 y Figura 12).

Tabla 6. Clases de uso y cobertura del suelo / valor del factor C respectivo Tipo de cobertura Bosque degradado Bosque nativo

Área (%)

Factor C

4522.81

4.12

0.037

Lianes et al., (2008)

49506.93

45.08

0.003

Cuerpos de agua Cultivo de arroz

1033.75 470.53

0.94 0.43

0 0.19

Cultivo de café Cultivo de maíz

5.04 21372.94

0.00 19.46

0.09 0.415

7194.67

6.55

0.03

Promedio de Cox y Madramootoo (1998); Lianes (2008); Wischmeier y Smith (1978) Ganasri y Ramesh (2016) Promedio de Panagos et al. (2015b); Wischmeier y Smith (1978) Promedio de Hoyos (2005); Lianes (2008) Promedio de Correa et. al. (2016); OchoaCueva et al. (2013) Promedio de Alvarez et al. (2016); Wischmeier y Smith (1978)

42.5

0.04

0.079

Promedio de Labrière et. al. (2015)

23331.72

21.25

0.016

Promedio de Alvarez et al. (2016); Lianes (2008); Wischmeier y Smith (1978)

125.78

0.11

0.028

1815.57 394.11

1.65 0.36

1 0.1

Promedio de Labrière et. al. (2015); OchoaCueva et al. (2013) Alvarez et al. (2016) Ochoa-Cueva et al. (2013)

109816.35

100.00

Matorral degradado Misceláneo de frutales Pastizal degradado Plantación forestal Suelo desnudo Urbano Superficie total

Área (ha)

Referencia

Figura 11. Mapa de la distribuciรณn espacial de la cobertura y uso del suelo

Figura 12. Mapa de la distribuciรณn espacial del factor C

4.5 Factor de prácticas de conservación (P) El valor P no está representado porque se asumió un valor unitario para toda la subcuenca Alamor, esto con base a los recorridos in situ durante la validación del mapa de uso y cobertura del suelo de la subcuenca donde no se identificó medidas de conservación específicas en el suelo como el contorneado, terraceo, franjas de cultivo o drenaje subsuperficial que contribuyan a reducir el nivel de erosión en el área de estudio.

4.6 Estimación de la pérdida anual del suelo por riesgo de erosión hídrica en la subcuenca Alamor El análisis SIG llevado a cabo mediante la implementación del modelo RUSLE para la estimación de la pérdida anual de suelo en la subcuenca Alamor permitió identificar que dicha pérdida varía entre 0 y 10 (baja) hasta más de 200 toneladas por hectárea al año (severa) tomando el enfoque de clasificación de la FAO (1980) (Tabla 7). La distribución espacial de la pérdida anual del suelo (Figura 13) muestra que la mayor parte del área de investigación se encuentra en la categoría de erosión baja (68.15%) debido a la presencia de los remanentes de bosque nativo. La erosión moderada ocurre en las estribaciones noroccidentales del área de estudio donde existe una zona ganadera con pendiente leve (13.67%). El 13.55% corresponde a la erosión alta y se presenta en las regiones donde existe una pendiente pronunciada con tierra estéril. La erosión severa se presenta en fuertes pendientes con cultivos de temporal (maíz), suelos desnudos y en la convergencia de los principales cursos hídricos en la subcuenca (4.62%).

Tabla 7. Clasificación del riesgo de erosión del suelo basada en la tasa de erosión promedio estimada por RUSLE para la subcuenca Alamor (FAO, 1980) Pérdida de suelo (t/ha/año) 0 – 10

Riesgo de erosión Baja

Área (ha) 74,840.20

Área (%) 68.15

10 – 50

Moderada

15,014.85

13.67

50 – 200

Alta

14,883.85

13.55

> 200

Severa

5,077.46

4.62

109,816.35

100

Total

Figura 13. Mapa de la distribuciĂłn espacial de la pĂŠrdida anual de suelo

4.7 Prácticas de conservación de suelos para las diferentes clases de riesgo potencial de erosión La observación de campo confirmó que en el área de investigación no se siguen las principales prácticas de conservación, excepto que las parcelas agrícolas bajo cultivo están delimitadas. La mayor parte de la subcuenca Alamor está cubierta de bosques y sólo el 19.93% se utiliza para la agricultura con tierras de cultivo irrigadas y no irrigadas, cultivos de maíz, arrozales, café y árboles frutales.

El escenario propuesto, con respecto a la adopción de medidas y acciones para reducir la erosión hídrica en la subcuenca permite la evaluación cuantitativa de la ejecución de medidas simples y el comportamiento para reducir la erosión del suelo a través de los factores C y P. Con base en la metodología establecida y el mapa de distribución de clases de pendientes (Figura 14) se obtuvo la distribución del riesgo de erosión del suelo para el escenario “proyecto” (Tabla 8 y Figura 15).

Tabla 8. Variaciones en los factores de prácticas agrícolas (P) y de cobertura de uso del suelo (C) según los tipos de cultivo y pendiente Tipo de cobertura Bosque degradado

Factor C 0.037

Pendiente %

Factor P modificado 1

Factor C modificado 0.019

Bosque nativo

0.003

Cuerpos de agua

0.000

Cultivo de arroz

0.190

0.0 – 7.0

0.54

0.095

Cultivo de café

0.090

7.0 – 11.3

0.54

0.045

Cultivo de maíz Matorral degradado Misceláneo de frutales Pastizal degradado

0.415 0.030 0.079

11.3 – 17.6 11.3 – 17.6

0.80 1 0.80

0.208 0.015 0.040

0.016

17.6 – 26.8

0.80

0.008

Plantación forestal

0.028

Suelo desnudo Urbano

1.000 0.100

1 1

0.500 0.100

Descripción de variación de factores C y P Reforestación Valores iguales al escenario actual Valores iguales al escenario actual Terraceo, mejoramiento de sistemas de riego Terraceo, mejoramiento de semillas, control de plagas y capacitación Contorneado Regeneración natural Terraceo, mejoramiento de sistemas de riego Franjas de cultivo, ganadería sostenible, sistemas silvopastoriles Valores iguales al escenario actual Reforestación Valores iguales al escenario actual

Figura 14. Mapa de la distribuciรณn espacial de la pendiente

Figura 15. Mapa de la distribución espacial del escenario “proyecto” de erosión hídrica del suelo

En particular, hay una reducción de 36% en la erosión moderada a alta, que disminuye de 27.23 a 22.28 t/ha/año. También hay una notable reducción de la extensión del suelo afectado por la erosión severa > 200 t/ha/año, a sólo el 0.16% del total. La distribución espacial de las clases es similar a la situación actual con una menor difusión de las peores clases (Figura 16 y Tabla 9).

Tabla 9. Clases de erosión relevantes según FAO (1980) para los escenarios investigados Pérdida de suelo (t/ha/año) 0 – 10

Baja

Actual Área (ha) Área (%) 74,840.20 68.15

10 – 50

Moderada

15,014.85

13.67

12,033.93

10.96

50 – 200

Alta

14,883.85

13.55

12,435.91

11.32

5,077.46

4.62

180.72

0.16

> 200

Riesgo de erosión

Severa

Escenario "proyecto" Área (ha) Área (%) 85,165.80 77.55

Figura 16. Comparación de la distribución espacial de la reducción de erosión hídrica del suelo: Escenario Actual (a), Escenario “Proyecto” (b)

Discusión

Este estudio se enfocó en la distribución espacial del riesgo potencial de erosión hídrica en la subcuenca Alamor perteneciente a la Unidad hidrográfica Catamayo-Chira, Ecuador. Se utilizó el modelo RUSLE para estimar la tasa anual promedio de erosión del suelo usando datos sobre el patrón de precipitación, tipo de suelo, topografía, cobertura y uso del suelo, el sistema de cultivo y prácticas de manejo en tierras cultivadas. La investigación tiene tres preguntas de investigación i) ¿Cuál es el factor más influyente y de mayor afectación en la pérdida de suelo por erosión hídrica?. La potencialidad del modelo RUSLE se basa en diferencias espaciales relativas más que en valores exactos. Por lo tanto, los patrones de erosión resultantes muestran qué factores de control de la erosión del suelo son más o menos influyentes y en qué condiciones. En este sentido, la segunda pregunta es: ii) ¿Se puede estimar la pérdida de suelo por efecto de la erosión hidrica en la subcuenca Alamor?. Finalmente, un interés especial es: iii) ¿Se pueden recomendar prácticas de conservación de suelos a partir de las diferentes clases de riesgo potencial de erosión?. Los principales hallazgos de la investigación son:

5.1 Sobre la predicción, distribución y comportamiento espacial de los factores RUSLE para la subcuenca Alamor, Andes de Ecuador La estimación de la erosión de la lluvia es de gran importancia para la evaluación de la erosión del suelo y tiene importantes implicaciones para la agricultura y la planificación de la tierra. Muchos estudios (Martínez, 2012; Dabral et al., 2008; Hoyos et al., 2005; Jain et al., 2001; Millward y Mersey, 1999) revelaron que la tasa de erosión del suelo en un área específica es más sensible a la lluvia. Si bien la precipitación diaria es un mejor indicador de la variación en la tasa de erosión del suelo para caracterizar la distribución estacional del rendimiento de sedimentos (Apaydin, Erpul, Bayramin y Gabriels, 2006; Ávila y Ávila, 2015; Hoyos et.al., 2005), las ventajas de utilizar la precipitación anual incluyen su pronta disponibilidad, facilidad de cálculo y una mayor consistencia regional del mismo (Shinde, Tiwari, y Singh, 2010).

