Revista SBCS

La Revista Boliviana de la Ciencia del Suelo (RBCS) es el órgano de difusión de la Sociedad Boliviana de la
Ciencia del Suelo. Se ocupa de la publicación de los aportes realizados por científicos y técnicos del area
de la ciencia del suelo a nivel nacional.
Es auspiciada y generada por el Centro de Investigaciones y de Servicios en Teledetección (CISTEL) de la

Facultad de Ciencias Agrícolas, Pecuarias, Forestales y Veterinarias de la Universidad Mayor de San
Simon (UMSS) y la carrera de Ingenieria Ambiental de la Universidad Catolica Boliviana San Pablo,
Unidad Academica Regional Cochabamba..
COMITÉ EDITORIAL
Editores:
MSc. Ronald Vargas Rojas – Centro de Investigaciones y de Servicios en Teledetección

(CISTEL), Facultad de Ciencias Agricolas, Pecuarias, Forestales y Veterinarias Universidad
Mayor de San Simón, Cochabamba, Bolivia.
MSc. Mauricio Azero Alcocer – Departamento de Ciencias Exactas e Ingenieria, Universidad

Católica Boliviana San Pablo, Cochabamba, Bolivia.
MSc. Edgar Gutierrez – Facultad de Ciencias Agricolas, Pecuarias, Forestales y Veterinarias,

Universidad Mayor de San Simon, Cochabamba, Bolivia.
Editor de estilo:
Ing. Marcela Mendez
EDITORES ASOCIADOS REVISORES DE ESTE NUMERO
Dr. Rufo Bazan, ALTAGRO, Bolivia
Dr. Carlos Pedro Saavedra, Programa GESTOR, La Paz, Bolivia.
Dr. Omar Arzabe Maure, Energias para el Desarrollo (ENERGETICA), Cochabamba, Bolivia.
MSc. Noel Ortuño, Fundacion PROINPA, Cochabamba, Bolivia.
Dra. Carla Oporto, CASA Universidad Mayor de San Simón, Cochabamba, Bolivia.
MSc. Nelson Sanabria, Centro de Levantamientos Aeroespaciales (CLAS), Cochabamba, Bolivia.
Mp. Javier Burgos, CISTEL, Universidad Mayor de San Simón, Cochabamba, Bolivia.
MSc. Ronald Ontiveros, Universidad de Chapingo, Mexico.
DIRECCION POSTAL
Revista Boliviana de la Ciencia del Suelo
Centro de Investigaciones y de Servicios en Teledetección-CISTEL
Av. Petrolera km. 5 (Valle Hermoso)
Tel/Fax. +591-4-4762298
Email: RevistSBCS@gmail.com
Pagina web: http://www.sbcs.com.bo/RevistaSBCS.html
Cochabamba, Bolivia.
EDITORIAL
Durante varios años, un grupo de edafólogos bolivianos proyectamos la idea de publicar una revista
técnico-científica de la disciplina, que nos permitiera dialogar y a la vez capitalizar las diferentes
experiencias desarrolladas por los colegas, a lo largo y ancho del país y la región. El proyecto se armó y
desarmó varias veces. Hoy, después de varios intentos, por fin tenemos la satisfacción de ofrecer el primer
número de esta revista que hemos denominado “Revista Boliviana de la Ciencia del Suelo”.
Publicar de manera regular una revista en un área de la ciencia que tiene posiblemente menos de un
centenar de profesionales en todo el país es casi una aventura. Adicionalmente, quizás por la carencia de
este recurso de difusión, o por la falta de costumbre, dicho reducido número de profesionales no tenemos
el hábito de ser activos autores de literatura técnica-científica. Sin embargo, la investigación que no es
revisada por pares y publicada no permite un desarrollo consistente del conocimiento. Es
extremadamente importante la generación de un conocimiento científico sólido, difundido de manera
dinámica, para que la ciencia del suelo pueda desarrollarse y de esa manera contribuir efectivamente en el
desarrollo nacional. Esta profunda convicción justifica el esfuerzo que se ha realizado en la presente
publicación.
Además, resulta pertinente destacar que el lanzamiento de la Revista coincide con un momento histórico
en el que el recurso suelo ha recobrado un interés particular, sobretodo por el reconocimiento científico de
su rol principal en la provisión de servicios ambientales, con particular énfasis en la seguridad alimentaria
y por considerarse la clave en la mitigación y adaptación al cambio climático.
Es así que se pretende que la Revista Boliviana de la Ciencia del Suelo, órgano oficial de difusión de la
Sociedad Boliviana de la Ciencia del Suelo, sea el espacio apropiado para que los edafólogos (“sueleros”)
del país puedan compartir los resultados de su investigación de una manera científica y así construir
conocimiento técnico-científico que sea útil y aplicable para lidiar con los retos que se nos presentan cada
día en las diferentes aplicaciones de la ciencia del suelo.
Inicialmente, la Revista Boliviana de la Ciencia del Suelo tendrá una frecuencia semestral. Sin embargo,
para ello requerimos la activa participación de la comunidad de profesionales y científicos de la ciencia del
suelo para que ellos puedan nutrir esta iniciativa a través de artículos en los que compartan los
resultados de sus experiencias técnicas y científicas. Estos aportes serán retribuidos a través de
sugerencias, complementaciones y críticas, que estamos seguros ayudarán, a los miembros de esta
comunidad, a encarar la práctica profesional de una manera cada vez más acertada y pertinente.
Por último, esperamos que los lectores de la revista encuentren siempre en ella un material enriquecedor y
motivador, que sea útil para el mejor desarrollo de sus diferentes actividades.
Ronald Vargas Rojas

Mauricio Azero Alcocer
Edgar Gutierrez Rodriguez
REVISTA BOLIVIANA DE LA CIENCIA DEL SUELO Vol. 1, Nº1 (2011)
CONTENIDO
1.V
Variación de la fertilidad y textura de los suelos forestales en las tierras bajas de Bolivia
Marisol Toledo, Lourens Poorter, Marielos Peña-Claros, Alfredo Alarcón, José Chuviña, Juan Carlos Licona, Claudio
Leaño, Vincent Vroomans y Franz Bongers __________________________________________________________ 1
2.P
Predicción de variables edafológicas (pH, CE) a partir de técnicas de inferencia geoestadística
en el Valle Alto de Cochabamba, Bolivia
Gustavo Alfonso Araujo Carrillo, Ronald Job Vargas Rojas ____________________________________________ 12
3. Estimación del coeficiente isohúmico de residuos de maíz en inceptisoles de Pairumani,

Vinto, Cochabamba
Karen Guzmán M., Mauricio Azero A., José Sánchez P. _____________________________________________ 24
4. Enmienda de suelos agrícolas acidificados mediante biosólidos agroindustriales estabilizados

alcalinamente
Juan M. Méndez C., Pedro R. Vallejos M., Gabriela Rivadeneyra R. , Alejandro Alvarado L. ____________________ 37
5. Aplicación de la geomorfometría en la cartografía de unidades fisiográficas

Jose Fuentes, Ronald Vargas R. ________________________________________________________________ 49
6. Effecto del contenido salino de un tipo de suelo sobre el grado de absorción del plaguicida
fluroxipir metilheptil ester
Fátima S. Alba , Fabiola Baina , Paul E. Vargas ____________________________________________________ 62
REVISTA BOLIVIANA DE LA CIENCIA DEL SUELO Vol. 1, Nº1 (2011) 1-11
VARIACIÓN DE LA FERTILIDAD Y TEXTURA DE LOS SUELOS

FORESTALES EN LAS TIERRAS BAJAS DE BOLIVIA
Marisol Toledo 1, 2, Lourens Poorter 1, 2, Marielos Peña-Claros 1, 2,
Alfredo Alarcón, José Chuviña1, Juan Carlos Licona1,

Claudio Leaño1, Vincent Vroomans1 y Frans Bongers2
1Instituto Boliviano de Investigación Forestal, Km 9 Carretera al norte,
El Vallecito, Casilla 6204, Telf.: 341-1171, Santa Cruz, Bolivia,

2Forest Ecology and Forest Management Group, Universidad de Wageningen, Wageningen, Países Bajos
E-mail de referencia: mtoledo@ibifbolivia.org.bo
Resumen
Bolivia presenta una gran diversidad de bosques y de suelos a lo largo de un gradiente
climático. Una red de 220 parcelas permanentes, distribuidas en cinco ecoregiones, fue
utilizada para describir y comparar el nivel de fertilidad y grado de textura de los
suelos forestales en las tierras bajas de Bolivia. En cada parcela se colectaron
muestras de suelos para analizar sus propiedades físicas y químicas, relacionadas con
la textura y la fertilidad, respectivamente. Los suelos forestales presentaron diferencias
significativas en todas las variables edáficas evaluadas. Los bosques del Pre-andino,
región con la mayor precipitación, presentaron la mayor cantidad de cationes (Mg, Na)
y fósforo y el más alto porcentaje de limo. Los suelos menos fértiles, y con mayor
acidez, ocurrieron en la Amazonia norte. Los suelos de las regiones de menor
precipitación, como la Chiquitania, presentaron un alto porcentaje de materia orgánica
y arena. La región Amazonia este, en la zona de Guarayos, obtuvo el mayor pH y la
mayor cantidad de Ca. Esta variación, principalmente en la fertilidad y la textura, debe
ser tomada en cuenta al definir prácticas de manejo para cada tipo de bosque.
Palabras clave: Bolivia, bosques tropicales, fertilidad de suelo, precipitación, suelos,

textura, tierras bajas.
Contenido
1.Introducción ___________________________________________________________________________________________________ 2
2.Métodos _______________________________________________________________________________________________________ 2
2.1. Área de estudio ________________________________________________________________________________________ 2
2.2. Toma y análisis de datos ________________________________________________________________________________ 3
2.3. Análisis estadístico ______________________________________________________________________ 4
3.Resultados y discusión _________________________________________________________________________________________ 4
3.1. Variación de los suelos forestales________________________________________________________________________ 4
3.2. Diferencias edáficas entre ecorregiones __________________________________________________________________ 5
3.3. Relaciones edáficas _____________________________________________________________________________________ 8
4.Conclusiones __________________________________________________________________________________________________ 9
5.Agradecimientos _______________________________________________________________________________________________ 9
6.Referencias ____________________________________________________________________________________________________ 9
1
1. Introducción
Entre los principales factores que determinan la formación de suelos está la variación climática, geográfica
y de vegetación (Gerold, 2003). La relación clima-suelo-vegetación ha sido destacada en el marco de un
enfoque que considera al suelo como un componente importante del ecosistema (Guariguata y Kattan,
2002), dado que el suelo suministra a la vegetación - bajo las condiciones reinantes del clima - los
nutrientes necesarios para su función. Sin embargo, en el trópico americano se conoce muy poco sobre las
exigencias edáficas de las especies forestales y la información existente se encuentra muy dispersa
(Richards, 1996).
Bolivia es considerado uno de los 15 países de mayor biodiversidad a nivel mundial, al presentar una
extraordinaria exhibición de tipos de vegetación ocasionado por la gran variación climática y complejidad
geomorfológica (Ibisch y Mérida, 2003; Navarro y Maldonado, 2004). En el país se han realizado algunos
estudios de los suelos forestales, principalmente a nivel de reconocimiento, para las tierras bajas de Santa
Cruz (Guamán y Valverde, 1982; Guamán, 1983; 1996). Las tierras bajas en Bolivia cubren una superficie
aproximada de 680.000 km2, lo que representa un 62% de la superficie total del país (Montes de Oca,
1997).
Los suelos en las tierras bajas de Bolivia son ampliamente variables, debido en gran parte a las
diferencias en geología histórica y geomorfología (Navarro y Maldonado, 2004; Gerold, 2003). Sin embargo,
no se tiene una descripción cuantitativa y comparativa de las diferencias físicas y químicas de los suelos
forestales, y su relación con la precipitación, en las tierras bajas de Bolivia.
El principal objetivo del presente estudio fue evaluar cómo varían los suelos, a lo largo de un gradiente
climático, en las tierras bajas de Bolivia. Bajo este contexto, la investigación responde a las siguientes
preguntas: (1) ¿Existen diferencias, en la textura y nutrientes, entre las diferentes ecorregiones de las
tierras bajas del país? (2) ¿Cuál es la relación entre la precipitación y los suelos? Nuestra primera
hipótesis es que las variables edáficas tendrán una gran variación debido a la heterogeneidad de las
condiciones climáticas y geológicas en Bolivia (Ibisch y Mérida, 2003; Navarro y Maldonado, 2004). La
segunda hipótesis espera una relación negativa entre la precipitación anual y el nivel de fertilidad de los
suelos debido a que una mayor precipitación produce pérdidas de nutrientes en los suelos debido a la
lixiviación (Baillie, 1996).
2. Métodos
2.1. Área de estudio

Para este estudio se utilizaron 220 parcelas de la Red Nacional de Parcelas Permanentes. Las parcelas
fueron establecidas en bosques maduros de las tierras bajas de los departamentos de Santa Cruz, Beni,
Pando y norte de La Paz, entre los 10 – 18° latitud Sur y 59 – 69° longitud Oeste (Fig. 1), por varios
proyectos de investigación y concesiones forestales desde 1995 hasta 2007 (ver agradecimientos para más
detalles). Actualmente esta Red es coordinada y manejada por el Instituto Boliviano de Investigación
Forestal (IBIF). Casi todas las parcelas están ubicadas en bosques de tierra firme (sólo 5% de las parcelas
fueron encontradas en áreas estacionalmente inundadas), generalmente en terrenos planos (20% en
pendientes suaves) y en un rango de altitud de 100-500 msnm. Todas las parcelas, cada una de 1 ha, son
cuadradas (100 x 100 m, dividida en 25 sub-parcelas de 20 x 20 m), excepto 11, provenientes del Proyecto
Chimanes, que son rectangulares (20 x 500).
Las parcelas seleccionadas están distribuidas a lo largo de dos gradientes climáticos principales: un
gradiente sur-norte con un promedio anual de precipitación cuyo rango va de 1.100 a 1.900 mm y un
gradiente de este-oeste desde 1.600 a 2.200 mm. Sin embargo, la precipitación en años individuales puede
variar de 600 a 3.000 mm, según datos promedios basados en un periodo de 37 años (1970-2007) y
proporcionados por el Servicio Nacional de Meteorología e Hidrología – SENAMHI. En general, la región
tiene un periodo seco de 4-7 meses (< 100 mm/mes) desde abril a octubre, correspondiente al invierno
austral. El promedio anual de temperatura varía entre 24° y 26°C.
Las tierras bajas tienen también una amplia variación geológica (Suárez-Soruco, 2000). En el norte se
encuentra la amplia llanura fluvial de la Cuenca Amazónica, mientras en el sur los sedimentos aluviales
desde la línea divisoria entre la Cuenca amazónica y la Cuenca del Plata desembocan en rocas antiguas
sedimentarias que provienen desde el Cretáceo.
2
Al oeste se encuentran los paisajes relativamente jóvenes del pie de monte de los Andes mientras en el
este las rocas antiguas del Escudo Precámbrico se extienden desde Santa Cruz hasta el extremo noreste
de Pando. Entre estas dos regiones se localiza la Llanura Chaco Beniana, compuesta de sedimentos
Cuaternarios.
En las tierras bajas, los suelos varían grandemente desde ácidos Acrisoles y Ultisoles en el norte
amazónico, vía Acrisoles y Luvisoles en el centro, a Cambisoles y Arenosoles en el sur (Gerold, 2003).
2.2. Toma y análisis de datos
Las muestras edáficas fueron colectadas con un barreno, tomando los primeros 30 cm de suelo. Para
obtener una buena representatividad del suelo se preparó una muestra compuesta colectándose de
manera sistemática 20 sub-muestras en cada parcela. En total se colectaron 220 muestras edáficas, las
que fueron almacenadas, etiquetadas en bolsas y llevadas al laboratorio del Centro de Investigación
Agrícola Tropical (CIAT-Santa Cruz) para su análisis.
Las muestras de suelos fueron analizadas para conocer sus propiedades físicas y químicas. El análisis
físico de los suelos mostró la textura, a través del método Boyoucos, considerando el porcentaje del
contenido de arena (partículas 2,0 a 0,05 mm), limo (0,05 a 0,002 mm) y arcilla (partículas < 0,002 mm).
Entre las propiedades químicas se determinó el pH en 10 g de muestra, usando 50 ml de agua destilada;
el contenido de materia orgánica (MO) con el método Walkley-Black; el nitrógeno (N) a través del método
micro Kjeldahl; el fósforo (P) fue determinado por el método Olsen, y la concentración de los cationes
intercambiables (Ca2+, Mg2+, K+ y Na+), se determinó en 1 M de acetato de amonio. También se obtuvo la
suma o el total de las bases o cationes intercambiables (TBI), se suman estos cationes porque
normalmente el complejo de adsorción sólo contiene estos cationes al ser los más abundantes, y la
capacidad de intercambio de cationes (CIC), que es la cantidad total de cationes (iones positivos) presentes
en el suelo (Olaitan et al., 1984; Cochrane y Barber, 1993). Aunque técnicamente hablando, los cationes
no son bases, se los denomina así porque reducen la acidez e incrementan el pH del suelo. Finalmente, se
determinó la acidez de los suelos (diferencia entre el CIC y TBI) en 1 M de KCl y la cantidad del Aluminio
(Al3+) en 1 M de HCl. Los métodos de análisis químicos de los suelos son compatibles con los métodos
aplicados por el International Soil Reference and Information Centre – ISRIC (van Reeuwijk, 1987).
En la figura 1, las áreas en gris son bosques de producción forestal. Las parcelas, en diferentes números,
fueron establecidas en las concesiones forestales y distribuidas en cuatro departamentos (La Paz, Pando,
Beni y Santa Cruz). Para este estudio las parcelas fueron agrupadas en cinco ecorregiones: Pre-andino
[Ixiamas (5 plots), San Pedro (2), AGROFOR (1), Bolivia Mahogany (5) y Fátima (6)]; Amazonia norte
[IMAPA (8), SAGUSA (16), CIMAGRO (3), MABET (15), RET (4), El Verdum (3)], Amazonia este – Bajo
Paraguá [CIBAPA (16), Lago Rey (19), San Martín (8)], Amazonia este – Guarayos [CIMAL-Guarayos (3), La
Chonta (48)] y Chiquitania [INPA (32), Velasco (6), San Miguel (9), San José (6), y Sutó (5)].
3
Figura 1. Ubicación de 220 parcelas permanentes, agrupadas en cinco ecorregiones, en las tierras bajas de Bolivia.
2.3. Análisis estadístico
Las variables edáficas fueron resumidas con un análisis multivariado de factor o de componentes
principales (PCA). El PCA permite resumir varias variables relacionadas en una o pocas variables
representadas en los ejes o componentes que explican la mayor variación de los datos, siendo
generalmente los dos primeros ejes (McCune et al., 2002). El uso de este análisis reduce muchas variables
a un número menor de nuevas variables (o variables compuestas) que adecuadamente resumen la
información original y pueden ser utilizadas para posteriores análisis (Quinn y Keough, 2002). Asimismo,
el PCA permite encontrar patrones entre las variables basado en las semejanzas o diferencias entre ellas.
Para evaluar si las variables ambientales fueron estadísticamente diferentes (P ≤ 0.05) entre ecorregiones
se aplicó un análisis de varianza de una vía (ANDEVA), usando la prueba Tamhane’s T2 porque considera
las muestras de diferentes tamaños, es decir diferentes números de parcelas (Field 2000). Se distinguieron
cinco ecorregiones que representan grupos de parcelas cercanas y de similares condiciones climáticas.
Adicionalmente, correlaciones paramétricas (Pearson) fueron realizadas entre la precipitación y las
principales variables edáficas y entre ellas para conocer las relaciones. Las variables altamente
correlacionadas (Al, TBI) no fueron incluidas en el PCA para evitar colinearidad. Todos los análisis fueron
realizados con el programa SPSS versión 15.
3. Resultados y discusión
3.1. Variación de los suelos forestales

Las tierras bajas de Bolivia presentaron una gran variación en las condiciones edáficas (Tabla 1). Los
suelos variaron sustancialmente en sus propiedades químicas, con el TBI, cationes (Mg y Ca) y Olsen P
mostrando una variación de 50–70 veces. La textura de los suelos varió mayormente en el contenido de
arena, con 51% de las parcelas presentando suelos franco-arenosos.
4
Los suelos en las tierras bajas pueden considerarse moderadamente ácidos (pH 5,3), con valores bajos en
el contenido del elemento fósforo (5,5 mg kg -1), valores medios en la capacidad de intercambio catiónico
(CIC; 5,8 cmol kg -1) y en contenido de materia orgánica (2,7%) y con valores altos en el porcentaje de
arena (56%).
Casi todos los bosques tropicales son de alguna manera estacionales con respecto a su clima (Walsh,
1996). En las tierras bajas de Bolivia, la estacionalidad de la lluvia incrementa de norte a sur, con los
bosques secos del sur presentando siete meses secos (< 100 mm) por año. Esta estacionalidad no sólo
influye en la estructura y composición de los bosques (Toledo, 2010), sino también en las condiciones de
los suelos (Leigh, 2004). Los bosques tropicales han sido considerados, por un largo tiempo, más pobres y
más homogéneos de lo que en realidad son (Sánchez, 1976; Baillie, 1996); éstos simplemente no pueden
ser uniformes debido a la amplia variedad de clima, vegetación, material madre, geomorfología, edad y
actividades antropogénicas (Sánchez, 1976; Sollins, 1998; Toledo, 2010).
Tabla 1. Promedio (± DS) y rango (mínimo – máximo) de la precipitación y 15 variables edáficas provenientes de 220
parcelas permanentes localizadas en las tierras bajas de Bolivia. La variación de las variables, a lo largo del gradiente,
fue calculada por dividir el valor máximo por el valor mínimo, excepto por las variables con valores cero.
Rango
Variables Promedio Ds Ratio
Minimo maximo
Precipitación 1592 317,6 1113 2198 2,0
Fertilidad
pH 5,3 1,2 3,3 7,8 2,4
Ca (cmol kg-1) 3,25 3,1 0,20 13,80 69,0
Mg (cmol kg-1) 1,35 1,2 0,10 7,00 70,0
Na (cmol kg-1) 0,08 0,03 0,03 0,19 6,3
K (cmol kg-1) 0,27 0,13 0,05 0,79 15,8
TBI (cmol kg-1) 4,9 4,05 0,4 20,0 50,0
CIC (cmol kg-1) 5,8 3,5 1,5 20,1 13,4
Acidez (cmol kg-1) 0,9 1,2 0,0 6,1 -
Al (cmol kg-1) 0,5 1,04 0,0 4,8 -
P (cmol kg-1) 5,5 6,6 1,0 51,0 51,0
MO (%) 2,7 0,98 0,9 5,2 5,8
N (%) 0,2 0,1 0,05 0,4 7,8
Textura
Arena (%) 56,3 16,6 2,0 83,0 41,5
Limo (%) 22,5 11,6 3,0 68,0 22,7
Arcilla (%) 21,2 10,2 6,0 50,0 8,3
3.2. Diferencias edáficas entre ecorregiones
Los dos primeros ejes del PCA explicaron el 68% de la variación (Fig. 2a). El primer eje, relacionado con la
fertilidad de los suelos, explicó 48% y fue positivamente correlacionado con la CIC, Ca, Mg, Na, K, P, OM y
N, y negativamente con la acidez. El segundo eje, relacionado con la textura, explicó 20% y fue
correlacionado positivamente con arcilla y limo, y negativamente con el contenido de arena. La relación de
las parcelas con las características físico-químicas de los suelos fue graficada en el espacio de los ejes del
PCA. Las parcelas con mayor contenido de arena fueron encontradas a través de todo el gradiente de
fertilidad, mientras que las parcelas con mayor contenido de limo y mayor nivel de fertilidad fueron
ubicadas en la derecha y las parcelas con mayor contenido de arcilla, mayor acidez y bajo nivel de
nutrientes se ubicaron en la izquierda (Fig. 2b).
5

1,0 3 Ecoregion
a) Arcilla b)   AE-BP


  AE-G 

  
Acidez   
Limo  AN   


0,5 2  C 
  P
Eje de textura
 
Eje 2 (20%)
KNa CIC  
Mg 
1    
0,0
P MO  
     
N Ca    
  
   
       
  
      
  
0        
     
-0,5     
     
    

    
     
  
    
    
     
