Español (pdf)
Articulo en XML
Referencias del artículo
Traducción automática
Enviar articulo por email
Citado por SciELO 
Similares en
SciELO 
Permalink
Forma sugerida de citar:
Ilbay-Yupa, M., Zubieta B., R. y Lavado-Casimiro,W. (2019). Regionalización de la recipitación, su agresividad y concentración en la Cuenca del río Guayas, Ecuador. La Granja: Revista de Ciencias de la Vida. Vol. 30(2):57-76. http://doi.org/10.17163/lgr.n30.2019.06.
1 Introducción
La erosividad de las precipitaciones provoca pérdidas de suelo fértil, daños a la infraestructura, agricultura y contaminación del agua, la cual está influenciada por los cambios en los patrones de precipitación (Martín-Fernández and Martínez-Núñez, 2011; Sanchez-Moreno et al., 2014). Esto ocurre ya que grandes cantidades de lluvia estacional puede precipitar en muy pocos días o semanas en regiones de alta montaña como los Andes (Sarricolea and Salazar, 2014; Zubieta et al., 2016; Sarricolea et al., 2019), o regiones Amazónicas (Zubieta et al., 2019). La precipitación es una variable importante para estudios climáticos, cuya variabilidad espacial y temporal pueden impactar en las actividades humanas durante eventos hidroclimáticos extremos como sequías e inundaciones (Parracho et al., 2016). Además desempeña un papel crucial en la planificación y gestión de los recursos hídricos, vinculada directamente con la agricultura y la mitigación de desastres (Prakash et al., 2015). La cuantificación exacta de la precipitación sigue siendo un reto para muchas aplicaciones hidrológicas, especialmente en regiones con topografía compleja debido a efectos orográficos y pendiente en pequeña escala (Sevruk, 2004; Zubieta et al., 2015).
La agresividad de la lluvia puede causar impactos ambientales y es un factor clave para la ocurrencia de erosión de suelos, deslizamientos o inundaciones. Por lo tanto, los parámetros que evalúen la agresividad de la lluvia pueden ser considerados como un indicador ambiental apropiado (Gregori et al., 2006; García-Barrón et al., 2018). La estimación de esta variable durante largos periodos es útil para la conservación del suelo, la planificación agrícola y el desarrollo de políticas ambientales. El factor R o erosividad de la lluvia, es un instrumento aceptado para la medición de la erosión local y depende de la energía cinética de cada episodio de lluvia (Panagos et al., 2015). Este modelo es el más utilizado y fue desarrollado a una escala detallada en el sector agrícola, sin embargo, su aplicación a escala regional presenta limitaciones (Terranova et al., 2009). Las estimaciones de la erosión del suelo no se ajustan a las medidas empíricas de sedimentación y no incorpora el escurrimiento directo del agua (Kinnell, 2010). El factor R sobreestima la erosión a nivel regional o de cuenca hidrográfica (Hernando y Romana, 2016) y no se recomienda en áreas donde no se realiza un proceso de validación. Además, para su estimación es conveniente utilizar registros de precipitaciones de alta frecuencia de estaciones meteorológicas durante un período superior a veinte años (Angulo-Martínez et al., 2009). Por ello, se puede utilizar modelos que miden los efectos de la agresividad de la lluvia, considerando registros de precipitaciones por hora (modelos de intensidad) o registros de precipitaciones mensuales (modelos de volumen). Este último modelo, se refiere a las diferentes acumulaciones parciales de lluvia, sin tener en cuenta el número, la duración y la cantidad de lluvia de cada episodio, por lo que se basa exclusivamente en registros mensuales de precipitaciones, disponibles en la mayoría de los países. Así, se puede utilizar el índice de agresividad en estudios ambientales (Fournier, 1960; Arnoldus, 1980; Oliver, 1980). Estos índices han sido ampliamente utilizados en estudios climáticos para identificar patrones espaciales de concentración de lluvia en regiones de Europa, Asia, África y Sudamérica tales como España (De Luis et al, 2011), Peninsula Ibérica (García-Barrón et al., 2018), India (Ballari et al., 2018), Bangladesh (Rasel et al., 2016), Nigeria (Ezenwaji et al., 2017), Argentina (Besteiro and Delgado, 2011), Venezuela (Rey et al, 2012) y Chile (Sarricolea et al., 2014; Valdés-Pineda et al., 2016). Cambios en los patrones temporales de estos parámetros han sido identificados también en regiones de los Andes de Chile (Sarricolea et al., 2019).
