Estimación del impacto de la implementación de la política de Planes de Uso y Manejo Responsable del Suelo
Estimación del impacto de la implementación de la política de Planes de Uso y Manejo Responsable del Suelo en la reducción de las pérdidas de los suelos por erosión hídrica.
Martin Dell’Acqua 1
Andrés Beretta 2,3
1. Introducción
La erosión hídrica del suelo se considera el principal factor de degradación del suelo en Uruguay. Se ha constatado que el 30% de la tierra agrícola presenta reducción de su productividad, asociada principalmente a la erosión hídrica (García-Préchac y Durán, 1998; CNFR, 2011). La expansión e intensificación de la agricultura observada en los últimos 15 años (MGAP-DIEA, 2019) determinó la necesidad de instrumentar políticas de conservación de suelo y calidad de agua, particularmente la exigencia de presentar Planes de Uso y Manejo Responsable del Suelo (PUMRS) en la actividad agrícola. La base conceptual de los planes es la ecuación universal de USLE/ RUSLE, modelo de estimación de pérdidas de suelos ampliamente extendido en todas partes del mundo y con una base consistente de estudios experimentales en el Uruguay (García-Préchac, 1992; García-Préchac y Duran, 1998; y García-Préchac et al. 2013).
En el transcurso de los años, se han realizado avances en la información de los coeficientes involucrados en el modelo USLE/RUSLE. Existen mejoras en los modelos digitales de terreno, con lo cual se puede estimar mejor el factor LS; avances en la cartografía de suelos, que mejora la estimación del coeficiente de erodabilidad del suelo (K) con base a la fórmula de Wischmeier y Smith (1978) u otras aproximaciones (Beretta-Blanco y Carrasco-Letelier, 2017); y se han introducido mejoras en la información del factor de erosividad de la lluvia (R) (Pérez Bidegain et al, 2017; García et al, 2018).
El Factor C, sin embargo, constituye el elemento más complejo de determinar para calcular la erosión hídrica del suelo al considerar un período de tiempo extenso, dado los cambios significativos en métodos de labranza (MGAP-DIEA, 2018) y rotación de cultivos (MGAP-DIEA, 2014; MGAP -DIEA, 2019). Las variaciones temporales de este factor pueden abordarse mediante la simulación de escenarios de distintas rotaciones y métodos de labranza, lo que implica seleccionar las rotaciones agrícolas (sucesión de cultivos) y técnicas de labranza, que mejor describan los períodos de tiempo considerados.
El objetivo de este trabajo fue actualizar la información necesaria y estimar la erosión hídrica con el modelo USLE/RUSLE, desde el año 2000 a 2020. Con esta información se evalúa el impacto de la implementación de los PUMRS. Para lo cual se consideró imprescindible estimar las pérdidas sólo para las chacras con agricultura durante todo el período. La erosión hídrica calculada constituye un valor esperado a partir de una situación promedio de precipitaciones de un extenso período de tiempo (30 años). De similar forma, el impacto de rotaciones de cultivos/pasturas, prácticas de laboreo del suelo, manejo de los rastrojos, son simuladas para un período extenso de tiempo, por lo que los valores solo tienen significado comparativo.
2. Materiales y métodos
Las chacras seleccionadas para el estudio (Figura 1) se obtuvieron por relevamientos sucesivos de imágenes de satélite de mediana resolución, desarrollados en trabajos propios de la DGRN (Relevamiento agrícola del litoral 2009/10; Agricultura de secano en zona “no tradicional” 2010-2011; Relevamiento satelital de áreas agrícolas 2016; Mapa integrado de cobertura y uso del suelo del Uruguay, año 2018) y en conjunto con otras instituciones (Mapa de Cobertura del Suelo de Uruguay, Proyecto C, FAO, OPP, MGAP, MVOTMA 2009; Atlas de cobertura del Suelo de Uruguay 2000-2011, FAO MVOTMA DINOT; Desarrollo de un mapa SIG de los pastizales naturales de las regiones geomorfológicas, MGAP-DGRN-UDELAR 2018) en los cuales se seleccionaron las áreas que habían sido de uso agrícolas durante todo el lapso de tiempo (años 2000 a 2018).
