indicadores del potencial erosivo de las … · lópez bermúdez y romero díaz, 1998). el proceso...

43

González, S.; P. Carfagno; M.J. Eiza

INDICADORES DEL POTENCIAL EROSIVO DE LAS PRECIPITACIONES, CALCULADO A TRAVÉS DE DIFERENTES

METODOLOGÍAS

González, S.1; P. Carfagno1; M.J. Eiza1

1 Facultad de Agronomía y Ciencias Agroalimentarias Universidad de Morón

RESUMENComo resultado de la creciente comprensión del proceso de erosión, se ha difundido a nivel mundial un modelo empírico sencillo para la predicción de la pérdida de suelo denominado Ecuación Universal de Pérdida de Suelo (EUPS). Uno de los factores que lo compone, factor R, expresa el potencial erosivo de las lluvias de una región y se calcula a partir de la energía cinética total (EC) y la intensidad máxima en 30 minutos (I30) de las lluvias consideradas erosivas. La escasa disponibilidad de registros pluviográficos extensos hace que se empleen a nivel mundial estimadores de este parámetro. El objetivo de este trabajo consistió en estimar a través de diferentes metodologías la erosividad de la lluvia. Para ello, se recurrió a registros pluviométricos de una amplia serie de tiempo (1951-2016) y al análisis de fajas pluviográficas del 2015, del observatorio meteorológico de INTA Castelar, Provincia de Buenos Aires. Se obtuvieron estimaciones actualizadas aplicando la metodología de lectura de fajas, Índice de Fournier (IF) e Índice Modificado de Fournier (IMF). El R calculado por metodología de fajas para 2015 (R=189,35), fue el 54,6% del R calculado a través de IMF (R=346,80) para el mismo año. El IF tiene un comportamiento

cíclico similar al IMF, pero al igual que lo determinado por otros autores, dicho índice no aplica para el régimen de precipitaciones de la zona de estudio. Las ecuaciones logradas a través del análisis de fajas del 2015, para calcular EC, I30 y EI30 (R) a partir de las precipitaciones, permiten estimar dichas variables tan solo teniendo datos de lámina de precipitación. De la información obtenida, se concluye que la erosividad de la lluvia estimada a través de la lectura de fajas no tiene una alta correlación con la erosividad de la lluvia calculada por IF e IMF. La información resultante constituye un aporte para mejorar las estimaciones locales de erosividad y evitar así subestimaciones o sobreestimaciones en su cálculo.Palabras clave: EUPS; pluviógrafos; Índice de Fournier

ABSTRACTAs result of the growing understanding of the erosion process, a simple empirical model for the prediction of soil loss known as the Universal Soil Loss Equation (EUPS) has been adopted around world. One of the factors that composes it, factor R, expresses the erosive potential of the rains of a region and is calculated from the total

Rev. Fac. Agronomía y Cs. Agroalimentarias UM - Vol. IX (2018)

44

kinetic energy (EC) and the maximum intensity in 30 minutes (I30) of the rains considered erosive. Because the scarce availability of extensive pluviographic records means that estimators of this parameter are used worldwide. The objective of this work was to estimate the erosivity of rainfall through different methodologies. Because of this, was recorded of a wide series of time (1951-2016) and the analysis of pluviographic strips of 2015, the meteorological observatory of INTA Castelar, Province of Buenos Aires. Updated estimates were obtained applying the methodology of strip reading, Fournier Index (IF) and Fournier Modified Index (IMF). The R calculated by strip methodology for 2015 (R = 189.35), was 54.6% of the R calculated through IMF (R = 346.80) for the same year. The IF has a cyclical behavior similar to the IMF, but as determined by other authors, this index does not apply to the rainfall regime of the study area. The equations obtained through the analysis of strips of 2015, to calculate EC, I30 and EI30 (R) from rainfall, allow estimating these variables only by having precipitation sheet data. From the information obtained, it is concluded that the rain erosivity estimated through the reading of belts does not have a high correlation with the rainfall erosivity calculated by IF and IMF. The resulting information constitutes a contribution to improve local estimates of erosivity and thus avoid underestimations or overestimates in its calculation.Key words: EUPS; pluviographic; Fournier Index

INTRODUCCIÓNLos procesos que provocan en forma real o potencial una disminución de la capacidad productiva del suelo se denominan procesos de degradación. Entre ellos, uno de los más importantes es la erosión hídrica y eólica (FAO-Unesco, 1975).La erosión hídrica (EH) es el principal problema de degradación del suelo en el mundo, y se estima que 562 millones de hectáreas presentan EH moderada o severa (Craswell, 1993). En Argentina, 64 millones de hectáreas se encuentran bajo procesos de EH (Casas y Albarracín, 2015). Las últimas estimaciones realizadas en el INTA en 1988 indicaron que este proceso avanzó sobre 39 millones de hectáreas a nivel nacional. Esto demuestra la necesidad de continuar los estudios que permitan avanzar en el control de este proceso. La EH consiste en la pérdida de suelo, por desprendimiento, transporte y posterior deposición del material que lo constituye, por la acción del agua. (Atayde et al., 1997; López Bermúdez y Romero Díaz, 1998). El proceso de pérdida de suelo representa la degradación física, química y biológica del mismo (Colomer y Sánchez, 2001). Es un proceso complejo, multicausal, dinámico, de tipo episódico y sujeto a un conjunto de causas que ocurren en el ámbito de una cuenca hidrográfica (Cisneros, et al., 2012). La EH resulta de la interacción de los factores: erosividad de la lluvia, susceptibilidad del suelo a la erosión, longitud de la pendiente, inclinación del terreno, manejo del suelo y del cultivo y de las prácticas conservacionistas complementarias. Por ello, a lo largo del tiempo se ha elaborado