La intensa erosión del suelo que se deriva del aumento de la intensidad de la lluvia es un problema crítico en muchas cuencas del mundo (Vrieling et al., 2014; Mondal et al., 2016). La cuenca de río Guayas (CRG), es la zona agrícola más fértil de Ecuador (Buckalew et al., 1998), y principal centro de producción de bienes agropecuarios. La distribución estacional y los totales anuales de precipitaciones son extremadamente irregulares, lo que ha provocado que la CRG se vea afectada por eventos de inundación y sequías, trayendo pérdidas económicas. Este es el caso de los años 1982 y 1983, que produjeron pérdidas estimadas de 3.18% y 28.63% del PIB respectivamente (520 millones de dólares) (Egas, 1985). Mientras que en 1997-98 se perdió 5664 km2 de producción agrícola (616.5 millones de dólares) (Corporación Andina de Fomento, 1998), causada por la marcada influencia del fenómeno de El Niño en la cuenca (Cadier et al., 1996). Pero la zona de mayor afectación es la cuenca baja, debido a que periódicamente se encuentra sometida a inundaciones que pueden tener consecuencias catastróficas, agravadas por acciones humanas como la deforestación y erosión en las cabeceras de los ríos (Rossel et al, 1996). El río Guayas presenta problemas de sedimentación debido a la erosión de los suelos en la cuenca (Gobierno Provincial del Guayas, 2016), esto ha dado lugar a la formación de islotes en la unión del río Babahoyo y Daule (Figura 1). Provocando erosión del cauce, deficiente drenaje e inundaciones frente a lluvias intensas, este es uno de los casos de inundaciones en la ciudad de Guayaquil (Figura 1) (Soledispa, 2002). Se ha recurrido a medidas como el dragado ante la acumulación de sedimentos que ascienden a 250 mil toneladas por año (Gobierno Provincial del Guayas, 2018). No obstante, no se ha estudiado la lluvia como factor de erosividad en regiones ecuatoriales como la CRG. El objetivo de esta investigación es (a) regionalizar la precipitación para un periodo prolongado de datos de precipitación mensual (1968-2014) y (b) estimar la agresividad y concentración de las precipitaciones en la CRG.
2 Materiales y métodos
2.1 Área de estudio
La CRG se ubica en la parte central oeste del Ecuador (00º14' a 02°27' S y 78°36' a 80º36' O) (Figura 1). El área se caracteriza por una gradiente altitudinal significativa que va hasta los 4000 msnm, con una superficie de 32 890 km², correspondiente al 13% del Ecuador. Concentra ~40 % de la población del país (SENAGUA, 2009). La CRG drena en el Golfo de Guayaquil, los principales ríos son el Daule y Babahoyo (Figura. 1) que se unen cerca de Guayaquil, la ciudad más grande de país (Damanik-Ambarita et al., 2016). El río Guayas, el más grande de la costa occidental de Sudamérica, con un escurrimiento promedio anual de 1350 m3/s (Twilley et al., 2001), tiene un canal principal recto, que se bifurca en una red de canales fluviales que recorren 30 km de manglares y planicies de marea (Reynaud et al, 2018). Las principales actividades económicas en la CRG son: agricultura, pesca y generación de energía hidroeléctrica. Las principales presiones ambientales sobre el ecosistemas de agua dulce son la contaminación por aguas residuales, agricultura, cambios en el uso de la tierra y dos represas hidroeléctricas (Thi Nguyen et al., 2015). En los últimos años, se han incrementado los problemas de sedimentación fluvial en la parte baja de la cuenca, considerado uno de los factores que contribuyen al riesgo de inundación ante lluvias extremas. Esta sedimentación se percibe localmente como una consecuencia de las intervenciones llevadas a cabo en la cuenca superior y eventos naturales como El Niño (Barrera-Crespo et al., 2018). Los impactos de El Niño en esta cuenca han provocado inundaciones (erosión por lluvia, deslizamiento y deslaves), contaminación del agua potable, daños a la infraestructura y al sector agropecuario (Corporación Andina de Fomento, 1998).
Figura 1. Localización de la cuenca del río Guayas, altitud, distribución de las 30 estaciones pluviométricas y años de estudio. El nombre de las estaciones se indica en la Tabla 1.