El lapso de tiempo en estudio se dividió en cuatro períodos acorde a las rotaciones de cultivos y métodos de labranza del suelo, con base a las estadísticas de aéreas cultivadas (MGAP-DIEA, 2014, 2019) y de adopción de la siembra directa (MGAP-DIEA, 2018). Períodos considerados: 1), años 2000 al 2003, caracterizado por predominancia de cultivos agrícolas de invierno en rotaciones con pasturas y labranza convencional del suelo; 2), años 2004 al 2007, caracterizado por la incorporación de la soja en las rotaciones agrícolas e incorporación, hasta un 50 % del área, con siembra directa; 3), años 2008 al 2013, caracterizado por predominio de la soja en la rotación agrícolas y aumento en la adopción de la siembra directa; 4), años 2014 al 2020, se caracteriza por la implementación de los PUMRS con promoción de la cobertura vegetal y siembra directa como tecnología predominante. Con base a estas características (cuadro 1) se estimó el factor C para cada período, mediante el software SGPU de DGRN 4.
Se estimó la erosión hídrica con base al modelo USLE/RUSLE, corregido por contenido de agua del suelo, acorde a García, et al. (2018), para lo cual utilizó el modelo [1].
A sin riego= ((R* K* LS* C* P)+ 0,7087))/1,4475
Donde A es la pérdida media de suelo, expresada en Mg.(ha.año)-1; R es la erosividad de la lluvia y se expresa en (MJ.mm) (ha.h.año)-1; K es el factor erodabilidad del suelo, se expresa en (Mg.ha.h) (ha.MJ.mm)-1; L es el factor de longitud de la pendiente, no tiene unidad de medida; S es el factor inclinación de la pendiente, no tiene unidad de medida; C es el factor uso del suelo y manejo de cultivos, no tiene unidad de medida; y P es el factor correspondiente en caso de realizar medida de apoyo al control de la erosión, no tiene unidad de medida, y se consideró igual a uno. No hay información disponible para estimar el factor P, en forma confiable en los diferentes períodos definidos.
Las chacras seleccionadas para este trabajo están comprendidas por los planes de uso del suelo presentados en el marco de ley 19335 (resolución N° 397/018) y contienen la información declarada por el profesional que elaboró dicho plan (R, K, LS, C, P, A “asignados”). De este modo fue posible, también, comparar la información calculada para el período 2014-2020 con la asignada por los técnicos acreditados.
Factores L y S
Para la estimación de ambos factores, L y S, se utilizó el modelo de terreno publicado por U.S. Geological Survey (USGS SRTM90m Digital Elevation Database v4.1) con tamaño de píxel de 90m. A partir de la capa raster de dirección de flujo se elaboró la de acumulación de flujo de agua, posteriormente se estimó el factor L con la metodología por Desmet, Govers (1996) y Griffin (1988). El factor S se estimó acorde a Griffin et al et al (1988). El resultado es una capa raster del Factor LS para todo el país.
Factor R
Se utilizó la capa raster actualmente introducida en el software SGPU, acorde a García, et al. (2018). El factor R variará para las chacras según la localización en el país, pero será constante durante todo el período considerado. Aunque la energía cinética de la lluvia varía anualmente, el factor R debe estimarse con base de 30 años de datos y en este contexto no es adecuado considerar las variaciones anuales.
Factor K
Se utilizaron 317 perfiles de suelos representativos de la cartografía de suelos 1:40.000 (descriptos por la DGRN), y de los Grupos CONEAT (Molfino, et al 2004). A 285 de estos suelos se les adjudicó el valor de coeficiente K con el modelo de Wischmeier y Smith (1978) (Estudios Básicos de Suelos-DGRN). En los restantes 32 perfiles de suelo, al no poseer una de las variables utilizadas para aplicar la fórmula de Wischmeier y Smith (1978), se utilizó la restante información existente para estimar los valores de coeficiente K con un modelo de red neuronal, ajustada acorde a (García et al., 2002). Para ajustar la red se utilizó un set de 216 perfiles de suelo y se utilizó un set de 69 suelos para validar los resultados, con lo que se obtuvo un R2= 0,83 y un error aceptable acorde a Beretta y Carrasco (2017). El factor K se consideró constante en el tiempo.
Factor C
Dentro de cada uno de los 4 períodos definidos, el equipo técnico de Conservación de Suelos y Aguas de la DGRN, Regional Sur, diagramó tres rotaciones agrícolas/pastoriles dominantes y definieron la proporción de los métodos de labranza correspondientes a siembra directa o laboreo convencional (Cuadro 1). Luego de realizar estas definiciones, se estimó el factor C para cada zona del factor R indicadas por García et al. (2018), con el uso del software SGPU.