Por lo tanto, en la subcuenca Alamor, en ausencia de datos de lluvia diarios, la estimación del factor R se estableció en la regresión de los índices de intensidad de lluvia en escalas mensuales o anuales, estadísticas que fueron fácilmente disponibles de los servicios meteorológicos de la región (datos de precipitación interpolados a partir de 12 estaciones meteorológicas). Los resultados muestran que el IMF es apropiado para estimar el factor R para aquellas áreas donde no se dispone de datos de intensidad de lluvia. Los datos resultantes fueron muy significativos para las 12 estaciones meteorológicas, por lo que la relación entre el IMF basado en cantidades promedio de lluvia mensuales o anuales y los valores equivalentes del Factor R son muy buenos. En áreas tropicales y de la región Andina, varios investigadores mostraron que el IMF ha logrado calcular valores confiables del Factor R (Cassol, Martins, Eltz, Lima y Bueno, 2007; Ochoa-Cueva et al., 2013; Oliveira et al., 2012).

Los valores de R determinados para la cuenca de estudio son confiables y fueron consistentes cuando se probó con la metodología de validación cruzada. De acuerdo con los resultados, los parámetros estimados son similares a los obtenidos en varios estudios llevados a cabo en otras cuencas de la región (Alvarez et al., 2016; Ochoa-Cueva et al., 2013; Oliveira, Wendland y Nearing, 2013; Sonder, 2002). Todos esos estudios desarrollaron modelos regionales basados en relaciones potenciales sobre cantidades mensuales y anuales de lluvia. La estimación de la erosión anual de lluvia debe considerarse cuidadosamente. Sin embargo, la validación del factor R para la región de investigación y la alta correlación entre R anual y las pérdidas de suelo indican que la RUSLE puede considerarse como una potente herramienta para estimar pérdidas potenciales de suelo en cuencas andinas del Ecuador.

La erodabilidad del suelo es un parámetro clave y un requisito esencial para la predicción de la erosión, prácticas de conservación y evaluación de impactos ambientales relacionados de la erosión. Investigaciones sobre la predicción de la erosión del suelo en todo el mundo indican que la erosionabilidad está relacionada principalmente con los parámetros de textura del suelo, materia orgánica, estructura y permeabilidad del perfil del suelo y la composición de los porcentajes de arena fina-limo-arcilla (Chen, Niu, Li, Zhang y Du, 2011; Renard et al., 1997; Wischmeier et al., 1971).

El mapa del factor K desarrollado para el área de estudio demuestra la vulnerabilidad natural del suelo a la erosión hídrica. El valor del factor K se ve afectado por la capacidad de infiltración y la estabilidad estructural del suelo (Devatha, Deshpande y Renukaprasad, 2015). De acuerdo con los resultados el suelo de la subcuenca Alamor tiene un valor de factor K moderado; valores considerados de bajos a medios según Wischmeier y Smith (1978). Por lo tanto, las partículas del suelo son moderadamente susceptibles a la separación y producen un escurrimiento moderado.

En áreas noroccidentales y centrales del área de estudio los valores de erosionabilidad son bajos (suelos arcillosos y arenosos) variando a valores altos en la parte sur de la subcuenca (suelos franco limosos). La predicción empírica del factor K resultante en esta investigación arrojó valores válidos y comparables a los obtenidos por Alvarez et al. (2016), Correa et al. (2016) y Ochoa-Cueva et al. (2013), investigaciones a escala regional que igualmente utilizaron predicciones empíricas para la estimación del factor K.

El análisis del factor topográfico LS es muy importante en la aplicación RUSLE, ya que este parámetro determina las condiciones de escorrentía, especialmente su velocidad y capacidad hidráulica para el transporte de sedimentos (Wischmeier y Smith, 1978) y, por lo tanto, es un indicador del riesgo de erosión del suelo en la subcuenca. La estimación del factor topográfico LS en el área de estudio arroja valores aceptables dada la aplicación de algoritmos asociados con SIG (Desmet y Govers, 1997; Hickey et al., 1994; McCool et al., 1997; Mitasova et al., 1996; Moore y Wilson, 1992). Tanto la longitud como la inclinación de la pendiente afectan la erosión del suelo causada por la acción del agua. El factor topográfico en la subcuenca Alamor presenta valores mínimos en las zonas planas, valores consistentes debido a los valores bajos de elevación. Los valores máximos altos se encuentran en las pendientes pronunciadas en la parte centro y norte de la subcuenca, este hecho implica que las áreas extensas de pendientes pronunciadas son propensas a la erosión.

A medida que se identifica y analiza el uso actual de los suelos que son vitales para la planificación del desarrollo y estudios de erosión, los factores C y P son parámetros muy importantes en RUSLE para comprender la vulnerabilidad de la subcuenca a la erosión hídrica y ayudan a explicar la mayor parte de las tasas de erosión del suelo estimadas por la Ecuación Universal de Pérdida de Suelo Revisada. 75

El factor C evalúa el efecto de la vegetación en la erosión del suelo, el mismo que puede clasificarse según el tipo de vegetación (Morgan, 2005). La distribución espacial del factor C en el área de estudio va desde cero (0) para cuerpos de agua donde no hay erosión, hasta uno (1) para suelos desnudos. Los resultados muestran que la parte centro-norte tiene valores relativamente altos en áreas donde los usos del suelo son principalmente cereales, tubérculos y vegetales. En la parte baja y alta de la subcuenca, los valores de C presentan valores relativamente menores, ya que las coberturas/usos predominantes de la tierra son bosque nativo y pastizales, que son formaciones vegetales con una buena capacidad para controlar el impacto de las gotas de lluvia, reduciendo la vulnerabilidad del suelo a la erosión. Los factores C asignados en esta investigación guardan similitud con los expuestos por Alvarez et al. (2016); Correa et al. (2016); Hoyos (2005); Labrière et al. (2015); Lianes (2008); Ochoa-Cueva et al. (2013), por lo que los valores resultan ser confiables y acordes a la realidad con cada uno de los tipos de cobertura vegetal y uso de suelo determinados para la subcuenca Alamor.

5.2 Sobre la estimación del riesgo de erosión del suelo y evaluación de medidas de control de la erosión para la planificación de la conservación del suelo en la subcuenca Alamor, Andes de Ecuador La erosión del suelo es la causa más grave de degradación de la tierra que ha influido en la enorme presión sobre la productividad y estabilidad ambiental de las cuencas hidrográficas de la región. Es un hecho que la degradación ambiental ha sido un problema en la subcuenca Alamor, al sur de Ecuador. Las principales causas de la erosión del suelo en el área, entre otros, fueron presentadas por diferentes investigadores (Alvarez et al., 2016; Ochoa et al., 2016; UNIGECC, 2003; Vílchez et al., 2006; Zury, 2004) e incluso presenciadas por los agricultores

como

deforestación,

sobrepastoreo,

topografía

empinada,

fuertes

precipitaciones (Fenómeno del Niño), mal manejo del suelo e inadecuadas prácticas agrícolas. Situación evidente por la gran cantidad de pérdida de suelo, por la erosión hídrica y la muy baja productividad de las tierras de cultivo.

5.3 Respuestas a las preguntas de investigación Pregunta de investigación 1: ¿Cuál es el factor más influyente y de mayor afectación en la pérdida de suelo por erosión hídrica?

La cobertura vegetal y uso del suelo se identifica como el principal factor que influye en el riesgo de erosión del suelo en la subcuenca Alamor como lo encontraron Tanyaş, Kolat y Süzen (2015) y Zhou, Luukkanen, Tokola y Nieminen (2008). Los resultados del mapa de la distribución del riesgo de erosión en el área de estudio dejan en claro que una cobertura vegetal degradada junto con un alto factor LS y la fuerte precipitación aumenta en gran medida la escorrentía y la erosión del suelo especialmente en las zonas de montaña.

En relación con los resultados obtenidos del escenario propuesto, los cambios de cobertura arrojaron datos favorables para la conservación de suelos demostrando que el tipo de cobertura vegetal (factor C) puede reducir considerablemente la pérdida de erosión del suelo. Tal como indican Ochoa et al. (2016), la cobertura vegetal se puede ver como un factor clave para comprender la erosión del suelo en la sierra sur de Ecuador. En similares condiciones geográficas, la vegetación tiene una notable influencia en la erosión del suelo. La presencia de una cubierta vegetal puede aumentar la infiltración, reducir la escorrentía superficial, las hojas de los árboles protegen el suelo del impacto de las gotas de lluvia y el sistema radicular estabilizar las pendientes de montaña, y, por lo tanto, reducir significativamente los proceso de escorrentía y erosión de laderas en paisajes semiáridos (Ludwig, Wilcox, Breshears, Tongway y Imeson, 2005).

Sin embargo, con una cubierta vegetal reducida, la escorrentía y la erosión del suelo pueden aumentar considerablemente, lo que da como resultado inundaciones y deslizamientos que afectan a obras de infraestructura de riego, vial, urbana y terrenos agrícolas que se localizan en las márgenes de los ríos (Oñate, 2004; UNIGECC, 2003). Esta investigación pone de manifiesto la relación directa que tiene la vegetación con la protección del suelo, respaldando de esta manera los resultados obtenidos. Además de su papel en la captura de carbono (Covey, Orefice y Lee, 2012), la vegetación juega un papel importante en la protección del suelo contra la pérdida de erosión.