     
Arena  
      
 
-1   

  
-1,0      
  
-1,0 -0,5 0,0 0,5 1,0

-1 0 1 2 3
Eje 1 (48%)
Eje de fertilidad
Figura 2. Resultados del Análisis de Componentes Principales (PCA) para los suelos forestales de las tierras bajas de
Bolivia. a) posición de las variables y los porcentajes de la variación explicada por los dos primeros ejes, b) posición de
las 220 parcelas agrupadas por ecorregiones: Pre-andino = P, Amazonia norte = AN, Amazonia este – Bajo Paraguá =
AE-BP, Amazonia este – Guarayos AE-G y Chiquitania = C.
Las parcelas, agrupadas por ecorregiones, presentaron diferencias significativas en las 15 propiedades
edáficas analizadas (Tabla 2). Mientras la región Amazonia norte presentó la mayor acidez, la Amazonia
este - Guarayos y el Pre-Andino tuvieron el mayor valor de TBI, CIC y Olsen P. Por otro lado, las regiones
con menor precipitación (Chiquitania) tuvieron significativamente mayor porcentaje de MO y N que las
regiones de mayor precipitación. En términos de textura, el Pre-Andino presentó el mayor porcentaje de
limo, las regiones de menor precipitación tuvieron mayor porcentaje de arena y prácticamente todas las
regiones tuvieron similar porcentaje de arcilla, excepto la Amazonia este-Guarayos. En general, las
ecorregiones ocuparon diferentes posiciones al considerar los dos ejes edáficos (Fig. 2b). En cuanto al eje
de nutrientes, se observó que la Amazonia norte se relacionó más a la acidez mientras que en términos de
textura las parcelas presentaron gran variación en cada ecorregión pero el Pre-andino presentó una fuerte
relación con el limo.
Tabla 2. Diferencias en la precipitación y las variables edáficas de las parcelas ubicadas en cinco ecorregiones de las
tierras bajas de Bolivia. P = Pre-Andino (n=19), AN = Amazonia norte (n=49), AEBP = Amazonia este-Bajo Paraguá (n=43),
AEG = Amazonia este-Guarayos (n=51), C = Chiquitania (n=58). Se presenta para cada variable, el promedio (± ES), el
valor de F y la significancia de ANDEVA, a través de letras diferentes * P ≤ 0.05. Para las regiones ver Figura 1 y para
las unidades de las variables ver Tabla 4.
Ecoregiones
Variables
P AN AEBP AEG C F P
Precipitación 2075 ± 91,1a 1935 ± 43,9b 1696 ± 37,4c 1472 ± 11,8d 1170 ± 23,2e 4039,7 *
Fertilidad
pH 4,8 ± 0,6c 3,9 ± 0,5d 4,7 ± 0,5c 6,9 ± 0,5a 5,4 ± 0,6b 210,5 *
Ca 3,8 ± 0,3b 0,6 ± 0,1c 1,1 ± 0,3c 6,9 ± 0,9a 3,6 ± 0,6b 136,8 *
K 0,4 ± 0,1a 0,1 ± 0,1c 0,2 ± 0,0b 0,3 ± 0,0a 0,7 ± 0,0a 68,1 *
Mg 2,4 ± 0,2a 0,4 ± 0,1c 0,8 ± 0,1b 1,8 ± 0,1a 1,8 ± 0,2a 57,3 *
Na 0,12 ± 0,0a 0,05 ± 0,0d 0,07 ± 0,0c 0,10 ± 0,0a 0,08 ± 0,0b 68,2 *
TBI 7,1 ± 4,5ab 1,1 ± 0,9d 2,1 ± 1,1c 9,1 ± 2,8a 5,7 ± 3,5b 126,2 *
CIC 8,2 ± 3,6a 3,6 ± 1,2c 2,9 ± 0,9d 9,2 ± 2,7a 5,9 ± 3,4b 72,3 *
Acidez 1,1 ± 1,3b 2,4 ± 1,5a 0,8 ± 0,5b 0,1 ± 0,1d 0,3 ± 0,1c 79,8 *
6
Ecoregiones
Variables
P AN AEBP AEG C F P
P 10,6 ± 5,4a 3,0 ± 1,8b 2,3 ± 1,0c 12,2 ± 9,6a 2,5 ± 1,7c 94,6 *
MO 2,3 ± 0,4b 2,0 ± 0,7b 2,2 ± 0,7b 3,2 ± 0,6a 3,2 ± 1,2a 25,6 *
N 0,16 ± 0,0c 0,12 ± 0,0c 0,17 ± 0,0c 0,27 ± 0,0a 0,22 ± 0,1b 53,5 *
Textura
Arena 27,3 ± 26,0c 50,6 ± 16,5b 65,3 ± 9,9a 61,4 ± 5,0a 59,6 ± 10,5a 36,6 *
Limo 44,0 ± 16,1a 25,1 ± 8,8b 10,2 ± 4,4d 26,0 ± 4,3b 19,4 ± 6,5c 76,7 *
Arcilla 28,7 ± 12,3a 24,3 ± 12,7a 24,5 ± 8,1a 12,6 ± 2,2b 21,0 ± 8,1a 18,9 *
En las tierras bajas de Bolivia, los suelos forman un mosaico de alta variabilidad local causada por una
combinación de varios factores. En general, los suelos de los bosques con menor precipitación fueron más
fértiles y tuvieron mayor contenido de materia orgánica, fósforo y cationes, mientras los bosques con
mayor precipitación tuvieron suelos pobres y con altos niveles de acidez (Fig 2b). Los suelos más pobres y
ácidos fueron localizados en la Amazonia norte y este de Bolivia (Fig. 2b).
La meteorización de los minerales pone en libertad a los cationes, una parte de éstos quedan retenidos
como iones intercambiables y otra parte se filtra a los horizontes más profundos (Thompson, 1966). El
intercambio catiónico es una de las más importantes propiedades del suelo, donde cada ion es adsorbido
con diferente fuerza e intercambiado por una competencia de cargas eléctricas (Olaitan et al., 1984). Bajo
condiciones naturales, el proceso de intercambio catiónico consiste en que los cationes, Ca 2+ y en una
menor intensidad Mg2+, K+ y Na+, se pierden por lixiviación y los iones H+, y en menor cantidad el Al3+, se
adhieren al complejo de intercambio causando acidez en los suelos. El H + es el más fuertemente
adsorbido, por lo que resulta el ion predominante en los suelos de las regiones húmedas (Olaitan et al.,
1984). Este proceso se ve reflejado en la relación negativa entre Al/acidez y la presencia de cationes en el
análisis del PCA (Fig. 2a, Anexo 1). Tomlinson (2003), encontró una disminución de Ca 2+, Mg2+ y K+ por
efecto de la acidificación de los suelos. Los suelos pobres (baja cantidad de nutrientes, mayor acidez y bajo
pH), han sido encontrados también en otros países que comparten la cuenca Amazónica (Jordan, 1982;
John et al., 2007).
La acidez de los suelos depende básicamente de la concentración de los iones H +. Los suelos pueden llegar
a ser ácidos por diferentes razones, una de ellas es el proceso de mineralización de la materia orgánica
que origina ácidos, cuyos iones H+ también pasan a la solución del suelo (Thompson, 1966; Olaitan et al.,
1984).
En la Amazonia se registró el porcentaje más bajo de materia orgánica y la mayor acidez, con el promedio
más bajo de pH (3,9), interpretado como muy fuertemente ácido. En los bosques secos de la Chiquitania
se obtuvo el mayor porcentaje de materia orgánica, la menor acidez y un pH promedio para la ecoregión de
5,4 clasificado como moderadamente ácido (Tabla 2). Esta mayor cantidad de materia orgánica y menor
acidez en la Chiquitania puede deberse a una tasa de descomposición más lenta que los bosques
húmedos, por la falta de humedad en la época seca.
La mayoría de los suelos de la Amazonia son pobres en nutrientes debido a la falta de reciente actividad
geológica y a un largo periodo de lixiviación (Baillie, 1996). En general, los bosques húmedos tropicales
son ecosistemas dominados por suelos ácidos e infértiles, clasificados en su mayoría como Oxisoles y
Ultisoles (Sánchez y Salinas, 1993). Los suelos tropicales son pobres o infértiles debido a la lixiviación,
lavado de nutrientes por las constantes y abundantes lluvias (Lathwell y Grove, 1986). En un estudio
comparativo sobre suelos, en dos regiones de Bolivia con diferente régimen de lluvias, también se encontró
un pH bajo, menor CIC y cantidad de Ca2+ en las regiones más húmedas (Gerold, 2003).
7
Algunas parcelas localizadas en los bosques de mayor precipitación en el pie de monte de los Andes
presentaron mayor fertilidad, con altas cantidades de Mg y Olsen P, y baja acidez. Estos suelos más
fértiles, cercanos a los Andes, han obtenido nutrientes disponibles desde recientes depósitos geológicos
durante el Cuaternario (Jordan & Herrera, 1981; Baillie, 1996). Similares resultados fueron encontrados
en la Cuenca Caquetá en Colombia (Lips & Duivenvoorden, 1996).
En casos donde los bosques de tierras bajas tuvieron suelos ricos, tal como en México (Bongers et al.,
1988) y en Costa Rica (Lieberman et al., 1996), ellos fueron derivados de roca madre de origen volcánico.
En otros bosques de las tierras bajas en la Amazonia, la agricultura Pre-Colombina dejó parches de suelos
fértiles y negros conocidos como terra preta do indio (Mann, 2002). Algunas de nuestras parcelas al este de
Bolivia ocurrieron en tales parches de terra preta. Los suelos en la región de Guarayos pueden ser más
fértiles a causa de las actividades antropogénicas pasadas. Un estudio en la Concesión Forestal La Chonta
encontró una gran parte del área con suelos negros (terra preta), de origen antropogénico, siendo éstos
muy fértiles, con valores altos de N, P y Ca2+ (Paz-Rivera & Putz, 2009). Aunque no hay un estudio similar
en la Concesión Cimal Guarayos, ubicado al norte de La Chonta, también se han encontrado vasijas
antiguas enterradas, lo que hace suponer una mayor distribución de estos suelos negros en la región.
3.3. Relaciones edáficas
La precipitación fue correlacionada positivamente con el eje de textura, específicamente con el contenido
de arcilla y limo, con la acidez de los suelos y el contenido de P y negativamente con el contenido de arena,
pH, Ca, K, CIC, OM y N (Anexo 1). Aunque los suelos de las parcelas localizadas en bosques secos
tendieron a tener mayor fertilidad, algunas parcelas en áreas de mayor precipitación tuvieron también
suelos más fértiles (Figs. 2b y 3). Estas parcelas fueron situadas en el pie de monte de la región Pre-
Andina.
3  
 3
a) 
 b) 
  
 
    
   
    
Eje de fertilidad ---> CIC
Eje de textura ----> limo
2  
  2
 
 
 

  
 
    
 
  

 
 
1  
 

  1
 


 
 
    
 


 


  




 
  
     
       

 
  

  
0

   
  
 


    0  
 
  
 
        
 
     



 
    


    

     
  


 
    

 

  

         


 
  

  
-1     
 
   
  
  



  
 -1    
     
 
 
12 50 15 00 17 50 20 00 12 50 15 00 17 50 20 00
Precipitación promedio (mm) Precipitación promedio (mm)

Figura 3. Relación entre la precipitación promedio con (a) el eje de fertilidad y (b) el eje de textura de 220
parcelas permanentes localizadas en bosques de las tierras bajas de Bolivia.
La formación de los suelos es producto de cinco factores principales: material primario, topografía,
vegetación, clima y tiempo (Thompson, 1966). Los suelos en el Pre-andino son relativamente más jóvenes,
de origen Cuaternario, provenientes de la formación de los Andes (Montes de Oca, 1997), pero al parecer
con mayor actividad de meteorización e influencia de sedimentos terciarios y cuaternarios, razón por la
que contienen más arcilla y limo, y consecuentemente más nutrientes.
En cambio los suelos de la Chiquitania y de la Amazonia este están relacionados con el Escudo
Precámbrico, formado por rocas de la era geológica más antigua (Montes de Oca, 1997). La fertilidad de
estos suelos puede deberse a un régimen lluvioso menos húmedo que provoca una menor lixiviación de los
nutrientes y por su alta cantidad de materia orgánica.
8
La fertilidad de los suelos ocurre por varias razones, una de ellas es el tipo de minerales y otra es la
textura presente en los suelos. Según Olaitan et al. (1984), los suelos con textura fina, principalmente
limo, son usualmente ricos en materia orgánica y por lo tanto su valores de CIC son a menudo también
altos.
4. Conclusiones
El presente estudio demuestra que la gran variación de los suelos en las tierras bajas de Bolivia es
determinada principalmente por las condiciones climáticas, la geología y las actividades antropogénicas
pasadas. Los resultados de la ecorregión Amazonia este, específicamente del Bajo Paraguá, permiten
considerar que los suelos son similares a los de la región Amazónica norte, debido a que presentaron
significativamente un pH más bajo, menor cantidad de cationes y una mayor acidez que los suelos de la
región de Guarayos. Respecto al Pre-Andino, los suelos tuvieron mayor similitud, en el contenido de P y la
capacidad de intercambio de cationes con los suelos de la Amazonia este, propiamente con parcelas
ubicadas en la región de Guarayos. Debido al bajo número de parcelas (19) en el norte de La Paz se
recomienda continuar con los estudios de suelos en la región, además de incrementar el número de
parcelas. Futuros estudios no sólo de suelos sino también de otros componentes como la vegetación,
permitirán diferenciar más objetivamente ambas ecorregiones o integrarlas como parte de otras
ecorregiones. En conclusión, las condiciones ambientales y las propiedades edáficas varían en el espacio,
lo que explica la gran diversidad de bosques presentes en las tierras bajas del país. Las diferencias
encontradas en las tierras bajas de Bolivia, en términos de clima y suelos sugieren que es necesario un
manejo forestal de acuerdo a las condiciones y características de cada bosque.
5. Agradecimientos
Los autores agradecen a la Universidad de Wageningen (WUR), Organización de Holanda para los avances
de la Investigación Tropical (WOTRO), International Foundation for Science (IFS), Russell Train Education
For Nature – WWF y al Proyecto BOLFOR, en sus dos fases, por el apoyo financiero para la realización del
trabajo de campo. Gracias a SENAMHI por los datos climáticos proporcionados y al CIAT por los análisis
de suelos realizados. Asimismo, a todas las empresas forestales e instituciones locales que apoyaron el
establecimiento de las parcelas, especialmente al IBIF, la FCBC, la Asociación PROMAB, el Proyecto
Chimanes y la CFB. Un especial agradecimiento a todos los ingenieros, técnicos forestales y asistentes de
campo, que apoyaron en la logística y en la toma de datos en las diferentes concesiones, empresas
forestales y ASLs en la Amazonia norte (SAGUSA, IMAPA, CIMAGRO, MABET, CINMA-Pando, El Verdum,
RET), en el Pre-andino (ASLs de Ixiamas, San Pedro, AGROFOR, Bolivia Mahogany, Fátima), en la
Amazonia este – Bajo Paraguá (CIBAPA, Lago Rey, CINMA San Martín), Amazonia este – Guarayos (La
Chonta, CIMAL Guarayos) y la Chiquitania (INPA Forest, concesiones de la Empresa CIMAL, Sutó y San
José).
6. Referencias
Baillie, I. C. 1996. Soils of the humid tropics. In P. W. Richard, R.P.D. Walsh, I. C. Baillie & P. Greig-Smith. (Eds.). The
tropical rain forest: an ecological study, pp. 256–286. Cambridge University Press, Cambridge, UK.
Bongers, F., J. Popma, J. Meave del Castillo & J. Carabias. 1988. Structure and floristic composition of the lowland
rain forest of Los Tuxtlas, Mexico. Vegetatio 74: 55–80.
Cochrane, T. T. y R. G. Barber. 1993. Análisis de suelos y plantas tropicales. CIAT y Misión Británica en Agricultura
Tropical. Santa Cruz, Bolivia. 226 p.
Contreras, F., C. Leano, J.C. Licona, E. Dauber, L. Gunnar, N. Hager y C. Caba. 1999. Guía para la instalación y
evaluación de parcelas permanentes de muestreo (PPMs). Proyecto BOLFOR y PROMABOSQUE. Santa Cruz de la
Sierra, Bolivia. 50 p.
Field, A. 2000. Discovering statistics using SPPS for Windows. Advanced techniques for the beginner. SAGE
Publications Ltd., London.
Gerold, G. 2003. Soil the foundation of biodiversity. En: P.L. Ibish y G. Mérida (Eds.). Biodiversity: The richness of
Bolivia; State of knowledge and conservation. English edition. FAN. Santa Cruz de la Sierra pp 18-30
Guamán, A. y M. Valverde. 1982. Levantamiento integrado de los recursos naturales de la provincia Ñuflo de Chávez
(Sector Concepción). Estudio de suelos. CORDECRUZ, Santa Cruz, Bolivia.
Guamán, A. 1983. Estudio de suelos de la provincia Ñuflo de Chávez (Sector Ascención de Guarayos). Nivel de
reconocimiento. CORDECRUZ, Santa Cruz, Bolivia.
9
Guamán, A. 1996. Estudio de suelos en Tierra Prometida Oquiriquia, Bajo Paraguá. Proyecto BOLFOR. Santa Cruz,
Bolivia.
Guariguata, M. R., y G. H. Kattan. 2002. (Eds). Ecología y conservación de bosques Neotropicales. Ediciones LUR.
Ibish, P. L. y G. Mérida. 2003. (Eds.). Biodiversidad: la riqueza de Bolivia. Estado de conocimiento y conservación.
Ministerio de Desarrollo Sostenible. Editorial FAN. Santa Cruz.
John , R., J.W. Dalling, K.E. Harms, J.B. Yavitt, R.F. Stallard, M. Mirabello, S.P. Hubbell, R. Valencia, H. Navarrete, M.
Vallejo y R. B. Foster. 2007. Soil nutrients influence spatial distributions of tropical tree species. PNAS. 104: 864–869
Jordan, C. F & R. Herrera. 1981. Tropical rain forests: Are nutrients really critical? The American Naturalist 117: 167–
180.
Jordan, C. F. 1982. The nutrient balance of an Amazonian rain forest. Ecology 63:647-654.
Lathwell, D.J. y T. L. Grove. 1986. Soil-plant relationships in the tropics. Ann. Rev. Ecol. Syst. 17:1-16.
Leigh Jr., E. G. 2004. How wet are the wet tropics? In E. C. Losos & E. G. Jr. Leigh (Eds.). Tropical forest diversity and
dynamism: Findings from a large-scale plot network, pp.43–55. The University of Chicago Press.
Lieberman, D., M. Lieberman, R. Peralta & G. Hartshorn. 1996. Tropical forest structure and composition on a large-
scale altitudinal gradient in Costa Rica. Journal of Ecology 84: 137–152.
Lips, J. M. & J. F. Duivenvoorden. 1996. Regional patterns of well drained upland soil differentiation in the middle
Caquetfi basin of Colombian Amazonia. Geoderma 72: 219–257
Mann, C. C. 2002. Agriculture-the real dirt on rainforest fertility. Science 297: 920–923.
Montes de Oca, I. 1997. Geografía y recursos naturales de Bolivia. Academia Nacional de Ciencias de Bolivia. La Paz,
Bolivia. 3ra edición. Pp 181.
McComb, W.C., T.A. Spies y W.H. Emmingham. 1993. Douglas-fir forests: managing for timber and mature forest
habitat. Journal of Forestry 91(12): 31-42.
McCune, B., J. B. Grace y D. L. Urban. 2002. Analysis of ecological communities. USA.
Navarro, G. y M. Maldonado. 2004. Geografía ecológica de Bolivia: vegetación y ambientes acuáticos. Fundación Simón
I. Patiño. Cochabamba. Segunda Edición.
Olaitan, S. O., G. Lombin y O. C. Onazi. 1984. Introduction to tropical soil science. Macmillan Publishers. London. 126
p.
Quinn, G. P. y M. J. Keough. 2002. Experimental design and data analysis for biologists. Cambridge University Press.
537 p.
Richards, P. 1996. The tropical rain forest: An ecological study. Cambridge University Press. Cambridge, UK.
Paz-Rivera, C. y F. E. Putz. 2009. Anthropogenic soils and tree distributions in a lowland forest in Bolivia. Biotropica
41: 665–675.
Sanchéz, P. A. y J. G. Salinas. 1983. Suelos ácidos: Estrategias para su manejo con bajos insumos en América Tropical.
Sociedad Colombiana de la Ciencia del Suelo. Bogóta, Colombia. 93 p.
Sollins, P. 1998. Factors influencing species composition in tropical lowland rain forest: does soil matter? Ecology 79:
23–30.
Suárez-Soruco, M. 2000.Compendio de la Geología de Bolivia. Rev. Téc. YPFB, Cochabamba Bolivia. No 18.
Thompson, L. M. 1966. El suelo y su fertilidad. Editorial Reverté, S. A. Versión española por Ricardo Clará y Carlos
Roquero de Laburu.
Toledo, M. 2010. Neotropical lowland forests along environmental gradients. PhD Thesis, Wageningen University. The
Netherlands.
Tomlinson, G.H. 2003, Acidic deposition, nutrient leaching and forest growth. Biogeochemistry 65: 51–81
Van Reeuwijk, L. P. (Ed.). 1987. Procedures for soil analysis. Technical paper 9. Wageningen, The Netherlands.
Walsh, R. P. D. 1996. Climate, microclimate and hydrology. In P. W. Richards (Ed.). The tropical rain forest: an
ecological study, pp. 159–236. Cambridge University Press, Cambridge, UK.
10
Anexo 1. Correlaciones entre la precipitación, variables edáficas y ejes o variables edáficas según el
análisis PCA. n=220 * p≤ 0,05; ** p ≤ 0,01. Ver tabla 1 para detalles de las unidades.
Eje Eje
pH Ca Mg Na K CIC Acd P MO N A L Y
Fert Tex.
Pp. -0,53** -0,38** -0,29** -0.17* -0.40** -0.24** 0.56** 0.05 -0.51** -0.52** -0.34** 0.28** 0.24** -0,35** 0,49**
pH 0,85** 0,48** 0,54** 0,49** 0,69** -0,71** 0,53** 0,48** 0,67** 0,19** 0,13* -0,47** 0,73** -0.50**
Ca 0,60** 0,69** 0,64** 0,94** -0,55** 0,69** 0,58** 0,72** -0,10 0,35** -0,24** 0,91** -0,22**
Mg 0,60** 0,67** 0,65** -0,48** 0,31** 0,31** 0,38** -0,27** 0,37** 0,01 0,73** 0,04
Na 0,76** 0,73** -0,40** 0,48** 0,42** 0,53** -0,32** 0,46** 0,00 0,83** 0,08
K 0,69** -0,48** 0,32** 0,63** 0,63** -0,33** 0,34** 0,15* 0,84** 0,08
CIC -0,31** 0,65** 0,58** 0,68** -0,33** 0,49** -0,02 0,92** 0,06
Acd. -0,28** -0,28** -0,41** -0,31** 0,04 0,47** -0,52** 0,61**
P 0,28** 0,39** -0,12 0,38** -0,24** 0,63** -0,11
MO 0,89** -0,12 0,10 0,08 0,69** -0,09
N -0,07 0,13 -0,04 0,78** -0,20**
A -0,80** -0,72** -0,33** -0,93**
L 0,15* 0,50** 0,61**
Y -0,03 0,82**
11
PREDICCIÓN DE VARIABLES EDAFOLÓGICAS (pH, CE) A

PARTIR DE TÉCNICAS DE INFERENCIA GEOESTADÍSTICA EN
EL VALLE ALTO DE COCHABAMBA, BOLIVIA
Gustavo Alfonso Araujo Carrillo1, Ronald Job Vargas Rojas2

1Departamento Administrativo Nacional de Estadística, Bogotá, D.C., Colombia.
2 Centro de Investigaciones y de Servicios en Teledetección, Cochabamba, Bolivia.
E-mail de referencia: gaaraujoc@dane.gov.co
Resumen
Las técnicas de inferencia geoestadística han tenido un fuerte desarrollo en la última
década, lo cual ha contribuido de manera significativa a entender la complejidad de los
procesos funcionales y estructurales de algunos procesos medioambientales y las
problemáticas asociadas a los mismos. Uno de estos problemas es la salinidad que
presentan los suelos en el Valle Alto de Cochabamba, la cual ha sido estudiada por
diversos autores pero ninguna basada en el modelo continuo de variabilidad espacial.
Por ello, este estudio efectuó las predicciones de algunas variables edafológicas (pH y
CEe) a partir de una técnica geoestadística denominada kriging de regresión, el cual se
caracteriza por predecir espacialmente propiedades ambientales incorporando
información secundaria, que en este caso correspondió a productos de sensores
remotos, mapas temáticos y el modelo digital de elevación (DEM) con la derivación de
sus parámetros morfométricos. Los resultados obtenidos por la predicción espacial
presentan una muy buena calidad, dado que los cocientes de la bondad de ajuste son
cercanos a uno, además que ratifican y establecen relaciones intrínsecas con
predictores empleados como la geomorfología, las imágenes de satélite, la curvatura
planar o el aspecto.
Palabras clave: Análisis de componentes principales, kriging de regresión, modelo

continuo de variabilidad espacial, predictores, salinidad y/o alcalinidad en suelos,
Valle Alto de Cochabamba.
Contenido
1.Introducción __________________________________________________________________________________________________ 13
2.Métodos ______________________________________________________________________________________________________ 13
2.1. Ubicación _____________________________________________________________________________________________ 13
2.2. Materiales y equipos ___________________________________________________________________________________ 14
2.3. Métodos ______________________________________________________________________________________________ 14
2.3.1. Determinación de los predictores ________________________________________________________________________ 14
2.3.2. Análisis espacial y estadístico de las muestras ___________________________________________________________ 15
2.3.3. Diseño del modelo de predicción espacial ________________________________________________________________ 16
2.3.4. Evaluación de la calidad de la predicción ________________________________________________________________ 17
2.3.5. Generación de mapas de salinidad y/o alcalinidad para el área de estudio _________________________________ 17
3.Resultados y discusión ________________________________________________________________________________________ 17
3.1. Determinación de los predictores _______________________________________________________________________ 17
3.2. Análisis espacial y estadístico de las muestras __________________________________________________________ 18
3.2.1. Análisis espacial________________________________________________________________________________________ 18
3.2.2. Análisis estadístico _____________________________________________________________________________________ 18
3.3. Diseño del modelo de predicción espacial _______________________________________________________________ 18
3.4. Evaluación de la calidad de la predicción _______________________________________________________________ 19
3.5. Mapas de salinidad y/o alcalinidad _____________________________________________________________________ 20
4.Conclusiones _________________________________________________________________________________________________ 21
5.Referencias ___________________________________________________________________________________________________ 22
12
1. Introducción
A partir de la emergencia de las técnicas geoestadísticas en la minería, estás se han exportado a muchos
otros campos como la hidrología, física-química de suelos, ciencias de la tierra y más recientemente al
monitoreo ambiental y al procesamiento de imágenes de satélite (Robertson, 1987; Cressie y Majure, 1995;
Diggle et al., 1995, citado por Giraldo, 2002).
Ante el avance descrito, los investigadores de la ciencia del suelo han venido desarrollando técnicas
modernas para el levantamiento y cartografía de suelos basados principalmente en el modelo continuo de
variación espacial, es decir, considerando al suelo como un “continuum”, enfoques relacionados con
pedometrics o cartografía digital del suelo (Scull et al., 2003). McBratney et al. (2003), han resumido una
serie de técnicas dispuestas por los investigadores para el estudio de los suelos, como los árboles de
decisión, las redes neuronales o la geoestadística, destacando dentro de ésta última al “kriging de
regresión”.
En Bolivia, la cartografía digital de suelos es una técnica que no se emplea de manera masiva, debido a la
falta de personal capacitado, bases de datos consolidadas de las muestras de suelo, desconocimiento
general de estos procedimientos, entre otros aspectos; no obstante existen autores como Vargas (2009)
que han aplicado kriging de regresión en la predicción de diferentes variables edáficas en el norte del
departamento de La Paz.
De acuerdo a las tendencias recientes relacionadas a la ciencia del suelo, varios autores como Mermut y
Eswaran (2000), Rossiter (2004) y Hengl (2004); subrayan la demanda que tienen las sociedades de
encontrar o habilitar áreas de interés, donde se tengan los mayores conocimientos posibles de la calidad
de los suelos, los problemas de degradación, ciclos bioquímicos o el estudio y monitoreo de la
contaminación (Lagacherie y McBratney, 2007). Ante este panorama, las propiedades de los suelos que
deban ser predecidas no responderán a una selección escasa de los edafólogos o agrimensores, siempre
sujetos a la accesibilidad relativa de las muestras (Hengl, 2007); sino a todo un conjunto de herramientas
que impondrán el criterio de beneficio máximo (Scull et al., 2003).
Una de las problemáticas más importantes en la evaluación de suelos la constituye la salinidad, la cual de
acuerdo a datos observacionales llega a 955 Mha en el planeta (Qadir et al. 2000, citado por Sonmez et al.,
2008). Bolivia no está exenta de la problemática, dado que gran parte de sus valles interandinos
presentan altos contenidos de sales solubles (Metternicht, 1996). En virtud de lo anterior, es necesario
conocer con precisión (modelo continuo de variabilidad espacial) las zonas sujetas a procesos de
salinización y/o alcalinidad, tanto por origen antrópico como biofísico; de tal manera que sobre estas se
ejerzan las acciones correctivas necesarias para evitar o aminorar la degradación de las tierras.
Por lo anterior el problema a resolver en este trabajo fue el de generar información espacial y de manera
continua a partir de técnicas de inferencia geoestadística de las variables pH y conductividad eléctrica en
el Valle Alto de Cochabamba, de tal forma que su análisis permita cuantificar las áreas que presentan
problemas de salinización y/o alcalinidad. A pesar de que las variables edafológicas evaluadas por este
estudio (pH y conductividad eléctrica) ya han sido estudiadas en el área de trabajo (Valle Alto de
Cochabamba), tal como lo describen Torres (1992), Amurrio (1993), Torres A. (1995), Chávez (1998) o
Céspedes Montaño, (2001); es necesario resaltar que han empleado el modelo discreto de variabilidad
espacial, como por ejemplo el enfoque geopedológico desarrollado por Zinck (1988) implementado por
Metternicht (1996); y no el modelo continuo, el cual en el caso del kriging permite predecir las variables
evaluadas en lugares no muestreados, sujetos a determinados intervalos de confianza (Scull et al., 2003).
La precisión de la interpolación siempre estará sujeta a la calidad y cantidad de puntos de muestreo
(perfiles de suelo) que se dispongan para la predicción espacial. Este aspecto es posible evaluarlo a partir
de análisis de densidad o de representatividad, de tal forma que su interpretación permite indicar que tan
correctas son los resultados obtenidos.
El objetivo de la investigación fue predecir valores de variables edafológicas a partir de kriging de regresión
para la determinación del grado de salinidad y/o alcalinidad en el Valle Alto de Cochabamba, Bolivia,
basado en la determinación de los predictores auxiliares necesarios para la definición del componente
determinístico del modelo de regresión, analizar espacial y estadísticamente las muestras, diseñar los
modelos de predicción y evaluarlos, para de esta manera representar espacialmente la salinidad y/o
alcalinidad, de acuerdo al sistema de clasificación desarrollado por USDA (1954).
2. Métodos
2.1. Ubicación
13
El área de estudio hace parte de la zona plana del denominado Valle Alto de Cochabamba, en el
departamento del mismo nombre (UTPLA, 2004). Geográficamente está ubicada entre las coordenadas
65°44’51,02’’ - 66°03’46,50’’ de longitud oeste y 17°29’52,15’’- 17°39’20,16’’ de latitud sur. Su altura sobre
el nivel medio del mar varía entre los 2.679 a 3.621 m y la superficie descrita es de 360,52 km2.
El área presenta en general un clima que varía entre árido y semiárido, teniendo una precipitación
promedio anual de 583 mm, que se distribuye irregularmente en el año y también de manera espacial
(CLAS 1998, citado por Auza, 1999). En áreas sujetas a procesos de salinización-alcalinidad, las sales
tienden a concentrarse en la parte superior del suelo (topsoil) y la infiltración de las sales solubles es
restringida en virtud de las bajas lluvias (Metternicht, 1996; Padilla, 1998; Chávez, 1998).
De acuerdo al estudio realizado por Metternicht (1996), y los datos climáticos de las estaciones
meteorológicas del área de estudio, el régimen de humedad regional de los suelos es arídico, es decir que
los suelos están comúnmente secos por más de seis meses (USDA, 2006). En virtud de lo anterior, la
mayoría de los suelos son clasificados de acuerdo a USDA, como Aridisoles o Entisoles, siempre y cuando
los horizontes diagnósticos estén ausentes. La mayoría de las áreas afectadas con sales corresponden a
depresiones de origen lagunar. Los horizontes superficiales tiene texturas arcillosas, franco arcillo limosas
y arcillo limosas y estructura en bloques subangulares de fuerte a moderado (Metternicht, 1996).
2.2. Materiales y equipos
Tabla 1. Reseña de los materiales y equipos empleados en la investigación
Material - equipo Descripción
 Sistema operativo Windows Vista™ Ultimate.

 ILWIS© 3.3 (Integrated Land and Water Information System) Academic.
Software  R© versión 2.9.0 (17/04/2009).
 Vesper© 1.6.2.
 Microsoft© Office™ 2007.
 Curvas de nivel cada 20 m en formato *.mps (ILWIS).