45


una serie de métodos para estimar las pérdidas de suelo (Farfán Zuniga y Pizarro Tapia, 2002). La Ecuación Universal de Pérdida de Suelo (EUPS) desarrollada por Wischmeier y Smith (1978) es el método más generalizado para la predicción de la pérdida de suelo por hectárea por año para una rotación de cultivos. En un mismo suelo, los efectos producidos por dos eventos de precipitaciones diferentes producirán una medida distinta de erosividad por cada una de ellas (Castillo y Castellvi Sentis, 1996). Esta ecuación permite estimar en forma empírica la pérdida de suelo en t ha-1 año-1, combinando seis factores:A = R x K x L x S x C x PDonde:A: Pérdida de suelo (t ha-1 año-1).R: Erosividad de la lluvia (t m ha-1 año-1). K: Erodabilidad del suelo (t ha-1. Cantidad promedio de suelo perdido por unidad de factor R).L: Longitud de la pendiente (Adimensional).S: Gradiente de pendiente (Adimensional).C: Factor anual de cobertura de cultivo y manejo (Adimensional).P: Factor prácticas de conservación del cultivo (Adimensional).Los factores de la EUPS se desarrollaron mediante una unidad de evaluación llamada parcela estándar. Una parcela estándar posee una longitud de 22 m sobre una pendiente uniforme de 9% en sentido longitudinal. La misma permanece labrada hacia arriba y hacia abajo, y bajo barbecho continuo durante por lo menos dos años (Morgan y Kirkby, 1994).Entre los factores anteriormente mencionados se encuentra el R, el cual se define como la capacidad potencial

de la precipitación de causar erosión en un periodo determinado, en función de la intensidad, duración y época en que ocurre la misma (Coraspe, 2004). Los primeros resultados obtenidos al determinar el factor R (Wischmeier et al., 1958), mostraron la falta de correlación entre las pérdidas de suelos medidas después de diferentes eventos pluviales y las cantidades de lluvias registradas. En este sentido, la energía cinética de la precipitación apareció con una mayor correlación. Tras efectuar numerosas pruebas, se llegó a la conclusión de que el mejor parámetro para estimar las pérdidas de suelo por EH es el producto de la energía cinética total de la tormenta (E, en MJ/ha), por la intensidad máxima en 30 minutos de la tormenta (I30, en mm/h). Este cálculo se realiza para cada evento erosivo, obteniéndose el parámetro EI30. Este último es equivalente a expresar el factor R, el cual es un indicador del potencial erosivo promedio de las lluvias de una región (Wischmeier et al., 1958). Los valores obtenidos por Wischmeier y Smith indican que cuando los demás factores de la EUPS se mantienen constantes, la pérdida de suelo por acción de la lluvia es directamente proporcional al parámetro EI30. En estas condiciones, la relación entre pérdida de suelo y EI30 es lineal. La suma de los valores EI30 para un periodo, es una medida numérica del potencial erosivo de las lluvias. Cuando dicho periodo corresponde a un año, el valor de la sumatoria será el índice de erosividad para ese año. El índice medio de erosión anual se obtiene de la sumatoria de todos losvaloresanuales(∑EI30), dividido por el número de años.


46

El valor obtenido por la EUPS y el cálculo del factor R, brindan una idea de la relevancia y de la distribución que tienen a nivel local para la obtención de resultados sobre el proceso erosivo (Risse et al., 1993; Renard et al., 1997). Debe tenerse en cuenta que el valor del factor R surge del análisis de la intensidad de lluvia a partir de registros pluviográficos. Este tipo de registros es difícil de conseguir, tanto en nuestro país como en el mundo (Salako et al., 1995; Silva, 2004). La obtención del factor R no es posible en aquellos lugares en donde no se cuenta con registros pluviográficos. A su vez, en lugares donde se dispone de los mismos, la metodología empleada para calcular el R es compleja. Por esta razón, algunos autores han intentado relacionar el factor R con parámetros de cálculo más sencillos (Jordan y Bellinfante, 2000). Fournier (1960) estableció un modelo de estimación de la producción de sedimentos que considera elementos en suspensión. En esta estimación no se tiene en cuenta la relación causa-efecto, sino simplemente la correlación existente entre las características de la cuenca y los sedimentos emitidos por esta (i.e. análisis de sistemas de caja negra). Como parámetro representativo del factor climático, se utilizó el Índice de Fournier (IF), el cual se obtiene con los registros de precipitación de estaciones que posean datos representativos de la zona de estudio. El mismo tiene en cuenta la precipitación acumulada del mes más lluvioso del año con relación a la precipitación acumulada anual. Jordan y Bellinfante (2000) emplearon el IF como indicador de la erosividad pluvial y

determinaron que era necesario considerar que en zonas donde el régimen pluvial presenta más de una máxima mensual de precipitación, o donde los valores pluviométricos son en general elevados, el IF despreciaba los valores del resto de los meses al solo considerar el mes de mayor precipitación. Arnoldus (1977) propuso una modificación para el IF, en la que se considera no solo el mes de mayor precipitación, sino también la del resto de los meses, llamándolo Índice Modificado de Fournier (IMF). Este último se caracteriza por ser un índice regional fácilmente calculable a través de registros pluviométricos, y por poseer una alta correlación con el factor R de la EUPS (Arnoldus, 1977).El IMF permite la estimación de R prescindiendo de datos pluviográficos, mediante el uso de registros pluviométricos, en particular promedios mensuales y anuales. La comparación de este índice con el factor R de Wischmeier es muy importante, ya que permite disponer de una visión regional más amplia de dicho índice (AMA, 1984). La relación entre el IMF y el factor R propuesto por Arnoldus (1977) establece la ecuación Log R=1,93(Log IMF)-1,52. Los reportes bibliográficos muestran la existencia de una alta correlación entre el factor R de la EUPS y el R calculado a través del IMF (Loueiro y Coutinho, 1995). Utilizando la ecuación propuesta por Arnoldus (1977), Basile et al. (2005) verificaron la correlación existente entre el valor de R=f(EI30) y el valor de R=f(IMF) en el sur de la provincia de Santa Fe, Argentina. Se procesaron 1031 tormentas registradas en la Estación Rosario Aeropuerto durante el