2.2 Datos
Se recopilaron registros de precipitación de 250 estaciones meteorológicas provenientes de Instituto Nacional de Meteorología e Hidrología (INAMHI), cada una de ellas con diferentes periodos entre 1962 y 2016. Con el fin de asegurar la mayor disponibilidad de datos mensuales, se seleccionó 30 estaciones con un periodo de 47 años (1968- 2014), el cual tuvo la menor cantidad (<13%) de datos faltantes (Tabla 1). De las 30 estaciones, el 63% de ellas presenta más de 40 años de registros continuos, el 27% entre 31 y 40 años, mientras el 10 % entre 21 y 30 años.
2.3 Metodología
La metodología se compone de tres etapas resumidas en la Figura 2: el primero corresponde a la evaluación de los datos de precipitación, su homogenización y completación de datos mensuales por el método del vector regional (MVR). El segundo corresponde al proceso de regionalización por medio del agrupamiento de estaciones usando k-means y la interpolación usando co-kriging y la última etapa, corresponde a la determinación de la agresividad y concentración de las precipitaciones a través de diferentes índices.
Figura 2. Esquema metodológico para la regionalización, agresividad y concentración de la serie de tiempo de lluvia.
2.3.1 Método del vector regional
Para evaluar la calidad y la estimación de datos faltante se utilizó el MVR, este método, se orienta a la crítica, homogenización y completación-extensión de datos de precipitación (Hiez, 1977; Brunet-Moret, 1979). El MVR se basa en la creación de una estación “Vector”, tipo “especie promedio”. Este concepto se refiere al cálculo de un promedio ponderado de anomalías de lluvia para cada estación, superando los efectos de estaciones con valores extremos y bajos de lluvia. Luego, se encuentran las técnicas de interposición anual Zi y la precipitación pluvial de Pj, que se extienden por medio de la técnica de mínimos cuadrados. Esto podría obtenerse minimizando la suma de la siguiente ecuación (Espinoza Villar et al., 2009).
Donde i es el índice de años, j el índice de estaciones, N el número de años y M el número de estaciones. Pij representa la precipitación anual en la estación j, año i; Pj es el período de lluvia promedio extendido de N años; y finalmente, Zi es el índice pluviométrico regional del año i. El conjunto completo de valores Zi durante todo el período se conoce como ‘vector anual de índices pluviométricos regionales. Al ser un proceso iterativo, este método permite calcular el vector de cada una de las regiones predefinidas, luego proporciona una comparación de variabilidad interanual de estaciones - vector, para finalmente descartar aquellas que no son consistentes con el vector regional (VR). Este proceso se repite tanto como sea necesario y fue realizado empleando el software HYDRACCESS (Vauchel, 2005).
2.3.2 Regionalización
En este estudio se utilizó el método de k-means, ampliamente utilizado para regionalizar zonas homogéneas de precipitaciones (Golian et al., 2010; Gómez-Latorre, 2015; Shahana Shirin and Thomas, 2016; Rau et al., 2017;). K-means es un algoritmo de agrupamiento, el más utilizado para identificar grupos homogéneos de objetos denominados conglomerados. Los datos dentro de un clúster comparten muchas características pero son muy diferentes a los datos que no pertenecen a ese clúster (Yashwant and Sananse, 2015). Los datos en este estudio se encuentran resumidos en una matriz de 30 filas correspondientes a las estaciones meteorológicas y 6 columnas con información como: nombre de la estación, altitud, latitud, longitud y precipitación acumulativa. Una parte clave de la aplicación k-means es definir un número óptimo de grupos. Esto se puede realizar mediante la estimación del coeficiente de silueta (S) para cada número de grupos, el coeficiente de S tiene la ventaja que sólo considera la partición real y no depende del algoritmo de agrupamiento, su valor se obtiene mediante la ecuación 2 (Rousseeuw, 1987):
Donde a(i) corresponde a la similitud promedio entre el objeto i y los otros objetos del mismo grupo y b(i) es la similitud promedio entre el objeto i y los miembros de los k-clúster. El coeficiente de S varía entre −1 y + 1; la partición será mejor cuanto más cercano este a +1, un valor negativo significa que no hay una buena correspondencia entre los miembros de su grupo, un valor de cero significa que el objeto podría pertenecer a cualquier grupo (Kaufman and Rousseeuw, 2005). También, se realizó la homogenización de la precipitación para eventos extremos como el Niño de 1997-1998, considerando la metodología anterior.