 Imagen Landsat ETM+ de junio 2000 en formato *.mpr (ILWIS).
Archivos digitales  Mapa geomorfológico en formato *.mpr (ILWIS) a escala 1:50000.
 Mapa de vegetación en formato *.mpr (ILWIS) a escala 1:50000.
 DEM SRTM de 3 arco segundos en formato *.mpr (ILWIS).
2.3. Métodos
El proceso desarrollado para predecir variables edafológicas a partir de técnicas de inferencia

geoestadística, como el kriging de regresión, para la determinación del grado de salinidad y/o alcalinidad
en el Valle Alto de Cochabamba, incluyó cinco etapas principales, basadas en los alcances conceptuales y
procedimentales desarrollados por Hengl (2007).
2.3.1. Determinación de los predictores
En esta etapa se evaluaron y generaron las variables ambientales auxiliares, llamadas estadísticamente
predictores (Hengl, 2007). Los predictores obtenidos directamente o sin ningún tipo de proceso dentro de
esta investigación fueron las imágenes de satélite, los mapas temáticos de geomorfología y vegetación; y el
modelo digital de elevación.
Los predictores generados correspondieron en su plenitud a aquellos derivados del DEM previamente
corregido, operación desarrollada en el programa ILWIS, a partir de los procedimientos especificados por
Hengl et al. (2003).
Una vez obtenidos todos los predictores se procedió a evaluarlos a partir de su correlación temática. Esto
se realizó a partir del ajuste de todos las variables a un formato raster cuyo dominio fuese una escala
binaria (por ejemplo valores entre 0 – 255), todo desarrollado en el programa ILWIS. Las bandas de la
14
imagen de satélite fueron evaluadas separadamente, dada la alta correlación que algunas presentaban en
sus niveles digitales (ND). De esta forma y para evitar la duplicidad de información en el modelo, le fue
computado a este conjunto de datos un estadístico denominado OIF (Optimum Index Factor).
Debido a que existían predictores con una alta correlación, y para evitar el efecto de multicolinearidad
(Hengl, 2007), se realizó un análisis de componentes principales, en el programa ILWIS, de tal forma que
en lugar de emplear los predictores originales, se usaron los componentes transformados los cuales son
absolutamente independientes. Estos últimos fueron empleados para la modelación del kriging de
regresión previa importación al programa R.
2.3.2. Análisis espacial y estadístico de las muestras
Esta etapa incluyó el análisis de los datos e información disponible para el área de estudio de las variables
del suelo a predecir (pH y CEe “conductividad eléctrica en extracto de saturación”). En la parte espacial,
los análisis se enfocaron hacia la calidad y representatividad de las muestras en el área de estudio. La
calidad fue evaluada con el programa ILWIS, a partir del análisis de patrones, el cual permite obtener
información sobre la disposición de las muestras para valorar si existe agrupamiento en las mismas (Boot
y Getis, 1988). Adicionalmente se efectuó un mapa de densidad de puntos, el cual proporcionó el grado de
agrupamiento que presentaron los perfiles de suelo dentro del área evaluada. Para ello se construyó una
grilla de 4 km2 de superficie y se determinó en que lugares se encontraba la mayor cantidad de muestras.
La representatividad de las muestras fue analizada en el programa R, donde se evaluó que tan bien
representadas se encontraban las variables ambientales en los puntos de los perfiles, es decir, se realizó
una sobreposición entre los datos de los predictores en los puntos de muestreo y los predictores en
general, de tal forma que pudo constatarse si los dos conjuntos de datos se encontraban relacionados y si
efectivamente los lugares donde se encontraban las calicatas brindaban toda la gama temática que
presentaban las variables auxiliares en el área de estudio. La distribución de los puntos de muestreo
puede visualizarse en la figura 1.
Figura 1 Distribución de los puntos de muestreo en el área de estudio (Valle Alto de Cochabamba)
Debido a que los datos recopilados procedían de diferentes autores y de diversos métodos de medida
(dilución 1:1, dilución 1:2,5 y extracto de saturación), la información temática (valores de pH y CE) se
trató de ajustar al método sobre el cual se evalúa la salinidad y/o alcalinidad, denominado extracto de
saturación. Este aspecto hizo que para las dos variables estudiadas, se encontrasen relaciones entre los
diferentes métodos de medida con el de pasta de suelo saturado.
En el componente estadístico a cada una de las variables se le realizó un análisis exploratorio de datos
(EDA por sus siglas en inglés), a partir de los programas R y la extensión de Microsoft© Excel™ XLSTAT
2009. Los productos obtenidos del análisis permitieron conocer la distribución de frecuencias, la
presencia de datos atípicos, las medidas de tendencia central, entre otros importantes estadísticos.
15
Uno de los conceptos más significativos fue la evaluación de la normalidad de las muestras, aspecto que
también se logró analizar con el EDA. En el caso que una variable no tuviera distribución de probabilidad
normal, fue necesario transfórmala a una nueva variable que si la dispusiera.
2.3.3. Diseño del modelo de predicción espacial
El diseño del modelo de predicción espacial involucró dos alternativas a partir de la respuesta a un criterio
específico: ¿tiene la variable objetivo y/o sus transformaciones distribución de probabilidad normal?. Si la
respuesta era negativa, los modelos de interpolación empleados correspondían aquellos denominados
empíricos o mecánicos, mientras que si la respuesta era positiva, se procedía a realizar el kriging de
regresión.
Los modelos de predicción espacial mecánicos que se emplearon correspondieron a los dispuestos por el
programa ILWIS, en especial media móvil (moving average), tendencia de la superficie (trend surface) y
superficie móvil (surface moving). Los parámetros para cada uno de estos modelos fueron definidos de
manera arbitraria, con la condición de que cubrieran el área de estudio y arrojasen la menor cantidad de
valores atípicos o extraños.
Para el modelo geoestadístico (kriging de regresión), se involucraron varios pasos. Obtenidos los
predictores auxiliares evaluados, es decir los componentes principales de la etapa 1; al igual que las
variables originales (o transformadas sino tenían distribución normal), se procedió a generar el kriging de
regresión. Debido que este tipo de predicción contiene una parte determinística y otra estocástica, estas
fueron modeladas independientemente.
Para la parte determinística se empleó el programa R, en el cual se ajustó un modelo de regresión lineal
múltiple entre cada una de las propiedades estudiadas (variable dependiente) y los predictores, con la
ayuda del Criterio de Información de Akaike (AIC por sus siglas en inglés). Los modelos de regresión
fueron evaluados a partir del coeficiente de determinación múltiple (r2), el cual indica la proporción de la
varianza total que es explicada por los mismos. Los residuales de la regresión constituyeron la parte
estocástica del modelo y su ajuste se realizó a partir de procedimientos geoestadísticos. Para ello la
primera operación fue ajustar el semivariograma de los residuales para cada una de las variables. Los
parámetros de los semivariogramas fueron ajustados automáticamente a partir del programa Vesper y R,
con su paquete Gstat.
Definidos los modelos, range, sill y nugget de los semivariogramas para cada uno de los residuales del
modelo de regresión de las variables edáficas, se procedió a realizar la predicción, es decir, la ejecución del
kriging de regresión como tal (parte determinística y estocástica unidas). Esta operación fue realizada en
el programa R para cada una de las variables del suelo, y respondió a la siguiente ecuación (Ge Y. et al.,
2007):
Ecuación 1: Modelo de kriging de regresión
Donde son los valores para variables independientes; los coeficientes de la regresión (observe que
es la intercepción de la regresión); representa la predicción de los residuales de muestras
conocidas alrededor de la muestra desconocida; y representa los coeficientes (pesos) del kriging
determinados por la estructura de dependencia espacial de los residuales.
Una vez obtenida la predicción para cada una de las variables, también fue generado el mapa de error
(una de las ventajas de la interpolación con kriging), este último referido a la varianza de la predicción.
Aunque es posible generar simulaciones de la predicción realizada, a partir del algoritmo de simulación
secuencial Gaussiano (Hengl, 2007), también en el programa R; éste no fue realizado debido al excesivo
tiempo empleado por el programa para su cómputo, además de su difícil manejo y visualización. Una vez
terminado se aplicó la inversa de la transformación realizada a las variables predecidas si era necesario.
16
2.3.4. Evaluación de la calidad de la predicción
La evaluación de la calidad de la predicción se realizó a partir de la comparación entre el valor estimado

por el método de predicción espacial y el valor observado o medido en un punto de validación (muestra).
Para las predicciones a partir de modelos mecánicos, la evaluación se efectuó con la bondad de ajuste. En
el caso de la predicción por kriging además de la bondad de ajuste, se calcularon otras dos mediciones: el
error medio (ME) y la raíz del error cuadrático medio de la predicción (RMSE).
Además de los resultados ofrecidos por estas mediciones, la evaluación contempló la inspección visual y
conocimiento experto. La evaluación de las predicciones no incluyo un conjunto o muestra adicional de
perfiles de suelo, dado que por su distribución fue necesario emplear los setenta y tres perfiles disponibles
para la predicción espacial.
2.3.5. Generación de mapas de salinidad y/o alcalinidad para el área de estudio
Luego de la evaluación de las predicciones de cada una de las variables, se procedió a realizar los mapas
de salinidad y alcalinidad, además de las clasificaciones del grado de severidad en cada una de ellas. Para
realizar los mapas, se recurrió a los conceptos del sistema de clasificación desarrollados por el Laboratorio
de Salinidad de Suelos de USDA (1954). La clasificación de acuerdo al grado de severidad para los dos
problemas de afectación del suelo, fueron realizadas de acuerdo a los niveles propuestos por Schroeder
(1984, citado por Metternicht, 1996).
3.1. Determinación de los predictores
Las variables ambientales empleadas pueden agruparse en tres grupos: el primero correspondiente a las
bandas de la imagen Landsat de junio de 2000; el segundo conformado por los mapas temáticos de
vegetación y geomorfología correspondientes al Plan de Uso del Suelo del departamento de Cochabamba; y
el tercero constituido por el modelo digital de elevación (DEM). En lo que respecta a las bandas,
solamente se trabajaron con 3 de las 6 iniciales (3-5-7), las cuales respondieron al mayor valor de OIF
(Optimum Index Factor).
El DEM permitió la obtención de seis parámetros adicionales, correspondientes a la pendiente, aspecto,
curvatura planar, perfil de curvatura, curvatura media e insolación solar. En total fueron doce las
variables ambientales auxiliares empleadas, pero debido a la alta correlación temática entre las mismas,
como por ejemplo entre el perfil de curvatura y la curvatura media (0,80), o entre la pendiente y la banda
3 (-0,60), se optó por generar los componentes principales de este conjunto de datos. Del análisis anterior
es posible señalar que los cinco primeros componentes contienen el 93,44% del total de la varianza de los
datos, es decir información diferente que no está correlacionada. Los 3 últimos componentes, que tan solo
contienen 0,21 de la varianza de todos los datos, constituyen ruido del conjunto de predictores.
17
3.2. Análisis espacial y estadístico de las muestras
3.2.1. Análisis espacial
El primer análisis lo constituyó la calidad de las muestras, el cual a partir del análisis de patrones se
pudo establecer que para el 100% de las muestras la distancia necesaria para encontrar un vecino es de
3.900 m, mientras que para alcanzar todas las muestras es de 27 km. El análisis anterior también
permitió indicar que las muestras presentan una distribución espacial completamente aleatoria. No
obstante el mapa de densidad de puntos, el cual fue construido con un tamaño de pixel de 4 km2, señala
que dentro de 400 ha el número máximo de calicatas evaluadas es de cinco. No obstante este
comportamiento solamente se presenta para 800 ha. Debido a estas características no se pudo llegar a un
estudio a escala semidetallada, dado que los de ese tipo exigen entre 1 a 5 muestras por km2, cuando en
el área se obtuvo 1 por cada 500 ha (USDA 1993, citado por Rossiter, 2000).
La representatividad, la cual evaluó la disgregación de los puntos de muestreo en el espacio característico;
obtuvo altas correlaciones entre los predictores evaluados, tal como puede observarse en la tabla 2:
Tabla 2. Correlaciones obtenidas entre los datos de los puntos de muestreo y los predictores generales, en este caso
tres de diferentes fuentes y mecanismos de obtención
Predictor Correlation Pearson product-moment
Pendiente 0,98
Geomorfología 0,79
Banda 5 Landsat 0,90
3.2.2. Análisis estadístico
Debido a la multiplicidad de fuentes de datos, las variables de CE y pH presentaban diversos métodos de

medición (dilución 1:1, dilución 1:2.5, extracto de saturación). De acuerdo a lo anterior y con el propósito
de evaluar los datos obtenidos con un solo método (pasta de suelo saturado), se emplearon algunas
relaciones establecidas por diversos autores en varias partes del mundo. Sin embargo solamente fueron
obtenidas para CE (Rojas et al., 1982 y Sonmez et al., 2008), y no para pH.
La CEe, tiene una amplia desviación estándar (27,9 dS/m), lo que se traduce en un gran coeficiente de
variación (183%). Este aspecto es producto de la amplitud que presentan los datos registrados (109,5
dS/m), los cuales van desde los 0,2 hasta los 109,7 dS/m. Las medidas de tendencia central hacen
pensar que la mediana con un valor de 1,0 dS/m representa mejor a los datos que la media, cuyo valor es
de 15,2 dS/m sesgada por los valores más altos.
Las características anteriores, al igual que las pruebas de normalidad indicaron la ausencia de
distribución normal en el conjunto de datos. Ni aún con la transformación Box-Cox fue posible obtener
una nueva variable con distribución de probabilidad gaussiana, lo que impidió que la misma pudiese ser
modelada con kriging de regresión.
La variable pH fue analizada con sus valores originales a sabiendas de las omisiones y errores en los que
se está incurriendo al hacer este procedimiento. Esta propiedad edáfica presenta en sus medidas de
tendencia central una gran similitud, además de un coeficiente de variación bajo (13%), lo que indica lo
concentrado que se encuentran los valores a su media (7,91).
En cuanto a la normalidad de los datos, las pruebas realizadas a la variable CEe, también fueron
dispuestas para el pH, y sus resultados permitieron constatar que presenta una distribución de
probabilidad normal o gaussiana con un nivel de confianza del 95%. De esta forma la variable pH pudo
seguir el proceso de predicción espacial a partir de kriging de regresión.
3.3. Diseño del modelo de predicción espacial
Como consecuencia del análisis estadístico de las variables evaluadas, no fue posible aplicar el mismo
modelo de predicción espacial, de tal forma que para la CEe, se emplearon modelos mecánicos o
empíricos, que se caracterizan por no estimar el error y no tener suposiciones estrictas acerca de la
variabilidad temática de la propiedad edáfica (Hengl, 2007).
18
Para la CEe, se aplicaron 36 modelos entre moving average, trend surface y moving surface; a los cuales se
les ajustaron diferentes parámetros como las funciones de peso, exponentes y superficies. Para todos los
modelos la distancia limitante fue de 6.400 m.
Para la reacción del suelo, se diseño el modelo de regresión lineal múltiple, entre la variable y los
componentes principales. La definición del mismo estuvo sujeta al AIC, el cual proporciona el conjunto de
predictores que mayor influencia tiene en la predicción del pH (Hastie y Pregibon, 1992). El modelo con
un AIC = 1,19, tuvo la siguiente ecuación:
Ecuación 2: Modelo de regresión para pH
Donde SPCi corresponde a los predictores transformados. El modelo anterior tuvo un r2= 0,30 y ajustado
de 0,20, lo que indica que el modelo explica el 30% de la variabilidad, el cual es un valor estadísticamente
bajo. Para el modelo el error típico fue de 0,95, con una media de 7,91, una mediana de sus residuales de
0,07, con un valor mínimo de -2,05 y máximo de 0,80.
Una vez definida la parte determinística del modelo, se ajustó el componente estocástico, cuya modelación
se efectuó a partir de los residuales de la regresión planteada por la ecuación 1. El ajuste del
semivariograma, el cual exhibe la autocorrelación espacial de la variable estudiada y sobre el cual esta
gran parte de la mejora en la predicción (Ge Y. et al., 2007), presentó un modelo exponencial, con nugget ≈
0, sill = 0,858 y range = 474 m. El nugget ≈ 0, es un indicador de que no hay muestras a distancias
menores a las tomadas automáticamente por el programa R para el ajuste del semivariograma. El ajuste
del semivariograma de la variable original, con un modelo exponencial, con nugget = 0,495, sill = 1,204 y
range = 1.109,27 m (figura 2), presenta una autocorrelación espacial entre moderada y alta, dado que su
porcentaje de nugget es de 41% y tiene un rango medio. El semivariograma de la variable original y de sus
residuales puede observarse en la siguiente figura.
Figura 2. Semivariogramas de la variable original de pH a la izquierda y de sus residuales a la derecha.
3.4. Evaluación de la calidad de la predicción
La evaluación de las predicciones se realizó con los mismos puntos de muestreo. En este punto es preciso
indicar que el procedimiento correcto consistiría en someter a evaluación a un conjunto de muestras
independientes que no hayan sido empleadas por la interpolación, sin embargo dada la poca cantidad de
muestras para el área de estudio este aspecto no pudo llevarse a cabo.
De acuerdo a los resultados de la CEe, los métodos que más altos cocientes en su bondad de ajuste
arrojan incluyen a la función de peso de distancia inversa, tanto para moving average como para moving
surface.
19
En total son 11 métodos (30,6%) de los 36 realizados que tienen un cociente mayor o igual a 0,90, sin
embargo muchos de ellos no cubren toda el área de estudio con los parámetros dados. Este aspecto, al
igual que las características del interpolador, permitió definir al método de moving average, con función de
peso inversa y exponente de peso de 1,5 como el más adecuado, con una bondad de ajuste de 0,98.
Para la variable pH, cuyo mapa se encuentra en la figura No. 3; se realizó una comparación entre la
predicción obtenida con el kriging de regresión y otros métodos de interpolación, cuyos resultados dan
razón de la buena inferencia que se alcanza.
Aunque su bondad de ajuste y ME son muy buenos, el RMSE (0,027) es distante de la desviación estándar
obtenida para el pH (1,06), sin embargo son apreciables las relaciones que se encuentran con algunas
variables ambientales auxiliares como:
 Aspecto. Este mapa muestra el azimut en el cual se encuentra una superficie inclinada. Su
incidencia dentro del KR se encuentra ampliamente hacia la parte oriental del área de estudio,
representada en una textura de carácter moteado.
 Geomorfología. Como factor condicionante de la génesis y evolución de los suelos, esta variable tiene
una fuerte incidencia en el KR en las llanuras lacustre aluvial media y en los abanicos disectados
glacio aluvial proximal y central.
 Curvatura planar. Este parámetro derivado del DEM tiene una incidencia significativa en algunas
tendencias lineales del KR, localizadas hacia el centro del área de estudio. Esta variable hace
referencia a la divergencia o concentración del flujo de agua.
 Imágenes satelitales. Las bandas combinadas inciden en el resultado del KR en aspectos lineales
como las vías, en especial la carretera Cochabamba – Santa Cruz (antigua), que se encuentra en la
parte norte del área de estudio y puede verse claramente en el mapa de pH obtenido en la figura 3.
Figura 3. Mapa de pH obtenido a partir de kriging de regresión
3.5. Mapas de salinidad y/o alcalinidad

La clasificación de suelos salinos y/o alcalinos, se fundamentó en el sistema desarrollado por el
Laboratorio de Salinidad de Suelos de USDA (1954, citado por Metternicht, 1996), plasmado en la tabla 3.
20
Tabla 3. Áreas de tipos de suelos según su salinidad y/o alcalinidad en el Valle Alto de Cochabamba (clasificación
USDA 1954, sin incluir el ESP y SAR por ausencia de los datos)
Tipo de suelo Área (km2) Área (%)
Ni salino ni alcalino 54,68 16,6
Salino 208,78 57,9
Alcalino 24,24 6,7
Salino-alcalino 67,82 18,8
TOTAL 360,52 100,0
El mapa de tipos de suelo (figura 4) asevera el predominio en las características de los suelos de la parte
plana del Valle Alto de Cochabamba: su carácter salino debido a los aspectos geológicos y humanos
presentes en la zona, los cuales han sido ampliamente estudiados por Blacurtt (1988), Torres (1992),
Amurrio (1993), Torres (1995), Metternicht (1996), Chávez (1998) y Céspedes Montaño (2001).
Figura 4. Tipos de suelo a partir de su salinidad y/o alcalinidad en el Valle Alto de Cochabamba, con el esquema de
clasificación USDA 1954.
En lo que respecta a los grados de salinidad – alcalinidad, se tomó el esquema propuesto por Schroeder
(1984, citado por Metternicht, 1996), en el que se plantean 24 combinaciones. Los resultados obtenidos
indican que los suelos predominantes en la zona presentan en conjunto un grado de alcalinidad y
salinidad ligero con un 17,0% del área, seguidos por los moderadamente salino y ligeramente alcalino con
el 13,5% y completando con los no salinos y ligeramente alcalinos con un 12,9%. Estas tres clases
abarcan casi la mitad de la zona de estudio (43,4%), mientras que la otra mitad se encuentra dividida en
20 clases.
4. Conclusiones
Las variables ambientales auxiliares se establecieron a partir de tres grandes grupos que determinaron
doce predictores, pero en virtud de la alta correlación que existía entre algunos de estos se definieron sus
componentes principales.
El análisis espacial de las 73 muestras de suelo permitió determinar que su calidad es baja, dado que
para el 100% de los datos se necesitan 3.900 m de radio para encontrar un vecino en 360,52 km2, y tiene
una densidad adecuada solamente para 2.000 ha. En cuanto a la representatividad se puede indicar que
es adecuada.
21
La variable CEe (conductividad eléctrica en extracto de saturación), presentó diferencias significativas en

sus medidas de tendencia central, que produjeron que ni la variable ni sus posibles transformaciones
presentasen distribución de probabilidad normal. La variable pH registró gran similitud en sus medidas
de tendencia central que le permitió contar con distribución de probabilidad normal, y ser modelada a
partir de kriging de regresión.
De los 36 modelos diseñados para predecir la variable CEe, el mejor correspondió al método de moving
average, con función de peso inversa y exponente de peso de 1,5. El modelo de kriging de regresión para la
variable pH presentó una muy buena bondad de ajuste de 0,96. La predicción permitió establecer las
amplias relaciones que se tienen con variables como el aspecto, la geomorfología, la curvatura planar y las
imágenes satelitales.
La representación espacial de los suelos de acuerdo a su salinidad y/o alcalinidad, permitió aseverar tal
como lo planteaban diferentes autores, la presencia mayoritaria de suelos salinos en el área de estudio
con un 57,9%, seguida por los salino-alcalinos con un 18,8%. En cuanto al grado de salinidad-alcalinidad,
la zona tiene un predominio de suelos con alcalinidad y salinidad ligera con un 17,0%, seguidos por los
moderadamente salino y ligeramente alcalino con el 13,5% y completando con los no salinos y ligeramente
alcalinos con un 12,9%. La clasificación por separado señala que el 25,7% del área tienen un grado
ligeramente salino, mientras que el 56,5% es ligeramente alcalino.
Se recomienda mejorar la cantidad de muestras (perfiles) y su distribución, debido que el conjunto de
perfiles de suelo para el área evaluada resulto insuficiente, primero por su número y luego por su
distribución. También es necesario unificar los registros de las variables edafológicas empleadas, las
cuales están medidas en diferentes metodologías y esquemas, que generan valores diferentes y por ende
inexactitud en los resultados si se plasman sin las debidas consideraciones.
5. Referencias
Auza, A.M. 1999. Estimación de Tasas de erosión en la cuenca del Valle Alto mediante la Ecuación Universal de Pérdida
de Suelo y SIG. Tesis de Maestría Profesional en “Levantamiento de recursos hídricos – Manejo y conservación de
cuencas”. CLAS. Cochabamba (Bolivia). 47 pp.
Chávez Gamboa, J. E. 1998. Análisis contextual de clasificación de salinidad en el Valle Alto. Tesis de Maestría
Profesional en “Información de Suelos para Manejo de Recursos Naturales”. CLAS. Cochabamba (Bolivia). 33 pp.
Departamento de Agricultura de los Estados Unidos (USDA). 2006. Claves para la taxonomía de suelos. Servicio de
Conservación de Recursos Naturales (NRCS). Décima Edición. Washington, DC (USA). 339 pp.
Ge, Y., Thomasson, J., Sui, R., y Wooten, J. 2007, A comparison of regression and regression-kriging for soil
characterization using remote sensing imagery. ASABE Paper No. 071001. St. Joseph, Mich.: ASABE.
Giraldo, R. 2002. Introducción a la Geoestadística. Teoría y aplicación. Universidad Nacional de Colombia. Bogotá,
D.C. (Colombia). 94 pp.
Hastie, T. J. y Pregibon, D. 1992. Generalized linear models. Chapter 6 of Statistical Models in S eds J. M. Chambers
and T. J. Hastie, Wadsworth & Brooks/Cole.
Hengl, T., Gruber, S. Shrestha, D.P., 2003. Digital terrain analysis in ILWIS. Lecture notes and user guide.
International Institute for Geo-Information Science and Earth Observation. Enschede, The Netherlands. 56 pp.
Hengl, T., 2007. A Practical Guide to Geostatistical Mapping of Enviromental Variables. EUR 22904 EN, Office for
Official Publications of the European Communities, Luxemburg. 143 pp.
Lagacherie, P., McBratney, A.B. 2007. Spatial Soil Information Systems and Spatial Soil Inference Systems:
perspectives for digital soil mapping. In: Digital Soil Mapping An Introductory Perpective. Development in Soil Science.
Volume 31. Elsevier B.V. Armsterdam, The Netrherlands.
McBratney, A.B., Mendonça Santos, M.L., Minasny, B. 2003. On digital soil mapping. En: Geoderma 117 3-52 pp.
McKenzie, N., Ryan, P. 1999. Spatial prediction of soil properties using enviromental correlation. En: Geoderma 89. 67
– 94 pp.
Metternicht, G. A. 1996. Detecting and monitoring land degradation features and processes in the Cochabamba
Valleys, Bolivia. ITC Publication Number 36. Enschede, Netherlands. 390 pp.
R Development Core Team (2009). R: A language and environment for statistical computing. R Foundation for
Statistical Computing, Vienna, Austria. ISBN 3-900051-07-0, URL http://www.R-project.org.
Rojas E., L.A., Castillo, L. E., Lora S., R. 1982. Caracterización de la salinidad de los suelos en extractos procedentes de
varias relaciones suelo : agua. En: Suelos Ecuatoriales. Vol. XII. No. 1. Revista de la Sociedad Colombiana de Ciencias
del Suelo. Bogotá (Colombia). 24 – 36 pp.
22
Rossiter, D.G. 2000. Metodologías para el levantamiento del recurso suelo. Texto Base. Traducido y adaptado al
español por Vargas R. ITC. 145 pp.
Scull, P. Franklin, J. Chadwick, O.A. McArthur, D. 2003. Predictive soil mapping: a review. En: Progress in Physical
Geography 27, 2. 171 – 197 pp.
Sonmez, S., Buyuktas, D., Okturen, F., Citak, S. 2008. Assessment of different soil to water ratios (1:1, 1:2.5, 1:5) in
soil salinity studies. En: Geoderma 144. 361 – 369 pp.
Torres, A.J. 1995. Delimitación de áreas salinas y salino-sódicas mediante teledetección, sistemas de información
geográfica y datos de campo del Valle Alto de Cochabamba. Tesis de Ingeniería Agrónoma Universidad Mayor de San
Simón. Cochabamba (Bolivia). 83 pp.
UTPLA, 2004. Mapa preliminar de división político administrativa de Bolivia a nivel de sección de provincia.
Vargas, R.R. 2009. Mapeo digital del suelo y su evaluación con fines de producción de caña de azúcar en los municipios
de Ixiamas y San Buenaventura. Conservation Strategy Fund-Conservacion Internacional. La Paz, Bolivia. 86 pp.
23
ESTIMACIÓN DEL COEFICIENTE ISOHÚMICO DE RESIDUOS DE

MAÍZ EN INCEPTISOLES DE PAIRUMANI, VINTO, COCHABAMBA
Karen Guzmán M.1, Mauricio Azero A.1, José Sánchez P.2