47


periodo 1986-1998. El valor de R calculado a partir de EI30 fue R=219,4 mientras que el calculado en función del IMF fue R=230,9. Estos autores concluyeron que el ajuste es muy satisfactorio ya que R=f(IMF) es aproximadamente un 5% superior al R=f(EI30) y que tal diferencia no es significativa si se considera el tipo de estimación de erosión que se realiza.Utilizando la EUPS, Dufilho et al. (2011) realizaron estimaciones de EH de suelos para el plan de manejo del campo forestal Aguas Frías, Patagonia Argentina. En dicha región de estudio no se dispone de registros continuos para obtener EI30, por lo cual, el factor R se obtuvo a través del IMF. Se tomaron los datos de la Estación Litrán Abajo con el método de Arnoldus (1978), correspondiendo a un valor de 128. Rojas y Conde (1985) también realizaron estimaciones estadísticas para superar los inconvenientes de registros pluviográficos incompletos y obtuvieron un estimador del factor R a partir de datos pluviométricos, junto a un coeficiente de ajuste.La posibilidad de asignar valores numéricos a la erosividad de la lluvia tiene dos aplicaciones principales. En la práctica permite planificar estrategias de conservación del suelo o incluso mejorar los métodos de control de la EH que se están ejecutando. En investigación permite ampliar los conocimientos sobre la EH (Hudson, 1982). En función de los antecedentes presentados, se evidencia la falta de información de indicadores del potencial erosivo de las precipitaciones a nivel regional (factor R). Por otro lado, es necesario avanzar en los estudios de la metodología de estimación de R por fajas

pluviográficas. A partir de lo expuesto surge la necesidad de contar con indicadores del potencial erosivo de las precipitaciones, calculado a través de diferentes metodologías. Este trabajo tiene el objetivo de estimar la erosividad de la lluvia mediante el registro de precipitaciones de una serie amplia de tiempo y el análisis de fajas pluviográficas de un año ubicadas en el campo experimental de INTA Castelar, Provincia de Buenos Aires a través de diferentes metodologías. Para cumplir con este objetivo se planteó la siguiente hipótesis de trabajo: “La erosividad de las lluvias estimada a través de la lectura de fajas pluviográficas, tiene una correlación significativa con la erosividad de la lluvia calculada por Índice de Fournier y por Índice Modificado de Fournier”.

MATERIALES Y MÉTODOSSe recopilaron los registros pluviométricos de la serie de años 1951-2016, obtenidos por el Observatorio Agrometeorológico INTA Castelar y las fajas pluviográficas diarias de 2015. Dicha información fue brindada por el Instituto de Clima y Agua, CIRN INTA. Sobre esta amplia serie se realizó un análisis estadístico descriptivo para conocer valores de referencia para la zona bajo estudio. Se calcularon los valores de media, varianza, desvíos estándar, máximos y mínimos, tanto mensuales como anuales y de la serie completa.

Método para calcular el Índice de Fournier (IF):Con la precipitación acumulada del mes más lluvioso de cada año se estimó el Índice de Fournier (IF) para realizar la


48

caracterización de la zona de estudio y disponer de información temporal del parámetro de erosividad. El IF se obtuvo utilizando la ecuación 1: Ecuación 1Donde:IF: Índice de Fournier.Pmax (mm): Es la precipitación acumulada correspondiente al mes más lluvioso del año.P (mm): Es la precipitación acumulada anual.Se utilizó la tabla de clasificación de Delgado (2003), con la finalidad de referenciar los valores de IF obtenidos del análisis de la serie (Tabla 1).

Tabla 1. Valores de referencia del Índice de Fournier (IF). (Delgado, 2003).

Clase Rango Clasificación 1 < 15 Muy baja 2 16-30 Baja 3 31-50 Moderada 4 51-65 Alta 5 > 65 Muy alta

Método para calcular el Índice Modificado de Fournier (IMF) por Arnoldus:Para la determinación del Índice Modificado de Fournier (IMF) se utilizó la ecuación matemática propuesta por Arnoldus (1977). El IMF está dado por la relación entre la suma del cuadrado de las precipitaciones mensuales para un año y la precipitación media anual (Ecuación 2). Ecuación 2

Donde:IMF: Índice Modificado de Fournier.Pi (mm): Precipitación mensual del mes i.Pt (mm): Precipitación media anual.

Se realizó una clasificación de los valores obtenidos del IMF para la zona de estudio, de acuerdo con la erosividad de las precipitaciones que las mismas presentan. Basado en la clasificación propuesta por Lobo et al. (2005), (Tabla 2).

Tabla 2. Clasificación según Índice Modificado de Fournier en función de erosividad de las precipitaciones que representan (Lobo et al., 2005).

Clase Rango Clasificación 1 < 60 Muy baja 2 60-90 Baja 3 90-120 Moderada 4 120-160 Alta 5 > 160 Muy alta

Por otra parte, con los valores obtenidos de IMF de cada año de la serie y los valores medios de cada mes, se utilizó la ecuación propuesta por Arnoldus (1977) (Ecuación 3) para obtener el factor R a partir de los datos pluviométricos. Log R = 1,93(Log IMF) - 1,52 Ecuación 3Los valores calculados con la Ecuación 3 fueron contrastados con los resultados de R obtenidos mediante la metodología de análisis de fajas pluviográficas, descripta a continuación.Método para obtener el factor de

49


erosividad de las lluvias R, propuesto por Wischmeier y Smith (1978):Sobre las fajas pluviográficas se aplicó la metodología citada por Wischmeier y Smith (1978) y aplicada en nuestro país por Rojas y Conde (1985), Ares et al. (2010) y Saluzzio (2010). Para estimar el factor “R”, se seleccionaron todas las fajas pluviográficas legibles (87,35% del total de fajas) correspondientes a tormentas mayores de 12,7 mm. En la Imagen 1 se presenta una faja a modo de ejemplo para una tormenta del día 27/06/2015. En este análisis se adoptó la definición de tormenta individual establecida por Wischmeier

(1959), que considera como tal a las lluvias separadas por menos de 6 horas. Asimismo, de acuerdo con las consideraciones de Wischmeier y Smith (1978), las lluvias menores que 12,7 mm son consideradas insignificantes dentro de los cálculos del índice de erosión. Este criterio se adoptó para evitar incorporar al cálculo una serie muy extensa de eventos pluviales de escasa cuantía, aunque aquellas lluvias que superaban la intensidad de 8 mm en 15 minutos fueron la excepción.