Luego de estimado el factor C para cada escenario (C escenario) resultante de la rotación agrícola pastoril, método de labranza y región del factor R, se obtuvo el valor del factor C para cada período (C período) al ponderar cada valor C escenario por la proporción de método de labranza considerado y proporción de área que ocupó en cada período [2].
Factor C escenario = C escenario * proporción labranza * proporción área [2]
3. Resultados
Para las chacras seleccionadas (346.000 ha) los factores R, K y LS, fueron similares al promedio de los PUMRS (4800 planes presentados para esas mismas chacras (Cuadro 2). El valor promedio del factor LS, sin embargo, fue menor al promedio de los planes, debido a que en éstos el valor LS se estima a partir de la mayor pendiente del terreno, mientras que en las chacras seleccionadas el valor LS resulta de la pendiente promedio. Acorde a lo esperado, el factor R en este estudio fue menor (aproximadamente 10 %) al promedio de los PUMRS, ya que en éstos existen estimaciones de factor R anteriores a la actualización introducida por García et al (2018).
El factor C, el más condicionado a los criterios técnicos utilizados para su cálculo, tuvo el mismo valor en el período 2014-2020 (implementación de PUMRS) al ser calculado por el equipo de técnicos de DGRN que el adjudicado por los técnicos responsables de los PUMRS (cuadro 2). Los valores promedio del factor C se duplicaron con la incorporación de la soja (pasaje del período 1 al 2), posteriormente el valor bajó a casi la mitad al aumentar la adopción de la SD de un 50 % al 90% del área sembrada, (pasaje del período 2 al 3) en el período 3. Con la incorporación de los PUMRS, el valor del factor C volvió a descender, principalmente por el aumento de la promoción de las coberturas invernales en reemplazo de los períodos de barbecho.
En la metodología planteada el factor C es el determinante de las variaciones en erosión del suelo al comparar los diferentes períodos, ya que los demás factores del modelo USLE/ RUSLE se mantienen constantes para una misma chacra. Al extender el área agrícola hacia la totalidad del país se incrementa la erosión entre un 10 y 17 %. Los suelos abarcados en el total de PUMRS (19.000 planes) tienen valores más limitantes desde el punto de vista del modelo (Cuadro 3), y por lo tanto se puede inferir que la aplicación de la política pública tuvo un impacto mayor en conservación de suelos que al considerar únicamente las chacras que han sido agrícolas durante todo el lapso desde el 2000 a 2020.
De continuar con los valores alcanzados en el período 3 (años 2008 a 2013) la pérdida de suelo estimada habría sido de 29 millones de toneladas más que la pérdida ocurrida en el período 4 (años 2014 a 2020) (Figura 2). Es importante señalar que los PUMRS consolidan la planificación del uso y manejo del suelo principalmente a través de la siembra directa y la maximización de la cobertura del suelo.
4. Conclusiones
El advenimiento de la soja y la consiguiente intensificación de la agricultura, provocaron un incremento muy importante de la erosión hídrica del suelo. La posterior adopción de la siembra directa, como tecnología de labranza, logró disminuir la erosión por unidad de superficie, aunque la erosión siguió aumentando como resultado de la expansión agrícola.
La política de conservación de suelos, vinculada a la exigencia de los PUMRS estaría logrando un nuevo descenso de la erosión hídrica por unidad de superficie, alcanzando los menores valores de todo el período. La adopción de la siembra directa y la maximización de la cobertura vegetal son estrategias fundamentales para disminuir la erosión del suelo y han sido consolidadas con la implementación de los PUMRS, conjuntamente con el respeto de buenas prácticas de uso y manejo del suelo establecidas en la normativa.
5. Bibliografía
Altesor A, Baeza S, Lezama F y Paruelo J. (2019). Desarrollo de un mapa SIG de los pastizales naturales de las regiones geomorfológicas: Areniscas, Basalto, Cristalino Central, Cristalino del Este y Noreste”. Montevideo, Convenio MGAP-RENARE-UDELAR (Fac. Ciencias, Fac.de Agronomía). Informe Final. pp. 1-153.
Baeza S, GallegoF, LezamaF, Altesor A y ParueloJ. (2011). Cartografía de los pastizales naturales en las regiones geomorfológicas de Uruguay predominantemente ganaderas. Montevideo, INIA. 33-54 p.