1 Universidad Católica Boliviana San Pablo, Carrera de Ingeniería Ambiental, Cochabamba
2 Granja Modelo Pairumani, Fundación Simón I. Patiño
E-mail de referencia: mazero@ucbcba.edu.bo
RESUMEN
En los valles mesotérmicos de Bolivia existen problemas de degradación de suelos y
desertificación debido a la vigencia de diversas prácticas de sobreexplotación de
biomasa que resultan en una desprotección del suelo y en una pérdida de materia
orgánica edáfica. Dicha pérdida de materia orgánica redunda por diversos procesos en
una pérdida integral de las capacidades del suelo. En suelos agrícolas de
aprovechamiento intensivo, como ocurre en los valles mesotérmicos, el ritmo de
disminución del contenido de materia orgánica del suelo es presumiblemente mayor,
debido a la mayor presión de explotación de biomasa. En este contexto es urgente
generar una tecnología y acciones precisas para frenar el proceso y recuperar el
contenido de materia orgánica del suelo. Para ello, conceptualmente, es necesario
actuar sobre el balance de carbono del suelo. En el balance, según el modelo de Hénin-
Dupuis, los ingresos de materia orgánica, dependen del aporte de biomasa anual y la
tasa de humificación de la misma. Los egresos dependen del contenido total de materia
orgánica del suelo y la tasa de mineralización, la cual es altamente dependiente del
clima.
En el presente estudio se calculó la tasa de humificación o coeficiente isohúmico y se

estimó el aporte anual de humus de un cultivo de maíz (Compuesto 20), en la Granja
Modelo Pairumani (GMP), ubicada en Pairumani, Vinto, Provincia de Quillacollo,
durante el ciclo 2006/07. Se midió la producción de biomasa aérea, radicular y de
grano. Posteriormente, se estimó el coeficiente isohúmico de los rastrojos de maíz
aplicados al suelo (10.000 kg m.s. ha-1) utilizando el método de las bolsas de
descomposición (Litter bags) para conocer las aportaciones de carbono en forma de
humus al suelo. Se instalaron 96 bolsas de descomposición en dos parcelas de la GMP y
se registró la descomposición mes a mes durante un año (julio 2006 a julio 2007). El
estudio contempló dos tratamientos de picado del rastrojo: fino (<5cm) y grueso
(>10cm).
La descomposición de ambos, fino y grueso, siguió un modelo exponencial negativo en

todos los casos (r2: 0,73-0,93). Se evidenció también que el rastrojo grueso tardó de 2 a
3 meses más en estabilizarse; no obstante, transcurrido un año se estimó un rango para
el coeficiente isohúmico de 0,10-0,20 para ambos tratamientos. La producción de
humus luego de un año de aportado el rastrojo fue de 1.091-1.678 kg m.s. ha-1 en las
dos parcelas de estudio, suponiendo que todo el rastrojo permanece en el terreno.
Hace falta aún calcular la pérdida anual de materia orgánica edáfica, a través del
coeficiente de mineralización, para cuantificar el requerimiento de rastrojo que
neutralice las pérdidas naturales por descomposición.
Palabras clave: Descomposición, humificación, manejo de rastrojos en superficie,

coeficiente isohúmico.
24
Contenido
1.Introducción __________________________________________________________________________________________________ 25
2.Materiales y métodos __________________________________________________________________________________________ 26
2.1. Caracterización inicial de las parcelas de estudio ________________________________________________________ 26
2.2. Estimación de la producción de biomasa _______________________________________________________________ 26
2.3. Seguimiento de la descomposición de los rastrojos ______________________________________________________ 27
2.3.1. Armado de las unidades muestrales _____________________________________________________________________ 27
2.3.2. Diseño experimental ____________________________________________________________________________________ 27
2.3.3. Colecta y procesamiento de las unidades muestrales _____________________________________________________ 28
2.3.4. Estimación del coeficiente isohúmico ____________________________________________________________________ 28
3.Resultados ____________________________________________________________________________________________________ 28
3.1. Caracterización inicial de las parcelas de estudio ________________________________________________________ 28
3.2. Producción de biomasa del cultivo de maíz Compuesto 20 en el ciclo vegetativo 2005/06 __________________ 30
3.3. Análisis de las condiciones de descomposición de los rastrojos ___________________________________________ 31
3.3.1. Rastrojo fino ___________________________________________________________________________________________ 32
3.3.2. Rastrojo grueso ________________________________________________________________________________________ 33
3.3.3. Evolución de la relación C/N ____________________________________________________________________________ 33
3.3.4. Aporte de humus al suelo por los residuos de maíz _______________________________________________________ 34
4.Conclusiones _________________________________________________________________________________________________ 34
5.Agradecimientos ______________________________________________________________________________________________ 35
6.Referencias ___________________________________________________________________________________________________ 35
1. Introducción
Hacia mediados de los años 90, Bolivia presentaba 41 % de su territorio con problemas de desertificación
(MDSMA, 1996; MDS, 2000). Esta región en desertificación comprendía en esos años alrededor del 45,8 %
del departamento de Cochabamba (MDS, 2000). Considerando que los esfuerzos realizados para frenar
los procesos de desertificación en el país fueron muy escasos, muy posiblemente estos niveles de
degradación se han incrementado hasta el presente.
En Bolivia, la explotación de ecosistemas altamente frágiles con inadecuadas prácticas agrícolas y la
sistemática sobreexplotación de la cobertura vegetal y boscosa, son los mayores causantes del proceso de
desertificación de las tierras (MDSMA, 1996; BBC, 2001). Todas estas prácticas conducen, de una
manera u otra, a un desbalance del contenido de materia orgánica del suelo, resultando en una
degradación integral de las propiedades del suelo.
En este sentido, para recuperar la productividad de los suelos en desertificación, una medida importante
es la recuperación de la materia orgánica del suelo (MOS), debido a sus múltiples funciones en el
ecosistema edáfico (Labrador, 2001; Bot y Benites, 2005). La MOS incide de manera muy importante en el
mantenimiento de las propiedades físicas, principalmente los procesos de difusión y convexión de gases, la
retención de humedad y la formación de una estructura estable que permita una mayor resistencia ante
los procesos erosivos. Participa también en las propiedades químicas, tales como el almacenamiento de
nutrientes, ya sea como constituyentes estructurales o como elementos adsorbidos. Finalmente, es vital
para el mantenimiento de la actividad biológica.
En suelos agrícolas, por otro lado, el contenido de MOS tiene una relación directa con la productividad
económica del suelo: se ha estimado que un incremento de 1 t de carbono orgánico del suelo (COS) por
hectárea puede incrementar el rendimiento de maíz en 10 a 20 kg ha -1 y en el trigo, de 20 – 40 kg ha-1
(Lal, 2004).
El incremento del contenido de MOS, o su constituyente principal, el carbono orgánico del suelo, requiere
incidir sobre el balance de aportes y pérdidas que se registran de manera estacional en el ecosistema
natural. Los flujos de carbono en el suelo están sujetos a un balance dinámico de entradas periódicas de
material, generalmente de manera estacional, por la humificación de residuos vegetales y enmiendas
orgánicas, y pérdidas por la mineralización de la materia orgánica del suelo (Paustian et al., 1997). Debido
a esta dinámica es importante no sólo conocer la cantidad total de materia orgánica existente en un suelo
sino la velocidad con la que ésta evoluciona y el equilibrio entre las entradas y las salidas de carbono en
los suelos agrícolas (Herrero, 2004).
25
Para poder cuantificar los flujos de entrada y salida, es importante conocer la tasa de formación de humus
a partir de los residuos incorporados anualmente y la tasa de mineralización de la materia orgánica
existente en el suelo. En el balance, el suelo puede ser emisor de carbono en caso de que la tasa de
mineralización sea mayor a la tasa de humificación o, en caso contrario, secuestrador de carbono
(Labrador, 2001; FAO, 2002).
Un suelo secuestrador de carbono, además de brindar este servicio ambiental, que reduce la
concentración atmosférica de ese gas de efecto invernadero, se encuentra en proceso de acumulación de
materia orgánica, lo que en general conduce a una mejora integral de las propiedades de ese ecosistema.
Las velocidades de humificación y mineralización pueden ser estimadas por modelos simples, a partir de
dos coeficientes (Hénin y Dupuis, 1945; Andriulo et al., 1999). Por un lado, el coeficiente de humificación
o isohúmico mide la fracción de los rastrojos que permanecen en el suelo después de un año (Wolf y
Janssen, 1991), constituyéndose así en una estimación de la proporción de los residuos que se transforma
en humus. Por otro lado, el coeficiente de mineralización mide la fracción de humus del suelo
mineralizada en un año.
Las principales formas de obtener un incremento del carbono orgánico en el suelo están asociadas a la
agricultura de conservación e incluyen la labranza mínima o cero y el uso de una cobertura vegetal
continua y protectora formada por materiales vegetales vivos o muertos sobre la superficie del suelo (FAO,
2002; Lal, 2006).
En la región del Valle Central de Cochabamba, la GMP enfrenta también problemas de degradación del
suelo que la forzaron a replantear su sistema productivo. Desde el año 1998 utiliza un modelo
agrobiológico en toda su producción. Éste es un modelo integral de producción agropecuario que
privilegia, entre otras cosas, mejorar el balance energético de la producción y disminuir los impactos
ambientales negativos sobre los recursos naturales que el sistema agrícola convencional ocasiona. Como
parte esencial del sistema, utiliza la práctica del reciclaje de sus residuos orgánicos, particularmente las
deyecciones de animales. Desarrolla técnicas agrobiológicas en torno a los ejes principales de la
agricultura y la ganadería (Fundación Simón I. Patiño, 2002).
El modelo integral de producción agrobiológica contempla la restauración de la estructura de los suelos y
la gestión de la materia orgánica a fin de recuperar y mantener la fertilidad de los suelos (Fundación
Simón I. Patiño, 2002). El presente estudio se desarrolló en el sector agrícola de la GMP, donde el
principal cultivo generador de biomasa, tanto para forraje como para compostaje, es el maíz. Este cultivo,
además, es el principal cultivo de la región del Valle Central de Cochabamba. Por esta razón, y por su
elevado potencial de producción de biomasa, se consideró importante evaluar el potencial de los residuos
de maíz de aportar humus al suelo, luego de su descomposición.
En este contexto, el objetivo de esta investigación es estimar el coeficiente isohúmico de los residuos de
maíz (híbrido forrajero Compuesto 20) en suelos de la Granja Modelo Pairumani y estimar la producción
de biomasa aérea, radicular y de grano total.
2. Materiales y métodos
La metodología incluye cuatro fases: caracterización inicial de las parcelas, estimación de la producción de
biomasa, seguimiento durante el ciclo de descomposición de los rastrojos y estimación del coeficiente
isohúmico.
2.1. Caracterización inicial de las parcelas de estudio
Se realizó un estudio completo de los perfiles de suelo de las parcelas en estudio. Se tomaron muestras de
los dos primeros horizontes de cada perfil para su posterior análisis físico-químico en el Laboratorio de
Suelos y Aguas de la Universidad Mayor de San Simón.
2.2. Estimación de la producción de biomasa
Durante la etapa de crecimiento del cultivo (ciclo 2005/06) se realizó un seguimiento y registro del manejo
agrícola y las condiciones de temperatura y humedad, a las que los cultivos estuvieron expuestos. Los
datos climáticos se obtuvieron de la estación meteorológica de Villa Albina, Fundación Simón I. Patiño.
26
En la época de la cosecha se determinó la producción total de biomasa aérea, radicular y de grano de las
dos parcelas en las que se instalarían los ensayos de descomposición: 4E Norte Valenzuela (4ENV) y 17B
Pairumani (17BP). En cada parcela se realizó un muestreo de 4 repeticiones de una superficie de muestreo
de 2 m lineales sobre hilera por 2,3 m lineales entre surcos. Para la ubicación de las superficies de
muestreo se dividió la parcela en cuatro cuadrantes y se muestreó la parte central de cada cuadrante. Se
separó la biomasa aérea del maíz y el grano producido. Asimismo, se colectaron las raíces presentes en los
primeros 60 cm.
En el laboratorio se pesó cada una de las muestras de biomasa aérea, subterránea y las bolsas que las
contenían, para calcular el peso seco correspondiente. Asimismo, se determinó el contenido de carbono y
nitrógeno de las muestras, para caracterizar su relación C/N inicial.
Para el cálculo del factor de cosecha se pesaron las muestras de grano y se llevó los datos a peso seco
asumiendo un factor de 0,12 de humedad. Con la cantidad de grano calculada y la cantidad de biomasa
se determinó el factor de cosecha en unidades de kg grano kg-1 biomasa-1.
2.3. Seguimiento de la descomposición de los rastrojos
Para el estudio de la descomposición de los rastrojos de maíz se utilizó el método de las bolsas de
descomposición (OECD, 2006). Previo al seguimiento de la descomposición se realizó un periodo de
prueba para adecuar el método a las condiciones de campo de la GMP. Posteriormente, se estudió la
descomposición de los rastrojos por el periodo de un año después de la cosecha (2006/07). Una vez
transcurrido el año del seguimiento de la descomposición de los rastrojos se calculó el coeficiente
isohúmico.
Secuencialmente, se llevaron a cabo los siguientes pasos:
2.3.1. Armado de las unidades muestrales
Previo al seguimiento de la descomposición de los rastrojos de maíz se realizó una prueba inicial del
método de las bolsas de descomposición siguiendo todas sus especificaciones. Para esta prueba se utilizó
bolsas de polietileno y malla milimétrica de plástico de 2 mm. Considerando los resultados obtenidos en
una prueba inicial se vio conveniente utilizar, por un lado, un material de menor porosidad que la malla
milimétrica, para disminuir la pérdida de materia orgánica de las bolsas. Por otro lado, se descartó el uso
de las bolsas de polietileno por su baja permeabilidad. En consecuencia, se eligió una tela sintética de
semisombra de 10 % de porosidad. Con este tipo de bolsa se utilizó dos tratamientos de picado de
rastrojo: fino (menor a 5 cm) y grueso (mayor a 10 cm). El picado fino se lo realizó con una picadora
mecánica y el picado grueso manualmente con un machete, simulando una práctica adecuada a la
realidad de la mayoría de los agricultores.
Se elaboraron 96 bolsas de descomposición (48 de rastrojo fino y 48 de rastrojo grueso) para cada una de
las dos parcelas. Las bolsas de descomposición se construyeron de un tamaño de 20 x 20 cm y con una
cantidad de muestra de 40 g de rastrojo de maíz, equivalente a 10 Mg ha-1 (1 Mg = 1.000.000 g = 1 t).
Posteriormente, las bolsas se dejaron sobre la superficie del suelo de las áreas de estudio y se cubrieron
con una capa de rastrojo, de forma que quedaran completamente cubiertas.
2.3.2. Diseño experimental
Se habilitó un área de 10 x 18 m (subparcelas) para el estudio de la descomposición de los rastrojos de

maíz en las dos parcelas de la GMP mencionadas, 17BP y 4ENV. Para cada subparcela se tuvo el cuidado
de dejar un borde de 6 m para obtener la representatividad deseada.
Dentro de cada una las subparcelas de estudio (180 m 2 cada una) se delimitaron dos áreas de 48 m 2 cada
una, ubicadas lado a lado. Dichas áreas se ubicaron en el centro de la subparcela, dejando un mínimo de
un metro alrededor para evitar el efecto de borde. Una de las áreas fue utilizada para el estudio del
seguimiento de la descomposición de los rastrojos de maíz picados mecánicamente (picado fino) y la otra
fue utilizada para el estudio de la descomposición de los rastrojos de maíz picados manualmente (picado
grueso). En las áreas de estudio se dejó sobre la superficie el 100 % del rastrojo producido por el cultivo
de maíz Compuesto 20.
Cada área fue dividida en cuatro cuadrantes para facilitar el muestreo. Debido a la pendiente
predominante norte-sur que tienen las parcelas de estudio, las superficies utilizadas se delimitaron en el
mismo sentido.
27
2.3.3. Colecta y procesamiento de las unidades muestrales
Cada mes se recogieron de manera aleatoria cuatro bolsas con picado fino y cuatro bolsas con picado
grueso, una en cada cuadrante, tomando en cuenta el sentido de la pendiente norte-sur. Todos los meses
se determinó el peso seco de cada una de las muestras y cada dos meses se realizó la determinación de
carbono orgánico y nitrógeno total de las muestras, esto último para evaluar el avance en el proceso de
descomposición.
Durante el estudio de la descomposición de los rastrojos de maíz se realizó un registro de los parámetros
climáticos de temperatura y precipitación y, en las parcelas, parámetros edáfoclimáticos. Los datos fueron
recabados de los registros de la estación meteorológica de Villa Albina.
Durante los primeros seis meses de la descomposición, en los días de colecta de las unidades muéstrales
se midió cada hora la temperatura a 3 cm de profundidad del suelo, registrando las temperaturas mínima,
máxima e intermedias del día. Asimismo, se colectaron muestras de suelo debajo de cada bolsa recogida
para determinar en laboratorio el contenido de humedad del suelo.
2.3.4. Estimación del coeficiente isohúmico
Los resultados de la descomposición de los rastrojos se analizaron estadísticamente mediante un ajuste de

regresión y un análisis de dispersión de puntos. El tiempo de exposición de los rastrojos de maíz en la
superficie del suelo fue relacionado con la cantidad de dicho residuo en cada una de las épocas de colecta
de las muestras. A los pares de datos obtenidos se ajustó una regresión lineal y una regresión exponencial
negativa. Se determinó la curva que mejor se ajustaba a los puntos con el análisis de los coeficientes de
determinación obtenidos.
El modelo matemático lineal que se ajustó fue el siguiente:
Yi = β0 + β1Xi + εi
donde:
Yi = Cantidad de biomasa remanente registrada (g)
Xi = Mes después de la cosecha de la i-ésima evaluación
β0, β1 = Coeficientes de regresión
εi = Término de error aleatorio
Cuando la correlación fue débil se ajustaron los puntos a un modelo de regresión exponencial negativa
(Bertol et al., 2004), como indica la siguiente función:
Y = ae-bx
Este modelo probabilístico se convirtió en lineal, realizando la siguiente transformación:
X’ = log X ,
teniendo como ecuación final:
Yi = β0 + β1Xi + εi .
Según OECD (2006) el método de las bolsas de descomposición es válido si el 60 % del peso inicial de
cada bolsa es perdido durante la descomposición. Por tanto se tomó este criterio para considerar si la
descomposición fue significativa o no.
3. Resultados
3.1. Caracterización inicial de las parcelas de estudio
La parcela 17BP, de 1,2 ha de superficie, está rodeada por hileras de árboles en los lados norte, sur y
oeste. Además, por los linderos norte y oeste bordea un canal de riego de uso frecuente.
28
Estas características imprimen un microclima particularmente húmedo, y una temperatura media inferior
y de menor variabilidad que en la parcela 4 ENV.
El suelo Dystrustept Húmico de la parcela 17BP es relativamente joven, poco profundo y moderadamente
pedregoso. El perfil presenta un horizonte B relativamente bien marcado. El suelo presenta un proceso de
erosión leve que se explica por la pendiente de 6 % y la escasa cobertura vegetal.
La calicata mostró una profundidad total de 76 cm. El perfil presentó seis horizontes: Ap, Am, Bw1, Bw2, Bw3 y C.
El horizonte Ap mostró una moderada actividad biológica. En el segundo horizonte, a una profundidad de
16 cm, se observó un piso de arado que dificulta la exploración de raíces a capas más profundas.
El análisis físico y químico de la parcela 17BP mostró los resultados que se muestran en las tablas 1 y 2.
La parcela 4ENV ocupa 1,62 ha y está rodeada por hileras de arbustos y algunos árboles en los lados
norte y oeste. Por el norte presenta un canal de riego utilizado casi exclusivamente para el riego de
presiembra y eventualmente durante épocas muy secas.
El suelo (Dystrustept Húmico) de la parcela 4ENV presenta un desarrollo moderado, es medianamente
profundo y ligeramente pedregoso. Al igual que la parcela 17B Pairumani, presenta un horizonte B
relativamente bien marcado. El suelo sufre un proceso ligero de erosión laminar debido a la escasa
cobertura y la pendiente de 4 %.
La calicata mostró una profundidad total de 80cm. El perfil presentó cinco horizontes: Ap, Ab, Bw, grava y
C. En los primeros tres horizontes se observó una actividad biológica moderada. La cuarta capa estaba
formada complemente por piedra y grava.
Los resultados del análisis físico y químico de la parcela 4ENV se muestran en las tablas 1 y 2.
Es importante destacar, en relación a los análisis físicos, que los valores de densidad aparente de ambos
suelos son elevados para la clase textural franco arcillosa (FY), para la cual se esperaría un valor cercano
a 1,10 g/cm3 (Hausenbuiller, 1985). De manera concomitante, los valores de porosidad total quedan por
debajo de lo normal para la textura. Esto se traduciría en una importante limitación en cuanto a la
permeabilidad, tanto relativa al agua así como a los gases y la penetración de las raíces.
Los contenidos de MO están en el rango correspondiente a medio, a pesar de que el cultivo principal, el
maíz, es una especie altamente productora de biomasa. Sin embargo, debido al manejo, esta producción
no se refleja en un aporte efectivo al suelo.
Los niveles de Nt corresponden a valores medios para ambas parcelas y los de Pdisp son elevados en la
parcela 17 BP y bajos en la parcela 4ENV.
Tabla 1. Resultados del análisis físico de los primeros dos horizontes de las parcelas 17BP y 4
ENV.
Prof. Y L A Da Dp Poros. CC PMP

Parc. Hzt. Text.
cm % g/cm3 %
17BP Ap 0-16 29 41 31 FY 1,39 2,63 47,2 25,65 13,29
17BP Am 0-30 37 35 29 FY 1,52 2,63 42,4 28,33 14,48
4ENV Ap 0-16 32 45 23 FY 1,39 2,63 47,2 28,15 16,18
4ENV Ab 16-28 32 45 23 FY 1,35 2,63 48,6 28,83 16,84
29
Tabla 2. Resultados del análisis químico de los primeros dos horizontes de las parcelas 17BP y
4 ENV.
Cationes Cambiables
Prof. pH C.E. CIC SB MO Nt Pdisp
Parc. Hzt. Ca++ Mg++ K+ Na+
cm dS m-1 cmol kg-1 % ppm
17BP Ap 0-16 6,9 0,143 10,00 1,00 0,30 0,44 11,6 100,0 2,81 0,144 36,7
17BP Am 0-30 6,6 0,078 11,00 1,00 0,14 0,36 13,2 94,7 1,90 0,084 41,1
4ENV Ap 0-16 6,9 0,089 7,50 2,50 0,14 0,15 11,0 93,5 2,71 0,161 1,9
16-
4ENV Ab 6,9 0,120 7,50 2,50 0,14 0,22 10,2 100,0 1,91 0,102 3,8
28
3.2. Producción de biomasa del cultivo de maíz Compuesto 20 en el ciclo vegetativo 2005/06
Se aplicó un riego de presiembra en noviembre 2005. La cama de siembra se preparó con arado de disco,
seguido de arado actisol. Desde la siembra (16 y 18 de noviembre para 4ENV y 17BP, respectivamente)
hasta abril las condiciones climáticas se caracterizaron como húmedas (con periodos hiperhúmedos en los
meses de diciembre, enero y marzo). Estas condiciones permitieron el crecimiento óptimo de los cultivos
desde su germinación hasta la producción de grano. En los últimos meses (abril - julio) los cultivos
estuvieron expuestos a condiciones áridas las cuales ayudaron a la maduración adecuada del grano. El
control de malezas se realizó manualmente en las subparcelas de estudio.
En estas condiciones las parcelas produjeron una cantidad de biomasa (aérea, subterránea y grano)
presentada en la tabla 3. La diferenciación por tipo de biomasa se realizó para determinar la contribución
de raíces, tallos y hojas a la acumulación total de biomasa.
La producción promedio de biomasa por hectárea, en términos de materia fresca, para las parcelas de
estudio se presenta en el tabla 3. La biomasa aérea de la planta de maíz (tallos y hojas) corresponde al
mayor porcentaje de biomasa producida, aproximadamente 76% y 81% para 17BP y 4ENV,
respectivamente. El grano no se contempló como parte de la biomasa.
Tabla 3. Resultados del rendimiento promedio de los cultivos de maíz Compuesto 20
Biomasa Biomasa Biomasa

Parcela Grano
radicular aérea total
kg m.f. ha-1
17BP 2.675 8.511 11.186 5.598
4ENV 1.357 5.915 7.272 6.630
Los factores de cosecha de las parcelas se muestran en el tabla 4. El factor de cosecha se calculó para
poder conocer la producción de biomasa en función de la producción de grano.
Tabla 4. Resultados del factor de cosecha de los cultivos de maíz Compuesto 20
Parcela Factor de cosecha

17BP 0,45
4ENV 0,85
Según Satorre (2002), el factor de cosecha de maíz en ausencia de limitaciones hídricas varía
generalmente entre 0,4 a 0,5. En la GMP el factor 0,5 es un valor usual. La parcela 17BP presentó un
factor de cosecha cercano al valor común de la GMP mientras que la parcela 4ENV tuvo un valor mucho
más elevado en comparación al promedio.
La relación C/N inicial de los residuos fue de 61 para la parcela 17BP y de 41 para la parcela 4ENV. Estos
niveles se encuentran dentro del rango de valores normales reportados en la literatura para los residuos
de maíz (Morón, s/a; Silva y Acevedo, 2005; Martínez et al., 2006).
30
3.3. Análisis de las condiciones de descomposición de los rastrojos
Durante la descomposición, las condiciones de precipitación pluvial y temperatura atmosférica registradas

fueron próximas a los valores promedio para la zona, según datos del Centro Metereológico de Villa Albina
en Pairumani.
Ambas parcelas estuvieron sujetas a condiciones áridas durante los primeros tres meses posteriores a la
cosecha y el picado del rastrojo (agosto-octubre). Entre los meses de octubre y abril estuvieron sujetas a
condiciones húmedas e hiperhúmedas y finalmente entre abril y julio sufrieron condiciones áridas. Los
riegos en 17BP se concentraron en el segundo semestre de descomposición, mejorando las condiciones
durante unos días. En 4ENV los riegos se concentraron en el primer semestre de descomposición.
Según Aulakh et al. (1991), el régimen de humedad es importante al inicio del proceso de descomposición.
Asimismo, Stoot et al. (1989) mencionan que la humedad influye de una forma importante sobre la
descomposición de los compuestos fácilmente degradables y que luego de la desaparición de éstos pierde
importancia. Según Allison (1973), la humedad óptima para la descomposición es de 50-100 % de la
capacidad de campo del suelo. Según este autor (Allison, 1973) la humedad es más crítica por un exceso
que por un déficit, debido a la gran importancia de la aireación en el proceso de descomposición de la
materia orgánica. En la figura 1 se muestra como la humedad edáfica en la parcela 17BP estuvo por
debajo del punto de marchitez permanente durante seis meses; la parcela 4ENV, en cambio, presentó
durante diez meses humedad edáfica por debajo del punto de marchitez permanente.
40 30
35
25
30
25 20
20 15
15
10
10
5
5
0 0
Dic-06
Ago-06
Ene-07
Jun-07
Jul-07
Nov-06
Abr-07
May-07
Oct-06
Mar-07
Sep-06
Feb-07
Ago-06
Dic-06
Ene-07
Jul-07
Jun-07
Nov-06
Abr-07
May-07
Sep-06
Oct-06
Feb-07
Mar-07
(a) (b)
Figura 1. Evolución de la humedad edáfica durante el periodo de estudio de descomposición de
los residuos de maíz (agosto 2006- julio 2007). La línea horizontal superior de cada
gráfico corresponde al coeficiente de Capacidad de Campo del horizonte superior de la
parcela respectiva; la línea inferior marca el Punto de Marchitez Permanente. Entre
ambas líneas se tiene el espacio de la humedad disponible. (a) 17BP, (b) 4ENV.
Las temperaturas a los tres centímetros de profundidad estuvieron dentro de los límites normales y
oscilaron dentro del rango de 18-25 ºC.
La temperatura es uno de los factores que más afectan al crecimiento microbiano. Según Alexander
(1980), las máximas tasas de descomposición se reportan entre el rango de temperatura de 30 a 40 ºC.
Sin embargo, la máxima actividad microbiana de descomposición tiene lugar en un rango de temperatura
comprendida entre 26,5 y 32 ºC (Alexander, 1980). Asimismo, Worthen y Aldrich (1980) afirman que los
organismos que intervienen en la descomposición de la materia orgánica permanecen en un estado
atenuado cuando la temperatura es inferior a 4,5 ºC. Entre los 4,5 ºC hasta los 26,5 ºC su actividad se
duplica por cada 10 grados de aumento en la temperatura (Worthen y Aldrich, 1980).
En general, las temperaturas edáficas registradas en las parcelas de estudio estuvieron por debajo del
rango óptimo de desarrollo de los microorganismos, pero por encima del umbral de 4,5 °C. No se
registraron amplitudes mensuales importantes en ninguna parcela.
Evaluación de la descomposición del rastrojo en las bolsas de descomposición:
31
3.3.1. Rastrojo fino
Con los datos de las variaciones de la cantidad de rastrojo de maíz contenido en las bolsas, se realizó una
regresión y un análisis de dispersión para conocer la tendencia de los puntos obtenidos y la evolución de
la descomposición. Se ajustó el modelo lineal propuesto por Enst et al. (2002) y el modelo exponencial
negativo obtenido por Bertol et al. (2004) para rastrojos de maíz. Con el modelo exponencial negativo se
obtuvieron mayores coeficientes de determinación para ambas parcelas (r2=0,86 para 17BP y r2=0,93 para
4ENV, contra los coeficientes del modelo lineal r2=0,73 y r2=0,85, respectivamente). Para el ajuste de la
curva, se eliminaron los primeros 2-3 meses de datos, tal como se sugiere en OECD (2006) pues
presentan una dispersión muy alta que dificulta el análisis.
A continuación, se muestran los modelos matemáticos que describen las curvas de descomposición del
rastrojo picado fino en ambas parcelas.
17BP: Y17EP = 100 e-0,236 x
4ENV: Y4ENV = 99,3 e-0,177 x
Los gráficos de dispersión y los modelos matemáticos planteados para la descomposición del rastrojo fino
se muestran en la figura 2 para las parcelas 17BP y 4ENV.
100 100
90 90
80 80
70 70
Biomasa (%)
Biomasa (%)
60 60
50 50
40 40
30 30
20 20
10 10
0 0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 0 1 2 3 4 5 6 7 8 9 10 11 12 13
Meses (a) (b)Meses
Figura 2. Cantidad de rastrojos de maíz picado fino en función al tiempo de descomposición en las bolsas de
descomposición (julio 2006-julio 2007). (a) Parcela 17BP; (b) Parcela 4ENV.
Aunque la regresión exponencial negativa presenta una correlación fuerte para ambas parcelas se observa
en los gráficos que las curvas tienden a sobreestimar la pérdida de peso con relación al tiempo en el
último tramo. La curva no refleja la tendencia de estabilización que existe a partir del séptimo mes y por
ello proporciona un menor valor final (coeficiente isohúmico) al final del mes 12.
Las gráficas de dispersión muestran que la descomposición tuvo dos etapas. Durante los primeros seis
meses se observa una fase de descomposición rápida en la cual aproximadamente se perdió por
descomposición un 75% del residuo.
A partir del séptimo mes se observa una segunda fase de descomposición en la que la velocidad de
descomposición es más lenta. Se observa que en la segunda fase existe una tendencia a la estabilización
del peso contenido en las bolsas en aproximadamente 10 % para la parcela 17BP y 20% para la parcela
4ENV. Douglas y Rickman (1992) también describieron el proceso de descomposición de rastrojos en dos
fases.
Durante la Fase I desaparecen las fracciones solubles en agua, tales como azúcares, almidón, ácidos
orgánicos, pectinas, taninos y una variedad de compuestos nitrogenados que están rápidamente
disponibles para los microorganismos. En la Fase II, la tasa de descomposición se reduce y se manifiesta
poca diferencia entre rastrojos que inicialmente tuvieron concentraciones de N diferentes en las anteriores
etapas.
32
3.3.2. Rastrojo grueso
Para conocer la tendencia de los puntos, se ajustó a los datos el modelo lineal y el modelo exponencial
negativo. Al igual que los resultados obtenidos para rastrojo fino los puntos registrados tuvieron una
tendencia exponencial negativa marcada. El ajuste del modelo exponencial negativo presentó un mayor
coeficiente de determinación en comparación al modelo lineal (r 2=0,87 para 17BP y r2=0,93 para 4ENV,
contra r2=0,80 y r2=0,88 para el modelo lineal, respectivamente).
A continuación, se muestran los modelos matemáticos que describen las curvas de descomposición del
rastrojo picado grueso en ambas parcelas.
17BP: y17EP = 100 e-0,148 x
4ENV: y4ENV = 100 e-0,184 x
Los gráficos de dispersión y los modelos matemáticos planteados para la descomposición del rastrojo fino
se muestran en la figura 3 para las parcelas 17BP y 4ENV.
El análisis de dispersión muestra que la pérdida de peso de los rastrojos gruesos evaluados tuvo una
descomposición rápida durante los primeros siete meses en los cuales se perdió aproximadamente un 70
% del material orgánico. Posteriormente, a partir del octavo mes se presentó una fase de descomposición
lenta. Al igual que el rastrojo fino, durante la segunda fase de descomposición el peso de los rastrojos
contenidos en las bolsas se estabilizó en aproximadamente 20% para la parcela 17BP y 15% para la
parcela 4ENV.
100 100
90 90
80 80
70 70
Biomasa (%)
Biomasa (%)
60 60
50 50
40 40
30 30
20
20
10
10
0
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13
0 1 2 3 4 5 6 7 8 9 10 11 12 13
Meses Meses
(a) (b)
Figura 3. Cantidad de rastrojos de maíz picado grueso en función al tiempo de descomposición en bolsas de
descomposición (julio 2006- julio 2007). (a) Parcela 17BP; (b) Parcela 4ENV.
Ambos tratamientos registran un coeficiente isohúmico dentro del rango de 0,15-0,20. Los resultados
obtenidos son similares a los registrados por Saffih-Hdadi y Mary (2007). Estos autores determinaron
mediante el método de radioisótopos C13 un coeficiente isohúmico para rastrojos de maíz sin picar de 0,21
(Mary y Wylleman, 2001).
3.3.3. Evolución de la relación C/N
La evolución de la relación C/N del rastrojo de maíz para ambos tratamientos se muestra en la Tabla 5.
33
Tabla 5. Evolución de la relación C/N de los rastrojos de maíz durante su descomposición
Relación C/N
Mes 17BP 4ENV
Fino Grueso Fino Grueso
0 (jul/06) 61,0 61,0 41,5 41,5
2 (sep/06) 51,3 69,8 13,0 12,3
4 (nov/06) 41,4 32,2 15,2 22,4
6 (ene/07) 29,1 41,7 13,2 12,1
8 (mar/07) 24,6 33,7 15,3 14,1
En la parcela 17BP, en la que no se adicionó nitrógeno, se observó que la evolución de la relación C/N
tiene una tendencia a disminuir con el tiempo.
En la parcela 4ENV se incorporó en el mes de septiembre purín de cerdo con un elevado contenido de
nitrógeno. La aplicación de esta enmienda influyó notoriamente en la evolución de la relación C/N de los
residuos en comparación con la parcela 17BP. Aunque la estabilidad que se observa en los datos
subsecuentes parece sugerir una estabilización mucho más acelerada, es también posible que las
mediciones del aporte de C y N del purín estén afectando de manera directa. Se observa en ambas
parcelas que existe una tendencia natural de la relación C/N a disminuir, hasta estabilizarse, en el caso
de 4ENV, alrededor de 12-15.
La evolución del contenido de carbono determinada es similar a la reportada por Bertol et al. (2004) para
la descomposición de rastrojos de maíz en un año. Por el contrario, los resultados del contenido de
nitrógeno y por ende la relación C/N presentaron una disminución más rápida que los resultados
reportados por Bertol et al. (2004).
3.3.4. Aporte de humus al suelo por los residuos de maíz
Utilizando los valores de biomasa aérea total producida en cada parcela durante el ciclo de crecimiento
2005/06 y el coeficiente isohúmico calculado, es posible estimar el aporte de humus que se logró debido
al aporte de la totalidad de los residuos de cosecha. En la tabla 6 se muestran estos cálculos,
considerando el valor medio de 0,15 para el coeficiente isohúmico.
Tabla 6. Estimación del aporte de humus al suelo obtenido como resultado de la aplicación de la totalidad de la
biomasa de residuos a las parcelas 17BP y 4ENV.
Biomasa Coeficiente Aporte de