La interpolación de datos de precipitación anual se realizó utilizando un enfoque geoestadístico, método de co-kriging, el cual es una versión multivariable de la técnica de kriging (Goovaerts, 1997), considerando dos variables (altitud y precipitación acumulativa) transformadas logarítmicamente, debido al sesgo y al amplio rango numérico de los valores de precipitación. Este método fue utilizado para interpolación y delimitación de zonas de precipitación (Rau et al., 2017) y para el mapeo de la distribución espacial de los índices.
2.3.3 Análisis de agresividad climática y concentración de las precipitaciones
La agresividad climática se analizó mediante la interpretación del índice de Fournier (IF) e Índice de Fournier Modificado (IFM). Fournier, (1960) propone un índice de agresividad climática o IF, que presenta una alta correlación con la cantidad de sedimentos arrastrados por la escorrentía. El IF estima las características erosivas (agresividad) basadas en el mes más lluvioso de cada año dentro de un período de tiempo dado. Para el cálculo del IF se utilizó la expresión (3). Donde IF: Índice de Fournier para el año j, pmáx es la precipitación media concerniente al mes más lluvioso (mm) y P es la precipitación media anual (mm).
Sin embargo, es necesario considerar zonas que presentan más de una máxima mensual o zonas donde los valores pluviométricos presentan valores elevados debido a la estacionalidad (Jordán y Bellinfante, 2000). Para corregir esos errores se propuso una modificación del IF original utilizando la precipitación acumulada, denominado IFM (Arnoldus,1978). Este índice considera la lluvia de los doce meses y no sólo la del mes más lluvioso; su cálculo relaciona las precipitaciones mensuales con las anuales (ecuación 4). Donde IFMj es el índice de agresividad de la lluvia, para el año j, pi j es la precipitación mensual del mes i (mm) del año j y Pm es la precipitación media anual.
La estacionalidad de la precipitación se estimó por medio del Índice de Concentración de Precipitación (ICP) propuesto por Oliver (1980), siendo un indicador de la distribución de la precipitación temporal y utilizado como un estimador del comportamiento extremo de la precipitación (Sarricolea et al., 2014). Tradicionalmente se ha aplicado en una escala anual y describe si la precipitación anual se concentra temporalmente en un solo mes o si se distribuye uniformemente a lo largo del año. El ICP se calculó a una escala anual a partir de la siguiente
El ICP fue analizado también a escala estacional considerando los periodos de mayor precipitación (diciembre-mayo) y menor precipitación (junio-noviembre), según la ecuación (6):
Donde ICPj: índice de concentración de las precipitaciones anuales (%), para el año j; ICPestac: índice de concentración a escala estacional (%); pij: precipitación del mes i en el año j, Pj: precipitación anual del año j. La diferencia principal entre estos índices son los rangos de valores de clasificación (Tabla 2).
Las clasificaciones de los índices son a partir de(Fournier, 1960; Arnoldus, 1978) y (Oliver, 1980),respectivamente.La influencia del cambio climático en el patrón estacional de la concentración de las precipitaciones fue determinada mediante la prueba estadística no paramétricas de Mann-Kendall (MK), a tres niveles de significación (90%, 95% y 99%). El análisis de MK se realizó empleando el software TREND (https://toolkit.ewater.org.au/trend). La prueba de MK verifica la existencia de cambio positivos/negativos de una serie de datos, contra una hipótesis nula de no tendencias y donde los datos son aleatorios e independientes (Mann 1945; Kendall 1975). El análisis de tendencias de MK es una prueba robusta cuando los datos difieren de la “normalidad” y menos sensibles a valores atípicos (Lanzate, 1996). El análisis de MK se ha utilizado ampliamente para el análisis de detección de tendencias meteorológicas e hidrológicas (Kumar et al, 2009; Gocic and Trajkovic, 2013; Hermida et al., 2015; Zeleňáková et al., 2016; Güçlü, 2018; Sarricolea et al., 2019).