Imagen 1. Faja pluviográfica de ejemplo para una tormenta del día 27/06/2015 (Instituto Nacional de Tecnología Agropecuaria).

Una vez realizado el proceso de clasificación y selección de fajas, se digitalizaron todas las fajas diarias de 2015. Las mismas fueron escaneadas con la finalidad de realizar la lectura utilizando el programa de procesamiento de imagen digital IMAGEJ (freeware programado en Java y desarrollado en el National Institutes of Health). Entre todas las funciones que posee, este programa permite fijar una escala y medir distancias dentro de una imagen e ir guardando las mediciones en un formato de tabla.Trabajar con esta metodología digital presenta la ventaja de poder aumentar el tamaño de las imágenes sin perder calidad,

siendo de gran ayuda en tormentas con intervalos de precipitación muy intensos.

La lectura digital de las fajas de precipitación diaria fue realizada en intervalos fijos de 30 minutos. Luego, se calculó la intensidad expresada en mm h-1 para cada rango de tiempo. Con la intensidad de cada intervalo se determinó la energía cinética por milímetro de lluvia, mediante la Ecuación 4. E = 0,119 + (0,0873*LOG10 I)

Ecuación 4Donde:E = Energía cinética (MJ. ha-1 . mm-1).


50

I = Intensidad (mm. h-1).Para cada tormenta registrada durante 2015 se obtuvo la energía cinética de cada intervalo de 30 minutos multiplicando el valor de E de la ecuación 4 por la cantidad de precipitación para ese intervalo. La energía cinética total diaria (EC) se obtuvo a través de realizar la sumatoria de las energías obtenidas para cada intervalo. Este resultado se multiplicó por el valor que corresponde a la mayor intensidad en 30 minutos registrada dentro de la tormenta (I30). El factor de erosividad (R) de cada tormenta se define como el producto de EC con la máxima I30, obteniendo como resultado el componente conocido como EI30 (MJ mm ha-1 h-1). Una vez obtenido dicho producto, se realizó la sumatoria del EI30 de cada tormenta producida dentro de un mes determinado, obteniendo así los valores de R mensuales. La sumatoria a través de los 12 meses calcula el EI30 anual o factor de erosividad de las lluvias anual (R), que es utilizado en la EUPS (Wischmeier y Smith 1978).El valor de R calculado para 2015, expresado como MJ. mm. ha-1. h-1, fue transformado a las unidades utilizadas por Rojas y Conde (1985), con la finalidad de comparar los valores generados con los disponibles en los mapas conformados por dichos autores. En el trabajo de Rojas y Conde (1985) se utilizan las unidades Kg m. mm. ha-1. h-1. 106. Es importante destacar que, aunque R puede ser considerado como adimensional, existen unidades asociadas con él. De esta manera, la EUPS no sería dimensionalmente correcta si las unidades de R, no se asocian con las que resultan del factor de erodabilidad (K=t. ha-1),

a fin de interpretar valores de pérdidas de suelo evaluadas en t. ha-1. año-1. Para pasar de una expresión a otra se utilizó un factor de conversión, de 0,1019. Este último corresponde a un Joule, igual a 0,1019 kg m.Finalmente, se realizó una interpretación de los resultados obtenidos en cada metodología, se analizaron los valores estimados de erosividad. Se obtuvo un coeficiente de ajuste mediante la relación del valor obtenido por IMF para el año 2015 y el R calculado por la metodología de lectura de fajas para el mismo año. Se aplicó dicho coeficiente al valor de IMF de cada año de la serie para hallar R, y se evaluó su correlación con las precipitaciones de la zona de estudio.Luego del análisis de las fajas pluviográficas para 2015, para todas las precipitaciones erosivas, se calculó: EC, I30 y EI30. A su vez, se realizaron análisis de correlación comparando estos indicadores con la precipitación caída. De esta forma, se buscó una relación evidente entre alguno de estos indicadores y la lluvia total. La ecuación correspondiente a cada correlación podría permitir completar información pluviográfica faltante, simplemente con datos pluviométricos.

RESULTADOS Y DISCUSIÓN

Caracterización de la zona

En la figura 1 se presentan los registros pluviométricos anuales para la serie 1951-2016. La media anual de precipitación para los 66 años de registros analizados fue de 1033 mm, con un valor de precipitación máxima anual de 1874 mm (2014) y mínima 621 mm (2008) (Figura 1).

51


Del análisis de la serie mencionada surge que la distribución promedio mensual de las precipitaciones presenta una marcada concentración primavero-estivo-otoñal. En la figura 2 se muestra la precipitación media mensual de la serie 1951-2016 y la precipitación acumulada mensual para 2015. Enero presenta la mayor precipitación con 112,6 mm, mientras que el mínimo corresponde a junio con 52,8 mm (Figura 2).

La precipitación de enero no difiere de los registrados en febrero (108,4 mm) y marzo (110,9 mm). Un análisis mensual evidenció que marzo presentó el mayor coeficiente de variación (CV=72,3%), mientras que enero mostró un CV=58,5%. Asimismo, la máxima precipitación registrada dentro de la serie 1951-2016 pertenece a marzo de 1988, con 490,7 mm (Tabla 3).

0200400600800

1.0001.2001.4001.6001.8002.000

1951

1953

1955

1957

1959

1961

1963

1965

1967

1969

1971

1973

1975

1977

1979

1981

1983

1985

1987

1989

1991

1993

1995

1997

1999

2001

2003

2005

2007

2009

2011

2013

2015

Prec

ipita

ción

(mm

)

Figura 1. Registros pluviométricos anuales de la serie de años 1951-2016.

0

50

100

150

200

0

50

100

150

200

Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic

Prec

ipita

ción

(mm

)

Serie 1951-20162015

Figura 2. Precipitación media mensual de la serie 1951-2016 y Precipitación acumulada mensual año 2015.