Parcela
total isohúmico humus
kg ha-1 kg ha-1
17BP 11.186 0,15 1.678
4ENV 7.272 0,15 1.091
4. Conclusiones
Los análisis de suelos en las parcelas de estudio mostraron que sus propiedades físicas y químicas se
encuentran con ciertas limitaciones, tanto físicas como químicas. Físicamente, los suelos mostraron un
significativo nivel de compactación. Químicamente, los valores fueron normales en la parcela 17BP pero
bajos en Fosforo disponible en la parcela 4ENV.
Asimismo, los suelos mostraron estar expuestos a una ligera erosión laminar causada especialmente por
la topografía y la escasa cobertura vegetal. Los niveles de materia orgánica registrados fueron
moderadamente bajos para las parcelas del estudio, debido posiblemente a la escasa aportación de
enmiendas orgánicas registrada en los historiales y la pérdida causada por la erosión y el manejo agrícola.
34
La producción de biomasa durante el ciclo agrícola 2005-2006 en las parcelas 17BP (11.186 kg ha -1) y
4ENV (7.272 kg ha-1) se encontraron dentro de los rangos normales de producción de la GMP. La relación
entre biomasa área y biomasa total, esta última incluyendo la biomasa radicular, fue de 76% y 81% para
17BP y 4ENV, respectivamente, mostrando el claro predominio de la biomasa aérea.
En lo referente a la descomposición del rastrojo, se observó que el grado de trituración implicó una
descomposición diferenciada. El rastrojo picado grueso demoró de uno a dos meses más en estabilizarse
en comparación al rastrojo picado fino. Se vio también que la adición de purín de cerdo durante la
descomposición aumentó la velocidad de descomposición, probablemente por la adición de N. Sin
embargo, al cabo de un año, la cantidad de humus formado en cualquiera de los tratamientos fue similar:
la producción de material humificado es de 10 a 20 % de la masa inicial de rastrojo.
Considerando la biomasa aérea producida en el ciclo vegetativo 2005/06 y el coeficiente de humificación
promedio (0,15), se puede concluir que la práctica de manejo consistente en aplicar la totalidad de los
residuos de cosecha a las parcelas dará un aporte bruto de humus estimado en 1.678 kg ha -1 y 1.091 kg
ha-1 para las parcelas 17BP y 4ENV, respectivamente.
Sugerimos utilizar el coeficiente isohúmico obtenido para tener una estimación inicial del aporte de
carbono proveniente de los cultivos de maíz, al suelo en la zona del Valle Central de Cochabamba. La
estimación del coeficiente de mineralización del suelo permitirá en el futuro estimar el balance neto de
carbono en diferentes escenarios de aporte de residuos de maíz.
5. Agradecimientos
Los autores agradecen al Ing. Constantino Soto por su aporte en la clasificación de los suelos y a la Univ.
Fabiola Escobar Lobo por su valiosa contribución y apoyo durante la etapa experimental.
6. Referencias
Alexander, M. 1980. Introduction to soil microbiology. 2nd Ed. John Wiley and Sons, Inc. New York.
Allison, F.E. 1973. Soil organic matter and its role in crop production. Elsevier Scientific Publishing Company.
Amsterdam.
Andriulo, A.; Mary, B. y Guerif, J. 1999. Modelling soil carbon dinamics with various cropping sequences on the
rolling pampas. Agronomie, Vol. 19, Nº 5, 365-377.
Aulakh M.S., Doran J.W., Walters D.T., Mosler A.R., and Francis D.D. 1991. Crop residue type and placement effects
on denitrification and mineralization. Soil Science Society of America Journal. 55:1020-1025.
BBC. 2001. Bolivia casi la mitad del suelo desertificado. BBC. Artículo de prensa. 13 de Junio de 2001. En
http://news.bbc.co.uk, (12/12/05)
Bertol, I.; Leite, D.; y Zoldan, W. 2004. Descomposição do residuo de milho e variáveis relacionadas. Revista Brasilera de
la Ciencia del Suelo, Vol. 28, Nº 2, Marzo-Abril 2004, Río de Janeiro.
Bot, A. y J. Benites. 2005. The importance of soil organic matter. Food and Agriculture Organization of the United
Nations. FAO Soils Bulletin 80. Rome.
Douglas, C.L. y Rickman, R.W. 1992. Estimating crop residue decomposition from air temperature, initial nitrogen
content, and residue placement. Soil Science Society of America Journal, 56: 272-278.
FAO (Organización de las Naciones Unidas para la Agricultura y la Alimentación). 2002. Captura de carbono en los
suelos para un mejor manejo de la tierra. Informe sobre recursos mundiales de suelos, Nº 96. Roma.
Fundación Simón I. Patiño. 2002. La hacienda de Pairumani. Ginebra.
Hausenbuiller, R.L. 1985. Soil Science: Principles & Practice. Wm. C. Brown Publishers. Dubuque, Iowa.
Henin, S. y Dupuis, M. 1945. Essai de bilan de la matière organique des sols. Annales Agronomiques, 15: 161-172.
Herrero, M. 2004. Balance de macronutrientes y materia orgánica en el suelo de agrosistemas hortícolas con manejo
integrado ecológico. Universidad de Valencia. Departamento de Recursos Naturales. Tesis doctoral. Valencia.
Labrador, J. 2001. La materia orgánica en los agrosistemas. 2ª ed. Editorial Mundi-Prensa. España
Lal, R. 2004. Soil carbon sequestration impacts on global climate change and food security. Science, Vol. 304, 1623-
1627.
Lal, R. 2006. Enhancing crop yields in the developing countries through restoration of the soil organic carbon pool in
agricultural lands. Land Degradation and Development, 17, 197-209.
35
Martínez, F.; Cordone, G. y Gudelj, V. 2006. Fertilización en soja. Situación actual y perspectivas en Argentina. Memorias
del tercer congreso de soja del Mercosur. En http://www.acsoja.org.ar, (1/012/07)
MDS (Ministerio de Desarrollo Sostenible). Viceministerio de Recursos Naturales y Medio Ambiente. Programa Nacional
de Cambios Climáticos. 2003. Aplicación del modelo Markal Macro en Bolivia. Informe técnico. La Paz - Bolivia. En
http://www.pncc.gov.bo, (10/06/06)
MDSMA (Ministerio de Desarrollo Sostenible y Medio Ambiente). 1996. Mapa preliminar de erosión de suelos: región
árida, semiárida y subhúmeda de Bolivia. Centro de Información para el Desarrollo, CID. La Paz - Bolivia
Morón, A. s/a. El rol de los rastrojos en la fertilidad el suelo. Uruguay. En http://www .inia.org.uy, (16/11/05)
OECD (Organization for Economic Co-operation and Development). 2006. Guidance document on the breakdown of
organic matter in litter bags. Publicación de seguridad y salud ambiental. Serie de prueba y valoración, Nº 56. Paris. En
http://www.oecd.com, (18/06/07)
Paustian, K.; Andrén, O.; Janzen, H.H.; Lal, R.; Smith, P.; Tian, G.; Tiessen, H.; Van Noordwijk, M.; y Woomer, P. 1997.
Agricultural soils as a sink to mitigate CO2 emissions. Soil Use and Management, 13, 230-244.
Saffih-Hdadi, K. y Mary B. 2007. Modeling consequences of straw residues export on soil organic carbon. Journal of Soil
Biology and Biochemistry, 22.
Satorre, E. 2002. Generación del Rendimiento en el Cultivo de Maíz:
Efectos de la Nutrición Nitrogenada. Memorias de la Jornada de actualización técnica para profesionales “Fertilidad
2002”. International Plant Nutrition Institute. En http://www.ipni.net, (2/12/07)
Silva, P. y Acevedo, E. 2005. Adopción de la cero labranza en los principales cultivos anuales. Identificación de problemas
y posibles soluciones. Informe para SAG e INDAP. En http://www.sap.uchile.cl, (10/02/06)
Wolf, J. y Janssen, H.J.M. 1991. Effects of changing land use in the Netherlands on net carbon fixation. Netherlands
Journal of Agricultural Science 39, 237-246
Worthen, E. y Aldrich S. 1980. Suelos agrícolas su conservación y fertilización. 2ª ed. Editorial Hispano-Americana. DF
México.
36
ENMIENDA DE SUELOS AGRÍCOLAS ACIDIFICADOS MEDIANTE

BIOSÓLIDOS AGROINDUSTRIALES ESTABILIZADOS
ALCALINAMENTE
Juan M.Méndez C. 1, Pedro R.Vallejos M. 2, Gabriela Rivadineyra R. 1, Alejandro Alvarado L. 1
1Instituto Tecnológico de Orizaba División de Estudios de Postgrado e Investigación. Av Tecnológico No 852, Col. Emiliano Zapata,
C.P. 94320 Orizaba, Veracruz, México, Tel: 01(272)72-570-56.
2Universidad Técnica de Oruro, Dirección de Postgrado e Investigación Científica Avenida 6 de Octubre y Cochabamba, No
5715, Edificio Paraninfo Universitario, Tercer piso. Oruro, Bolivia. Telf. 52 75798.
E-mail de referencia: vallejos_pedro@yahoo.es
RESUMEN
En México, el 64% de los suelos presentan problemas de degradación, 15% están
afectados por procesos de acidificación. Por otro lado las plantas de tratamiento de
agua residual generan aproximadamente 12.000.000 de t. de lodos/año, los cuales
tienen altas concentraciones de patógenos pero también son fuente de nutrientes y
materia orgánica. El objetivo del trabajo fue estabilizar lodos de una empresa avícola
con CaO para obtener biosólidos CLASE A y evaluar su efecto en suelos agrícolas
acidificados del estado de Veracruz-México. El lodo fue deshidratado y estabilizado con
CaO, La tasa agronómica (TA) de 17,25 t ST/ha se calculó según el requerimiento del
nitrógeno de la caña de azúcar, siendo éste el principal cultivo, se aplicaron 4 dosis de
biosólidos, el experimento se realizó en columnas de PVC de 8 pulgadas de diámetro y
100 cm de altura. Los mejores resultados se obtuvieron con el tratamiento 3TA. Los
biosólidos produjeron incrementos en la materia orgánica, nitrógeno total y fósforo
disponible del suelo, además neutralizaron la acidez extrema del suelo. Por lo anterior,
la estabilización alcalina fue un método eficiente para el tratamiento de este tipo de
lodos, mismos que produjeron efectos benéficos en las propiedades químicas del suelo.
Palabras clave: Biosólidos, degradación, estabilización, lodos.
Contenido
1.Introducción __________________________________________________________________________________________________ 38
2.Materiales y metodología_______________________________________________________________________________________ 38
2.1. Muestreo y tratamiento físico-químico de lodos _________________________________________________________ 38
2.2. Muestreo y caracterización fisicoquímica de suelos ______________________________________________________ 39
2.3. Aplicación de biosólidos _______________________________________________________________________________ 40
3.1. Cinética de inactivación de lodos con CaO ______________________________________________________________ 41
3.2. Efectos producidos por el biosólido en el suelo __________________________________________________________ 43
3.2.1. Efecto en el pH del suelo ________________________________________________________________________________ 43
3.2.2. Efecto en la materia orgánica del suelo __________________________________________________________________ 44
3.2.3. Efecto en el nitrogeno total del suelo _____________________________________________________________________ 44
3.2.4. Efecto en el fosforo disponible del suelo __________________________________________________________________ 46
4.Conclusiones _________________________________________________________________________________________________ 47
5.Referencias ___________________________________________________________________________________________________ 47
37
1. Introducción
Los suelos agrícolas de las regiones húmedas tropicales presentan contenidos elevados de aluminio, hierro
y manganeso y una baja capacidad de intercambio catiónico, así como bajas concentraciones de calcio y
magnesio, condiciones que producen una continua acidificación del suelo que a menudo se incrementa
por la aplicación de fertilizantes químicos con efectos residuales ácidos. En México se estima que el 64%
de los suelos presentan problemas de degradación y el 15% están afectados por proceso de acidificación
(INEGI, 1999). Por otro lado, los sistemas de tratamientos de aguas municipales e industriales producen
lodos residuales como resultado de la transformación de los sólidos disueltos y coloides.
Se reporta que los lodos son fuente de materia orgánica, macro y micronutrientes, en el suelo aumentan
la capacidad de intercambio catiónico, la porosidad, la capacidad de retensión de agua, además
neutralizan el pH de suelos ácidos, produciendo condiciones favorables para el establecimiento vegetal.
Dependiendo de su origen, los biosólidos pueden contener metales pesados, contaminantes orgánicos y
patógenos, los cuales limitan su uso en especial si son empleados en cultivos agrícolas de consumo
directo (US EPA, 1999; Alcañiz, 2001). En México se producen aproximadamente 12.000.000 de t de lodo
por año [Ortega et al. 2003], estos presentan una alta concentración de microorganismos patógenos como
Salmonella spp. (2x106 NMP g-1 ST), coliformes fecales (2x109 NMP g-1 ST) y huevos de helmintos (HH) (150
HH g-1 ST) (Jiménez et al. 2000) razón por la cual es importante la inactivación bacteriológica.
De los procesos de estabilización no convencionales, el tratamiento alcalino reduce considerablemente el
contenido de bacterias y huevos de helminto (US EPA, 1994; Ghiglietti et al. 1997; Méndez et al. 2004),
produciendo un lodo estable con posibilidades de reutilización. En México, la estabilización alcalina se
viene desarrollando desde el año 2002 y actualmente es utilizada en algunas plantas de tratamiento. La
elevación del pH por adición de la cal reduce el contenido de patógenos a niveles muy bajos (Christy,
2000; Mignotte-Cadiergues et al. 2001), también provoca que el nitrógeno amoniacal ionizado (NH4+) se
convierta a gas amonio (NH3) (Girovich, 1996) lo cual genera malos olores produciendo un problema social
y de higiene en las áreas de trabajo. Los biosólidos producidos de la estabilización alcalina son una fuente
importante de nutrientes, pero además presentan una alta concentración de calcio y magnesio que son los
componentes mayoritarios de la capacidad de intercambio cationico (CIC), razón por el cual su
incorporación en suelos extremadamente acidificados seria una practica agrícola benéfica debido a que se
produciría una mejora de la productividad del suelo.
Con base en lo anterior, el objetivo de este trabajo fue tratar lodos provenientes de una planta avícola con
CaO para obtener biosólidos libres de patógenos y evaluar su efecto en suelos agrícolas parcialmente
degradados por procesos de acidificación en suelos de la zona centro del estado de Veracruz, México.
2. Materiales y metodología
2.1. Muestreo y tratamiento físico-químico de lodos
El lodo crudo fue obtenido del sistema de tratamiento de aguas residuales de una empresa avícola que
opera a una carga de 10 L s-1 y se ubica en la zona centro del estado de Veracruz. Las muestras se
tomaron del tanque espesador que capta los lodos de los tanques de clarificación y sedimentación. El lodo
presentó un pH de 6,87, una concentración de sólidos totales (ST) de 2,66% (± 0,02) y de sólidos volátiles
(SV) de 55,54% (± 0,65), resultados similares fueron obtenidos por Atenodoro (2008).
El análisis microbiológico reportó una alta concentración de microorganismos patógenos, 3,37 x 1010
NMP g-1 ST de coliformes fecales y 2,23x108 NMP g-1 ST de Salmonella spp., no se encontraron huevos de
helmintos.
Para encontrar la dosis optima y producir biosólidos CLASE A, el lodo fue deshidratado a 8% de ST y
estabilizado con dosis de 0, 5, 10, 15 y 20% masa a masa de CaO [Atenodoro, 2008], se hicieron 4 réplicas
por dosis. Las pruebas se llevaron a cabo en un reactor de cierre hermético de 1,5 L y mezclado a 120 rpm
(revoluciones por minuto) por un tiempo de contacto de dos horas. Méndez (2003) encontró que la
estabilización alcalina con recirculación de 20% masa a masa de NH 3 puede reducir el tiempo de contacto
a menos de dos horas que es igual al tiempo utilizado en la estabilización alcalina.
38
Al final de cada prueba se evaluó el pH por el método del potenciómetro; los ST, SV, coliformes fecales y la
Salmonella spp., a mediante del Standard Methods (SM); los huevos de helmintos por medio de la norma
NOM-004-SEMARNAT; el N-Norg. y el N-NH4+ a través del método Kjeldahl; el fósforo asimilable por el
método Bray-Kurtz; el calcio y el magnesio intercambiables por el método del Versenato EDTA.
En base a las concentraciones de coliformes fecales y Salmonella spp, determinados antes y después del
trataminto con CaO, se evaluó la velocidad de inactivación de microorganismos mediante el modelo Hom,
que es una variante del modelo propuesto por Chick–Watson (American Water Works, 1990). El modelo
fue aplicado considerando un tiempo de contacto de 2 horas (Méndez et al. 2004). La Ecuación 1 describe
las variables del modelo:
Ecuacion 1
N
Ln  k * D n
No
Donde: No es la concentración inicial de microorganismos en NMP g-1 ST, N es la concentración de

microorganismos luego de la inactivación en NMP g-1 ST, k* es la variable que asocia la constante de
inactivación k y el tiempo t, D es la dosis de CaO en g L-1 y n es el coeficiente de dilución.
2.2. Muestreo y caracterización fisicoquímica de suelos
Las muestras de suelo fueron obtenidos de parcelas agrícolas del centro del estado de Veracruz-México, el
cual se caracteriza por ser una zona cálida con temperatura media de 20 ºC y precipitación mayor a los
1.500 mm año-1. Según el INEGI (1999), la región presenta suelos del tipo vertisol crómico (V c). La
principal actividad de la zona es la producción de la caña de azúcar, actividad que se desarrolla desde
varias décadas donde los agricultores lo practican siguiendo las labores tradicionales de encalado y
aplicación de fertilización químicos. Una inspección previa reportó la evidencia de efectos de acidificación
y un agotamiento de la capacidad productiva por el uso de fertilizantes químicos. En el estudio del perfil
del suelo, dos horizontes fueron identificados. El horizonte A (0-30 cm) que es una capa de suelo
disturbado de color pardo y con estructura más gruesa que el horizonte B (30–100 cm). De cada horizonte
se extrajeron tres submuestras los cuales fueron mezclados y cuarteados para la obtención de las
muestras compuestas, estas se dejaron secar a temperatura ambiente techado, luego fueron tamizadas
por malla de 2 mm (Robinson, 1992). La tabla 1 muestra la caracterización fisico-química de suelos.
Tabla 1. Caracterización de Suelos
Horizonte (cm)
Parámetros de análisis Método Unidad
A (0-30) B (30-100)
Textura HB* FL*** FL***
Densidad aparente (Da) Anillas g cm-3 0,99 1,12
Densidad real (Dr) Picnómetro g cm-3 2,33 2,50
Humedad capacidad de campo (Hcc) Ollas de presión % 38,03 40,67
Humedad a marchites permanente (Hpmp) MP** % 19,01 20,34
pH Potenciométrico 4,33 4,47
Materia orgánica (MO) Walkley y Black % 2,13 0,86
Nitrógeno total (NT) Kjeldahl % 0,12 0,07
Fósforo disponible (P) Bray-Kurtz ppm 2,87 0,25
Capacidad de intercambio catiónico (CIC) Versenato EDTA cmol+ Kg 6,00 8,21
Calcio intercambiable Versenato EDTA cmol+ Kg 3,39 4,88
Magnesio intercambiable Versenato EDTA cmol+ Kg 0,42 0,69
*Hidrómetro de Bouyoucos; ** Membranas de presión; *** Franco limoso (FL)
39
El horizonte A, presentó una textura franco limosa y una densidad aparente de 0,99 g cm-3, por su parte
el Horizonte B también presentó una textura franco limos pero una densidad aparente de 1,12 g cm-3.
Respecto a las propiedades químicas, en ambos horizontes el pH fue menor a 5 unidades siendo por tanto
clasificados como suelos extremadamente ácidos (NOM-021-RECNAT-2000). En el horizonte A, la
concentración de materia orgánica, nitrógeno total y fósforo disponible fueron ligeramente mayores a los
reportados en el horizonte B, en cambio las concentraciones de calcio y magnesio fueron más altas en el
horizonte B lo cual se atribuye a la lixiviación de sales producto de la precipitación y el agua de riego. Por
lo expuesto se ha encontrado que estos suelos presentan problemas de acidificación extrema producida
por la lixiviación de cationes básicos, el agotamiento debido a la intensa explotación de caña de azúcar y el
uso de fertilizantes químicos, entonces la incorporación de enmiendas orgánicas que neutralicen los
efectos negativos se proyecta como una medida urgente para la recuperación y mejoramiento de la
capacidad productiva de estos suelos.
2.3. Aplicación de biosólidos
Los biosólidos fueron aplicados a 30 cm de profundidad. La tasa agronómica (TA) de biosólidos de 17,25 t
ha-1 de ST fue determinada en base a la demanda de nitrógeno de la caña de azúcar (Saccharum
officinarum), que es de 250 kg ha-1 (SEMARNAT, 2002). La ecuación 2 describe los parámetros de cálculo
de la tasa agronómica:
Ecuación 2
DNC  NAS
TA 
NAB
Donde: TA es la tasa agronómica en kg ha-1 de ST, DNC es la demanda de nitrógeno del cultivo en kgN
ha-1, NAS es el nitrógeno asimilable en el suelo (1% del nitrógeno total) en kg ha -1 y NAB es el nitrógeno
asimilable en el biosólido en kg ST-1 de Nitrógeno.
El nitrógeno asimilable en el biosólido se considera la suma del nitrógeno amoniacal y el nitrógeno
orgánico, se consideró que el 40% de nitrógeno orgánico se mineraliza en el primer año (National Research
Council, 1996).
El experimento se llevó a cabo en columnas de PVC de 8 pulgadas de diámetro y 100 cm de altura que se
situaron en un invernadero. El suelo se empacó a un grado de compactación similar a la densidad
aparente (0,99 g cm-3 de 0-30 cm y 1,12 g cm-3 de 30-100 cm) del suelo. Se aplicaron 4 tratamientos (0TA,
1TA, 2TA y 3TA) cada uno con su replica. El experimento fue monitoreado por 135 días, se hicieron
muestreos a intervalos de 45 días y a profundidades de 20, 40, 60 y 80 cm. Los parámetros de monitoreo
fueron el pH, materia orgánica, nitrógeno total y fósforo disponible. Antes de iniciar el experimento se
determinó la lámina de riego según la ecuación 3 y se determinó la curva de humedad del suelo, mediante
el cual se determinó la lamina de agua a aplicarse de 2,22 cm cada 7 días.
Ecuación 3
Hcc  Hpmp
Lr  * Da * z * f
100
Donde: Lr es la lámina de riego en cm, Hcc es la humedad del suelo a capacidad de campo en %, Hpmp es
la humedad del suelo al punto de marchitez permanente en %, Da es la densidad aparente en g cm-3, z es
la profundidad de riego en cm y f es el factor de agotamiento de la caña de azúcar (f = 0,65) (FAO-56,
2006).
40
3.1. Cinética de inactivación de lodos con CaO
La Tabla 2 muestra que a una dosis de 5% masa a masa de CaO se removieron 4,3 y 5 unidades
logarítmicas de coliformes fecales y Salmonella spp., respectivamente, obteniéndose biosólidos clase C, de
acuerdo con la regulación mexicana estos lodos aún presentan elevadas concentraciones de
microorganismos indicadores de patógenos por lo que se considera una dosis insuficiente para nuestro
propósito experimental. En cambio, cuando 10% masa a masa de CaO fue aplicado se removieron 10,1
unidades logarítmicas de coliformes fecales y 7,7 unidades de Salmonella spp., los cuales fueron
suficientes para producir biosólidos Clase A, que según la norma mexicana (NOM-004-SEMARNAT-2002)
no presentan actividad bacteorológica y no generan riesgos de contagio, razón por el cual pueden ser
aprovechados en actividades agrícolas. Similares resultados fueron obtenidos por Atenodoro, (2008) y
Champion (2008). Méndez et al., (2004) reportaron que la estabilización alcalina de lodos en sistemas
cerrados es más eficiente para inactivar bacterias patógenas, y que el proceso además permite usar dosis
relativamente bajas de CaO.
Tabla 2. Inactivación de microorganismos en el lodo residual a diferentes dosis de CaO
Dosis de CaO Coliformes fecales – [Log (N No-1)] Salmonella spp – [Log (N No-1)]
0 0,0 0,0
5 -4,3 -5,0
10 -10,1 -7,7
15 -10,1 -7,7
20 -10,1 -7,7
La tabla 3, muestra las constantes de inactivación del modelo Hom. Se observa que el valor de la
constante de incativación (K*) es significativamente mayor en la Salmonella spp. (1,87) que en los
coliformes fecales (0,92), lo cual indica que el grupo de bacterias de la Salmonella spp., presentan mayor
sensibilidad que los coliformes fecales al efecto desinfectante del CaO. Por otra parte los coeficientes de
dilución (n) son menores a uno, esto indica la existencia de interferencias en el proceso de desinfección lo
cual podría deberse a la composición compleja del lodo físico-químico. Para ambos microorganismos los
coeficientes de regresión (R2) son mayores a 0,9. Similares resultados son reportados en procesos de
estabilización de lodos municipales con CaO, incluso durante la desinfección de lodos agroindustriales
con recirculación de NH3 (Méndez et al. 2004; Méndez et al. 2008).
Tabla 3. Parámetros cinéticos del modelo Hom modificado obtenido durante la etapa de inactivación de patógenos.
Microorganismos K* n R2
Coniformes fecales 0,92 0,47 0,91
Salmonella spp. 1,87 0,28 0,95
La estabilización alcalina de los lodos con la dosis recomendada de 10% masa a masa de CaO produjo un
aumento en el pH del lodo de 6,87 a 11,76. Aunque la concentración de nitrógeno orgánico, nitrógeno
amoniacal y fósforo disponible fueron más altos en los lodos crudos que en los biosólidos, estos
presentaron una alta concentración de materia orgánica y cationes intercambiables como calcio y
magnesio que son importantes para la neutralización del pH de los suelos extremadamente ácidos.
Además el calcio y el magnesio son los componentes mayoritarios de la capacidad de intercambio
catiónico y participan en la mayoría de los procesos fisiológicos de las plantas, además de ser
macronutrientes esenciales para la mayoría de los cultivos agrícolas. Méndez (2003), indica que la
reducción del nitrógeno orgánico podría deberse a la hidrólisis parcial de las proteínas presentes en la
materia orgánica del lodo, producto al alto pH a los que fueron sometidos. Las figuras 1 y 2 muestran la
curva de inactivación de coliformes fecales y Salmonella spp., a diferentes dosis de CaO, respectivamente.
41
NMP Coliformes fecales NMP Salmonella spp.