3. Resultados y discusiones
3.1 Regiones homogéneas
El valor óptimo para los números de clúster se determinó mediante el valor promedio general de S y el número de S negativo para cada grupo clúster que varía de 2 a 10 (Tabla 3). El valor máximo de S se obtuvo para el grupo de clúster 2 (0.51) y con un número menor de silueta negativo (1), es el único grupo que se considera como una estructura razonable, porque su valor de S es mayor a 0.50 (Kononenko and Kukar, 2007). Internamente el grupo de clúster 2, presenta una estructura de agrupamiento fuerte (S=0.66) mientras que el clúster 1 alcanzó un valor menor, con un S negativo (Figura 3b). Esto indica que en el clúster 1, se pueden encontrar centros de agrupación, aunque existe un considerable "ruido". Los grupos de clúster para eventos extremos como el Niño de 97-98 presentó resultados similares (Tabla 3).
Las distribuciones espaciales de K-means (2) muestran un arreglo de estaciones de acuerdo con la variación topográfica y la longitud (Figura 3). El clúster de dos grupos divide a la CRG en dos regiones homogéneas de precipitación: parte baja y media (triángulos rojos) y parte alta (círculos negros). Las dos regiones están bien delineadas, teniendo en cuenta el mapa de interpolación de la lluvia, como se muestra en la Figura 3a.
Figura 3. Distribución espacial del grupo de clúster (2) obtenido con el proceso k-means y su valor de silueta.
La región uno (R1) se ubica en las laderas de la cordillera occidental de los Andes y las grandes llanuras de la costa ecuatoriana (78.9° a 80.59°O) (Figura 4a). La altitud varía entre 3 a 2500 msnm, ocupa el 85.2% del área de la CRG. El régimen es unimodal, la estación lluviosa va de diciembre a mayo (Figura 4b) y concentra el 89% de la lluvia anual acumulada (Cadier et al., 1996; Rossel and Cadier, 2009; Fries et al, 2014) y una estación seca (junio – noviembre) (Hastenrath, 1997). El rango de precipitación va desde los 850 hasta los 3500 mm al año y un CV interanual de 0.38 (Figura 4a). La lluvia en esta región es de convección y la distribución de época seca y lluviosa se debe al movimiento de norte a sur de la Zona de Convergencia Intertropical (ZCIT) (Rollenbeck and Bendix, 2011).
Figura 4. Distribución espacial de las dos regiones (R1-R2) de lluvia homogénea después del proceso de regionalización por k-means. a) Rango de coeficiente de variación (CV) interanual para las 30 estaciones pluviométricas. b) y c) Régimen de precipitación mensual de R1 y R2. d) y e) Distribución de precipitación anual (1968–2014) para las regiones R1 y R2.
En la región dos (R2) se sitúa en la cordillera occidental de los Andes, la altitud es superior a los 1500 msnm e inferior a 4000 msnm. Los totales pluviométricos (450 a 1500mm año-1) y el CV interanual (0.34) fueron relativamente bajos comparados con la R1 (Figura 4a). La distribución de la precipitación tiene una tendencia bimodal: el primer pico se presenta de enero a mayo, seguido de octubre a diciembre y el periodo mayo a agosto es el de menor precipitación media mensual (Figura 4c). La cantidad de lluvia que cae en esta zona se debe a la influencia de lluvia orográfica y de convección (Rollenbeck and Bendix, 2011). La formación de precipitaciones es compleja en las montañas debido a la interacción entre el transporte de humedad, el calentamiento de la superficie diferencial, el campo de viento sinóptico y el sistema local de brisa montañosa (Daly et al., 2007; Foresti and Pozdnoukhov, 2012).
Se pueden identificar dos patrones de precipitación anual dentro del área de estudio: en la R1, se encontró un ciclo anual bien diferenciado entre periodos de avenidas y estiaje, caracterizado por picos para los años 72-73; 75-76; 91-92; y eventos extremos para 82-83 y 97-98 (Figura 4d). Las precipitaciones extremas en Ecuador son asociadas a eventos de El Niño que causaron severas inundaciones, pérdidas económicas y enfermedades (Bendix y Bendix, 2006). En la R1, la influencia del fenómeno de El Niño se encuentra fuertemente vinculada a los excedentes de lluvia anual. (Rossel et al., 1998). La R2 presenta una débil estacionalidad, la cual es congruente con el coeficiente de variación promedio estimado (0.34). Donde se muestra una disminución de la precipitación promedio anual a lo largo de la mayoría de las estaciones en comparación a R1. Los eventos extremos (82-83 y 97-98) son también observados en la región R2, debido a que la influencia de El Niño en esta zona es variable (Cadier et al., 1996; Rossel et al., 1998).