52

Un análisis detallado posterior indicó que el año 1988 presentó el valor de erosividad anual más alto de toda la serie. Cabe destacar que esos valores se obtuvieron aun cuando la precipitación anual para dicho año fue de 1016,10 mm (1,66% menor que los 1033,3 mm promedio de la serie). Esto comprueba el hecho de que la intensidad de las precipitaciones es más importante que

la cantidad absoluta registrada.

Tabla 3. Análisis estadístico descriptivo de la Serie 1951-2016. Las unidades están expresadas en mm de lámina, excepto el coeficiente de variación que se expresa en %.

ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC Promedio 112,6 108,4 110,9 94,0 74,2 52,8 55,4 61,8 60,0 109,3 99,7 94,2 Máximo 311,9 293,1 490,7 389,6 310,6 190,8 170,6 251,1 199,0 362,0 263,9 294,5 Mínimo 5,7 9,3 13,0 1,0 0,0 0,6 1,4 0,0 2,0 1,6 13,5 19,2 Desvío

Estandard 65,8 67,3 80,2 63,1 69,2 38,0 34,3 53,2 42,5 70,1 61,5 63,4

Coeficiente de varación 58,5 62,1 72,3 67,1 93,3 71,9 61,8 86,0 70,8 64,1 61,7 67,3

En la Tabla 4 se presentan la precipitación mensual de 2015, el promedio mensual de la serie de años 1951-2016 y el desvío de 2015 con respecto al promedio de la serie. Las precipitaciones mensuales de 2015 no se corresponden con los promedios obtenidos de la serie de 66 años. En este

sentido, agosto y noviembre presentaron precipitaciones por encima del doble del valor promedio de la serie. Incluso meses como febrero y marzo, caracterizados como meses de alta precipitación, estuvieron muy por debajo del valor promedio de la serie (Tabla 4).

Tabla 4. Relación entre la precipitación mensual de 2015 y la media de la Serie 1951-2016.

MES PRECIP. 2015 MEDIA SERIE 1951-2016 DESVIO (mm) DESVIO (%)

Enero 117,2 112,6 4,6 4,0%

Febrero 62,0 108,4 -46,4 -42,8%

Marzo 18,3 110,9 -92,6 -83,5%

Abril 64,2 94,0 -29,8 -31,7%

Mayo 45,9 74,2 -28,3 -38,1%

Junio 56,2 52,8 3,4 6,4%

Julio 69,2 55,4 13,8 24,9%

Agosto 207,1 61,8 145,3 235,1%

Septiembre 30,1 60,0 -29,9 -49,8%

Octubre 76,5 109,3 -32,8 -30,0%

Noviembre 207,0 99,7 107,3 107,6%

Diciembre 42,1 94,2 -52,1 -55,3%

53


En la figura 3 se muestra la clasificación de las precipitaciones del año 2015 registradas en pluviógrafo, en función de su potencial erosivo. Para ello, se siguió el criterio de tormenta individual, definido por Wischmeier (1959), donde las lluvias menores que 12,7 mm son consideradas insignificantes dentro de los cálculos de erosión. En general, para la mayoría de los años, los meses de enero, febrero y marzo corresponden al mayor potencial erosivo de las lluvias. Contrariamente los meses de junio, julio y agosto son los meses menos críticos. Ello significa que el mayor potencial erosivo ocurre durante el periodo

cálido. Para agosto, uno de los dos meses con mayores precipitaciones, las tormentas registradas en pluviógrafo fueron un total de 10, pero solo 3 fueron consideradas como erosivas. Si bien el porcentaje de lluvias erosivas fue de un 30% del total de las precipitaciones, supera al de meses críticos como enero, febrero y marzo. En julio se registraron 2 tormentas erosivas sobre un total de 3 eventos de precipitación (66,6%). El mes de noviembre superó el 70% de lluvias erosivas, registrándose en las fajas pluviográficas un total de 7 tormentas individuales, de las cuales 5 fueron erosivas (Figura 3).

95

3 2

73

1

74

62

7

3

11 2

1

12

3

1

2

5

1

NO EROSIVAS EROSIVAS

Figura 3. Clasificación de las precipitaciones del año 2015 registradas en pluviógrafo.

Al calcular el R a través de la lectura de fajas pluviográficas para 2015, se obtuvo un valor de EI30=1857,51 MJ. mm. ha -1. h -1 (189,35 Kg m. mm. ha-

1. h-1 . 106 ). En la Figura 4, se muestran los valores de erosividad mensual, donde se observa la relación entre los EI30 y la

precipitación mensual para 2015. Como se mencionó anteriormente, los meses como agosto y noviembre, con altos valores de precipitación acumulada, numerosos eventos y presencia de lluvias erosivas, se destacan con la mayor erosividad mensual.


54

132,38

287,98

19,2

222,47

5,19

104,8478,92

496,64

10,03 41,07

424,71

34,080

50

100

150

200

250

0

100

200

300

400

500

600

PP A

cum

ulad

a (m

m)

EI30

(MJ.m

m.h

a-1.

h-1)

AÑO 2015EI30

PP acum.

Figura 4. Erosividad de la lluvia a través de la metodología de lectura de fajas para el año 2015.

En la Imagen 5 se muestra el mapa de isolíneas de R generado por las estimaciones estadísticas de Rojas y Conde (1985). Dichos autores realizaron su trabajo con el objetivo de estimar los valores de R para diferentes localidades de la región centro-este de la República Argentina y con esa información trazar un mapa de isolíneas de potencialidad erosiva. Para lograrlo, se emplearon, además de los procedimientos descriptos por Wischmeier y Smith (1958; 1978), estimaciones estadísticas para superar la carencia de registros pluviográficos completos y estimar valores del índice para las estaciones pluviométricas.El valor de R calculado del análisis de las fajas pluviográficas en la presente tesis (R=189,35), es mucho menor que aquellos calculados por Rojas y Conde (1985) para esta zona de estudio. Es importante resaltar que los resultados obtenidos por

estos investigadores provienen de una amplia serie para un periodo de 22 años (1950/1971) y para este trabajo se analizó solo un año con las particularidades anteriormente mencionadas. Di Leo et al. (1999) establecieron que al aplicar el estimador de R de Rojas y Conde (1985) en localidades donde no existía una cantidad considerable de registros pluviográficos, se consideraban los volúmenes de lluvia mensuales totales, por ende, en muchos valores calculados existe una sobreestimación de la erosividad de las precipitaciones.