12 12
Límite permisible para Coliformes fecales Límite permisible para Salmonella spp.
.
10 10
.
.
Clase A y B (NOM-004-SEMARNAT-2002) Clase A y B (NOM-004-SEMARNAT-2002)
LogNMPg-1 ST
Coliformes fecales
Límite permisible para Coliformes fecales Límite permisible para Salmonella spp.
LogNMP g-1 ST
Salmonella spp
8 8
Clase C (NOM-004-SEMARNAT-2002) Clase C (NOM-004-SEMARNAT-2002)
6 6
4 4
2 2
0 0
0 5 10 15 20 0 5 10 15 20
Dosis CaO (% masa a masa) Dosis CaO (% masa a masa)
Figura 1. Remoción de coliformes fecales a diferentes Figura 2. Remoción de Salmonella spp. a diferentes dosis
dosis de CaO en lodos fisicoquímicos de una planta de CaO en lodos fisicoquímicos de una planta avícola con
avícola con 8% de ST. 8% de ST.
En la tabla 4 se presenta la caracterización fisicoquímica y bacteorológica del lodo crudo y el biosólido

producido con la dosis recomendada de 10% masa a masa de CaO.
Tabla 4. Caracterización del lodo crudo y el biosolido producido con dosis de 10% masa a masa de CaO
Lodo crudo Biosólidos

Físicos Unidad
Promedio DS* Promedio DS*
Temperatura ºC 25 ± 0,00 25 ± 0,00
Sólidos Totales % masa a masa 2,66 ± 0,02 9,45 ± 0,62
STV** % masa a masa 55,54 ± 0,65 45,72 ± 0,17
Químicos
pH 6,87 ± 0,05 11,67 ± 0,39
Nitrógeno orgánico g kg-1 ST 32,04 ± 1,80 16,52 ± 4,13
Nitrógeno amoniacal g kg-1 ST 13,24 ± 0,47 5,66 ± 0,21
Fósforo disponible Ppm 16,08 ± 1,51 5,77 ± 0,81
Calcio intercambiable cmol+Kg-1 0,075 ± 0,00 24,93 ± 0,27
Magnesio intercambiable cmol+Kg-1 0,141 ± 0,01 44,29 ± 5,37
Microbiológicos
Coliformes fecales NMPg-1 ST 3,37x1010 9,50x10-1 0,00 ± 0,00
Salmonella spp. NMPg-1 ST 2,23x108 2,04x101 0,00 ± 0,00
Huevos de helmintos HH g-1 ST 0,00 0,00 0,00 ± 0,00
* Desviación estándar
** Sólidos Totales Volátiles
Méndez et al. (2004), encontraron que el amoniaco tiene una participación importante en la desinfección
de patógenos presentes en los lodos, razón por el cual su recuperación y recirculación en sistemas
cerrados aumentan eficientemente el efecto desinfectante del CaO, en el proceso reducciones de nitrógeno
amoniacal son producidos por la volatilización del nitrógeno en forma de gas amoniaco producto de las
condiciones extremadamente alcalinas a los que son sometidos. Según Girovich (1996), la reducción de
fósforo disponible en el lodo crudo se produce por efecto de las reacciones entre los iones fosfatos y los
iones de CaO y MgO, produciéndose compuestos insolubles como los fosfatos de calcio y magnesio.
En base a lo expuesto se puede establecer que la estabilización alcalina puede ser considerada un método
eficiente para el tratamiento de lodos agroindustriales, ya que el proceso permite obtener biosólidos libres
de microorganismos patógenos y con altas concentraciones de materia orgánica, nutrientes, calcio y
magnesio, que incorporados al suelo en principio devolverían la productividad de estos (materia orgánica y
nutrientes) y por otra reducirían el problema de acidificación extrema (calcio y magnesio).
42
3.2. Efectos producidos por el biosólido en el suelo
3.2.1. Efecto en el pH del suelo
Debido a la alta concentración de calcio y magnesio presentes en los lodos, la aplicación de biosólidos
produjo un aumento significativo en el pH del suelo. Se observó que a los 45 días de muestreo y 20 cm de
profundidad el pH se había incrementado de 4,35 a 5,39; 6,23 y 6,50 unidades según los tratamientos
0TA, 1TA, 2TA y 3TA respectivamente, el efecto es benéfico debido a que se propició condiciones favorables
para una mayor disponibilidad de nutrientes en el suelo. En el muestreo a los 90 días el pH presentó un
ligero descenso en todos los tratamientos, mientras que a los 135 días se observó un incremento (Figura
3). Se atribuye el descenso observado a los 90 días al lixiviado de sales solubles producido por efecto de la
aplicación del agua de riego, mientras que el aumento observado a los 135 días es atribuido a la
activación de sales presentes en la composición propia del suelo y los biosólidos aplicados, los que se
habrían activado por efecto de las reacciones químicas como consecuencia de las buenas condiciones de
humedad y temperatura. En general el principal efecto de los biosólidos en el pH del suelo se presentó en
la capa superficial, a profundidades mayores no se presentaron cambios significativos, manteniéndose su
valor en niveles de 4,10 a 4,85. La ecuación 4 describe el efecto generado por el calcio en el pH del suelo a
un periodo de 135 días.
Ecuación 4
pHs = 0,21 C + 2,08
Donde: pHs es el pH del suelo, C es la concentración de calcio intercambiable en cmol kg-1.

La figura 4, muestra las curvas generadas a partir de la ecuación 4, se observa que mientras más alta es
la concentración de calcio (mayor tasa de biosólido) mayor es el pH del suelo. A los 45 y 90 días la relación
entre las variables presenta un comportamiento más complejo que el observado a los 135 días. Se observó
que las variables se ajustan a un modelo lineal de primer orden con r2=0.99.
10 45 días 7.0
9 90 días
135 días 6.5
8 20 cm
7 6.0
.
6 40 cm 60 cm 80 cm
pH del suelo
5.5
pH
5
4 5.0 45 días
3 4.5 90 días
2
1 4.0 135 días
0 3.5
T0 T1 T2 T3 T0 T1 T2 T3 T0 T1 T2 T3 T0 T1 T2 T3 8 10 12 14 16 18 20 22
Tasas de aplicación Calcio intercambiable (Cmol+ kg-1)
Figura 3. Efecto de los biosólidos en el pH del suelo a Figura 4. Relación entre el calcio intercambiable y el pH a
diferentes profundidades en tres tiempos de muestreo 20 cm de profundidad en tres periodos de muestreo
A través de este análisis se ha encontrado que los cationes básicos presentes en los biosólidos produjeron
una neutralización de la acidez extrema del suelo, generando condiciones favorables para una mejor
disponibilidad de nutrientes en el suelo, lo cual es benéfico para este tipo de suelos.
43
3.2.2. Efecto en la materia orgánica del suelo
La figura 5 muestra la dinámica de la materia orgánica en el perfil del suelo, se ha encontrado que los 45
días de muestreo la materia orgánica a la profundidad de 20 cm se incremento 2,67% (suelos sin
biosólidos) a 2,84%; 3,09% y 3,25% con cada uno de los tratamientos respectivamente, este efecto es
benéfico debido a que la materia orgánica proporciona los recursos energéticos a los microorganismos
heterótrofos en forma de carbono lábil (hidratos de carbono o compuestos orgánicos de bajo peso
molecular), además de presentar una alta capacidad de formar complejos de protones y aluminio
mediante sus aniones orgánicos inhibiendo la acción toxica de hierro y aluminio en suelos de alta acidez,
también participa activamente en la neutralización de la acidez de los suelos a través de sus grupos
carboxilicos y fenólicos mismos que pueden generar una disminución del pH del suelo (Simpson et al.
2007). Beneficios adicionales de la materia orgánica son la mayor capacidad de adsorción y fuerza de
retención que tienen hacia la mayoría de los elementos metálicos (Mc Bride, 1999). En las propiedades
físicas del suelo, mientras mayor es el contenido de carbono orgánico lábil mayor es el tamaño de los
agregados produciendo una mejora en la estructura del suelo. Carter (2002), expresa que el
mantenimiento de adecuados niveles de materia orgánica en el suelo, contribuye a disminuir la densidad
aparente y a aumentar la resistencia a su compactación, mejorando la capacidad de retención del agua.
Efecto del biosólido (incremento)

Lixiviado por efecto del riego (reducción)
Materia orgánica no labil (incremento)
5 45 días
.
20 cm
90 días
Materia Orgánica (%)
4
135 días
3 40 cm 60 cm 80 cm
2
0
T0 T1 T2 T3 T0 T1 T2 T3 T0 T1 T2 T3 T0 T1 T2 T3
Tratamiento de biosólidos
Figura 5. Efecto del los biosólidos en la materia orgánica del suelo a diferentes profundidades en tres tiempos de
muestreo
En el trabajo se ha encontrado que a mayores profundidades la dinámica de la materia orgánica presenta

un comportamiento complejo, en general se ha encontrado que la concentración de materia orgánica es
menor a los reportados en las capas superficiales pero que tienden a ser mayores conforme las tasas de
biosólidos aplicados al suelo son mas altas. Se sugiere que la lixiviación de coloides orgánicos junto con la
síntesis y complejación de los residuos producidos por los microorganismos del suelo son los principales
responsables de la variabilidad de la concentración de materia orgánica en el perfil el suelo. La lixiviación
de coloides orgánicos por efecto del agua de riego son evidentes en cada periodo de muestreo, tanto en el
testigo como en los tratamientos.
3.2.3. Efecto en el nitrogeno total del suelo
En la figura 6 se muestra el comportamiento de la concentración de nitrógeno a diferentes profundidades

y periodos de muestreo, se observa que, mientras mayor fue la tasa de biosólidos mayor fue la
concentración de nitrógeno total en el suelo, principalmente en la capa de 20 cm, es así que, en el
muestreo realizado a los 45 días la concentración de nitrógeno total aumentó de 0,15% (testigo) a 0,16%;
0,19% y 0,20% con los tratamientos respectivamente, esto es un efecto benéfico debido a que el nitrógeno
es un elemento esencial para el desarrollo de la parte foliar de los cultivos, además participa en la
formación de proteínas en los tejidos de los vegetales.
44
En el perfil del suelos se observó que, a las profundidades de 40 y 60 cm el nitrógeno total alcanzó como
máximo concentraciones del orden de los 0,12%, en tanto que, a la profundidad de 80 cm la
concentración de nitrógeno total fueron mas altas alcanzando concentraciones del orden de los 0,16% (90
días), esto sugiere que el nitrógeno aplicado por el biosólido, fue lixiviado de las capas superficiales por
efecto del agua de riego produciendo su acumulación a las profundidades de 80 cm, fenómeno que es
observado principalmente en el muestreo realizado a los 45 días. Otros autores mencionan que la
lixiviación coloidal de compuestos orgánicos junto con los procesos de descomposición del nitrógeno
orgánico (amonificación y nitrificación) es considerada como los principales responsables de la reducción
del nitrógeno total en la capa superficial del suelo. Oertel y Nicklow (2003) observaron que a medida que
las dosis de biosólidos se aumentan en el suelo los mecanismos de mineralización del nitrógeno orgánico
se ven favorecidos encontrando que en suelos donde se aplicaron 34 t de ST ha -1 de lodos se habían
producido 4 veces mas nitratos que en suelos sin biosólidos, mientras que su contenido de nitrógeno total
permaneció casi constante.
Otro factor de reducción del nitrógeno total puede atribuirse a la formación de gases de amoniaco
producido por el incremento del pH en los lodos tratados alcalinamente, algunos autores reportaron, que
pérdidas de amoniaco desde 8% a 17% del total de amonio presente en los lodos pueden producirse en la
estabilización alcalina (Harmel et al. 1997; Méndez, 2003).
La figura 7, muestra la relación entre la dosis de nitrógeno aportado por el biosólido y el nitrógeno total
determinado en el suelo según el método Kjeldahl en tres periodos de muestreo y a una profundidad de 20
cm, en el mismo se observa que la relación se acomoda a un ajuste lineal (R2=0,98) de primer orden.
Mediante este ajuste se ha encontrado que por gramo de nitrógeno aportado por el biosólido se produce
un incremento 0,4 g de nitrógeno total en el suelo, según se describe en la ecuación 5.
Ecuación 5:
NTS = 1.4 Nab
Donde: NTS es el nitrógeno total reportado en el suelo en g kg -1, Nab es el nitrógeno aportado por los
biosólidos en g kg-1.
Efecto del biosólido (incremento) T0 T1 T2 T3

.
-1 -1
Lixiviado por efecto del riego 000,0 kg ha 211,6 kg ha 423,2 kg ha -1
634,8 kg ha-1
0.60
Nt. Kjeldahl, g kg-1 de suelo
45 días Incorporado por el biosólido

90 días 0.50 Presente a los 45 días
.
0.35 135 días

0.30 0.40 Presente a los 90 días
Nitrógeno total (%)
20 cm
0.25 Presente a los 135 días
40 cm 60 cm 80 cm 0.30
0.20
0.15 0.20
0.10
0.10
0.05
0.00 0.00
T0 T1 T2 T3 T0 T1 T2 T3 T0 T1 T2 T3 T0 T1 T2 T3 0.000 0.128 0.256 0.384
-1
Tasas de aplicación Tasas de nitrógeno disponible, g kg de suelo
Figura 6. Efecto del los biosólidos en el nitrógeno total del Figura 7. Relación entre las dosis de nitrógeno total
suelo a diferentes profundidades en tres tiempo de incorporado por el biosólido y el nitrógeno total del suelo
muestreo a 20 cm de profundidad
Con referencia a los periodos de muestreo se ha observado que las concentraciones de nitrógeno tienden a
disminuir conforme los tiempos de muestreo van siendo mayores, procesos como la lixiviación,
transformación de compuestos orgánicos y consumo por la microfauna del suelo son algunas de las
causas que podrían explicar este comportamiento.
45
3.2.4. Efecto en el fosforo disponible del suelo
La figura 8 muestra el comportamiento del fósforo en el suelo en tres periodos de muestreo y a diferentes
profundidades, se observa que a los 45 días de muestreo y 20 cm de profundidad el fósforo se incrementó
de 2,02 ppm (T0) a 2,38 ppm; 2,73 pmm y 2,96 ppm según los tratamientos 1TA, 2TA y 3TA
respectivamente, a la misma profundidad pero 90 días de muestreo nuevamente se observa un incremento
del fósforo disponible en todos los tratamientos, se atribuye este incremento a los procesos de
solubilización del fósforo inmovilizado como efecto de la acción neutralizante del calcio así como a la
mineralización del fósforo orgánico producido por los microorganismos del suelo.
Algunos autores mencionan que la materia orgánica produce un incremento en la disponibilidad del
fósforo del suelo, así mismo encontraron que la disponibilidad aumenta a medida que el pH tiende a ser
neutro y que la mayor disponibilidad se presenta a intervalos de pH de 6 a 7 unidades. Sui et al. (1999)
encontraron que la disponibilidad de fósforo en los suelos con césped se había aumentado con la
aplicación de lodos.
En el perfil del suelo a profundidades de 40, 60 y 80 cm se observó, que la concentración de fósforo no
presentó cambios significativos en ninguno de los tratamientos, lo cual sugiere que no hubo lixiviación de
iones fosfato sino mas bien una adsorcion de iones por parte de las arcilla en las capas superficiales, lo
cual es un efecto benéfico ya que se propicia una mayor concentración de este macronutriente en capas
donde son mas fácilmente absorbidos por los cultivos los cuales lo utilizan en los procesos de crecimiento,
floración y formación de frutos. Maguire et al. (2000), afirman que en suelos donde el pH es menor a 5, se
produce precipitación de fósforo en forma de fosfatos de hierro y aluminio; en suelos donde el pH es mayor
a 7 la adsorción y precipitación de fósforo se produce en forma de fosfatos de calcio y magnesio. Por el
carácter complejo del suelo, no es posible establecer con certeza las reacciones que se producen en el
suelo, las reacciones 1, 2, 3 y 4 son algunas en suelos ácidos y en suelos alcalinos.
FE+3+PO4-3+2H2O <--------> FePO4.2H2O (strengite) (1)
Al+3+PO4-3+2H2O <--------> AlPO4.2H2O (variscite) (2)
10Ca+2+6PO4-3+2OH- <--------> Ca10(PO4)6(OH)2(hidroxiapatita) (3)
10Ca+2+6PO4-3+2F- <--------> Ca10(PO4)6(F)2 (fluoropatito) (4)
La figura 9, muestra la relación entre el fósforo disponible aportado por el biosólido y el fósforo reportado
en el suelo según el método Bray y Kurtz, se observa que las variables se ajustan a un modelo lineal de
primer orden (r2=0,99), según se describe en la ecuación 6. Se encontró que, por cada unidad de fósforo
aportado por el biosólido se produce 12,18 unidades de fósforo disponible en el suelo. El aumento de
fósforo disponible en el suelo como efecto de la incorporación de biosólidos estabilizados alcalinamente, se
explica por la paulatina solubilización del fósforo insoluble (fosfatos de calcio y magnesio) como efecto de
la acción de la temperatura, hidrólisis así como la acción de la microfauna del suelo.
Efecto del biosólido (incremento) T0 T1 T2 T3
.
Solubilización del fósforo 000,0 Kg/Ha 0,100 Kg/Ha 0,200 Kg/Ha 0,300 Kg/Ha
.
(incremento)
Efecto del lixiviado (reducción) Incorporado por el biosólido
P. Bray y Kurtz (mg Kg suelo)
1.2
5.0
Fósforo disponible (ppm)
Presente a los 45 días

4.5 45 días 1.0
Presente a los 90 días
-1
4.0 20 cm 90 días
3.5 0.8 Presente a los 135 días
3.0 135 dias
2.5 0.6
2.0 40 cm 60 cm 80 cm
1.5 0.4
1.0
0.2
0.5
0.0
0.0
T0 T1 T2 T3 T0 T1 T2 T3 T0 T1 T2 T3 T0 T1 T2 T3 0.00 0.03 0.07 0.10
Tasas de aplicación Dosis de P. disponible (mg Kg-1 suelo)
Figura 8. Efecto de la tasa de biosólidos en el fósforo Figura 9. Relación entre las dosis fósforo incorporados
disponible del suelo a diferentes profundidades en tres por los biosólidos y el fósforo disponible del suelo a 30 cm
tiempos de muestreo de profundidad.
46
Ecuación 6
PDS (mg/kg) = 12,18 x Pab (g/kg)
Donde: PDS es el fósforo disponible reportado en el suelo en mg kg-1, Pab es el fósforo disponible aportado
por el biosólido en mg kg-1.
Aunque la concentración de fósforo disponible en la capa superficial del suelo no sobrepasó los 4 ppm
(límite para fósforo clasificado como bajo) (NOM-021-RECNAT-2000), su acumulación progresiva
acompañado de un plan de manejo y aplicación de biosólidos resulta ser una medida benéfica para la
remediación de este tipo de suelos que actualmente presentan deficiencias de este macronutriente.
4. Conclusiones
Los lodos agroindustriales crudos procedentes de una empresa avícola reportaron una alta concentración
de microorganismos patógenos, encontrándose 10 unidades logarítmicas de coliformes fecales y 8 de
Salmonella spp. La estabilización alcalina en sistemas cerrados es un método eficiente para la desinfección
de este tipo de lodos, debido a que mantienen el amoniaco producido y el calor generado de la reacción de
hidratación del CaO, además de ayudar a reducir y eliminar el problema de olores, para este tipo de lodos
una dosis de 10% masa a masa de CaO y un tiempo de contacto de 2 horas fue la recomendada para la
producción de lodos estabilizados CLASE A, siendo estos biosólidos libres de patógenos y con propiedades
benéficas para su aplicación en suelos agrícolas.
La incorporación de biosólidos produjo efectos benéficos en las propiedades químicas del suelo
principalmente en la capa superficial donde produjeron la neutralización de la acidez extrema así como un
incremento de las concentraciones de materia orgánica, nitrógeno total y fósforo disponible. Los mejores
resultados fueron obtenidos con el tratamiento 3TA. En el perfil del suelo se observó que la materia
orgánica y el nitrógeno presentan mayores facilidades de ser lixiviados y acumulados en capas profundas,
mientras que el fósforo tiende a permanecer casi en su totalidad en la capa superracial.
Aunque no se logró alcanzar los niveles óptimos de materia orgánica, nitrógeno y fósforo en la capa
superficial del suelo, la incorporación de biosólidos agroindustriales estabilizados alcalinamente resulta
ser una practica adecuada para el mejoramiento de la capacidad productiva de este tipo de suelos, debido
a que, además de producir una neutralización de la acidez extrema, incorporan al suelo macronutrientes
esenciales y materia orgánica importantes para el crecimiento y desarrollo de los vegetal, mejoramiento de
las propiedades físicas del suelo, así como alimento para los microorganismos responsables de los
procesos de nimeralización e inmovilización de los compuestos químicos en el suelo.
5. Referencias
Alcaniz, J.M. 2001. Utilización de lodos de depuradoras urbanas en la restauración de canteras. Universidad Autónoma
de Barcelona-España, 10 pp.
American Water Works (1990). Water Quality and Treatment. McGraw-Hill, USA, 1194 pp.
Atenodoro, J. 2008. Inactivación bacteriológica en lodos residuales deshidratados mediante el proceso de estabilización
alcalina con óxido de calcio y recirculación de amoniaco. Tesis de Maestría. Instituto Tecnológico de Orizaba. Veracruz,
México.
Carter, M.R. 2002. Soil quality for sustainable land management: organic matter and aggregation interactions that
maintain soil functions. Agron. Journal. 94, 38-47.
Champion, F. 2008. Aprovechamiento de biosólidos producidos mediante estabilización alcalina con óxido de calcio y
recirculación de amoniaco, en el cultivo de Chayote (Sechium edule). Tesis de Maestría. Instituto Tecnológico de
Orizaba. Veracruz, México.
Christy, P. 2000. Alkaline stabilization of biosolids. Sludge lime mixing experiences within the United States.
Proceedings of the Joint CIWEM Aqua Enviro Consultancy Services 5th European Biosolids and Organic Residuals
Conference. Published by Aqua Enviro Consultancy Services. (ed.) Lowe, P. And Hudson, J., Seminar 8, paper 68,
Wakefield, UK,pp.1-3.
Departament of Agriculture Washington D.C. USA. 1984. Investigación de suelos, Métodos de laboratorio y
procedimientos para recoger muestras. TRILLAS. México. 101-104.
FAO-56. 2006. Evapotranspiración del cultivo. Guía para la determinación de los requerimientos de agua de los
cultivos. Serie riego y drenaje. Roma, Italia. 298 pp.
47
Ghiglietti, R., Genchi, C., Di Mateo, L., Calcaterra, E. and Colombi, A. 1997. Survival of Ascaris suum in ammonia-
treated wastewater sludges. Biores. Technol., 59, 195-198.
Girovich, M. J. 1996. Biosolids treatment and management. Marcel Dekker, Inc. N.Y., U.S.A.
Hamel, R.D., Zartman, E.R., Mouron, C., Wester, B.D., Sosebee, E.R. 1997. Modeling ammonia volatilization from
biosolids applied to semiarid rangeland. Soil Sci Soc Am J. 61:1794-1798.
Inegi. 1999. Estadística del medio ambiente-México.
Jiménez, B., Barrios, J.A. and Maya, C. 2000. Class B biosolids production from wastewater sludge with high
pathogenic content generated in an advanced primary treatment. Wat. Sci. Tech., 42(9), 103-110.
Maguire, R.O., Sims, J.T., Coale, F.J. 2000. Phosphorus Fractionation in Biosolids-Amended Soils: Relationship to
Soluble and Desorbable Phosphorus. DIVISION S-4-SOIL FERTILITY & PLANT NUTRITION. Published in Soil Sci. Soc.
Am. J. 64:2018-2024.
Mc Bride, M.B. 1999. Chemisorption and precipitation reactions. In M. E. Sumner: Handbook of Soil Science. CRC
Press: Boca Raton, USA. p. B265-B302.
Méndez, C.J.M. 2003. Efecto del amoniaco en la estabilización alcalina de lodos. Tesis Doctoral. UNAM.
MÉNDEZ, C.J.M., Jiménez, B., Maya, C. 2004. Disinfection kinetics of pathogens in physicochemical sludge treated
with ammonia. Water Science and Technology Vol 50 No 9 pp 67-74. IWA
Méndez, J.M., Gonzáles, C., Alvarado-Lassman, A., Alvarado Kinnell, G. And Martinez-Delgadillo, S. 2008. Fecal
Bacteria Survival in amonio-treated wastewater dewatered sludges. Revista Mexicana de Ingenieria Quimica. 7(3):229-
235.
Mignotte-Cadiergues, B., Grantzer, C. and Schwartzbrod, L. 2001. Evaluation of Bacteriophages During the Treatment
of Sludge. Proceedings of the IWA Specialised Conference on Sludge Management: Regulation, Treatment,
Utilisation and Disposal. International Water Association, Acapulco, México, pp. 358-365.
National Research Council. 1996. Use of reclaimed water and sludge in food crop production. Washington D.C. National
Academy Press. 99.
NOM-004-SEMARNAT-2002. Protección Ambiental, lodos y biosólidos, especificaciones y limites máximos permisibles
de contaminantes para su aprovechamiento y disposición final. Diario Oficial, 15 de agosto de 2003. México.
NOM-021-RECNAT-2000. Que establece las especificaciones de fertilidad, salinidad y clasificación de suelos. Estudios,
muestreo y análisis. Diario Oficial, 31 de diciembre de 2002. México.
Oertel, A.O. And Nicklow J.W. 2003. Evaluation of groundwater denitrification at a biosolids disposal site.
Environmental Monitoring and Assessment 87: 1–31.
Ortega, S.R.D., Castillo, C.J. 2003. Geotoxicidad del lixiviado de lodos residuales. Memorias del VIII Congreso Nacional
en Ciencias Ambientales. Queretaro, México.
Robinson, G.W. 1992. A new meted for mechanical análisis of soil and other dispersión. Journal Agricultural Ac. (12)
306-321.
SEMARNAT. 2002. Secretaria de Medio Ambiente y Recursos Naturales, Mexico
Simpson, A.J., Song, G., Smith, E., Lam, B., Novotny, E.H., Hayes, M.H.B. 2007. Unraveling the Structural components
of soil humin by use of solution-state nuclear magnetic resonance spectroscopy. Environ. Sci. Technol., 41, 876-883.
Standard Methods for the Examination of Water and Wastewater. 1995. APHA. 19th ed. Ed. Port City Press; Baltimore,
MD.
Sui, y and Thompson, M.L. 1999. Fractionation of Phosphorus in a Mollisol Amended with Biosolids. Published in Soil
Sci. Soc. Am. J. 63:1174-1180.
U.S. Dept. of Agriculture (USDA). 1993. Soil Survey Manual. Soil Survey Division Staff. Washington D.C. 380 pp.
US EPA. 1994. A plain english guide to the biosolids rule. U.S. Environmental Protecction Agency of Wastewater
Management Washington, DC.
US EPA. 1999. Biosolids generation, use, and disposal in the United States. Washington, DC: Environmental
Protection Agency, Office of Solid Waste, EPA530-R-99-009.
48
APLICACIÓN DE LA GEOMORFOMETRÍA EN LA CARTOGRAFÍA

DE UNIDADES FISIOGRÁFICAS
Jose Fuentes1, Ronald Vargas Rojas2
1Fundación Ecohabitats, A.A 1397, Popayán, Colombia

2CISTEL, Universidad Mayor de San Simón, Cochabamba, Bolivia
E-mail de referencia: mcfuentes2@hotmail.com

sbcs_cbba@yahoo.com
Resumen
En los parques nacionales de Colombia se han implementado modelos de zonificación
de áreas naturales representativas que tengan en cuenta como componente base los
sistemas de clasificación del paisaje, para dar un soporte sólido a los tomadores de
decisión relacionados con el manejo integral de las áreas protegidas del país. Esta
investigación tuvo como objetivo fundamental elaborar un mapa de unidades
fisiográficas de paisaje a través de la aplicación de la geomorfometría. El análisis
cuantitativo es una herramienta que se ha incorporado en la geomorfometría
ofreciendo una innovación para el mejor entendimiento de la dinámica del paisaje. La
metodología utilizada está basada en la extracción de parámetros de la topografía de
un modelo de elevación digital STRM de 30 m y de variables determinantes en la
acción modeladora del paisaje como clima, geología, cobertura, geomorfología y suelos.
El análisis geomorfométrico se fundamenta en el índice de posición topográfica y la
segmentación de imágenes para obtener un mapa combinado de geomorfología. Las
geoformas derivadas se ajustaron al sistema de clasificación fisiográfica CIAF
produciendo un mapa de unidades de paisaje; el área escogida como zona piloto fue el
Parque Nacional Natural Puracé, en el sur de Colombia. La escala seleccionada fue un
nivel detallado (1:50.000).
Palabras clave: Geomorfometria, Índice de Posición Topográfico, Segmentación, mapeo