3.2 Agresividad Climática
En la región R1 el 45% de las estaciones presentaron valores promedios anuales del IF superiores a 150, esto sugiere la ocurrencia de lluvia de muy alta erosividad (Figura 5a). El IF para la R2 muestra que el 50% de los valores promedios anuales son inferiores a 50 y valores restantes fueron superiores a 50 e inferiores a 100, considerados como lluvia de muy baja y baja erosividad respectivamente (Figura 5a). Los resultados a partir de IFM sugieren un patrón espacial similar al IF (Figura 5b). De hecho, en la región R1 son predominantes valores mayores a 300, asociado a una alta erosividad. Mientras la región R2 presenta valores aproximados a 100, lo que indica niveles bajos o muy bajos de erosividad. La diferencia de los índices estimados para las regiones R1 y R2 pueden estar asociados a la distribución espacial de la lluvia promedio anual (Figura 4a), lo que sugiere una alta influencia de la estacionalidad de las lluvias en ambas regiones (Figura 4 d-e). Asimismo, la estacionalidad de la cuenca es corroborada con los resultados del ICP (Figura 5c), pues estos alcanzan valores alrededor de 20%, lo que propone una clasificación predominantemente entre estacional y fuerte estacionalidad. Además, en la región R1, el IFM logra identificar ocho estaciones de muy alta erosividad, esto puede ser debido a que el IFM considera la lluvia de todos los doce meses y no sólo la del mes más lluvioso del año. Por lo que esta metodología podría ser más apropiada para caracterizar la severidad de las lluvia de la zona en estudio (Castelan Vega et al., 2015).
Figura 5. Índices de agresividad: a) índice de Fournier (IF), b) índice de Fournier Modificado (IFM) y c) concentración de la precipitación (ICP) media anual de 30 estaciones en el área de estudio.
Es importante destacar que los resultados de agresividad en la región R2, coincide con la región de mayor precipitación anual, el cual presenta una buena correlación y nivel de significancia entre el patrón de precipitación media anual (mm) con el IF (r=0.77, p<0.01) e IFM (r=0.93, p<0.01) (Figura 6 d-e), lo que ratifica que una mayor acumulación anual (mm) correspondería a una mayor agresividad (Besteiro and Delgado, 2011) en zonas donde la precipitación anual es mayor a 900 mm (Jordán and Bellinfante, 2000; Rey et al., 2012). También, se observó una disminución del IF con la altitud (r=0.85, p<0.01), no así para el IFM. Para la latitud y longitud, no se encontró correlación entre los patrones espaciales de agresividad climática.
3.3 Concentración de las precipitaciones
La concentración media anual histórica observada en R1 se distribuyó de manera estacional, con valores que oscilan entre 15-19%, seguida de una distribución fuertemente estacional (Figura 5c), es decir la precipitación se concentra en pocos meses del año. En la región R2, el ICP registra valores superiores a 11 e inferior a 18%; nueve estaciones muestran una distribución estacional y tres distribuciones moderadamente estacional a lo largo del año (Figura 5c). La concentración media anual histórica observada en regiones de alta montaña fue predominantemente una concentración estacional y moderadamente estacional, estos resultados concuerdan con Valdés-Pineda et al. (2016).
Las regiones de alta montaña presentan una concentración de lluvia entre estacional y moderadamente estacional, y la región central entre fuertemente estacional y estacional (Figura 7a). Esto sugiere una fuerte asociación con la longitud (r=0.83, p<0.01) (Figura 7b). A lo largo de la gradiente longitudinal, la estacionalidad aumenta, lo que conlleva a una concentración más uniforme de precipitación anual. Los cambios en el ICP son complejos, posiblemente relacionados con las características atmosféricas globales y con factores locales y sinópticos que afectan la precipitación. Sin embargo, no se encontró correlación entre ICP con la latitud y la precipitación media anual, lo que sugiere que los años con mayor precipitación anual no están relacionados con la concentración de precipitación. Nuestros hallazgos explican el porqué la R2 puede ser fuertemente afectada por lluvia estacional durante el período de avenidas, donde la precipitación que se concentra en un número reducido de meses, es el relevante para la ocurrencia de erosión de suelos en la parte alta de la cuenca, ocasionando sedimentación en el área urbana ubicada en la parte baja de la CRG.
Figura 7. Distribución espacial: a) Concentración de las precipitaciones (ICP) promedio anual para el período 1968-2014 y b) Correlación del ICP con la longitud.
