IAHR AIIH

XXVII CONGRESO LATINOAMERICANO DE HIDRÁULICA

LIMA, PERÚ, 28 AL 30 DE SETIEMBRE DE 2016

ESTIMACIÓN DE LA TASA DE SEDIMENTOS EN LOS ANDES

PERUANOS PARA EL 2030
Miluska A. Rosas1, Ronald R. Gutierrez2
Pontificia Universidad Católica del Perú, Lima-Perú, miluska.rosas@pucp.pe
Pontificia Universidad Católica del Perú, Lima-Perú, rgutierrezl@pucp.pe

RESUMEN:

El volumen de sedimentos producidos en los Andes peruanos es significativo especialmente

hacia la cuenca del río Amazonas, sin embargo el número de investigaciones relacionadas a su
cuantificación a una escala nacional o continental para los próximos años, es reducido. Para estimar
la tasa de sedimentos para el año 2030, se ha construido un modelo de cambio de cobertura de suelo
basado en los correspondientes a los años 1990, 2000 y 2010, y así presentar 3 escenarios
diferentes, a saber: escenario normal, escenario con influencia de la actividad minera a futuro y el
escenario que presenta áreas de protección ambiental o reservas naturales. Nuestros resultados
predicen que para el año 2030 en el escenario normal, un volumen de sedimentos producidos por la
zona andina peruana de 2115 x 106 ton/año será depositado, en la cuenca del río Amazonas, además
el escenario referido a la actividad minera induce un incremento de la tasa a 2321 ton/año mientras
que la inclusión de las áreas protegidas inhibe el avance del mismo (948 ton/año)..

ABSTRACT:

The amount of sediment yield produce in the Peruvian Andes have a high significance
specially in the Amazon basin, however few studies have addressed to quantify the volume of
sediments in a country and continental scale for the next years. To estimate the sediment yield for
the year 2030, a land cover change model has been build, which is based on 1990, 2000 and 2010
land cover/land use maps. This model predict three scenarios: the normal scenario, the scenario in
which the mining activity is included, and the scenario that presents protected areas. Our results
predict that the volume of sediments produced in the Amazon basin (2115Ton=year) will be higher
than in the Pacific basin (932ton=year) for the year 2030, also the scenario that includes the mining
activities induce an increase of sediments in both basins, conversely, the scenario that includes the
protected areas inhibit the soil erosion process.

PALABRAS CLAVES: erosión de suelos, producción de sedimentos, cambio de cobertura de

suelo, cuenca amazónica
INTRODUCCIÓN

La producción de sedimentos (PS) es el resultados de los procesos de erosión de suelos (ES)

y deposición de los mismos, y está básicamente controlada por la topografía local, el tipo de suelo,
condiciones climáticas cobertura y uso de suelo, morfología de cuenca red de drenaje, entre otros,
que inducen la perdida de suelo para cultivo y la contaminación de cuerpos de agua (Bojö, 1996).
Aunque se conoce que el río Amazonas trasporta gran cantidad de sedimentos provenientes
de las zonas altas de la cuenca (Restrepo et.al., 2006), el número de estudios destinados a este tema
es limitado. Latrubesse y Restrepo (2014) estimaron que la región andina de Perú y Bolivia
producen el 60% del volumen de sedimentos producido por toda la cordillera de los Andes,
adicionalmente, Rosas y Gutierrez (2016) obtuvieron mapas de erosión para los años 1990, 2000 y
2010, que presentan altas tasas de ES en la región andina del Perú.
Perú es un país en desarrollo, en tal virtud, se esperan cambios significativos en la cobertura
de suelo a mediano plazo (van Soesbergen, 2013). Sin embargo, existen pocos estudios acerca de
escenarios futuros inducidos por cambio de cobertura de suelo, calentamiento global y crecimiento
urbano. Adicionalmente, algunos investigadores han resaltado el hecho de que la información en los
países en desarrollo es insuficiente y no representativa para inferir el impacto en dichos escenarios.
En este contexto, Hossain (2015) señala que la data satelital tiene la capacidad para suplir esta
necesitad en términos de espacio y tiempo.
La distribución espacial de la cobertura del suelo presenta alta sensibilidad al estimar ES
(Rosas y Gutierrez, 2016), además este factor es esencial para inferir los impactos a largo plazo
producidos por actividades antropológicas, e.g. deforestación, muchos de estos modelos están
basados en análisis estadísticos como regresión logística, red neuronal, entre otros (Wasswnaar
et.al., 2007).
El presente estudio se basa en data satelital actualizada con el objetivo de proveer una
distribución espacial del volumen de sedimentos generados en los Andes peruanos para el año 2030.