Fisiográfico, STRM.
Contenido
1.Introducción __________________________________________________________________________________________________ 50
2.Metodología ___________________________________________________________________________________________________ 51
2.1 Bloque 1: Obtención de geoformas______________________________________________________________________ 51
2.1.1. Corrección del MDE ____________________________________________________________________________________ 51
2.1.2. Modelo de sombras _____________________________________________________________________________________ 52
2.1.3. Índice de posición topográfica ___________________________________________________________________________ 52
2.1.4. Segmentación __________________________________________________________________________________________ 54
2.2. Bloque 2: Clasificación fisiográfica del terreno __________________________________________________________ 55
2.2.1. Intercepción____________________________________________________________________________________________ 55
2.2.2. Sistema CIAF __________________________________________________________________________________________ 56
2.2.3. Unidades de paisaje ____________________________________________________________________________________ 57
3.1 Nivel de precisión y veracidad __________________________________________________________________________ 58
3.2. Índice de posición topográfica (subpaisajes) _____________________________________________________________ 58
3.3. Mapa geomorfológico (geoformas) _______________________________________________________________________ 58
3.4. Mapa de unidades de paisaje___________________________________________________________________________ 59
3.5. Leyenda de unidades de paisaje ________________________________________________________________________ 60
4.Conclusiones _________________________________________________________________________________________________ 60
5.Referencias ___________________________________________________________________________________________________ 61
49
1. Introducción
En general, los métodos para clasificar las formas de terreno (unidades geomorfológicas) se derivan de la
interpretación visual y cualitativa de imágenes de satélite y de fotografías aéreas, buscando delimitar el
terreno de manera convencional y subjetiva. Tradicionalmente, la definición de este tipo de unidades se ha
llevado a cabo realizando una delineación manual donde interviene el concepto visual ambiguo de la
percepción humana; la interpretación visual de una persona siempre será diferente a la de otra, dando
espacio a una interpretación sesgada de la realidad. Con el desarrollo tecnológico, los sistemas de
información geográfica posibilitan el uso de los Modelos Digitales de Elevación (MDE) que permiten la
clasificación cuantitativa de las formas y los diversos factores topográficos de la superficie. La
Geomorfometria es una disciplina nueva que permite el estudio cuantitativo de las geoformas. El presente
trabajo se concentro en la actualización de la cartografía fisiográfica del Parque Nacional Puracé a través
del uso de la Geomorfometría y el sistema CIAF.
La Geomorfometría ha visto una evolución gradual durante las décadas pasadas; y basándose en los
principios establecidos por el análisis de los MDE, se ha experimentado un cambio radical en los últimos
años; las series de datos se han hecho más grandes, el análisis más rápido, así como también el desarrollo
y utilización de programas geomorfomètricos tales como ILWIS, SAGA GIS, LandSerf, Microdem, Grass,
Rivertools. Con la enorme proliferación de datos digitales, y el aumento masivo del poder de cálculo, se ha
podido cambiar radicalmente la forma en que se realiza el análisis del terreno (Hengl et al., 2009). Al
evidenciar la relación directa que la Geomorfometría tiene con los aspectos fundamentales del paisaje, se
desarrolló esta técnica para modelar de una forma cuantitativa la superficie de la tierra.
Con el fin de integrarse a sistemas o procesos que utilicen la información resultante a manera de insumo
dentro de un análisis, se puede utilizar en distintas aplicaciones como la fisiografía, la ecología del paisaje,
levantamiento de suelos, etc.
La cartografía de las geoformas, unidades fisiográficas o paisajes, ha evolucionado desde el uso de
fotografías aéreas, imágenes de satélite, hasta la inclusión de modelos digitales de elevación de alta y
mediana resolución. En distintas partes del mundo se han empleado estas nuevas técnicas en el
desarrollo de trabajos investigativos y aplicados, uno de los progresos más conocidos en este ámbito es la
clasificación supervisada de geoformas (Hengl y Rossiter, 2003) para facilitar y sustituir la
fotointerpretación frecuentemente criticada por su subjetividad. Básicamente, esta tecnología trata de la
representación cartografía de las unidades fisiográficas o geomorfológicas a través de la extracción
cuantitativa de los elementos geomorfométricos de la superficie de la tierra. La metodología para modelar
elementos de tierra es puesta en práctica como un proceso de dos pasos: primero, los elementos de forma
son clasificados basados en geometría local y segundo, los elementos de tierra son obtenidos evaluando
los elementos de forma en su contexto de paisaje (Schmidt y Hewitt, 2003).
Finalmente, Verstraeten (2005) “ha realizado la modelación a escala regional de los sedimentos de aporte
en laderas con datos de elevación SRTM” el cual corrige y utiliza datos STRM, modela una erosión de suelo
espacialmente distribuida y analiza el modelo de aporte de sedimentos con técnicas geomorfomètricas.
La representación de las formas de la tierra o terreno (unidades geomorfológicas y fisiográficas), se
constituye en una de las disciplinas más importantes, dado que su uso es vital para una serie de
aplicaciones como el mapeo de suelos, la evaluación de tierras, la predicción de riesgos y diversas
aplicaciones medio-ambientales. Para ello, el método más utilizado es la interpretación de imágenes
satelitales y fotografías aéreas con el fin de identificar unidades geomorfológicas o de paisaje que tengan
características homogéneas respecto a su formación y atributos topográficos (Vargas, 2009).
En la Geomorfometría se introducen los MDE como capa base en el desarrollo del proceso de corrección y
análisis posterior. La base de esta disciplina es el análisis cuantitativo de la forma de la superficie de la
tierra, comenzando a partir de sus alturas (elevaciones y altitudes).
El Parque Nacional Natural Puracé está ubicado en el Macizo Colombiano, ecosistema estratégico de la
nación y del mundo en los Departamentos de Cauca y Huila (Figura 2). Comprende una extensión para el
área núcleo del Parque de 75.428 ha, presenta un intervalo de altitud que va desde los 2.350 msnm. a los
4.600 msnm.; el área de amortiguación propuesta se encuentra entre los 1.850 y los 4.350 msnm.,
geográficamente se localiza en la latitud Norte 1º50’ - 2º24’ y la longitud Oeste 76º37’ - 76º42’.
50
Los límites están dados al norte por los municipios de Puracé y Totoró; al Occidente con los municipios de
San Sebastián, Sotará y La Vega; al Sur con los municipios de Santa Rosa y San Agustín; y al Oriente con
los municipios La Argentina, La Plata y Salado Blanco, para el desarrollo del trabajo se tomo un área
piloto definida en la parte norte del área protegida y su zona de amortiguación correspondiente a 47.277
ha.
Figura 1. Área de trabajo selecciona dentro del PNN Purace.
2. Metodología
La metodología que se describe está basada en el flujograma (Figura 1). En primer lugar se analiza con
más detalle el MDE como fuente básica de información, la forma de corregirlo, sus características propias
y la forma de prepararlo para el análisis. Después, extraer información cuantitativa de las geoformas a
partir de él. El punto que es fundamental aclarar respecto a la superficie de la tierra es su dependencia a
la escala. Tradicionalmente, los geomorfólogos se han concentrado en la superficie, enfocada a una escala
de pocos metros (escala humana). En teoría, los conceptos y algoritmos de la Geomorfometría son
aplicables a todas las escalas incluyendo aquellas microscópicas (Vargas, 2009).
Figura 2. Flujograma de la metodología
1.1 Bloque 1: Obtención de geoformas
La potencialidad del uso de la GeomorfometrÍa es muy amplia en los estudios del medio ambiente natural.
Los MDE son una representación fiel del terreno en el momento de su adquisición y contienen una gran
cantidad de información que es posible obtener por interpretación automática y semiautomática.
Esta información se encuentra limitada únicamente, por la capacidad del hombre al interpretar la
información dentro de lo cual se utilizo la segmentación de imágenes para reducir la información y tratar
de simplificar la interpretación de las formas del terreno.
2.1.1. Corrección del MDE
La preparación del MDE STRM “Shuttle Radar Topography Mission” hace referencia a los procesos que se
realiza para eliminar las posibles deficiencias que contiene. Con este proceso se elimina información
incorrecta del MDE y elementos de éste que dificultan la aplicación de ciertas fórmulas y algoritmos.
51
Para esta etapa preparatoria se utilizo ILWIS 3.4 y la cartografía base. Estas correcciones se enfocaron en
utilizar los cuerpos de agua y ríos para realizar un ajuste a los datos de elevación (Figura 3).
2.1.2. Modelo de sombras
Estos mapas reflejan la topografía del MDE de forma más realista (Figura 3) constituyendo además
representaciones muy intuitivas. Con base al MDE corregido se procedió a generar un modelo de sombras
con el algoritmo del programa ILWIS “Hydro-Processing DEM Visualization”, el cual genera un modelo
combinado de sombras y dirección de la pendiente luego de aplicar un filtro que calcula áreas de mayor o
menor sombra según la ubicación de la fuente de iluminación sobre el MDE. Este es un producto muy útil
a la hora de interpretar las diferentes geoformas del terreno ya que permite realizar una mejor
interpretación mostrando sus formas tridimensionales
Figura 3. Área de trabajo dentro del PNN Purace
2.1.3. Índice de posición topográfica
Se utilizó la teoría del índice de posición topográfica (TPI) desarrollada por Andrew Weiss (2001) y cómo
podría calcularse. El uso de este TPI en distintas escalas más la pendiente, puede clasificar el paisaje en
ambos sentidos pendiente y posición (es decir ridge top: cordillera, cerro y valley bottom: valle inferior o
fondo de valle), mid-slope: pendiente media, etc.), y categorías fisiográficas (es decir empinadas estrechos,
cañones, valles, llanuras, laderas abiertas, mesetas, etc.).
52
Los algoritmos son inteligentes y bastante simples. El TPI es la base de la clasificación del sistema y es
simplemente la diferencia entre una celda de valor de elevación mayor y la elevación promedio del barrio
alrededor de esa celda. Los valores positivos significan que la celda es superior a su entorno, mientras los
valores negativos significan que es menor (Jenness, 2006).
En el modelo de TPI se aplican dos conceptos básicos, la elaboración de dos índices de posición
topográfica uno grande y otro pequeño, los cuales se fundamentan en realizar un cálculo de la media focal
donde las celdas de elevación son comparadas con las celdas vecinas dentro de un área definida. Los
valores de las cuadriculas son convertidos a enteros, todo esto hace que los valores positivos del TPI
correspondan a regiones altas dentro del área circundante y puedan ser asociados a cerros y cordilleras,
los valores negativos denotan características y regiones bajas dentro del área circundante y son asociadas
a valles. Cuando el TPI es cero se asocia a regiones planas o bien a áreas de inclinación constante
cercanas a cero.
El grado en que es mayor o menor, más la pendiente de la celda, puede ser utilizada para clasificar la
celda dentro de la posición de la pendiente (Figura 4). Si es significativamente más alto que los
alrededores vecinos, entonces es probable que esté en o cerca de la cima de una colina o cerro.
Considerablemente los valores bajos sugieren que la celda está en o cerca de la parte inferior de un valle.
Valores TPI cerca de cero pueden significar un área plana o una pendiente media del talud, así que la
celda pendiente puede ser utilizada para distinguir las dos (Jenness, 2006).
Figura 4. Variación en la posición de la pendiente (Jenness, 2006).
Al tener los datos agrupados y generados los archivos de salida, con los datos en valores enteros
calculados con base a su desviación estándar se procede a elaborar un esquema para realizar la
clasificación de las geoformas; en una serie de condiciones que asignan las clases. Dichas condiciones se
fundamentan en determinar los cuatro grandes grupos, dentro de los cuales se pueden clasificar las
formaciones terrestres. Estos grupos son determinados por su forma expresada matemáticamente y
representada en cóncavo, convexo, plano e inclinado. Otro criterio base que se tiene en cuenta para
desarrollar el modelo es la pendiente, un aspecto fundamental que define en gran parte el área que
abarcan las unidades interpretadas y da el umbral para distinguir la zonas planas e inclinadas presentes
dentro del modelo de elevación (Tabla 1).
Tabla 1. Esquema de clasificación del TPI.
TPI Grande TPI Pequeño Pendiente

Identificador Descripción
Bajo Alto Bajo Alto Bajo Alto
1 Cañones. <= -1 <= -1
Drenajes en pendiente,
2 > -1 <1 <= -1
valles poco profundos.
Cabeceras, drenajes
3 >= 1 <= -1
altos.
4 Valles en U. <= -1 > -1 <1
5 Planos. > -1 <1 > -1 <1 <=5
Pendientes medias
6 > -1 <1 > -1 <1 >5
abiertas.
Pendientes muy
7 >= 1 > -1 <1
abiertas, mesas.
8 Crestas Local. <= -1 >= 1
Pequeños valles/
9 > -1 <1 >= 1
Riscos.
53
TPI Grande TPI Pequeño Pendiente

Identificador Descripción
Bajo Alto Bajo Alto Bajo Alto
10 Cimas de montañas. >= 1 >= 1
En el modelo se debe tener en cuenta el umbral dentro del cual se mueven los datos, para definir la forma
básica en la que se agruparan y obtener el límite, de antemano se deben analizar los datos para obtener la
siguiente información:
 Valores mínimo y máximo de las pendientes.
 Valores mínimo y máximo de la altitud.
 Desviación estándar (ésta da el limite positivo y negativo de los TPI).
Partiendo de esta información se desarrolló el esquema de selección teniendo en cuenta la información
antes mencionada, los datos de pendiente y la elevación para poder dar paso al cálculo del índice de
posición topográfica (TPI).
2.1.4. Segmentación
A continuación se utilizó una técnica de procesamiento de imágenes llamada segmentación. Es un proceso

que consiste básicamente en la división de la imagen en regiones u objetos. Si estamos interesados en una
única región como en este caso, se dividirá la imagen en objetos y formas, considerando formas a todas
las regiones de la imagen que nos interesan utilizando un umbral y número de pixeles para definir las
áreas automáticamente.
El proceso que se siguió para elaborar las unidades segmentadas fue desarrollado en el software Spring
4.3 utilizando la función de segmentación con un algoritmo de crecimiento de regiones. Este algoritmo se
basa en el concepto de la similitud, donde se forman regiones de manera interactiva a partir de un píxel
individual y va creciendo hasta que todos los píxeles son procesados.
El valor de similitud es relativo a la distancia Euclidiana y mide la distancia entre los centros (media) de
cada región, evaluando los niveles de gris o valores digitales (DN); asimismo incluye un valor límite de
área, el cual permite que durante la segmentación las regiones menores sean agrupadas con las regiones
mayores adyacentes (Bins et al,. 1996), el valor de similitud que se utilizó estuvo comprendido entre 1
mayor similaridad y 100 menos similaridad, luego de las pruebas se optó por utilizar el mayor detalle y se
escogió 1 para la similaridad. En cuanto al área de pixeles el valor de área puede estar entre 1 y 999 se
definió 100 pixeles para agrupar las unidades mínimas interpretables dentro de la imagen (Figura 5).
Luego de la segmentación (Figura 5) se obtuvieron polígonos lo más pequeños posibles, en los cuales se
fusionaron polígonos con la función de unión de ArcGis 9.3. Utilizando una función típica de selección
contra la capa del modelo de sombras, al estar interesados en una única región dividiremos la imagen en
objetos más pequeños y basándose en las formas dadas por el modelo de sombras, en que se considera
formas a todas las regiones de la imagen que nos interesan, esto se empleó para definir con un mejor
criterio la agrupación de unidades interpretadas visualmente sin utilizar una delimitación manual
tradicional y obtener las geoformas presentes dentro de los polígonos de manera más exacta (Figura 5).
54
Figura 5. Selección de polígonos en base a la segmentación
2.2. Bloque 2: Clasificación fisiográfica del terreno
2.2.1. Intercepción
La operación de intercepción aplicada que se llevó a cabo en el programa ArcGis 9.3, utilizando la
extensión ET GeoWizards, la cual efectúa las selecciones o uniones vectoriales utilizando tanto elementos
gráficos como textuales. Se pudo no obstante, dotar de mayor potencia a la realización de consultas
combinando ambos componentes del dato geográfico (gráfico y textual).
Como primera acción se cruzó los vectores resultantes del proceso de segmentación y la capa vectorial de
datos climáticos, esto con el fin de obtener los polígonos definitivos de agrupamiento y evitar unidades
muy pequeñas, en base a las múltiples intercepciones que podrían resultar de la mezcla de 5 archivos
vectoriales temáticos (clima, cobertura, geología, suelos, geomorfología).
Para utilizar la metodología del enfoque fisiográfico el cual analiza las relaciones entre los diferentes
factores formadores del paisaje (Clima, Geología, Suelo, Geomorfología y Cobertura) y sus procesos,
tratando de sintetizar lo mejor posible las características que definen un paisaje, se realizó la intercepción
no vectorial de los distintos atributos en base a las capas de Geología, Suelo y Cobertura con el archivo de
la intercepción vectorial de clima (Figura 6) y segmentación, en base a la función Transfer Attributes de
ET GeoWizards. Ésta realiza la transferencia de los atributos de una capa de polígonos (de origen) a otro
(de destino) en función de su ubicación espacial (overlay), donde se especifica el método para la
transferencia de los atributos de cada campo de la fuente a la tabla de atributos de los polígonos.
55
Figura 6. Unidades finales de la segmentación Interceptada con clima
2.2.2. Sistema CIAF
La clasificación fisiográfica del terreno permite a la vez jerarquizar una zona cualquiera, de lo general a lo
particular, con el ánimo que puedan utilizarse a distintas escalas y con diferente nivel de detalle. El
sistema tiene una estructura piramidal (Figura 7) en cuyo vértice se sitúan las estructuras geológicas
continentales relacionadas con la tectónica de placas, a saber: orógenos, escudos, megacuencas. A partir
de éstas se han definido cinco categorías fisiográficas las cuales se resumen en el esquema expuesto en el
gráfico.
Figura 7. Sistema de clasificación fisiográfica (Botero y Villota, 1992)
Con las geoformas generadas a partir del índice de posición topográfica y la segmentación, se procedió a
utilizar el sistema de clasificación fisiográfica CIAF (Centro Interamericano de Fotointerpretación). En éste
se describe un método para clasificar jerárquicamente a las unidades de terreno, derivadas de la
interpretación de los productos anteriores para obtener la identificación de geoformas. Tales unidades se
establecen mediante el análisis integrado de geología y suelos que se enmarcan dentro de condiciones
climáticas y de vegetación definida (Intercepción) con la información teórica de los procesos
geomorfológicos del sistema y la sobre posición en base al resultado final del TPI (Figura 8).
56
Figura 8. Unidades geomorfológicas en base al sistema CIAF
2.2.3. Unidades de paisaje
El análisis fisiográfico es un método para el estudio de la superficie de la tierra el cual se fundamenta en

la relación que existe entre la geomorfología, los suelos, y la vegetación. Según éste, se asume que el suelo
y la vegetación son resultados de la síntesis ecológica y de los elementos del paisaje. Además, del
ambiente geomorfológico (determinado por el relieve), el material parental y el tiempo, junto con el clima,
son los factores físicos formadores de ese paisaje; la cobertura vegetal y el uso de la tierra constituyen sus
factores biológicos y socioeconómicos. A partir del análisis fisiográfico se desarrolla el sistema de
clasificación fisiográfica del terreno, que permite visualizar la relación entre todos estos aspectos, el cual
tiene un carácter multicategórico, que involucra a la mayoría de los elementos medioambientales
comprometidos con la génesis de las geoformas.
Luego de obtener los productos (geomorfología, geoformas e integración temática) de los procesos descritos
anteriormente, se comenzó por codificar las distintas variables involucradas en la asignación de atributos
temáticos de la unidad de paisaje (codificación de clases). Las clases codificadas para la generación del
mapa y leyenda de unidades de paisaje, fue la suma de los diferentes atributos simplificados en un código
máximo de cinco caracteres por entidad atributiva, como se ve en el siguiente ejemplo (Tabla 2).
Tabla 2. Codificación de unidades de paisaje
Clase Nombre Código

Clima Extremadamente frio seco EFS
Geología Lavas andesiticas Qp
Suelos Typic Humitropept TH
Cobertura Superparamo Super
Geomorfología Crater Cra
Unidad de paisaje Código = EFS, Qp, TH, Super, Cra
57
2.1 Nivel de precisión y veracidad
Los errores e inconsistencias se corrigieron con la cartografía base obteniendo buenos resultados; debido
al tiempo y extensión del área no fue posible verificar completamente en campo la exactitud o fidelidad
que expresa la diferencia entre el valor de la realidad y la medición realizada, se utilizaron puntos
aleatorios verificados previamente; para tratar de representar la escala inicial de los mapas topográficos
1:25.000 sumado a la resolución espacial del modelo STRM de 30 m que fue ajustada con dicha
cartografía base, por esta razón se optó por utilizar información base con mayor detalle que el modelo de
elevación, partiendo solo de la exactitud geométrica horizontal y vertical del STRM. Dentro de los errores
esperados pueden presentarse interpretaciones incorrectas de algunas unidades por desconocimiento o
falta de comprobación; la evaluación de exactitud en base al los puntos previos logro identificar que el 78
% de los puntos coincidieron con las unidades finales de la modelación.
3.2. Índice de posición topográfica (subpaisajes)
En el área protegida se obtuvieron 10 clases básicas de geoformas (Cañones, Drenajes en pendiente -

valles poco profundos, Cabeceras - drenajes altos, Valles en U, Planos, Pendientes medias abiertas,
Pendientes muy abiertas, mesas, Crestas Local, Cimas de montañas), que se presentan en formato digital
a escala 1:50.000 y en formato impreso a escala 1:80.000. Éste también se relaciona al mapa de
subpaisajes correspondiente dentro del sistema de clasificación fisiográfica CIAF con el último escalón de
la pirámide, siendo la parte más detallada posible dentro de las geoformas presentes. Este mapa es
obtenido después del ajuste, corrección y procesamiento del MDE con el algoritmo TPI y la aplicación del
esquema de clasificación (Figura 9).
Figura 9. Mapa TPI
3.3. Mapa geomorfológico (geoformas)
Es el mapa obtenido luego del proceso de selección e intercepción de la segmentación, con los mapas
temáticos y la aplicación del sistema CIAF, para la identificación de la geomorfología, en el cual se
lograron asilar 20 unidades representativas del área. Se presenta en formato digital a escala 1:50.000 y en
formato impreso a escala 1:80.000. No pudo realizarse la comparación entre un mapa obtenido de manera
convencional y este de manera semiautomática debido a la escala muy detallada de estas geoformas, en
comparación con la información disponible en cuanto a cartografía geomorfológica que era de una escala
inferior en detalle y con un cubrimiento parcial del área.
58
Dentro del proceso de clasificación de las geoforma no se tiene un control total de la interpretación a la
hora de definir una unidad por sus atributos, siendo este el único paso que mantiene la subjetividad de la
interpretación de un experto para nombrar las unidades con estricto criterio técnico (Figura 10).
Figura 10. Mapa Geomorfológico
3.4. Mapa de unidades de paisaje
Este mapa es el resultado de la integración entre la información codificada en base a la suma de todos los
atributos temáticos y que resulta en un código único que identifica las unidades de paisaje. Se lograron
aislar 145 unidades distintas y se presentan en formato digital a escala 1:50.000 y en formato impreso a
escala 1:80.000, aunque el área protegida cuenta con mapas de unidades de paisaje anteriores el detalle
de estos es muy inferior y no se tiene un punto de comparación, siendo estos elaborados en base a
imágenes de satélite y fotografías aéreas a un nivel regional 1:200.000 y no tan detallado (Figura 11).
Figura 11. Mapa Unidades de paisaje
59
3.5. Leyenda de unidades de paisaje
Es el resultado complementario del mapa de paisajes. En éste se identifican y se visualizan las distintas
interrelaciones de los atributos temáticos que definieron las unidades de paisaje, así como su código
específico para facilitar la identificación e interpretación del mapa de unidades de paisajes (Figura 12).
Figura 12. Leyenda del mapa de unidades de paisaje
4. Conclusiones
El cálculo del índice de posición topográfica logró aislar 10 formas básicas a partir del modelo de elevación
digital, dándole más potencial a la información STRM, pudiendo producir una gran variedad de
características morfológicas y proporcionando una poderosa herramienta para describir los atributos
topográficos del área. Frente a las metodologías convencionales se impidió la delimitación subjetiva en
cuanto a que el umbral de las unidades fue obtenido automáticamente con un algoritmo matemático. La
delimitación de unidades básicas del paisaje como las geoformas, el TPI, demostró que puede remplazar
los métodos de delimitación convencional, solamente requiriendo modelos de elevación con un buen nivel
de detalle.
La segmentación de imágenes es una técnica que demostró su utilidad en la generación de patrones de
agrupamiento lógicos en base a geoformas, usando la visión computacional para la agrupación de partes
de una imagen genérica en unidades que son homogéneas con respecto a una o varias características
(textura).
Clasificar las unidades fisiográficas del terreno mediante la aplicación del sistema CIAF, fue posible debido
a que los criterios para la definición de las diferentes categorías del sistema, fueron ajustados en base a la
experiencia específica sobre el territorio colombiano para lo cual fue definido y adaptado; dando como
consecuencia que los atributos correspondientes a este sistema encajaran adecuadamente en cada
categoría de las geoformas obtenidas.
60
Dentro del análisis de la información para la creación de unidades geomorfológicas se evidenció la

necesidad de contar con información de elevación de muy buena resolución y precisión, enfocado a que a
partir de esos datos dependerá el nivel de detalle de la interpretación y el alcance que la información
permitirá sintetizar, en el caso especifico del área protegida el modelo brindó una calidad de detalle
suficiente para lograr sintetizar las unidades presentes.
Una debilidad evidente en el desarrollo de las unidades de paisaje es la falta de correspondencia de los
datos temáticos con la escala de los modelos de elevación de alta resolución, que sin duda mejorarían el
nivel de interpretación y daría un nivel de confiabilidad más alto. En el área el modelo brindó un nivel de
confiablidad alto (90%) debido a que en la zona ecuatorial el STRM de 30 m tiene error vertical de 6,2 m y
de geoubicacion de 9 m calculado para Sudamérica.
El resultado de los índices de posición topográfica depende en gran medida del esquema que se utilice
para realizar la clasificación. De vez en cuando alguna geoforma puede quedar mal identificada, aunque
podrían ser identificables con criterios de clasificación más sensibles.
5. Referencias
Bins, L. Fonseca, L. Erthal, G. 1996. Satellite imagery segmentation: a region growing approach. In VIII Brazilian
Symposium on Remote Sensing, INPE
Botero, P. Villota, H. 1992. Sistema CIAF de clasificación fisiográfica del terreno. Instituto Geográfico Agustín Codazzi,
unidad de suelos. CIAF – IGAC. Bogota:
Claure, B. 2009. Conocimientos generales de geomorfología. CLAS-UMSS. Cochabamba.
Cushing. M. 2009. Desarrollo de Mapas de Relieve. Hidrografía y Derivados para Suramérica. CAF- USGS. Washington.
Escobar, G. 2005. Curso de geología Universidad nacional sede Manizales. UNAL Manizales.
Fuentes, J. 2008. Metodología cartográfica para morfología del fondo marino, Laboratorio Sistemas de Información
(LabSI) Programa GEZ. Instituto de Investigaciones Marinas y Costeras José Benito Vives de Andréis, Santa Marta.
Hengl. T. Gruber S. Shrestha. 2003. Digital Terrain Analysis in ILWIS Lecture notes and user guide.: International
Institute for Geo-information Science and Earth Observation (ITC). Enschede.
Hengl, T. Reuter, Hannes, I. 2009. Geomorphometry Concepts, Software, Applications. Developments in Soil Science,
vol. 33. Elsevier. Amsterdam.
Hengl T. Rossiter D. 2003. Landform classification and photo-interpretation in Semi-Detailed Soil Survey. Soil Science
Society of America, 1820-1822
Jenness, J. 2006. Topographic Position Index extension for ArcView 3.x, v. 1.2. Jenness Enterprises. Houston
Li, Z. Zhu, Q. Gold C. 2005. Digital terrain modeling, principles and methodology.: CRC PRESS. Florida
Nasa, 2005. Shuttle Radar Topography Mission: Instruments. http://www.jpl.nasa.gov/srtm/index.htm accesado
agosto 2005.
Nixon, M. Aguado, A. 2002. Feature Extraction and Image Processing. Newnes. Oxford.
Schmidt J. Hewitt. A. 2003. Fuzzy land element classification from DTMs based on geometry and terrain position.
Geoderma 121. Elsevier ,243–256.
UAESPNN, 2006. Plan de manejo Parque Nacional Natural Puracé. Dirección Territorial Sur Andina. Popayán.
Vargas, R. 2009. Notas de clase, modulo XIII modelamiento de procesos terrestres.: Clas-UMSS. Cochabamba.
Verstraeten. R. 2005. Regional scale modelling of hillslope sediment delivery with SRTM elevation data. Journal
Geomorphology Elsevier.p14
Wilson, E. John, P. 2000. Terrain Analysis.Principles and Applications. John.Wiley.&.Sons. New York
Zhou, Qiming. 2008. Advances in Digital Terrain Analysis. Springer. Berlin
61
REVISTA BOLIVIANA DE LA CIENCIA DEL SUELO Vol. 1,Nº1 (2011) 62-70
EFECTO DEL CONTENIDO SALINO DE UN TIPO DE SUELO