55


Imagen 5. Mapa de isolíneas de potencialidad erosiva de lluvias (Rojas y Conde, 1985).

En la figura 6 se muestran los IF e IMF para la serie 1951-2016 y la tendencia lineal de los índices. Ambos indicadores presentaron un comportamiento cíclico a través de los años. El valor promedio del IF para el periodo 1951-2016 fue 48,33. Según la clasificación propuesta por Delgado (2003) (Tabla 1), la zona de estudio se caracteriza por una erosividad moderada. El máximo le

correspondió a 1988 con un valor de 236,97 y el mínimo de 20,14 a 2011.

El IMF para el mismo periodo presentó un valor promedio de 128,91. El valor máximo también le correspondió a 1988 con 280,21. Sin embargo, no hubo coincidencia en el año para el valor mínimo. En este sentido, el mínimo IMF ocurrió


56

en 1970 y fue 79,39. Esta diferencia entre los valores mínimos para ambos índices, se debe a que el IF considera en su ecuación solo la precipitación del mes más lluvioso, mientras que, el IMF relaciona la sumatoria de los cuadrados de todas las precipitaciones mensuales con la precipitación media anual. Por tal motivo, el IF estaría subestimando los resultados.

Sobre la base de la clasificación propuesta en la Tabla 2 para niveles de erosividad de las precipitaciones en función de rangos de IMF, el valor promedio observado

para la serie 1951-2016 (IMF=128,91) corresponde a alta erosividad. Esta diferencia de clasificación entre cada metodología (IF-IMF), también se observa al considerar solo el año 2015. El IF para este año fue 43,14 (erosividad moderada), mientras que el IMF fue 126, 96 (Aplicada ecuación 3, R=346,80) (erosividad alta). En este caso, también se podría asumir que el IF estaría subestimando los resultados, ya que incorpora en su ecuación solo al mes de agosto (207,1 mm) por ser el de mayor precipitación, sin considerar a noviembre (207,0 mm).

Figura 6. Índice de Fournier (IF) e Índice de Fournier modificado (IMF) para la serie 1951-2016. Las líneas horizontales representan las tendencias de cada uno de los índices.

En la Figura 7 se observa la correlación lineal entre el IF y el IMF. La correlación entre ambos es alta, lo que fue observado, además, en la figura 6 entre las líneas de tendencia para la serie de años. Asimismo, el par de datos correspondientes a IMF vs

IF, observado para 2015, se ubica sobre la línea de ajuste, lo que permite afirmar que es un valor esperable para la mayoría de los años.

57

Alonso, J.M.; Carfagno, P. y Eiza, M.J.

y = 0,86x + 87,2r = 0,78

0

50

100

150

200

250

300

0 50 100 150 200 250

IFM

IF

SERIE 1951-2016

2015

Figura 7. Correlación lineal entre el índice de Fournier (IF) y el índice de Fournier modificado (IMF) para la serie 1951-2016.

En la figura 8 se observa la correlación existente entre las precipitaciones acumuladas (PP) para cada año de la serie 1951-2016 frente al R estimado a partir del IMF. Este valor de R fue obtenido al aplicar la ecuación 3 propuesta por Arnoldus (1977). A su vez, con el valor de R obtenido del análisis de fajas para el 2015, se optó por buscar la relación existente con el valor de IMF para el mismo año (R/IMF= 1,49). Este factor de corrección calculado (1,49) se utilizó para afectar a todos los IMF de la serie de años evaluada (IMF x 1,49). Esto

permitió evaluar su correlación con las PP sin hacer uso de la ecuación de Arnoldus (1977) (Ecuación 3). En la figura 9 se evaluó la correlación entre las PP y el R estimado con el factor de corrección (IMF x 1.49).


58

y = 0,59x - 252,65r = 0,84

0100200300400500600700800900

1000

0 500 1000 1500 2000

R (I

MF)

PP (mm)

Figura 8. Correlación lineal PP vs R calculada por relación con IMF propuesta por Arnoldus (1977).

y = 0,15x + 30,60r = 0,84

0

50

100

150

200

250

300

350

0 500 1000 1500 2000

R (I

MF

x 1.

49)

PP (mm)

Figura 9. Correlación lineal PP vs R calculada por relación entre IMF 2015 y R medido de fajas 2015.

59

Como se observa en los coeficientes de correlación de las Figuras 7 y 8, los r son elevados (r=0,84), lo cual representa una correlación significativa entre las variables IMF, R (IMF x 1,49) y las PP respectivamente. Si bien las correlaciones entre el R estimado con el Índice Modificado de Fournier y el factor de corrección obtenido (1,49) es alta (r=0,84), es necesario considerar que este factor de corrección contiene al IMF, con lo cual es esperable obtener altas correlaciones.

Cálculo de EC total, I30 y EI30 a partir de las ecuaciones resultantes del análisis del año 2015.