Pregunta de investigación 2: ¿Se puede estimar la pérdida de suelo por efecto de la erosión hidrica en la subcuenca Alamor? Durante este estudio cartográfico, la tasa de pérdida de suelo espacial por efecto de erosión hídrica a escala regional se determinó utilizando el modelo RUSLE que se constituye en una herramienta eficiente para la evaluación de la situación relativa a la erosión en un área específica. Los factores ayudan a dar información sobre los síntomas de la erosión del suelo. En el sur de Ecuador, el 46% de la cobertura forestal ha sufrido cambios relacionados con el establecimiento de pastizales y otros usos de carácter antropogénico (Tapia-Armijos, Homeier, Espinosa, Leuschner y De La Cruz, 2015). El mapa de la distribución espacial de la pérdida anual de suelo muestra que el 27.23% (298.99 km 2 de la subcuenca Alamor) puede clasificarse con un riesgo de erosión moderada y alta. Las áreas con riesgo de erosión severa cubren el 4.62% del área total, valores que se muestran conformes a los calculados por Alvarez et al. (2016); Ochoa-Cueva et al. (2013) y Oñate (2004) para las condiciones en cuencas hidrográficas con características climáticas y ambientales similares en el sur de Ecuador. El área noroccidental y centro de la subcuenca tienen el mayor riesgo de erosión. La parte sur de la subcuenca no muestra valores altos, ya que estas partes preservan el bosque seco.

Investigaciones previas han demostrado que la aplicación del modelo RUSLE junto con SIG se encuentra entre las herramientas de apoyo a la decisión utilizadas por los planificadores, ya que simula escenarios de protección y conservación del suelo para planificar intervenciones de control de la erosión, especialmente en laderas donde predomina la erosión hídrica (Da Cunha et al., 2017; Djoukbala et al., 2019; Ketema y Dwarakish, 2019). La mejor respuesta del modelo RUSLE en cuencas tropicales andinas como en Correa et al. (2016); Hoyos (2005) y Ochoa et al. (2016) permite considerarlo como el modelo más adecuado para la zona de estudio. La mayor ventaja de dicho modelo es su simplicidad en términos de requisitos de datos y procesamiento (Harmon y Doe, 2001). De los resultados se pudo evidenciar que los valores calculados de pérdida de erosión del suelo deberían considerarse como índices comparativos de valores absolutos debido a la generalización de los datos utilizados, así como a la naturaleza del modelo. Por lo tanto, estos resultados son útiles para evaluar los riesgos de erosión del suelo, complementar estrategias de control de la erosión e implementar programas de conservación ambiental en la subcuenca Alamor.

Pregunta de investigación 3: ¿Es posible a partir de las diferentes clases de riesgo potencial de erosión recomendar prácticas de conservación de suelos y aguas?

Los programas de conservación del suelo, como el programa “Manejo Sostenible de la Tierra para combatir la desertificación y la degradación de la tierra, mitigar los efectos de la sequía y fomentar la adaptación al cambio climático en Ecuador” (Dávila y Gonzáles, 2013), se han establecido para reducir la erosión del suelo. García-Fayos (2004) señala que, aunque la vegetación ya es un valor por sí mismo contra la erosión, el tipo de vegetación importa. Otros estudios como los de Zhou et al. (2008) sugieren que, en una cuenca montañosa, la alta erosión tiende a ocurrir cuando más del 30% del suelo está expuesto; una cobertura de la vegetación del suelo de más del 78% puede reducir en gran medida la erosión hídrica. Referente a la modelación de la aplicación de prácticas de conservación (factor P) en el escenario “proyecto” tuvo una efectividad en la reducción de la pérdida de suelo, especialmente en áreas montañosas donde se consideró como prácticas de conservación el contorneado (cultivo de maíz) y franjas de cultivo, ganadería sostenible y sistemas silvopastoriles (pastizal degradado), en la parte baja para el cultivo de arroz se corrigió el factor P aplicando terraceo, mejoramiento de semillas, control de plagas y capacitación. Shi et al. (2004), en un estudio sobre la planificación de la conservación del suelo a nivel de microcuenca, señalan que los riesgos de pérdida de suelo pueden aliviarse si se implementan medidas de conservación combinadas, incluidas las terrazas y la labranza de contorno. El factor P para la subcuenca Alamor se estimó en valores de 0.54 y 0.80, y, por lo tanto, las tres prácticas de apoyo discutidas y aplicadas principalmente en áreas susceptibles a la erosión del suelo debido a altos valores del factor LS (longitud y gradiente de pendiente) da como resultado una reducción significativa del riesgo general de erosión del suelo. El impacto de las prácticas de conservación se observa principalmente en áreas agrícolas donde el riesgo de erosión del suelo se reduce en un 5%.

Por los resultados obtenidos, y como indican Nigel y Rughooputh (2010), una alta y buena cobertura vegetal y un manejo eficaz de las prácticas de conservación son factores importantes para mejorar la estabilidad del suelo y reducir la pérdida de suelo por efectos de erosión.

Como práctica de conservación también se debe considerar la regeneración natural, prácticas sencillas y económicas de protección de los brinzales (árboles silvestres de muy poca edad) mediante cerramiento, reforestación si es necesario en áreas de vertientes y utilizando especies nativas del sector, protección de taludes para estabilizar el suelo contra la erosión producida por la lluvia y en drenajes pequeños. Por ejemplo, se pueden construir igualmente pequeños muros con materiales locales para formar un sistema de terrazas que permita controlar la velocidad de escorrentía y detener la erosión por cárcavas tal como lo menciona Zury (2004). Por lo tanto, se debe mantener la cobertura del suelo en buenas condiciones y dar prioridad a la protección de los bosques, maximizando además la cobertura vegetal mediante prácticas de rotación en las tierras agrícolas para reducir rápidamente los efectos de la erosión en la pérdida de suelo.

La aplicación RUSLE en este estudio resultó ser la mejor alternativa para la evaluación de erosión hídrica en la subcuenca Alamor. Se contó con el conjunto de datos en formato SIG y los valores estimados para el área de investigación fueron confiables. Finalmente, la generación de mapas de riesgo de erosión del suelo tiene muchas ventajas, especialmente para representar las variaciones temporales en los patrones de erosión (relaciones entre pérdida de suelo con clima, suelos, topografía, cobertura vegetal), definir áreas focales para futuros estudios, definir áreas prioritarias para medidas de conservación en la subcuenca y promover un mejor uso de la tierra y la planificación de la conservación a nivel de paisaje.

Conclusiones

Las características topográficas y climáticas hacen de la subcuenca Alamor propensa a la erosión hídrica del suelo. Esta investigación demostró cuan eficiente es la aplicación del modelo RUSLE con técnicas de geoprocesamiento para realizar una evaluación cuantitativa de la pérdida anual de suelo por riesgo de erosión hídrica en la subcuenca Alamor de la Unidad Hidrográfica Catamayo-Chira. El uso de SIG y datos de teledetección permitió la estimación de la distribución espacial de los parámetros RUSLE mediante ecuaciones generales (factores R, K) y procesando imágenes de satélite disponibles (digitalización de unidades de vegetación para el cálculo del factor C) y con el uso de técnicas automatizadas SIG (se generó la longitud y la inclinación de la pendiente factor LS). La estimación del factor P se estableció en 1 por la no identificación de medidas de conservación específicas en el suelo de la subcuenca.

En 27.23% del área de estudio la distribución espacial de la pérdida anual de suelo mostró una pérdida de moderada y alta con base a la clasificación de riesgo de erosión de la FAO (1980), por lo tanto se rechaza la hipótesis que más del 30% de la extensión de la subcuenca Alamor se encuentra en riesgo medio y alto por la erosión hídrica dada. Las áreas más propensas a la pérdida de suelo se encuentran a lo largo del noroccidente y centro de la subcuenca que se caracteriza por suelos agrícolas y ganaderos en pendientes mayores al 26,8%. Los resultados de la aplicación del modelo RUSLE parecen ser consistentes con los obtenidos para otras cuencas andinas de características similares. El factor C (cobertura vegetal y uso del suelo) se identificó como el factor más influyente y de mayor afectación en la predicción de pérdida de suelo por erosión hídrica en la subcuenca Alamor. En zonas de montaña de la subcuenca donde existe una cobertura vegetal degradada junto a condiciones climáticas y topográficas extremas se estimaron valores altos de erosión actual.

Los valores obtenidos han enfatizado que la gestión territorial mediante medidas y acciones para la reducción de la erosión hídrica del suelo (métodos mínimos de cultivo, contorneado, franjas de cultivo, terraceo, ganadería sostenible, sistemas silvopastoriles, mejoramiento de semillas, control de plagas y capacitación, regeneración natural y reforestación) causan notables reducciones en las tasas de erosión, disminuyendo la erosión moderada a alta de 27.23 a 22.28 t/ha/año. 81

Las comparaciones entre los escenarios obtenidos en esta investigación permitieron identificar áreas de riesgo a erosión hídrica para implementar medidas de prevención y control ambiental. Un análisis más detallado del factor P podría mejorar los resultados. Sin embargo, los resultados obtenidos siguen siendo muy importantes ya que cuantifican la pérdida de suelo y señalan las áreas que están expuestas a un riesgo de erosión del suelo, problema latente en la subcuenca Alamor con gran actividad agrícola.