Para analizar los cambios en la concentración estacional de lluvia mensual, la serie de ICP estacional (periodo de mayor y menor precipitación) entre 1968 y 2014 fue estimada para las regiones R1 y R2 (Figura 8). Porcentajes de valores de concentración alrededor de 50% sugiere irregularidad de las precipitaciones. Es decir, una alta cantidad de lluvia puede precipitar en un número reducido de meses, el cual es asociado a eventos de inundación, y por el contario, una muy baja cantidad de precipitación puede estar cayendo en un mayor número de meses, causando periodos de sequía que puede afectar cultivos de secano. Esta irregularidad de la lluvia mensual es detectada en algunos años en el periodo seco de la región R1 (Figura 8). Esto podría afectar la agricultura por secano en la región oeste de la cuenca (~1600 msnm). Los resultados de ICP estacional (~20%) en el periodo de lluvias en R1 y R2, no muestran cambios temporales significativos y sugiere una estacionalidad marcada.
Figura 8. Serie anual de índice de concentración de la precipitación estacional (ICPEstac.) para el periodo (P.) de estiaje (junio a noviembre) y de lluvia (diciembre-mayo), 1968-2014 para la R1 y R2.
os resultados del análisis de tendencias de MK permitió identificar, tendencias anuales positivas del ICPEstac. Solo para el periodo de estiaje (junio-noviembre) y tendencias negativas para ambos periodos de estiaje y de lluvias. Sin embargo, en la mayoría de estaciones no muestra una tendencia significativa (Figura 9 a y b). Las tendencias negativas del ICPEstac. se concentran para la R1 y R2 en las parte norte y sureste de la CRG.
Figura. 9 Distribución estacional de tendencias del ICP (1968–2014) en la cuenca del río Guayas para diferentes rangos del nivel de significancia: a) diciembre - mayo, b) junio - noviembre.
Para el periodo de fuertes precipitaciones (diciembre-mayo), solo dos estaciones muestran tendencia negativa en R1 y R2, con niveles de significancia del 90% y 99% respectivamente (Figura 8a). En el período de estiaje, dos estaciones muestran tendencia significativa negativa al 90 y 95% en la región sur de R1. Asimismo, solo una estación ubicada en región de alta montaña registra tendencia positiva (Figura 8b). En general, las tendencias positivas o negativas identificadas en R1 y R2 indican cambios asociados a irregularidad de la lluvia mensual en la distribución temporal de la concentración, no obstante, esta irregularidad es identificada en muy pocas estaciones.
4. Conclusiones
El estudio de la agresividad de las precipitaciones para la cuenca del río Guayas-Ecuador, permitió homogenizar zonas de precipitación, caracterizar la variabilidad de las lluvias en el período 1968 – 2014 y su potencial impacto erosivo. Los resultados nos sugieren dos regiones 1) al oeste de la cuenca en la región costanera hasta los 2500 msnm y 2) al este de la cuenca en la región de alta montaña entre 1500 y 4000 msnm. La cuenca se evaluó de forma anual mediante el índice de Fournier (IF), índice de Fournier Modificado (IFM) y el Índice de concentración de precipitación (ICP). Nuestros hallazgos a partir de IF e IFM indican que la cuenca del río Guayas en la zona costanera se clasifica como región de agresividad alta a muy alta en la región costera, mientras la región de alta montaña es clasificada como de baja o muy baja erosividad.
Zonas de alta actividad agrícola ubicadas en la región costera presentan mayor potencial erosivo de la lluvia en comparación a la región de alta montaña. La distribución espacial de la concentración de las precipitaciones se incrementa de este a oeste, mostrando niveles de moderada a fuerte estacionalidad. Los resultados mediante los índices de agresividad y concentración de las precipitaciones permitieron evaluar cualitativamente el posible impacto de la lluvia sobre el suelo e identificar patrones de agresividad con la acumulación de la precipitación y concentración de la precipitación asociada a la Longitud. Esto puede estar asociado a incursiones de flujos de humedad estacional proveniente de la Amazonía ecuatorial a los Andes (Espinoza et al, 2009). Nuestros resultados también indican que la concentración de lluvia mensual no presenta cambios o tendencias predominantes entre 1968 y 2014. No obstante, se recomienda el análisis de la concentración de lluvia diaria en regiones ecuatoriales, ya qué grandes porcentajes de lluvia estacional o anual pueden precipitar en pocos días.