En las Figura 10 a, b y c se presentan las correlaciones lineales entre las precipitaciones erosivas de 2015 y la EC, el I30 y el EI30 (R), respectivamente. La variabilidad de la EC fue explicada casi en su totalidad por las lluvias diarias (Figura 10a). Esto coincide con lo hallado por Chagas et al. (2000) quien analizó la serie 1994-2000 para la localidad de San Pedro, Buenos Aires. Estos resultados son razonables teniendo en cuenta el modo en que se estima la EC total de una lluvia a partir de la lámina total precipitada. Por el contrario, el I30 es un atributo propio de cada evento, al igual que el EI30 que es el resultado del producto de la energía cinética total y la intensidad máxima en 30 minutos. El cálculo de EI30 requiere contar con datos pluviográficos, por lo tanto, es importante encontrar la relación entre el I30 y el EI30 con las precipitaciones.Como se muestra en la Figura 10 c la ecuación presenta un r elevado (0,92),

lo cual es importante ya que como se mencionó anteriormente para el cálculo de EI30 se necesita contar con datos de registros pluviográficos difíciles de obtener. A su vez, la obtención de ecuaciones con alta correlación de ajuste con las variables estudiadas permite estimar de una forma rápida y confiable, sin tener que pasar por el proceso de lectura de fajas que requiere de muchas horas de recurso humano. De esta forma, mediante este tipo de ecuaciones se logra estimar el R con la información de las PP diarias, actualmente de muy fácil acceso.



60

y = 2,45x - 2,31r = 0,92

0

100

200

300

400

500

600

0 50 100 150 200 250

EI30

(MJ.

mm

.ha-

1.h-

1)

PP EROSIVAS (mm)

c)

y = 0,17x + 6,29r = 0,88

05

101520253035404550

0 50 100 150 200 250

I30

(mm

.h-1

)

PP EROSIVAS (mm)

b)

y = 0,20x - 0,16r = 0,99

05

1015202530354045

0 50 100 150 200 250

EC (M

J.ha

-1.m

m-1

)

PP EROSIVAS (mm)

a)

Figura 9. Correlación lineal entre las precipitaciones erosivas del año 2015 y a) Energía cinética (EC). b) Intensidad máxima de la lluvia en 30 minutos (I30). c) Producto EI30 (R).

61

Sobre la base de los altos coeficientes de correlación hallados entre las correlaciones de EC, I30, EI30 y las PP erosivas, 0,99; 0,88; 0,92, respectivamente, se afirma que, para la zona estudiada se podría hacer uso de las ecuaciones correspondientes para estimar los valores de EC, I30, y EI30 a partir de un registro pluviométrico (Tabla 5). De esta manera, se espera que las estimaciones que surjan de las ecuaciones descriptas en la


tabla 5 se ajusten con una alta probabilidad a los valores reales. Es importante destacar que este tipo de relaciones entre variables debe obtenerse para cada zona, ya que, a medida que nos distanciamos de la zona evaluada, se estaría aumentando el error de la estimación.Tabla 5. Ecuaciones de las variables analizadas en función de las precipitaciones diarias (PP).

Energía cinética total EC = 0,20 PP – 0,16 r = 0,99

Intensidad máxima en 30 minutos I30 = 0,17 PP + 6,29 r = 0,88

EI30 (R) EI30 = 2,45 PP – 2,31 r = 0,92

Ibáñez (2016) realizó un análisis de regresiones lineales, generando ecuaciones similares a las presentadas en la tabla 5. Realizó esto último, con la finalidad de completar los faltantes de información de EC, I30 y EI30 por falta de funcionamiento de los pluviógrafos tan solo teniendo datos de lámina de precipitación de la localidad de San Pedro (Buenos Aires). Al igual que lo hallado en este trabajo, los coeficientes r de las correlaciones obtenidos por Ibáñez (2016) para su zona de estudio (San Pedro) mostraron una alta significancia.

CONSIDERACIONES FINALESEl análisis de 2015 con precipitación anual de 1016,10 mm (1,66% menor que los 1033,3 mm promedio de la serie 1951-2016), no logró la representatividad esperada. Disponer de análisis pluviográficos completos de series amplias permitirá realizar evaluaciones de erosividad más representativas. Sin embargo, la

información resultante constituye un aporte para mejorar las estimaciones locales de erosividad y evitando subestimaciones o sobreestimaciones en su cálculo.El R calculado por la metodología de fajas para 2015 (R=189,35), fue el 54,6% del R calculado a través del IMF y la ecuación propuesta por Arnoldus (1977) (R=346,80), para el mismo año. Si bien la diferencia es muy amplia, cuando se aplica la metodología de IMF, se calcula un único valor anual de la erosividad de las lluvias, sin ser posible discriminar su dinámica en el año. El 2015 mostró un comportamiento poco común frente a los valores medios de la zona, con dos meses con valores extremos de precipitaciones, como agosto y noviembre. Asimismo, se registraron un total de 23 lluvias erosivas de los 79 eventos de precipitación analizados (29,11%). Un total de 56 eventos de precipitación no erosivos, según las consideraciones de Wischmeier y Smith (1978), fueron considerados en el


62

cálculo de IMF. Por lo tanto, sería apropiado seguir estudiando estas metodologías en otros años para tener más resultados que permitan seguir evaluando su relación.El IF tuvo un comportamiento cíclico similar al IMF. Al evaluar la correlación entre ambos, mostraron una relación alta, pero esta respondió solo a las precipitaciones acumuladas con las que fueron calculados. Al igual que lo determinado por Jordan y Bellinfante (2000), quedó evidenciado que en zonas donde el régimen de precipitaciones presenta más de una máxima mensual o donde los valores pluviométricos son en general elevados, dicho índice desprecia los valores del resto de los meses al solo considerar el mes de mayor precipitación.Las ecuaciones logradas a través del análisis de fajas de 2015, para calcular EC, I30 y EI30 (R) a partir de las PP, son de gran utilidad para poder estimar dichas variables tan solo teniendo datos de lámina de precipitación. Los valores de correlación obtenidos permiten dicha afirmación, pero incorporar otros años, permitiría lograr ecuaciones con un mejor ajuste para la zona de estudio.

CONCLUSIONESPara las condiciones de estudio, no existen suficientes evidencias para aceptar la hipótesis planteada. En este sentido, la erosividad de las lluvias estimada a través de la lectura de fajas pluviográficas, tiene una baja correlación con la erosividad de la lluvia calculada por el Índice de Fournier y por el Índice Modificado de Fournier.

BIBLIOGRAFÍA• Arnoldus, H. 1977. Methodology used

to determine the maximum potential average annual soil loss due to sheet and rill erosion in Morocco. Boletín de suelos de la FAO 34, Roma.