Los resultados de este estudio fueron satisfactorios y ayudan a comprender mejor la situación actual y las relaciones de pérdida de suelo en la unidad de estudio. Es necesario además realizar un examen de los resultados obtenidos, tanto, mediante validaciones in situ así como también una evaluación más precisa de los parámetros sobre los que se basa el modelo RUSLE aplicado hasta el momento. Este trabajo es un aporte importante para los tomadores de decisiones para conservar y administrar de forma sostenible la cobertura y uso del suelo en cuencas hidrográficas del sur de Ecuador.

Dado que la subcuenca Alamor constituye una de las principales áreas significativas de gestión ambiental y agrícola de la Reserva de la Biósfera “Bosque Seco”, Andes Ecuador, se debe tener más cuidado con el riesgo de erosión del suelo en el futuro, por lo que es necesario realizar alianzas estratégicas entre instituciones gubernamentales, de investigación y comunitarios, con el fin de generar información técnico-científica del territorio que sirva como insumo fundamental para entender los efectos ambientales de los procesos erosivos en la región y así poder diseñar estrategias de gestión y planificación del uso del suelo bajo principios de sostenibilidad ambiental.

Diversos escenarios de conservación del suelo pueden evaluarse fácilmente a través de la manipulación del conjunto de datos SIG junto con modelos como RUSLE y otros más robustos para determinar el transporte de sedimentos con mayor precisión. La restauración o rehabilitación de la vegetación a diferentes escalas podría ofrecer una manera potencial de mejorar la estabilidad del suelo y reducir su pérdida mediante la selección de especies adecuadas de plantas forestales para diferentes suelos a diferentes elevaciones, aprovechando los conocimientos locales y bosques existentes.

Referencias Bibliográficas

Aguirre, Z. y Kvist, L. P. (2005). Floristic composition and conservation status of the dry forests in Ecuador. Lyonia, 8(2), 41-67. Almorox, J., López, F., y Rafaelli, S. (2010). La degradación de los suelos por erosión hídrica : métodos de estimación. Universidad de Murcia. (Vol. 4). Editum. Alvarez, P., Tamayo, M., Ramos, A., Palacios, L. y Vega, J. (2016). Identificación de zonas susceptibles a erosión hídrica en cantones del sur de la provincia de Loja. CITIAB. Ananda, J. y Herath, G. (2003). Soil erosion in developing countries : A socio- economic appraisal. Journal of Environmental Management 68 (2003) 343–353, 4797(September 2003). https://doi.org/10.1016/S0301-4797(03)00082-3 Andrade, O., Kappas, M. y Erasmi, S. (2010). Assessment of erosion hazard in Torres municipality of Lara State (Venezuela) based on GIS. Interciencia, 35(5), 348-356. Angima, S. D., Stott, D. E., O’Neill, M. K., Ong, C. K. y Weesies, G. A. (2003). Soil erosion prediction using RUSLE for central Kenyan highland conditions. Agriculture, Ecosystems and Environment, 97(1-3), 295-308. https://doi.org/10.1016/S01678809(03)00011-2 Apaydin, H., Erpul, G., Bayramin, I. y Gabriels, D. (2006). Evaluation of indices for characterizing the distribution and concentration of precipitation: A case for the region of Southeastern Anatolia Project, Turkey. Journal of Hydrology, 328(3-4), 726-732. https://doi.org/10.1016/j.jhydrol.2006.01.019 Arnold, J. G., Williams, J. R., Griggs, R. H., Sammons, N. B. (1990). SWRRB: a basin scale simulation model for soil and water resources management. Arnold, J. G., Williams, J. R. y Maidment, D. R. (1995). Continuous-Time Water and Sediment-Routing Model for Large Basins. Journal of Hydraulic Engineering, 121(2), 171-183. https://doi.org/10.1061/(ASCE)0733-9429(1995)121:2(171) Arnoldus, H. M. J. (1977). Methodology used to determine the maximum potential average annual soil loss due to sheet and rill erosion in Morocco. Aronica, G. y Ferro, V. (1997). Rainfall erosivity over the Calabrian region. Hydrological sciences journal, 42(1), 35-48., (February 2015). https://doi.org/10.1080/02626669709492004 Ávila, B. y Ávila. H. (2015). Spatial and temporal estimation of the erosivity factor R based on daily rainfall data for the department of Atlántico, Colombia. Ingeniería e Investigación, 35(2), 23-29. Bahr, E., Hamer, U., Zaragocin, D. C. y Makeschin, F. (2013). Different fertilizer types affected nitrogen and carbon cycling in eroded and colluvial soils of Southern Ecuador. Agricultural Sciences, 4(12A), 19-32. https://doi.org/10.4236/as.2013.412A002 Beasley, D. B., Huggins, L. F. y Monke, E. J. (1980). ANSWERS: A model for watershed planning. American Society of Agricultural EngineersSociety, 23(4), 938-944. https://doi.org/10.13031/2013.34692 Beck, E., Bendix, J., Kottke, I., Makeschin, F. y Mosandl, R. (2008). Gradientes in a Tropical Mountain Ecosystem of Ecuador. (January), 100-412. https://doi.org/10.1007/978-3540-73526-7 Benavidez, R., Jackson, B., Maxwell, D. y Norton, K. (2018). A review of the (Revised) Universal Soil Loss Equation ((R) USLE): with a view to increasing its global applicability and improving soil loss estimates. Hydrology and Earth System Sciences, 22(11), 6059-6086

Berrar, D. (2019). Cross-Validation. Encyclopedia of Bioinformatics and Computational Biology, 542-545. https://doi.org/10.1016/b978-0-12-809633-8.20349-x Bhunia, G. S., Shit, P. K. y Maiti, R. (2018). Comparison of GIS-based interpolation methods for spatial distribution of soil organic carbon (SOC). Journal of the Saudi Society of Agricultural Sciences, 17(2), 114-126. https://doi.org/10.1016/j.jssas.2016.02.001 Bier, V. A. y de Souza, E. G. (2017). Interpolation selection index for delineation of thematic maps. Computers and Electronics in Agriculture, 136, 202-209. https://doi.org/10.1016/j.compag.2017.03.008 BirdLife International. (2017). Important Bird Areas factsheet: Reserva Natural TumbesiaLa Ceiba-Zapotillo. Recuperado el 22 de junio de 2018 a partir de http://datazone.birdlife.org/site/factsheet/reserva-natural-tumbesia-la-ceiba-zapotilloiba-ecuador Blaschke, P. M., Trustrum, N. A. y Hicks, D. L. (2000). Impacts of mass movement erosion on land productivity: a review. En Progress in Physical Geography (Vol. 24). https://doi.org/10.1191/030913300669154532 Bojie, F., Xilin, W. y Gulinck, H. (1995). Soil erosion types in the loess hill and gully area of China. Journal of Environmental Sciences., Vol. 1995, 7: 3, pp. 266-272; 8 ref. J. Environ. Sci. Eng, 7, 266-272. Brito, G. R. A., Pérez, M. E. R., Schiettecatte, W., Suárez, J. D. y Hernández, Y. A. (2007). Estimación del riesgo de erosión laminar y en surcos en la subcuenca La Güira del río Cuyaguateje. Revista Ciencias Técnicas Agropecuarias, 16(4), 41-45 Brown, L. C. y Foster, G. R. (1987). Storm erosivity using idealized intensity distributions. Transactions of the ASAE, 30(2), 0379-0386. https://doi.org/10.13031/2013.31957 Burrough, P. A. (1986). Principles of geographical information systems for land resources assessment. Geocarto International, 1(3), 54. https://doi.org/10.1080/10106048609354060 Cabrera, P. (2016). Variografía e Interpolación-Lección 5 del módulo Estadística Espacial del programa de maestría en Sistemas de Información Geográfica. UNIGIS-Paris Lodron University of Salzburg, 1-17. Cassol, E. A., Martins, D., Eltz, F. L. F., Lima, V. D. y Bueno, A. C. (2007). Erosividade e padrões hidrológicos das chuvas de Ijuí (RS) no período de 1963 a 1993. Revista Brasileira de Agrometeorologia, 15(3), 220-231. Castro, L. M., Calvas, B., Hildebrandt, P. y Knoke, T. (2013). Avoiding the loss of shade coffee plantations: how to derive conservation payments for risk-averse land-users. Agroforestry Systems, 87(2), 331-347. https://doi.org/10.1007/s10457-012-9554-0 Chen, F. W. y Liu, C. W. (2012). Estimation of the spatial rainfall distribution using inverse distance weighting (IDW) in the middle of Taiwan. Paddy and Water Environment, 10(3), 209-222. https://doi.org/10.1007/s10333-012-0319-1 Chen, T., Niu, R. Q., Li, P. X., Zhang, L. P. y Du, B. (2011). Regional soil erosion risk mapping using RUSLE, GIS, and remote sensing: A case study in Miyun Watershed, North China. Environmental Earth Sciences, 63(3), 533-541. https://doi.org/10.1007/s12665-010-0715-z Cisneros, J., Cholaky, C., Gutiérrez, A. C., González, J., Reynero, M., Diez, A. y Bergesio, L. (2012). Erosión hídrica: principios y técnicas de manejo. Río Cuarto, Córdoba, Argentina. UniRío Editora. Clark, I. (2001). Practical Geostatistics. Technometrics, 43(4), 492-492. https://doi.org/10.1198/tech.2001.s52