DATOS Y METODOLOGÍA

Fuente de datos

En la actualidad existen modelos que permiten inferir potenciales cambios en tiempo y

espacio (e.g. Idrisi Selva), basados en información histórica de dos periodos de tiempo diferentes
con el propósito de construir escenarios futuros (Eastman, 2012). Para nuestro estudio se recolectó
información de cobertura de suelos de los años 1990, 2000 y 2010, a partir de los dos primeros de
infirió el cambio de cobertura para el año 2010, para luego ser calibrado con la información
observada. Después de calibrar el modelo inferencial se construyó el mapa para el año 2030.

Tabla 1.- Datos de entrada para el modelo inferencial

Item Información Fuente
A Digital Elevation Model Japan Space System
B Principal cities (shapefile) Ministerio Nacional de Educación, MED
Ministerio Nacional de Transporte y
C Major roads (shapefile)
Comunicaciones, MTC
D Actual and projected mining areas (shapefile) Ministerio de Energía y Minas
E Protected areas (shapefile) Ministerio Nacional del Ambiente, MINAM
F Global Land Use/Land Cover images (15 classes) USGS EROS Data Center
G The Global Land Cover Facility (16 classes) MODIS Land Cover
H Global Land Cover Share Database (10 classes) FAO, Land and Water Division
 Para la construcción de este modelo, se recolectó información básica, la cual está detallada
en la Tabla 1. El modelo inferencial involucra dos grupos de información: las variables y los tipos
de cobertura. Las variables corresponden a aquellos factores identificados como agentes de cambio
(Wasswnaar et.al., 2007), para nuestro caso se identificaron las siguientes: elevación de terreno,
pendiente de terreno, distancia a centros poblados, distancia a vías de trasporte, distancia a áreas
mineras. La información de tipo de cobertura se recolectó de fuentes satelitales: USGS EROS Data
Center (15 clases), MODIS Land Cover (16 clases) y FAO Land and Water Division (10 clases), las
cuales fueron reclasificadas en 8 clases (Urban and built, wooded wetland, snow and ice, tree cover,
woody savannas, grassland and shrubs, cropland y barren or sparcely) para poder evaluar los
cambios temporales entre ellas.

Estructura de modelo y escenarios

El modelo inferencial, construido a través del proceso de red neuronal multiple, tiene la
capacidad de evaluar múltiples transiciones en un solo modelo a través de la aplicación de cadenas
de Markov (Eastman, 2007). Respecto a la calibración, el modelo será aceptado para valores de la
curva ROC (receiver operating characterirstic) mayores a 0.5, siendo ROC un parámetro estadístico
comúnmente aplicado en investigaciones con objetivos similares (Wassenaar et al, 2007 y Pontius
and Schneider, 2001). Adicionalmente, el análisis por comparación pixel by pixel provee
información espacial del error (Comber et al, 2012).
Se han evaluado 3 escenarios para el 2030: el escenario normal, que presenta la aplicación
de las variables antes mencionadas y los potenciales modelos de transición, este escenario
representa la línea base de la inferencia, luego, se tienen escenario que incluye el incremento de
áreas destinadas a actividad minera en el Perú y por último, el escenario que presenta la influencia
de reservas naturales y áreas de protección ambiental.

Erosión de suelos y producción de sedimentos

La ecuación de RUSLE desarrollada para estimar la ES anual a gran escala (Jetten y Maneta,
2011), matemáticamente, está definida por la Ecuación 1 (para más detalles de la ecuación y la
información recolectada para su aplicación en el Perú dirigirse a Renard et.al., 1997 y Rosas y
Gutierrez, 2016).

A  R  K  LS  C  P [1]

Para estimar la tasa de PS, se aplica el ratio de Transporte de Sedimentos (SDR, por sus
siglas en inglés), el cuál es recomendado en regiones con información limitada (Li et al., 1994,
Jetten and Maneta, 2011, Onyando et al., 2005).

SDR  0.627  SLP0.403 [2]

La data base principal para obtener la ES y la tasa de PS para el año 2030 está conformada
por los mapas inferenciales de cobertura vegetal construidos y el mapa de precipitación al 2030
previsto por el Servicio Nacional de Meteorología y Recursos Hídricos (Senamhi). Para mayor
detalle en cuanto a la data de entrada para la cuantificación de ES y PS, se recomienda al lector
dirigirse a Rosas y Gutierrez (2016).