• Atayde, B. W., Souza, C. M., Wruck, F. J. 1997. Índice da Erosividade das chuvas para Viscosa/MG. Revista Ceres (Brasil).

• Basile, P. A., Riccardi, G. A. y Stenta, H. 2005. Modelación de la producción de sedimentos a escala de cuenca en el sistema del Arroyo Ludueña, Santa Fe, Argentina. Actas del XX Congreso Nacional del Agua.

• Casas, R. R., Albarracín, G. F. 2015. El Deterioro del Suelo y del Ambiente en la Argentina. Fundación para la Educación, la Ciencia y la Cultura. Instituto Nacional de Tecnología Agropecuaria (Argentina) Centro para la promoción de la conservación del suelo y el agua (PROSA).

• Castillo, F. E., Castellvi Sentis, F. 1996. Agrometeorología. Capítulo 6. Precipitación. Ed. Mundi-Prensa, España.

• Chagas, C. I., Santanatoglia, O. J., Massobrio, M. J., Castiglioni, M. G., Buján, A., Yáñez, M. 2000. La energía cinética de las lluvias como condicionantes de los pulsos de escurrimiento en una microcuenca de Pampa Ondulada. Avances en Ingeniería Agrícola. 1998/2000. Editorial Facultad de Agronomía. (ISBN: 950-29-0593-8). Pág. 207-213.

• Cisneros, J. M., Cholaky, C. G., Cantero

63


Gutiérrez, A., González, J. G., Reynero, M. A., Diez, A., Bergesio, L. 2012. Erosión Hídrica: Principios y técnicas de manejo. Universidad Nacional de Río. Córdoba. Argentina.

• Colomer, J. C., Sánchez, J. 2001. Agricultura y procesos de degradación del suelo. Agricultura y desertificación (p. 111-131). Mundi Prensa Libros SA.

• Coraspe, H. M. 2004. Conservación de los suelos agrícolas en las zonas altas del Estado de Trujillo. Trujillo, Venezuela.

• Craswell, E. T. 1993. The management of world soil resources for sustainable agricultural production. Pp. 258-276. In: Pimentel, D. (ed.). World soil erosion and conservation. Cambridge University Press. Cambridge, UK.

• Delgado, E. F. 2003. Un protocolo para apoyar la selección de prácticas de conservación de suelos en tierras montañosas tropicales. Memorias del I Seminario Internacional de Agricultura de Conservación en Tierras de Ladera, Manizales.

• Di Leo, C. M., Aragón, A., Marlats, R. y Bruno, J. E. 1999. Erosividad de las precipitaciones en Tandil, provincia de Buenos Aires. Ciencia del Suelo, 17(2): 58-61.

• Dufilho, A. C., Frugoni, M. C., Macchi, P., & Thot, A. 2011. Estimación de la Erosión Hídrica de Suelos para plan de Manejo del Campo Forestal Aguas Frías, Patagonia Argentina. Boletín Geográfico, (33), 69-85.

• FAO-Unesco. 1975. Metodología provisional para la evaluación de

la degradación de los suelos. FAO, Roma. www.fao.org/docrep/ARTICLE/WFC/XII/0473-B2.htm.

• Farfán Zuniga, J. R., & Pizarro Tapia, R. 2002. Determinación del índice de erosividad fluvial (R) de la ecuación universal de pérdidas de suelo, para dos estaciones pluviográficas de la Séptima Región de Maule.

• Fournier, F. 1960. Climat et érosion. Ed. Presses Universitaires de France. Paris. 202 p.

• Hudson, N. 1982. Conservación del Suelo. Ed. Reverté. S.A. Barcelona.

• Ibañez, J. L. 2016. Estimación de la erosividad de las lluvias en la localidad de San Pedro (Bs. As.) como variable de predicción de la erosión hídrica. FAUBA.

• Lobo, D. L., Gabriels, D., Ovalles, F., Santibáñez, F., Moyano, M. C., Aguileta, R., Pizarro, R., Sangüesa, C. y Urra, N. 2005. Guía metodológica para la elaboración del mapa de zonas áridas, semiáridas y subhúmedas secas de América Latina y el Caribe. CAZALAC, Chile, 59 p.

• López Bermúdez, F., Romero Díaz, A. 1998. Erosión y Desertificación: Implicaciones Ambientales y Estrategias de Investigación. Universidad de Murcia. Papeles de Geografía. N° 28. 1998, p. 77-89.

• Morgan, R. P. C., y Kirkby, M. J. 1994. Erosión de suelos. México: Limusa Noriega Ed.

• Renard, K. G., Foster, G. R., Weesies, G. A., McCool, D. K., Yoder, D. C. 1997. Predicting Soil Erosion by Water: A Guide to Conservation Planning


64

with the Revised Universal Soil Loss Equation (RUSLE). U.S. Department of Agriculture-Agriculture Handbook No. 703.

• Risse, L. M., Nearing, M. A., Nicks, A. D., Laflen, J. M. 1993. Error assessment in the Universal Soil Loss Equation. Soil Sci. Am. J. 57: 825-833.

• Rojas, A. C. y Conde, A. A. 1985. Estimación del factor R de la Ecuación Universal de Pérdida de Suelo para el centro-este de la República Argentina. Ciencia del suelo, 3 (1 y 2): 85-94.

• Salako, F. K., Ghuman, B. S. y Lal, R. 1995. Rainfall erosivity in south-central Nigeria. Soil Technology, 7:279-290.

• Silva, A. M. 2004. Rainfall erosion map for Brazil. Catena 57 (3): 251-259.

• Wischmeier, W. H. y Smith, D. D. 1978. Predicting rainfall erosion losses. A guide to conservation planning. U.S.D.A. Agricultural Research Service Handbook 537.

• Wischmeier, W. H., Smith, D. D. y Uhland, R. E. 1958. Evaluation of factors in the Soil-Loss Equation. Agricultural Engineering, 39,8, p. 458-462.

indicadores del potencial erosivo de las … · lópez bermúdez y romero díaz, 1998). el proceso...

Documents