CONAGE, Consejo Nacional de Geoinformática. (2013). Catálogo Nacional de Objetos Geográficos Versión 2.0. Recuperado el 27 de julio de 2017 a partir de http://www.sni.gob.ec/documents/10156/d5ccf99b-0040-4a31-b877-81aefcdb9979 Correa, S. W., Mello, C. R., Chou, S. C., Curi, N. y Norton, L. D. (2016). Soil erosion risk associated with climate change at Mantaro River basin, Peruvian Andes. Catena, 147, 110-124. https://doi.org/10.1016/j.catena.2016.07.003 Covey, K. R., Orefice, J. y Lee, X. (2012). The Physiological Ecology of Carbon Science in Forest Stands. En Managing Forest Carbon in a Changing Climate (pp. 31-49). https://doi.org/10.1007/978-94-007-2232-3_3 Cox, C. y Madramootoo, C. (1998). Application of geographic information systems in watershed management planning in St. Lucia. Computers and Electronics in Agriculture, 20(3), 229-250. https://doi.org/10.1016/S0168-1699(98)00021-0 Crozier, M. (1986). 1986: Landslides: causes, consequences and environment. London: Croom Helm. Curtarelli, M., Leão, J., Ogashawara, I., Lorenzzetti, J. y Stech, J. (2015). Assessment of Spatial Interpolation Methods to Map the Bathymetry of an Amazonian Hydroelectric Reservoir to Aid in Decision Making for Water Management. ISPRS International Journal of Geo-Information, 4(1), 220-235. https://doi.org/10.3390/ijgi4010220 Da Cunha, E. R., Bacani, V. M. y Panachuki, E. (2017). Modeling soil erosion using RUSLE and GIS in a watershed occupied by rural settlement in the Brazilian Cerrado. Natural Hazards, 85(2), 851-868. https://doi.org/10.1007/s11069-016-2607-3 Dabral, P. P., Baithuri, N. y Pandey, A. (2008). Soil Erosion Assessment in a Hilly Catchment of North Eastern India Using USLE, GIS and Remote Sensing. Water Resources Management, 22(12), 1783-1798. https://doi.org/10.1007/s11269-0089253-9 Dávila, A. y Gonzáles, J. (2013). Beneficio del manejo sostenible de la tierra. Subsecretaría de Cambio de Climático. Quito; Ecuador. De Koning, G. H. J., Veldkamp, A. y Fresco, L. O. (1999). Exploring changes in Ecuadorian land use for food production and their effects on natural resources. Journal of Environmental Management, 57(4), 221-237. https://doi.org/10.1006/jema.1999.0305 De Noni, G. y Trujillo, G. (1986). Degradacion del suelo en el Ecuador : principales causas y algunas reflexiones sobre la conservacion de este recurso. Cultura, 24, 383-394. Delhomme, J. P. (1978). Kriging in the hydrosciences. Advances in Water Resources, 1(5), 251-266. https://doi.org/10.1016/0309-1708(78)90039-8 Desmet, P. J. J. y Govers, G. (1996). A GIS procedure for automatically calculating the USLE LS factor on topographically complex landscape units. Journal of Soil and Water Conservation, 51(5), 427-433. Desmet, P. J. J. y Govers, G. (1997). Comment on 'modelling topographic potential for erosion and deposition using GIS'. International Journal of Geographical Information Science, 11(6), 603-610. https://doi.org/10.1080/136588197242211 Devatha, C. P., Deshpande, V. y Renukaprasad, M. S. (2015). Estimation of Soil loss using USLE model for Kulhan Watershed, Chattisgarh- A case study. Aquatic Procedia, 4, 1429-1436. https://doi.org/10.1016/j.aqpro.2015.02.185 Di Piazza, A., Conti, F. L., Noto, L. V., Viola, F. y La Loggia, G. (2011). Comparative analysis of different techniques for spatial interpolation of rainfall data to create a serially complete monthly time series of precipitation for Sicily, Italy. International Journal of Applied Earth Observation and Geoinformation, 13(3), 396-408. https://doi.org/10.1016/j.jag.2011.01.005

Djoukbala, O., Hasbaia, M., Benselama, O. y Mazour, M. (2019). Comparison of the erosion prediction models from USLE, MUSLE and RUSLE in a Mediterranean watershed, case of Wadi Gazouana (N-W of Algeria). Modeling Earth Systems and Environment, 5(2), 725-743. https://doi.org/10.1007/s40808-018-0562-6 Elsenbeer, H., Cassel, D. K. y Tinner, W. (1993). A daily rainfall erosivity model for Western Amazonia. Journal of soil and water conservation, 48(5), 439-444. Espinosa, C. I., De La Cruz, M., Luzuriaga, L. y Escudero, A. (2012). Bosques tropicales secos de la región Pacífico Ecuatorial: diversidad, estructura, funcionamiento e implicaciones para la conservación. Ecosistemas, 21(1-2), 167-179. https://doi.org/10.7818/re.2014.21-1-2.00 Falivene, O., Cabrera, L., Tolosana-Delgado, R. y Sáez, A. (2010). Interpolation algorithm ranking using cross-validation and the role of smoothing effect. A coal zone example. Computers and Geosciences, 36(4), 512-519. https://doi.org/10.1016/j.cageo.2009.09.015 FAO, Organización de las Naciones Unidas para la Alimentación y la Agricultura. (1980). A provisional methodology for soil degradation assessment. Roma. FAO, Organización de las Naciones Unidas para la Alimentación y la Agricultura.. (2010). Global Forest Resources Assessment 2010. America, 147, 350 pp. https://doi.org/ISBN 978-92-5-106654-6 FAO, Organización de las Naciones Unidas para la Alimentación y la Agricultura.. (2017). Voluntary Guidelines for Sustainable Soil Management Food and Agriculture Organization of the United Nations Rome, Italy FAO, Organización de las Naciones Unidas para la Alimentación y la Agricultura.. (2019). Soil erosion: the greatest challenge to sustainable soil management. Rome. 100 pp. Licence: CC BY-NC-SA 3.0 IGO. Fernandez, C., Wu, J., McCool, D. y Stoeckle, C. (2003). Estimating water erosion and sediment yield with GIS, RUSLE, and SEDD. Journal of Soil and Water Conservation, 58(3), 128-136. Fistikoglu, O. y Harmancioglu, N. B. (2002). Integration of GIS with USLE in assessment of soil erosion. Water Resources Management, 16(6), 447-467. https://doi.org/10.1023/A:1022282125760 Foster, G. R., McCool, D. K., Renard, K. G. y Moldenhauer, W. C. (1981). Conversion of the universal soil loss equation to SI metric units. Journal of Soil and Water Conservation, 36(6), 355-359. Frevert, R. K., Schwab, G. O., Edminster, T. W. y Barnes, K. K. (1963). Soil and Water Conservation Engineering. The Feubuson Foundation Agricultural Engineering Series, 493. Fu, G., Chen, S. y Mccool, D. K. (2006). Modeling the impacts of no-till practice on soil erosion and sediment yield with RUSLE, SEDD, and ArcView GIS. 85, 38-49. https://doi.org/10.1016/j.still.2004.11.009 Ganasri, B. P. y Ramesh, H. (2016). Geoscience Frontiers Assessment of soil erosion by RUSLE model using remote sensing and GIS-A case study of Nethravathi Basin. Geoscience Frontiers, 7(6), 953-961. https://doi.org/10.1016/j.gsf.2015.10.007 García-Fayos, P. (2004). Interacciones entre la vegetación y la erosión hídrica. Ecología del bosque mediterráneo en un mundo cambiante, 309-334. Gardi, C., Angelini, M., Barceló, S., Comerma, J., Cruz Gaistardo, C., Encina Rojas, A., Jones, A., Krasilnikov, P., Mendonça Santos Brefin, M.L., Montanarella, L., Muñiz Ugarte, O., Schad, P., Vara Rodríguez, M.I., Vargas, R. (eds), (2014). Atlas de suelos de América Latina y el Caribe, Comisión Europea-Oficina de Publicaciones de la Unión 86