RESULTADOS Y DISCUSIÓN

En la calibración del modelo de cambio de cobertura de suelo (predicción para el año 2010)
se presentan valores altos de ROC: 0.63 en la costa, 0.72 en la zona andina y 0.94 en la selva.
Adicionalmente, se la evaluación pixel by pixel entre el mapa inferido y el observado muestra solo
un 4% de aciertos. Estos resultados sugieren que el modelo tiene una alta capacidad para predecir
los patrones generales de distribución espacial (ROC > 0.5), mientras que la predicción de
secuencia temporal de cambio es deficiente, esta situación es una de las dificultades que sufren los
modelos de predicción (Rosa et.al., 2013).
El modelo, infiere la cobertura de suelos para el año 2030 en los 3 escenarios propuestos,
subsecuentemente, la aplicación de la ecuación RUSLE provee la distribución espacial de la tasa de
erosión. Nuestro resultados, muestran un aumento de ES severa (tasas mayores a 100 Ton/ha/año)
en la zona andina para el escenario que incluye actividad minera, mientras que para el escenario de
áreas protegidas las tasas de erosión disminuyen.
Finalmente, a través de la relación SDR, las tasa de PS resultantes para la cuenca de
Amazonas son: 2115 x 106 Ton/año para el escenario normal, 2321 x 106 Ton/año para el escenario
que incluye actividad minera y 948 x 106 Ton/año para el escenario que presenta las áreas
protegidas como se muestra en la Figura 1.

Figura 1.- Tasas de producción de sedimentos para la cuenca peruana del Amazonas y del Pacífico (x106
Ton/ha/año)

CONLCUSIONES

Este estudio presenta la metodología para cuantificar indirectamente la tasa de sedimentos a lo largo
de los andes peruanos, basado en la predicción de la cobertura de suelo, con el propósito de suplir la
falta de estaciones de medición in-situ y así proveer de información para los tomadores de decisión
en relación a la necesidad de un marco regulatorio para inhibir el incremento deES y PS. Nuestro
estudio refleja la necesidad de generar mapas para los años futuros, e.g. 2050, e incluir aspectos del
calentamiento global y el incremento de actividades económicas y/o extractivas en el contexto
peruano.
REFERENCIAS

Bojö, Jan. (1996), “The costs of land degradation in Sub-Saharan Africa”, Ecological Economics, Vol. 16,
1996, pp. 161-173.
Comber, A. and Fisher, P. and Brunsdon, C. and Khmag, A. (1994) “Spatial analysis of remote sensing
image classification accuracy”, Remote Sensing of Environment, N° 127, 2012, pp. 237–246.
Eastman, J.R. (2012), IDRISI Selva Manual. Clark University, UK, 2012.
Jetten, V. and Maneta, M. (2011), Calibration of erosion models, Handbook of erosion modelling. Wiley
Blackwell Publishing, UK.
Latrubesse, E. M and Restrepo, J. D. (2014). “Sediment yield along the Andes: continental budget,
regional variations, and comparisons with other basins from orogenic mountain belts”. Geomorphology. N°
216, April 2014, pp. 225–233.
Li, H. and Xiaoling, C. and Lim, K. J. and Xiaobin, C. and Sagong, M. (1994) “Assessment of Soil
Erosion and Sediment Yield in Liao Watershed, Jiangxi Province, China, Using USLE, GIS, and RS”,
Journal of Hydrology, N° 157, 1994, pp. 287–306.
Pontius, R. G. and Schneider, L. (2001). “Land-cover change model validation by an ROC method for the
Ipswich watershed, Massachusetts, USA”. Agriculture, Ecosystems and Environment. Vol. 85, 2001, pp.
239–248.
Renard, K. G. and Foster, G.R. and Weesies, D.K. and McCool, D.K. and Yoder, D.C. (1997).
Predicting Soil Erosion by Water: A Guide to Conservation Planning with the Revised Universal Soil Loss
Equation, Agricultural Handbook Number 703, USDA Agricultural Research Service, USA, Enero 1997.
Restrepo, J. D. and Kjerfve B. and Hermelin, M. and Restrepo, J.C. (2006). “Factors controlling
sediment yield in a major South
American drainage basin: the Magdalena River, Colombia”. Journal of Hydrology. Vol. 316, 2016, pp. 213–
232.
Rosa, I. M. D. and Purves, D. and Souza, C.J. and Ewers, R.M. (2013). “Predictive Modelling of
Contagious Deforestation in the Brazilian Amazon”. Plos One, Vol. 8, N° 10, Octubre 2013, e77231.
Rosas M. A. and Gutierrez R. R. (2016). “On a RUSLE-based methodology to estimate hydraulic erosion
rates at country scale in developing countries”. Reviews in Environmental Science and Bio/Technology, En
revision final.
Onyando, J. and Kisoyan, P. and Chemelil, M. (2005). “Estimation of potential soil erosion for River
Perkerra Catchment in Kenya”. Water Resources Management, Vol. 19, 2005, pp. 133–143.
van Soesbergen, A. and Mulligan, M. (2013). “Modelling multiple threats to water security in the Peruvian
Amazon using the WaterWorld policy support system”. Earth System Dynamics Discussions, Vol. 4, 2013,
pp. 567–594.
Wassenaar, T. and Gerber, P. and Verburg, P. and Rosales, M. and M., I. and Steinfeld, H. (2007).
“Projecting land use changes in the Neotropics: The geography of pasture expansion into forest”. Global
Environmental Change, Vol. 17, 2007, pp. 86–104.