Beretta-Blanco A y Carrasco-Letelier L. (2017). USLE/RUSLE K-factors allocated through a linear mixed model for Uruguayan soils. Ciencia e investigación agraria, 44(1), 100-112. https://dx.doi.org/10.7764/rcia.v44i1.1622
Pérez Bidegain M, Piaggio JM, Baethgen W y García PréchacF. 2017. Actualización del factor erosividad de la lluvia en Uruguay.Rainfall Erosivity Factor Update in Uruguay
Desmet, P. J. J. & Govers, G. A. (1996). GIS procedure for automatically calculating the USLE LS factor on topographically complex landscape units. Journal of Soil and Water Conservation, 51 (5): 427-433.
Durán A y García Préchac F. 2007. Suelos del Uruguay: origen, clasificación, manejo y conservación; volumen II. Montevideo: Hemisferio Sur, 2007. 333p
FAO, MGAP, MVOTMA y UNESCO .2010. Proyecto C FAO, Desarrollo de Instrumentos para el monitoreo territorial y ambiental. Generación, actualización y potenciación de base de datos correspondientes a la Infraestructura de datos Espaciales. Land Cover Classification System.
FAO, MVOTMA y DINOT. 2015. Proyecto Fortalecimiento del conocimiento y la generación de instrumentos de Ordenamiento Territorial. Componente Cobertura del Suelo Proyecto TCP/URU/3401.
García J, LópezA, RomeroJ, GarcíaA, CamachoC, CanteroJ, Atienza M Ruiz y SalasR. 2002. Hojas de cálculo para la simulación de redes de neuronas artificiales (RNA)”. Questiió. 26(1-2): 289-305.
García Préchac F, Clérici C, Sánchez G, Dell’Acqua M, Pereira G, Dávila F, Ferreira G, Olivera G y Galain M. 2018. Actualización técnica del Modelo de Estimación de Pérdida de Suelo por Erosión Hídrica para la elaboración de los Planes de Uso y Manejo Responsable de Suelos (PUMRS) en Uruguay. Ministerio de Ganadería, Agricultura y Pesca. Oficina de Programación y Política Agropecuaria, MGAP. OPYPA. 2018.
MGAP (MINISTERIO DE GANADERIA AGRICULTURA Y PESCA), URUGUAY; DIEA (DIRECCION DE ESTADISTICAS AGROPECUARIAS), URUGUAY. (2014). Anuario estadístico agropecuario 2014. Editorial Hemisferio Sur, Montevideo, Uruguay. Disponible en: http://www.mgap.gub.uy/Dieaanterior/Anuario2014/Diea-Anuario%202014-Dig…, accedido el 23 setiembre 2020.
MGAP (MINISTERIO DE GANADERIA AGRICULTURA Y PESCA), URUGUAY; DIEA (DIRECCION DE ESTADISTICAS AGROPECUARIAS), URUGUAY. (2018). Encuesta agrícola: primavera 2017. Montevideo (UY): DIEA, 2018. 25 p. (Serie Encuestas; 349).
MGAP (MINISTERIO DE GANADERIA AGRICULTURA Y PESCA), URUGUAY; DIEA (DIRECCION DE ESTADISTICAS AGROPECUARIAS), URUGUAY. (2019) Anuario estadístico agropecuario 2019. Editorial Hemisferio Sur, Montevideo, Uruguay. Disponible en: https://descargas.mgap.gub.uy/DIEA/Anuarios/Anuario2019/Anuario2019.pdf, accedido el 23 setiembre 2020.
Molfino JH. 2010. Principales características morfológicas y químicas del terreno de los grupos CONEAT, Unidad de Agroclima y Sistemas de Información, INIA, Uruguay.
Petraglia C, Dell’Acqua M, Pereira G y Yussim E. 2018. MAPA INTEGRADO DE COBERTURA/ USO DEL SUELO DEL URUGUAY AÑO 2018. Disponible en: https://www.gub.uy/ministerio-ganaderia-agricultura-pesca/comunicacion/publicaciones/mapa-integrado-coberturauso-del-suelo-del-uruguay-ano-2018
Wischmeier WH and SmithDD. 1978. Predictingrainfall erosion lossess. A guide to conservationplanning. Superintendent of Documents, U.S.Government Printing Office.
Science and Education Administration, United States Department ofAgriculture & Purdue Agricultural ExperimentStation, Washington, D.C. 20402.