Europea, L-2995 Luxembourg, 176 pp. https://doi.org/10.2788/37334 Hairsine, P. B. y Rose, C. W. (1992). Modeling water erosion due to overland flow using physical principles: 2. Rill flow. Water Resources Research, 28(1), 245-250. https://doi.org/10.1029/91WR02381 Hamilton, L. y King, P. N. (1983). Tropical Forested Watersheds Hydrologic and Soils Response to Major Uses or Conversions. Westview Press/Boulder, Colorado, 168. Harden, C. (1988). Mesoscale Estimation of Soil Erosion in the Rio Ambato Drainage, Ecuadorian Sierra. Mountain Research and Development, 8(4), 331. https://doi.org/10.2307/3673556 Harmon, R. S. y Doe, W. W. (2001). Landscape erosion and evolution modeling. New York: Springer Science and Business Media. Hernández, Y. A., González, H. M. y Schiettecatte, W. (2007). Las precipitaciones como factor erosivo en la cuenca del río Cuyaguateje. Revista Ciencias Técnicas Agropecuarias, 16(3), 84-89. Hickey, R. (2000). Slope Angle and Slope Length Solutions for GIS. Cartography, 29(1), 18. https://doi.org/10.1080/00690805.2000.9714334 Hickey, R., Smith, A. y Jankowski, P. (1994). Slope length calculations from a DEM within ARC/INFO grid. Computers, Environment and Urban Systems, 18(5), 365-380. https://doi.org/10.1016/0198-9715(94)90017-5 Hoyos, N., Waylen, P. R. y Jaramillo, Á. (2005). Seasonal and spatial patterns of erosivity in a tropical watershed of the Colombian Andes. Journal of hydrology, 314(1), 177191. https://doi.org/10.1016/j.jhydrol.2005.03.014 Hoyos, N. (2005). Spatial modeling of soil erosion potential in a tropical watershed of the Colombian Andes. 63(1), 85-108. https://doi.org/10.1016/j.catena.2005.05.012 INIAP, Instituto Nacional de Investigaciones Agropecuarias de Ecuador. (2011). Manejo de nutrientes por sitio específico en el cultivo de maíz bajo labranza de conservación para la provincia de Bolívar. IPCC, Intergovernmental Panel on Climate Change. (2006). IPCC - Task Force on National Greenhouse Gas Inventories. Recuperado el 18 de mayo de 2018 a partir de https://www.ipcc-nggip.iges.or.jp/ Jagarlapudi, A. y Bombay, T. (2015). A rule-based soil erosion model for a hilly catchment catchment. (October 1999). https://doi.org/10.1016/S0341-8162(99)00023-5 Jain, S. K., Kumar, S. y Varghese, J. (2001). Estimation of soil erosion for a Himalayan watershed using GIS technique. Water Resources Management, 15(1), 41-54. https://doi.org/10.1023/A Jiang, L., Yao, Z., Liu, Z., Wu, S., Wang, R. y Wang, L. (2015). Estimation of soil erosion in some sections of Lower Jinsha River based on RUSLE. Natural Hazards, 76(3), 1831-1847. https://doi.org/10.1007/s11069-014-1569-6 Keesstra, S., Pereira, P., Novara, A., Brevik, E. C., Azorin-Molina, C., Parras-Alcántara, L., Jordán, A. y Cerdà, A. (2016). Effects of soil management techniques on soil water erosion in apricot orchards. Science of the Total Environment, 551-552, 357-366. https://doi.org/10.1016/j.scitotenv.2016.01.182 Ketema, A. y Dwarakish, G. S. (2019). Water erosion assessment methods: a review. ISH Journal of Hydraulic Engineering, 1-8. https://doi.org/10.1080/09715010.2019.1567398 Kinnell, P. (1990). Modelling erosion by rain-impacted flow. Catena, Supplement, (17), 5566. Kinnell, P. I. A. y Risse, L. M. (1998). USLE-M: Empirical Modeling Rainfall Erosion through Runoff and Sediment Concentration. Soil Science Society of America Journal, 87

62(6), 1667-1672. https://doi.org/10.2136/sssaj1998.03615995006200060026x Knisel, W. G. (1980). CREAMS: A field scale model for chemicals, runoff, and erosion from agricultural management systems (No. 26). Department of Agriculture, Science and Education Administration. Knoke, T., Calvas, B., Aguirre, N., Román-Cuesta, R. M., Günter, S., Stimm, B., Weber, M. y Mosandl, R. (2009). Can tropical farmers reconcile subsistence needs with forest conservation? Frontiers in Ecology and the Environment, 7(10), 548-554. https://doi.org/10.1890/080131 Kouli, M., Soupios, P. y Vallianatos, F. (2009). Soil erosion prediction using the Revised Universal Soil Loss Equation (RUSLE) in a GIS framework, Chania, Northwestern Crete, Greece. Environmental Geology, 57(3), 483-497. https://doi.org/10.1007/s00254-008-1318-9 Kumar, A., Devi, M. y Deshmukh, B. (2014). Integrated Remote Sensing and Geographic Information System Based RUSLE Modelling for Estimation of Soil Loss in Western Himalaya, India. Water Resources Management, 28(10), 3307-3317. https://doi.org/10.1007/s11269-014-0680-5 Laboratorio de Suelos UNL. (2016). Base de Datos Geográfica de Suelos de la Provincia de Loja. CITIAB. Loja, Ecuador., 2-6. Labrière, N., Locatelli, B., Laumonier, Y., Freycon, V. y Bernoux, M. (2015). Soil erosion in the humid tropics: A systematic quantitative review. Agriculture, Ecosystems & Environment, 203, 127-139. https://doi.org/10.1016/J.AGEE.2015.01.027 Lal, R. (1990). Soil erosion in the tropics: principles and management. Soil erosion in the tropics: principles and management. Recuperado de https://www.cabdirect.org/cabdirect/abstract/19911958352 Lal, R. (1994). Soil erosion research methods. By Soil and Water Conservation Society (U.S.). Lal, R. (2001). Soil degradation by erosion. Land Degradation and Development 12 (6), 519–539. https://doi.org/10.1002/ldr.472 Li, J. y Heap, A. D. (2011). A review of comparative studies of spatial interpolation methods in environmental sciences: Performance and impact factors. Ecological Informatics, 6(3-4), 228-241. https://doi.org/10.1016/j.ecoinf.2010.12.003 Li, J. y Heap, A. D. (2014). Spatial interpolation methods applied in the environmental sciences: A review. Environmental Modelling and Software, 53, 173-189. https://doi.org/10.1016/j.envsoft.2013.12.008 Lianes, R. E. (2008). Estudio del factor vegetación" C" de la ecuación universal de pérdidas de suelo revisada" RUSLE" en la cuenca del Río Birrís (Costa Rica). Loch, R. J. y Silburn, D. M. (1996). Constraints to sustainability—soil erosion. Sustainable crop production in the sub-tropics: an Australian perspective. QDPI. Longley, P. A., Goodchild, M. F., Maguire, D. J. y Rhind, D. W. (2011). Geographic Information Systems and Science. John Wiley & Sons, Ltd. Chapter 13.4.4, p. 295-301. Licensed with permission from John Wiley & Sons, Ltd. Copyright (c) 2001 by John Wiley & Sons, Ltd. Lørup, J. K. y Styczen, M. (1990). Soil Erosion Modelling. https://doi.org/10.1007/978-94009-0257-2_6 Lozano, P. (2002). Los tipos de bosque en el sur del Ecuador. Bótanica Austroecuatoriana. Estudios sobre los recursos vegetales en las provincias de: El Oro, Loja y ZamoraChinchipe. Abya-Yala, Quito, 29-49. Lu, D., Li, G., Valladares, G. S. y Batistella, M. (2004). Mapping soil erosion risk in Rondonia, Brazilian Amazonia: using RUSLE, remote sensing and GIS. Land 88

Degradation & Development, 15(5), 499-512., 512, 499-512. Ludwig, J. A., Wilcox, B. P., Breshears, D. D., Tongway, D. J. y Imeson, A. C. (2005). Vegetation patches and runoff-erosion as interacting ecohydrological processes in semiarid landscapes. Ecology, 86(2), 288-297. https://doi.org/10.1890/03-0569 MAE-MAGAP, Ministerio del Ambiente del Ecuador y Ministerio de Agricultura, Ganadería, Acuacultura y Pesca. (2015). Protocolo metodológico para la elaboración del Mapa de cobertura y uso de la tierra del Ecuador continental 2013 – 2014, escala 1:100.000. 1-49. MAE, Ministerio del Ambiente del Ecuador. (2016). Análisis de la deforestación en el Ecuador Continental 1990 - 2014. Quito. Martínez, M. A. (2012). El factor climático en la erosión del suelo: erosividad de la lluvia en la cuenca del Ebro. Tesis Doctoral, Departamento de Geografía y Ordenación del Territorio Universidad de Zaragoza, España, 275. McCool, D. K., Foster, G. R. y Weesies, G. A. (1997). Slope Length and Steepness Factors (LS). United States Department of Agriculture. Agricultural Research Service (USDAARS) Handbook, 703. Merritt, W. S., Letcher, R. A. y Jakeman, A. J. (2003). A review of erosion and sediment transport models. 18, 761-799. https://doi.org/10.1016/S1364-8152(03)00078-1 Metternicht, G. y Gonzalez, S. (2005). FUERO : Foundations of a fuzzy exploratory model for soil erosion hazard prediction Environmental ion. Environmental Modelling & Software, 20(6), 715-728. https://doi.org/10.1016/j.envsoft.2004.03.015 Millward, A. A. y Mersey, J. E. (1999). Adapting the RUSLE to model soil erosion potential in a mountainous tropical watershed. Catena, 38(2), 109-129. https://doi.org/10.1016/S0341-8162(99)00067-3 Mirzaei, R. y Sakizadeh, M. (2016). Comparison of interpolation methods for the estimation of groundwater contamination in Andimeshk-Shush Plain, Southwest of Iran. Environmental Science and Pollution Research, 23(3), 2758-2769. https://doi.org/10.1007/s11356-015-5507-2 Mitasova, H., Hofierka, J., Zlocha, M. y Iverson, L. R. (1996). Modelling topographic potential for erosion and deposition using GIS. International Journal of Geographical Information Systems, 10, 629-641. https://doi.org/10.1080/136588197242211 Molina, A., Govers, G., Vanacker, V., Poesen, J., Zeelmaekers, E. y Cisneros, F. (2007). Runoff generation in a degraded Andean ecosystem: Interaction of vegetation cover and land use. Catena, 71(2), 357-370. https://doi.org/10.1016/j.catena.2007.04.002 Molla, T. y Sisheber, B. (2017). Estimating soil erosion risk and evaluating erosion control measures for soil conservation planning at Koga watershed in the highlands of Ethiopia. Solid Earth, 8(1), 13-25. https://doi.org/10.5194/se-8-13-2017 Moore, I. D. y Wilson, J. P. (1992). Length-slope factors for the Revised Universal Soil Loss Equation: Simplified method of estimation. Journal of soil and water conservation, 47(5), 423-428. Morgan, R. P. C. y Nearing, M. A. (Eds.). (2011). Handbook of erosion modelling. West Sussex: Wiley-Blackwell. Morgan, R. P. C. (2005). Soil erosion and conservation. Blackwell Publ., Oxford, UK. Soil erosion and conservation. 3rd ed. Blackwell Publ., Oxford, UK. Morgan, R. P. C., Quinton, J. N., Smith, R. E., Govers, G., Poesen, J. W. A., Auerswald, K., Chisci, G., Torri, D. y Styczen, M. E. (1998). The European Soil Erosion Model (EUROSEM): a dynamic approach for predicting sediment transport from fields and small catchments. Earth Surface Processes and Landforms, The Journal of the British Geomorphological Group, 23(6), 527-544. https://doi.org/10.1002/(SICI)109689

9837(199906)24 Moss, A. (1988). Effects of flow velocity variation on rain driven transportation and the role of rain impact in the movement of solids. Australian Journal of Soil Research, 26(3), 443. https://doi.org/10.1071/SR9880443 Müller-Sämann, K. M. y Restrepo, J. M. (1999). Conservación de suelos y aguas en la zona andina : hacia el desarrollo de un concepto integral : memorias del Taller Internacional Regional Hacia Conceptos Integrales en la Conservación de Suelos y Aguas en la Zona Andina, celebrado en el Centro Internacional de Agricultura Tropical, en octubre de 1997. Centro Internacional de Agricultura Tropical. Naoum, S. y Tsanis, I. K. (2004). Ranking spatial interpolation techniques using a GIS-based DSS. Global Nest Journal, 6(1), 1-20. Nearing, M. A., Foster, G. R., Lane, L. J. y Finkner, S. C. (1989). A process-based soil erosion model for USDA-water erosion prediction project technology. Transactions of the ASAE, 32(5), 1587-1593. Nigel, R. y Rughooputh, S. D. D. V. (2010). Soil erosion risk mapping with new datasets: An improved identification and prioritisation of high erosion risk areas. Catena, 82(3), 191-205. https://doi.org/10.1016/j.catena.2010.06.005 Ocampo R., Medina C. y Lobatón. G. (1996). Programa de conservación de suelos y forestación. Manual de conservación de suelos. Asociación Arariwa. Cuzco –Perú. Ochoa-Cueva, P., Fries, A., Montesinos, P., Rodríguez-Díaz, J. A. y Boll, J. (2013). Spatial Estimation of Soil Erosion Risk by Land-cover Change in the Andes of Southern Ecuador. Land Degradation & Development, 26(6), 565-573. https://doi.org/10.1002/ldr.2219 Ochoa, P. A., Fries, A., Mejía, D., Burneo, J. I., Ruíz-Sinoga, J. D. y Cerdà, A. (2016). Effects of climate, land cover and topography on soil erosion risk in a semiarid basin of the Andes. Catena, 140, 31-42. https://doi.org/10.1016/j.catena.2016.01.011 Oliveira, P. T. S., Wendland, E. y Nearing, M. A. (2013). Rainfall erosivity in Brazil: A review. Catena, 100, 139-147. https://doi.org/10.1016/j.catena.2012.08.006 Oliveira, V. A. D., Mello, C. R. D., Durães, M. F. y Silva, A. M. D. (2014). Soil erosion vulnerability in the Verde river basin, southern Minas Gerais. Ciencia e Agrotecnologia, 38(3), 262-269. https://doi.org/10.1590/S1413-70542014000300006 Oliveira, P. T. S., Rodrigues, D. B. B., Sobrinho, T. A., Carvalho, D. F. de y Panachuki, E. (2012). Spatial variability of the rainfall erosive potential in the State of Mato Grosso do Sul, Brazil. Engenharia Agrícola, 32(1), 69-79. https://doi.org/10.1590/S010069162012000100008 Oñate-Valdivieso, F. y Bosque Sendra, J. (2011). Estudio de tendencias climáticas y generación de escenarios regionales de cambio climático en una cuenca hidrográfica binacional en América del Sur. Estudios Geográficos, 72(270), 147-172. https://doi.org/10.3989/estgeogr.201107 Oñate, F. (2004). Metodología para la evaluación del riesgo de erosión hídrica en zonas áridas y su aplicación en el manejo y proteccion de proyectos hidráulicos. Revista electrónica de la REDLACH, 1(1), 27-32. Panagos, P., Borrelli, P., Meusburger, K., Alewell, C., Lugato, E. y Montanarella, L. (2015a). Land Use Policy Estimating the soil erosion cover-management factor at the European scale. Land Use Policy, 48, 38-50. https://doi.org/10.1016/j.landusepol.2015.05.021 Panagos, P., Borrelli, P., Meusburger, K., Van der Zanden, E. H., Poesen, J. y Alewell, C. (2015b). Modelling the effect of support practices (P-factor) on the reduction of soil erosion by water at European scale. Environmental Science and Policy, 51, 23-34. 90

https://doi.org/10.1016/j.envsci.2015.03.012 Park, S., Oh, C., Jeon, S., Jung, H. y Choi, C. (2011). Soil erosion risk in Korean watersheds, assessed using the revised universal soil loss equation. Journal of Hydrology, 399(3-4), 263-273. https://doi.org/10.1016/j.jhydrol.2011.01.004 Parsons, J. J. (1982). The Northern Andean Environment. Mountain Research and Development, 2(3), 253. https://doi.org/10.2307/3673089 Parveen, R. y Kumar, U. (2012). Integrated Approach of Universal Soil Loss Equation (USLE) and Geographical Information System (GIS) for Soil Loss Risk Assessment in Upper South Koel Basin, Jharkhand. Journal of Geographic Information Sysrem, 4(1), 588-596. https://doi.org/10.4236/jgis.2012.46061 Pavão, C. G., França, G. S., Marotta, G. S., Menezes, P. H. B. J., Neto, G. B. S. y Roig, H. L. (2012). Spatial Interpolation Applied a Crustal Thickness in Brazil. Journal of Geographic Information System, 4(02), 142-152. https://doi.org/10.4236/jgis.2012.42019 Pimentel, D., Harvey, C., Resosudarmo, P., Sinclair, K., Kurz, D., McNair, M., Crist, S., Shpritz, L., Fitton, L., Saffouri, R. y Blair, R. (1995). Environmental and economic costs of soil erosion and conservation benefits. Science (New York, N.Y.), Vol. 267, pp. 1117-1123. https://doi.org/10.1126/science.267.5201.1117 Pineda, L., Ntegeka, V. y Willems, P. (2013). Rainfall variability related to sea surface temperature anomalies in a Pacific-Andean basin into Ecuador and Peru. Advances in Geosciences, 33(August 2014), 53-62. https://doi.org/10.5194/adgeo-33-53-2013 Plouffe, C. C. F., Robertson, C. y Chandrapala, L. (2015). Comparing interpolation techniques for monthly rainfall mapping using multiple evaluation criteria and auxiliary data sources: A case study of Sri Lanka. Environmental Modelling and Software, 67, 57-71. https://doi.org/10.1016/j.envsoft.2015.01.011 Prasannakumar, V., Vijith, H., Abinod, S. y Geetha, N. (2012). Estimation of soil erosion risk within a small mountainous sub-watershed in Kerala , India , using Revised Universal Soil Loss Equation ( RUSLE ) and geo-information technology. Geoscience Frontiers, 3(2), 209-215. https://doi.org/10.1016/j.gsf.2011.11.003 Prudhomme, C. y Reed, D. W. (1999). Mapping extreme rainfall in a mountainous region using geostatistical techniques: A case study in Scotland. International Journal of Climatology, 19(12), 1337-1356. https://doi.org/10.1002/(SICI)10970088(199910)19:12<1337::AID-JOC421>3.0.CO;2-G Renard, K. G. y Freimund, J. R. (1994). Using monthly precipitation data to estimate the Rfactor in the revised USLE. Journal of Hydrology, 157(1-4), 287-306. https://doi.org/10.1016/0022-1694(94)90110-4 Renard, K. G., Foster, G. R., Weesies, G. A. y Porter, J. P. (1991). RUSLE Revised universal soil loss equation. Journal of soil and Water Conservation, 46(1), 30-33. Renard, K., Foster, G., Weesies, G., McCool, D. y Yoder, D. (1997). Predicting soil erosion by water: a guide to conservation planning with the Revised Universal Soil Loss Equation (RUSLE). Agricultural Handbook No. 703, p. 404. https://doi.org/DC0-16048938-5 65–100. Robinson, T. P. y Metternicht, G. (2006). Testing the performance of spatial interpolation techniques for mapping soil properties. Computers and Electronics in Agriculture, 50(2), 97-108. https://doi.org/10.1016/j.compag.2005.07.003 Semmens, D. J., Goodrich, D., Kepner, W. G., Miller, S. N., Semmens, D. J., Goodrich, D. C. y Hernandez, M. (2007). The Automated Geospatial Watershed Assessment Tool The Automated Geospatial Watershed Assessment tool. Environmental Modelling & Software, 22(3), 365-377., (July 2017). https://doi.org/10.1016/j.envsoft.2005.12.004 91

Sharma, A. (2010). Integrating terrain and vegetation indices for identifying potential soil erosion risk area. Geo-Spatial Information Science, 13(3), 201-209. https://doi.org/10.1007/s11806-010-0342-6 Shen, D. Y., Ma, A. N., Lin, H., Nie, X. H., Mao, S. J., Zhang, B. y Shi, J. J. (2003). A new approach for simulating water erosion on hillslopes. International Journal of Remote Sensing, 24(14), 2819-2835. https://doi.org/10.1080/0143116031000070418 Sheng, T. C. (1992). Manual de campo para la ordenación de cuencas hidrográficas: estudio y planificación de cuencas hidrográficas (Vol. 13). Organización de las Naciones Unidas para la Agricultura y la alimentación. Shi, Z. H., Cai, C. F., Ding, S. W., Wang, T. W. y Chow, T. L. (2004). Soil conservation planning at the small watershed level using RUSLE with GIS: A case study in the Three Gorge Area of China. Catena, 55(1), 33-48. https://doi.org/10.1016/S03418162(03)00088-2 Shin, G. J. (1999). The analysis of soil erosion analysis in watershed using GIS (Doctoral dissertation, Ph. D. Dissertation, Department of Civil Engineering, Gang-won National University). Shinde, V., Tiwari, K. y Singh, M. (2010). Prioritization of micro watersheds on the basis of soil erosion hazard using remote sensing and geographic information system. International Journal of Water Resources and Environmental Engineering, 2(3), 130136. SIGTIERRAS, Sistema Nacional de Información y Gestión de Tierras Rurales e Infraestructura Tecnológica. (2014). Ortofotografía del Ecuador. EL país desde otra perspectiva. Quito, Ecuador. Soenario, I. y Sluiter, R. (2010). Optimization of rainfall interpolation. Intern Rapport of the Koninklijk Nederlands Meteorologisch Instituut, (March), 31. Sonder, K., Müller-Sämann, K., Hilger, T. y Leihner, D. (2003). Erosion Control and Prediction in Cassava Based Cropping Systems in the Southern Andean Region of Colombia. Faculty of Agriculture, University of Hahenheim). Sonder, K. (2002). Soil erosion in Andean Cropping Systems : the impact of Rainfall Erosivity. 168. Stone, R. y Hilborn, D. (2000). Universal Soil Loss Equation (USLE), Factsheets, Ministry of Agricultural, Food and Rural Affairs. Stott, T. (1997). A Comparison of Stream Bank Erosion Processes on Forested and Moorland Streams in the Balquhidder Catchments, Central Scotland. Earth Surface Processes and Landforms, 22(4), 383-399., 22(22), 383-399. https://doi.org/10.1002/(SICI)10969837(199704)22 Šúri, M., Cebecauer, T., Hofierka, J. y Fulajtár, E. (2002). Soil erosion assessment of Slovakia at a regional scale using GIS. Ecology, 21(4), 404-422. Taesombat, W. y Sriwongsitanon, N. (2009). Areal rainfall estimation using spatial interpolation techniques. ScienceAsia, 35(3), 268-275. https://doi.org/10.2306/scienceasia1513-1874.2009.35.268 Tanyaş, H., Kolat, Ç. y Süzen, M. L. (2015). A new approach to estimate cover-management factor of RUSLE and validation of RUSLE model in the watershed of Kartalkaya Dam. Journal of Hydrology, 528, 584-598. https://doi.org/10.1016/j.jhydrol.2015.06.048 Tapia-Armijos, M. F., Homeier, J., Espinosa, C. I., Leuschner, C. y De La Cruz, M. (2015). Deforestation and forest fragmentation in south Ecuador since the 1970s-Losing a hotspot of biodiversity. PLoS one, 10(9), 1-18. https://doi.org/10.1371/journal.pone.0133701 Tayupanta, J. R. (1993). La Erosion Hidrica: Proceso, Factores Y Formas. INIAP Archivo 92

Historico. Tote, C., Govers, G., Van Kerckhoven, S., Filiberto, I., Verstraeten, G. y Eerens, H. (2011). Effect of ENSO events on sediment production in a large coastal basin in northern Peru. Earth Surface Processes and Landforms, 36(13), 1776-1788. https://doi.org/10.1002/esp.2200 Troeh, F. R., Hobbs, J. A. y Donahue, R. L. (1991). Chapter Six: Predicting Soil Loss. Soil and water conservation, 2. UNIGECC, Unidad de Gestión de la Cuenca Catamayo-Chira. (2003). Caracterización Territorial y Documentación Básica en el Ámbito de la Cuenca Binacional CatamayoChira. ATA-UNP-UNL, Consorcio, I, 83. Van Remortel, R. D., Hamilton, M. E. y Hickey, R. J. (2001). Estimating the LS Factor for RUSLE through Iterative Slope Length Processing of Digital Elevation Data within Arclnfo Grid. Cartography, 30(1), 27-35. https://doi.org/10.1080/00690805.2001.9714133 Vanacker, V., von Blanckenburg, F., Govers, G., Molina, A., Poesen, J., Deckers, J. y Kubik, P. (2007). Restoring dense vegetation can slow mountain erosion to near natural benchmark levels. Geology, 35(4), 303-306. https://doi.org/10.1130/G23109A.1 Vílchez M., Núñez S., P. W. y Valenzuela, G. (2006). Estudio Geoambiental de la Cuenca del Río Chira-Catamayo INGEMMET, Serie C. Geodinámica e Ingeniería Geológica. Weisse, A. K. y Bois, P. (2002). A comparison of methods for mapping statistical characteristics of heavy rainfall in the French Alps: the use of daily information. Hydrologic Sciences Journal, 47(5), 739-752. Wenner, C. (1981). Soil conservation in Kenya: especially in small-scale farming in high potential areas using labour intensive methods. White, S. y Maldonado, F. (1991). The use and conservation of natural resources in the Andes of southern Ecuador. Mountain Research and Development, 37-55., 11(1), 3755. Wijeratne, V. P. I. S. y Manawadu, L. (2017). Validation of Spatial Interpolation Techniques in Gis. University of Colombo (UOC). Willmott, C. J. (1982). Some Comments on the Evaluation of Model Performance. Bulletin of the American Meteorological Society, 63(11), 1309-1313. https://doi.org/10.1175/1520-0477(1982)063<1309:SCOTEO>2.0.CO;2 Wilson, J. P. y Lorang, M. S. (1999). Spatial models of soil erosion and GIS. Spatial models and GIS: new potential and new models. Wischmeier, W. H. y Smith, D. D. (1978). Predicting rainfall erosion losses - A guide to conservation planning. In: Predicting rainfall erosion losses-A guide to conservation planning. Department of Agriculture, USA, pp. 1-69. Wischmeier, W. H., Johnson, C. B. y Cross, B. V. (1971). Soil erodibility nomograph for farmland and construction sites. Journal of Soil and Water Conservation 26 5 , 189– 193. Wischmeier, W.H. y Smith, D. D. (1958). Rainfall energy and its relation to soil loss. Transactions of the American Geophysical Union, (39), 285-291. https://doi.org/10.1029/TR039i002p00285 Wischmeier, W. H. (1959). A Rainfall Erosion Index for a Universal Soil-Loss Equation1. Soil Science Society of America Journal, 23(3), 246. https://doi.org/10.2136/sssaj1959.03615995002300030027x

Wise, S. (2011). Cross-validation as a means of investigating DEM interpolation error. Computers and Geosciences, 37(8), 978-991. https://doi.org/10.1016/j.cageo.2010.12.002 Xiao, Y., Gu, X., Yin, S., Shao, J., Cui, Y., Zhang, Q. y Niu, Y. (2016). Geostatistical interpolation model selection based on ArcGIS and spatio-temporal variability analysis of groundwater level in piedmont plains, northwest China. SpringerPlus, 5(1). https://doi.org/10.1186/s40064-016-2073-0 Xiong, M., Sun, R. y Chen, L. (2018). Effects of soil conservation techniques on water erosion control: A global analysis. Science of the Total Environment, 645(May), 753760. https://doi.org/10.1016/j.scitotenv.2018.07.124 Yaguache, R. y Carrion, R. (2004). Construyendo una experiencia de desarrollo: el manejo de recursos naturales en Pimampiro. Impresión Soboc Grafic. Imbabura, Ecuador. Yang, D., Kanae, S., Oki, T., Koike, T. y Musiake, K. (2003). Global potential soil erosion with reference to land use and climate changes. Hydrological processes, 17(14), 29132928., (October). https://doi.org/10.1002/hyp.1441 Young, R. A., Onstad, C. A., Bosch, D. D. y Anderson, W. P. (1989). AGNPS: A nonpointsource pollution model for evaluating agricultural watersheds. Journal of Soil and Water Conservation, 44(2), 168-173. Yue-Qing, X., Xiao-Mei, S., Xiang-Bin, K., Jian, P., y Yun-Long, C. (2008). Adapting the RUSLE and GIS to model soil erosion risk in a mountains karst watershed, Guizhou Province, China. Environmental monitoring and assessment, 141(1-3), 275-286. https://doi.org/10.1007/s10661-007-9894-9 Zaccagnini, M. E., Wilson, M. y Oszust, J. (2014). Manual de buenas prácticas para la conservación del suelo, la biodiversidad y sus servicios ecosistémicos. Buenos Aires: Programa de Naciones Unidas para el Desarrollo, PNUD, Secretaría de Ambiente y Desarrollo Sustentable de la Nación. Zhou, P., Luukkanen, O., Tokola, T. y Nieminen, J. (2008). Effect of vegetation cover on soil erosion in a mountainous watershed. Catena, 75(3), 319-325. https://doi.org/10.1016/j.catena.2008.07.010 Zury, W. (2004). Manual de planificación y gestión participativa de cuencas y microcuencas:...una propuesta con enfoque de desarrollo local. Proyecto Apoyo al Desarrollo Forestal Comunal en los Andes del Ecuador.