SOBRE EL GRADO DE ABSORCIÓN DEL PLAGUICIDA
FLUROXIPIR METILHEPTIL ESTER
Fátima S. Alba 1, Fabiola Baina 1, Paul E. Vargas 2
1Departamento de Química, Facultad de Ciencias y Tecnología, Universidad Mayor de San Simón, Cochabamba, Bolivia.
2Centro de Aguas y Saneamiento Ambiental, Facultad de Ciencias y Tecnología, Universidad Mayor de San Simón.
E-mail de referencia: fatima.alba@yahoo.com, paul_5151@yahoo.com
Resumen
El fluroxipir metilheptil éster (FMHE) es un herbicida muy utilizado en el cultivo de
soya en el departamento de Santa Cruz (Bolivia). Se verificó el efecto del contenido
salino sobre la sorción del FMHE en el suelo, para lo cual, a partir de muestras de
suelo de la localidad de Chané, se prepararon cuatro muestras de suelo con similar
contenido de materia orgánica pero con distinta conductividad eléctrica. Asimismo, se
utilizó una muestra de suelo puntual obtenida en la misma parcela en una época
distinta. Se realizó ensayos de sorción por lotes para todas las muestras, obteniéndose
valores de Koc entre 28 y 401 ml g-1. Se demostró que existe una mayor sorción del
FMHE por parte del suelo estudiado mientras menor sea su contenido salino.
Palabras clave: Salinidad, suelo, Chané, Kd y Koc, fluroxipir metilheptil éster.
Contenido
1.Introducción __________________________________________________________________________________________________ 62
2.Materiales y métodos __________________________________________________________________________________________ 64
2.1. Zona de estudio _______________________________________________________________________________________ 64
2.2. Muestreo de suelo _____________________________________________________________________________________ 64
2.3. Obtención de muestras de suelo con distinto contenido salino ___________________________________________ 64
2.4. Determinación de la conductividad eléctrica y otras características relevantes del suelo ___________________ 65
2.5. Determinación de Kd y Koc______________________________________________________________________________ 65
2.6. Determinación de la concentración de FMHE en agua ___________________________________________________ 66
3.Resultados y Discusión ________________________________________________________________________________________ 66
4.Conclusiones _________________________________________________________________________________________________ 69
5.Agradecimientos ______________________________________________________________________________________________ 69
6.Referencias ___________________________________________________________________________________________________ 69
1. Introducción
El uso extendido de químicos en la agricultura, sobre todo plaguicidas, han causado una creciente
preocupación por sus implicaciones ambientales. Los plaguicidas, al ser aplicados y llegar al suelo,
pueden comportarse de diferentes maneras: 1) pueden permanecer inalterados en el suelo por mucho
tiempo, 2) pueden reaccionar química o biológicamente para producir otros compuestos, con la posibilidad
de que los nuevos compuestos sean aun más peligrosos, y 3) pueden infiltrarse a través del suelo y llegar
a capas freáticas con el consiguiente riesgo para la población (Zbytniewski et al., 2002).
62
Se estima que por encima de una tercera parte del total de un plaguicida rociado en un cultivo puede
perderse en el suelo al momento de su aplicación. El volumen de plaguicida depositado en el suelo es
variable y dependiente del tipo de cosecha y las dimensiones del terreno cultivado (Barber et al., 2002).
Una vez que los plaguicidas llegan al suelo, los diferentes procesos a los que son sometidos, están
influenciados por una serie de distintos factores entre los cuales están las propiedades físicas y químicas
del suelo, el modo de aplicación, el cultivo y las condiciones climáticas del lugar, etc. Por ejemplo, las
variaciones de las propiedades físicas del suelo con la profundidad afectan a la retención, movimiento y
degradación de los herbicidas (Fernándes de Oliveira et al., 2006). La capa superficial (o, en el caso de
suelos cultivables, la capa arable) suele tener mayor capacidad de retención del plaguicida; esto se
demostró en los ensayos de sorción a distintas profundidades realizado por Baskaran et al. (1996). Este
estrato se caracteriza, generalmente, por un mayor contenido de materia orgánica.
El contenido de materia orgánica de un suelo se puede considerar como uno de los principales factores
que determinan el grado de sorción de un compuesto orgánico (Holm, et al., 2003). En general, la materia
orgánica y los minerales arcillosos son considerados los dos componentes del suelo, mas importantes que
afectan a la retención de los plaguicidas aplicados en este (Li et al., 2003; Freijer et al., 1998).
Observaciones realizadas por Gülüt et al., (1998) sobre el comportamiento de plaguicidas como aldicarb en
plantaciones de algodón, probaron que otros constituyentes del suelo además de la materia orgánica están
involucrados en la sorción. Los tratamientos demostraron baja sorción de aldicarb por presencia de
CaCO3. Se observó también que una débil sorción significa mayor potencia de movilidad de un químico a
través de la columna de suelo, un proceso que es principalmente controlado por las características físicas
del suelo, principalmente textura y estructura.
La cantidad de herbicida disponible en la solución del suelo, queda definida por el fenómeno de adsorción
(López et al., 2004). Queda muy claro que una débil sorción significa mayor potencial de movilidad, tal
como demostraron los experimentos desarrollados por Gülüt et al., (1998).
Con el fin de obtener una medida del grado de adsorción (o sorción, según sea el caso) de compuestos
orgánicos en el suelo, se cuenta con dos parámetros: el coeficiente de distribución para adsorción, (K d) y el
coeficiente de adsorción normalizado para carbono orgánico (Koc), ambos se encuentran directamente
relacionados con la movilidad de los compuestos orgánicos en el suelo.
El FMHE es el ingrediente activo del herbicida Starane®, estando presente en un 30%. La Tabla 1
presenta datos de identidad y propiedades del FMHE.
Tabla 1. Principales datos del FMHE
Acetato de 1-metilheptil (4-amino-3,5-

Nombre químico
dicloro-6-fluoro-2-piridiloxi)
No. CAS 69377-81-7
Apariencia Sólido blanco cristalino
Presión de vapor [Pa] 3,78 x 10-9 (20º C)

pH 5: 0,0813
Solubilidad en agua (mg L-1) pH 7: 0,109 / 0,136
pH 9: hidrólisis
A 25º C:
- Hexano: 45
- Metanol: 469
Solubilidad en solventes orgánicos (g L-1)
- 2-propanol: 288
- Xileno, tolueno, diclorometano, acetona:
>500
Densidad Relativa 1,322 (20oC)
Fuente: Vargas et al., (2005)
Resultados de ensayos de sorción y migración del FMHE, llevados a cabo por Vargas et al. (2005),
indicaron que este compuesto es muy afín al suelo y, por lo tanto, sufriría una importante sorción en el
suelo. Los ensayos con distintos suelos indicaron la dependencia de dicha sorción con características del
suelo como el contenido de materia orgánica, pH y conductividad eléctrica (contenido salino).
63
En lo referido a la movilidad en el suelo, los resultados de K d y Koc logrados mediante ensayos de sorción
por lotes, indicaron que se puede clasificar al FMHE como un compuesto entre moderadamente móvil y
débilmente móvil.
El contenido salino del suelo, medido por la conductividad eléctrica, en los cultivos de la Localidad de
Chané en el departamento de Santa Cruz es muy variable, incluso tratándose de muestras obtenidas de la
misma parcela de cultivo. Dado el creciente incremento de la aplicación de Starane®, en especial para el
cultivo de soya en el departamento de Santa Cruz, es necesario profundizar en el estudio de variables
como el contenido salino y su efecto sobre la movilidad del FMHE en el suelo.
2. Materiales y métodos
2.1. Zona de estudio
Para fines del presente trabajo, se tomó como zona de estudio la localidad de Chané ubicada
aproximadamente a 95 km al norte de la ciudad de Santa Cruz de la Sierra, siendo esta una de las
regiones de mayor relevancia en lo que se refiere a la producción de soya, trigo y maíz, entre otros.
2.2. Muestreo de suelo
En mayo de 2006, se obtuvieron cinco muestras de una parcela de cultivo de soya en la localidad de
Chané (Santa Cruz) cuya localización GPS es 20K 474070 UTM 8127381. Todas las muestras fueron de la
capa arable (hasta 15 cm de profundidad) del centro de la parcela, a una distancia aproximada de 100 m
entre sí.
Las muestras, una vez obtenidas, fueron conservadas a una temperatura de 5 ºC en una conservadora
hasta su llegada al laboratorio, donde se las guardó en una cámara fría a esa misma temperatura.
Para fines del presente estudio, se combinaron iguales proporciones de cada una de las muestras
tomadas, llamándose a esta muestra “suelo inicial”, y que se consideró representativa de toda la parcela
en el momento del muestreo.
Por otra parte, se ensayó, con fines comparativos, con una muestra puntual de suelo de baja
conductividad eléctrica obtenida en septiembre de 2004.
2.3. Obtención de muestras de suelo con distinto contenido salino
Para fines del presente trabajo, se entiende como contenido salino al conjunto de las distintas sales
presentes en el suelo. En ese sentido, para tener un suelo con distintos contenidos salinos, una
alternativa es adicionar al suelo los distintos iones en proporciones determinadas utilizando sales
disponibles en el comercio con purezas conocidas. Obviamente, de esta manera resulta difícil reproducir
en laboratorio la composición de iones que en forma natural se presenta en el suelo, razón por la cual en
este trabajo se sugiere otra metodología.
Se pesó 120,0 g de suelo y en un vaso de precipitados de 600 ml se mezcló con 250 ml de agua destilada
(de conductividad eléctrica 3 - 5 S cm-1). La mezcla se agitó y llevó a calentamiento en una hornilla hasta
una temperatura de aprox. 80ºC. La mezcla caliente se filtró a través de papel filtro de 41 m de apertura
de poro (círculos de 125 mm de diámetro, Whatman) y el filtrado se procedió a concentrar evaporando a
una temperatura de 40ºC hasta obtener una reducción de unas cuatro veces del volumen inicial. Se
asumió que las sales originalmente presentes en el suelo se disolvieron y estaban presentes en dicho
concentrado. En recipientes plásticos de 12 x 12 x 5,5 cm se colocó 470,0 g de suelo, se agregó
homogéneamente el concentrado de las sales antes obtenido y se concentró a 40ºC por 12 horas. Para
obtener mayores grados de salinidad en base a la muestra original (inicial), se dosificó el concentrado
hasta cinco veces en la misma porción de suelo inicial y se midió la conductividad eléctrica del mismo.
El suelo utilizado para obtener el concentrado de las sales, que se supone que redujo notablemente su
contenido salino, se lo llamó “suelo lavado” y se consideró como uno más de los suelos con distinto
contenido salino.
Se determinó la conductividad eléctrica y el contenido de materia orgánica de cada uno de los suelos
obtenidos. Adicionalmente, se determinó el pH del suelo inicial como parte de la caracterización de dicho
suelo.
64
2.4. Determinación de la conductividad eléctrica y otras características relevantes del suelo
La conductividad eléctrica se determinó preparando una suspensión suelo seco:agua (1:2). Se obtuvo
suelo seco sometiéndolo a calentamiento por 12 horas a 60ºC . Después de 4 horas de agitación de la
suspensión y 15 min. de reposo, se midió con el electrodo de un conductivímetro (Modelo 128, Orion) el
sobrenadante.
El pH se determinó en una suspensión suelo:solución CaCl2 0,01 M (1:2). Después de 30 min. de agitación
de la suspensión y un tiempo similar de reposo, se midió con el electrodo de un pHmetro (Orion 3 Star) el
sobrenadante.
El contenido de humedad (en porcentaje) se determinó por variación en el peso de una muestra de suelo
húmedo secado a 60ºC por 12 horas. Posterior a la determinación del contenido de humedad, el contenido
de materia orgánica (en porcentaje) se determinó por “ignición” a 550ºC y la consiguiente variación en el
peso de la muestra seca. A partir del contenido de materia orgánica se determinó el contenido de carbono
orgánico (en porcentaje) utilizando el factor de Van Bemmelen (1,724).
Para estimar la concentración de los iones más importantes en el suelo, se mezcló 900,0 g de suelo
“inicial” con agua destilada y se procedió a disolver las sales mediante un ligero calentamiento. Se decantó
y filtró la fase acuosa, y en la misma, se analizaron Ca 2+, Cl-, Fe total, Mn total, Mg2+, K+ y Na+.
Considerando el contenido de humedad del suelo, el volumen final de fase acuosa (un litro) y las
concentraciones en fase acuosa, se logró un estimado del contenido de estos iones por kilogramo de suelo
seco.
La granulometría del suelo utilizado en el presente trabajo fue determinada por tamizado por el
Laboratorio de Suelos y Aguas (Facultad de Agronomía y Ciencias Pecuarias-UMSS).
2.5. Determinación de Kd y Koc
Para la determinación del Coeficiente de Distribución para Adsorción, Kd y el Coeficiente de Adsorción

Normalizado para Carbono Orgánico, Koc, se realizó un Ensayo de Sorción por Lotes.
El suelo ensayo se tamizó a través de un Tamiz # 10 para obtener partículas de tamaño menor o igual a 2
mm de diámetro. El ensayo consistió en poner en estrecho contacto, mediante agitación, una masa de
suelo tamizado, m y un volumen de solución V. La solución contenía FMHE en una concentración inicial
conocida (Co) de 0,99 mg L-1 y 0,1% de NaN3 para minimizar la biodegradación (Søvik et al., 2002).
Después de 24 horas, tiempo suficiente para llegar al equilibrio, se determinó la concentración de FMHE
en la solución, o sea Ceq.
Una vez equilibrado el sistema, utilizando los datos de la masa de suelo seco, concentración inicial (Co), y
concentración en equilibrio (Ceq) del FMHE, mediante la ecuación (1), se determinó la concentración de
FMHE en el suelo, Cs.
Ecuación 1:
(Co  Ceq )*V

Cs 
m
Utilizando la relación de la cantidad de FMHE retenido en el suelo respecto de la concentración de la

solución en equilibrio se calculó el valor de Kd mediante la ecuación (2).
Ecuación 2:
Cs
Kd 
Ceq
Conociendo el contenido de carbono orgánico (%CO) del suelo estudiado, se obtuvo el valor de K oc
mediante la ecuación (3).
Ecuación 3:
65
100
Koc  Kd
%CO
2.6. Determinación de la concentración de FMHE en agua
Las muestras de agua se colectaron en recipientes de vidrio de 1 L de capacidad, se preservaron con 15 ml

de diclorometano (Scharlau, 99,9% pureza) y se almacenaron a una temperatura menor de 5ºC.
Para el análisis se realizó una extracción líquido-líquido con una mezcla acetona (Merck, min. 99,5%
pureza) y diclorometano (Scharlau, 99,9% pureza) en proporción (1:1 v/v) como solvente extractor. Se
extrajo el total de la muestra (aprox. 300 ml) con tres fracciones del solvente de extracción. Se concentró
el extracto por medio de un rotaevaporador (Modelo 803, Fisatom) y se limpió con Florisil activado a
130ºC. Finalmente, se concentró el extracto concentrado limpio por flujo de nitrógeno en un equipo
“Minivap” (Supelco) hasta un volumen final de 5 ml.
En el cromatógrafo, se utilizó una columna tipo cpsil19cb (Varian) de 50 m de largo, 0,25 mm de diámetro
interno y 0,2 µm de espesor de película. El gas portador fue helio y el gas “make up” fue nitrógeno. Las
temperaturas del inyector y del detector fueron 220º y 300ºC, respectivamente. La temperatura del horno
varió desde 100ºC (2 min. de espera) hasta 150ºC a una razón de 15ºC min -1 . Luego varió desde 150ºC (5
min. de espera) hasta 240ºC a una razón de 10ºC min -1 . Finalmente, varió desde 240ºC (11 min. de
espera) hasta 245ºC a una razón de 10ºC min-1 .
El estándar interno utilizado fue el pentacloronitrobenceno, con un tiempo de retención para el método de
20,3 min., mientras que para el FMHE fue 41,5 min. El límite cuantificable de FMHE en el extracto fue 9,9
µg L-1.
3. Resultados y Discusión
Los resultados de los ensayos de granulometría realizados por el Laboratorio de Suelos y Aguas (Facultad
de Agronomía y Ciencias Pecuarias-UMSS) para la muestra compuesta de suelo utilizada en el presente
estudio, se presentan en la Tabla 2.
Tabla 2. Textura del suelo estudiado
Textura Franco Limosa

Arcilla (%) 19
Limo (%) 61
Arena (%) 20
Fuente: Laboratorio de Suelos y Aguas-UMSS (2006)
Considerando que el 80% de la muestra de suelo es constituido por material fino (limos y arcillas) se
tendría una situación que favorecería la retención de contaminantes orgánicos en el suelo y limitaría la
migración de los mismos. Asimismo, se verificó una importante variabilidad de la conductividad eléctrica
del suelo de la zona de estudio, al extremo que se llegó a reportar que muestras de una misma parcela
tenían diferencias de conductividad eléctrica de más de 2.000 S cm-1 (Vargas et al., 2005).
La variabilidad en la conductividad eléctrica se puede explicar considerando las características de la zona
Chané y otras tantas localidades cercanas, están bajo la influencia del caudaloso río Grande que, en
época lluviosa, suele desbordar anegando terrenos utilizados en el cultivo de soya, fundamentalmente. En
los últimos años, estas inundaciones se han visto acentuadas y, especial connotación, tuvieron las
registradas en los primeros meses del año 2007 debido al efecto de “El Niño”.
El suelo predominante en la zona sería de origen coluvial. El grado de salinidad que puede tener el suelo
sería una consecuencia del comportamiento hídrico; sectores bajos donde se acumula el agua y/o con
terreno bastante compactado, tendrían contenidos salinos mayores (mayores conductividades eléctricas).
Se midieron el pH, el contenido de materia orgánica y la conductividad eléctrica de la muestra de suelo
denominada “suelo inicial”, obteniéndose los valores de 7,50; 5,89 y 1,083 S cm-1, respectivamente.
A partir de este suelo es que se obtuvieron dos muestras de suelo con una salinidad aumentada por la
adición del concentrado de sales tres y cinco veces, denominándose a estas muestras como “suelo +3” y
“suelo +5”, respectivamente. La muestra de suelo generada a partir del lavado de las sales se denominó
66
“suelo lavado”. Las características de los suelos con salinidad aumentada y del “suelo lavado” se
presentan en la Tabla 3.
Tabla 3. Valores de contenido de materia orgánica, conductividad eléctrica y humedad de las muestras de suelo
Contenido Materia Conductividad

Muestra
Orgánica (%) Eléctrica [µS cm-1]
Suelo Lavado 5,71 564 (24,7ºC)
Suelo Inicial 5,89 1.083(24,7ºC)
Suelo +3 5,87 1.605(24,8ºC)
Suelo +5 5,92 2.080(23,8ºC)
Queda claro a partir de la Tabla 3 que, mediante el procedimiento propuesto para aumentar el contenido
salino del suelo, no existe una modificación sustancial en el contenido de materia orgánica.
En el caso del “suelo lavado”, se tiene una ligera reducción del contenido de materia orgánica,
posiblemente debido al proceso de extracción de las sales que podría tener una influencia mínima de
destrucción o reducción de este componente del suelo. Asimismo, se lograron variaciones significativas en
la conductividad eléctrica de los distintos especimenes de suelo logrados.
La muestra puntual de suelo (septiembre 2004) presentó un contenido de materia orgánica de 5,00 % y
una conductividad eléctrica de 184 S cm-1 . Dado que esta muestra fue colectada en distinta época y
distinto año respecto a las utilizadas para lograr muestras de suelo dosificados con distintos contenidos
salinos, es lógico que exista una variación importante en los valores de conductividad eléctrica y contenido
de materia orgánica.
Se determinó la concentración de FMHE en la fase acuosa en los Ensayos de Sorción por Lotes de cada
caso y posteriormente se calculó la concentración del FMHE retenido en el suelo. La Figura 1 presenta el
cromatograma del extracto de la fase acuosa del ensayo “duplicado” realizado con la muestra “suelo +3”.
Figura 1. Cromatograma del extracto de la fase acuosa del ensayo “duplicado” realizado con la muestra “suelo +3”
Los datos y resultados de los Ensayos de Sorción por Lotes para las cinco muestras de suelo disponibles
se presentan en la Tabla 4. En dicha Tabla se puede observar con claridad que en ensayos con suelos con
mayor contenido salino (mayor conductividad eléctrica) se presenta un valor más bajo de K d y Koc y, por
consiguiente, un menor grado de sorción del FMHE.
67
Tabla 4. Datos y resultados de los Ensayos de Sorción por Lotes para las muestras de suelo
Masa Conc. Conc. Conc.

Kd [ml Koc [ml Koc prom.
Muestra* Suelo Seco Inicial, Co Equilibrio, Suelo, Cs
g-1] g-1] [ml g-1]
[g] [mg L-1] Ceq [mg L-1] [mg g-1]
Suelo Lavado (1) 1,5115 0,99 0,0648 0,1836 2,8 86 87
Suelo Lavado (2) 1,5244 0,99 0,0626 0,1825 2,9 88
Suelo Inicial (1) 1,7186 0,99 0,0686 0,1608 2,3 69 63
Suelo Inicial (2) 1,7161 0,99 0,0809 0,1589 2,0 57
Suelo +3 (1) 1,6913 0,99 0,1514 0,1487 1,0 31 30
Suelo +3 (2) 1,6964 0,99 0,1601 0,1468 0,9 29
Suelo +5 (1) 1,4024 0,99 0,1764 0,1740 1,0 29 28
Suelo +5 (2) 1,4161 0,99 0,1864 0,1702 0,9 27
Muestra Puntual (1) 2,2954 0,99 0,0158 0,1273 8,2 400 401
Muestra Puntual (2) 2,2108 0,99 0,0163 0,1321 8,1 402
* Todas las muestras fueron tomadas en mayo de 2006, excepto la “muestra puntual” que fue tomada en septiembre de
2004. Se realizaron los ensayos por duplicado para cada muestra, especificándose esta situación con los números 1 y 2
entre paréntesis.
La gráfica de Conductividad Eléctrica (µS cm-1) vs. el valor de Koc (ml g-1), presentada en la Figura 2,
presenta una clara tendencia que ratifica que, para el caso del FMHE, existe una mayor sorción del
plaguicida mientras menor es el contenido salino. La reducción de la concentración en la solución
equilibrada con el suelo se podría considerar que no está influenciada por una eventual biodegradación,
pues este efecto habría sido minimizado por la adición del NaN3 a la solución ensayada. Asimismo, se
observa que los valores de Koc obtenidos para todas las muestras son confirmados por los resultados
obtenidos para los duplicados.
Figura 2. Gráfica de Conductividad Eléctrica vs. Koc
Se incluye en la gráfica de la Figura 2 las dos “Muestras puntuales”, que representan los valores de Koc y
Conductividad Eléctrica obtenidos para aquella muestra de suelo colectada en la misma parcela que las
otras muestras pero en distinta fecha (septiembre 2004) y su correspondiente duplicado. Esta muestra de
suelo se caracterizó por tener una baja Conductividad Eléctrica comparada con las otras muestras, y su
inclusión en la gráfica Conductividad Eléctrica vs. Koc permite resaltar la tendencia mencionada de
disminución de la sorción del plaguicida con el aumento del contenido salino del suelo.
Se obtuvo un estimado de la concentración de algunos iones en el “suelo inicial”, cuyo contenido de
humedad era 14,62%. Posterior a la disolución de las sales del suelo en agua destilada caliente (el
volumen final fue un litro), esta se analizó y, considerando las características del suelo, se determinó la
concentración de los iones en miligramos del ión por kilogramo de suelo seco. La Tabla 5 presenta el
contenido de los iones más importantes en el “suelo inicial”.
68
Tabla 5.Contenido de iones en el extracto acuoso y del “suelo inicial”
Iones Conc. Agua [mg L-1]* Conc. Suelo [mg kg-1]

Ca2+ 168,94 219,9
Cl- 37,83 49,2
Fe total 1,2 1,6
Mn total 0,06 0,1
Mg2+ 48,4 63,0
K+ 41,4 53,9
Na+ 154,8 201,5
* Análisis realizado por el Centro de Aguas y Saneamiento Ambiental (CASA)
En este estimado de la composición iónica del suelo destacan por su mayor concentración el Na+, el Ca 2+ y
el Cl-.
Es importante destacar la coloración marrón rojiza del suelo antes del tratamiento térmico (para
determinación de materia orgánica), y rojiza después de eliminada la materia orgánica a 550°C, que hacen
suponer la existencia de altas concentraciones de hierro en las muestras de suelo. Son cinco los minerales
de hierro responsables de la coloración amarillenta a rojiza de los suelos, de los cuales la hematita, α-
Fe2O3 es muy abundante tanto en suelos tropicales como subtropicales y, generalmente, se la encuentra
asociada a goetita, α-FeOOH (Van Breemen & Buurman, 2003). Como es bien sabido, el Fe 2O3 es
prácticamente insoluble en agua, razón por la cual se puede esperar que la concentración de hierro en el
suelo sea mayor a la estimada por el método utilizado en este estudio.
4. Conclusiones
El estudio de la sorción de plaguicidas en suelo tiene por objetivo determinar si los mismos son capaces
de moverse a través del suelo y, por consiguiente, ser un riesgo para la salud. En ese sentido, el presente
trabajo, pretendió analizar el efecto de una de las variables: el contenido salino del suelo (expresado como
conductividad eléctrica), sobre la retención del FMHE en el suelo, porque este efecto condicionaría una
eventual migración del contaminante.
El método para dosificar las sales características del suelo y aumentar la salinidad de una muestra, no
influyó notoriamente en el contenido de materia orgánica y se logró obtener contenidos salinos distintos.
Los iones más abundantes en el suelo estudiado fueron el Na +, el Ca2+ y el Cl-. Sin embargo, dadas las
características cualitativas del suelo, este tendría un importante contenido de hierro, tal vez íntimamente
ligado a su estructura.
A partir de las pruebas, se concluye que a mayor contenido salino (mayor conductividad eléctrica), menor
es la retención del FMHE por sorción en el suelo y, por tanto, en este escenario se tiene una mayor
posibilidad de migración del contaminante.
5. Agradecimientos
Estamos muy agradecidos por el apoyo brindado por la cooperación belga a través del Convenio UMSS-
IUC, que permitió la realización del presente trabajo. No menos importante fue el concurso del Centro de
Aguas y Saneamiento Ambiental de la Universidad Mayor de San Simón, que nos brindó sus instalaciones
y su equipamiento para todo el trabajo de laboratorio.
6. Referencias
Barber, J.A.S., Parkin, C.S. 2003. Fluorescent tracer technique for measuring the quantity of pesticide deposited to soil
following spray applications. Crop Protection, 22, 15-21.
Baskaran, S., Bolan, N.S., Rahman, A., Tillman, R.W. 1996. Pesticides sorption by allophanic and non allophanic soils
of New Zealand. New Zealand Journal of Agricultural Research, 52, 297-310.
Fernandes de Oliveira, M., Teixeira Prates, H., Prudente Santanna, D., Silvério de Oliveira, R. 2006. Imazaquin sorption
in surface and subsurface soil samples. Pesquisa Agropecúaria Brasileira, 41, 461-468.
69
Freijer, J.I., Veling, E.J., Hassanizadeh, S.M. 1998. Analytical solutions of the convection–dispersion equation applied
to transport of pesticides in soil columns. Environmental Modelling & Software, 13, 139-149.
Gülüt, K., Sayin, M. 1998. Sorption of Aldicarb Sulfoxide by Samples of Some Calcareous Soils from Turkey. Journal of
Agriculture and Forestry, 22, 419-423.
Holm, J., Vilholth, K.G., Petersen, C., Koch, C.B. 2003. Facilitated Transport of Pesticides. Danish Environment
Protection Agency, Nr. 67, pp. 32, 50, Denmark.
Li, H., Sheng, G., Teppen, B.J., Johnston, C.T., Boyd, S.A. 2003. Sorption and desorption of pesticides by clay minerals
and humic acid-clay complexes. Soil Science Society American Journal, 67, 122-131.
López, R.A. 2004. Adsorción, Disipación y Movimiento de Simazina en el Suelo Arenoso de un Viñedo del Valle de
Casablanca, Chile. Tesis de Grado, Programa de Postgrado en Ciencias de la Agricultura, Facultad de Agronomía e
Ingeniería Forestal, Pontificia Universidad Católica de Chile, Santiago, Chile.
Søvik A.K., Alfnes, E., Breedveld, G.D., French, H.K., Pedersen, T.S., Aagaard, P. 2002. Transport and Degradation of
Toluene and o-Xylene in an Unsaturated Soil with Dipping Sedimentary Layers. Journal of Environmental Quality, 31,
1809-1823.
Van Breemen, N., Buurman, P. 2003. Soil Formation. Kluwer Academic Publisher, 2° Ed. pp. 59 y 61, USA.
Vargas, P., De Groot, W., Vandecasteele, C. 2005. Contaminación del agua y subsuelo por el uso del fluroxipir
metilheptil ester en cultivos de soya en la localidad de Chané en el departamento de Santa Cruz. Revista Boliviana de
Química, 22, 43-51.
Zbytniewski, R., Buszewski, B. 2002. Sorption of Pesticides in Soil and Compost. Polish Journal of Environmental
Studies, 11, 179-184.
70
71

Revista SBCS

Cargado por

Copyright:

Formatos disponibles

Revista SBCS

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Revista SBCS

Cargado por

Copyright:

Formatos disponibles

La Revista Boliviana de la Ciencia del Suelo (RBCS) es el órgano de difusión de la Sociedad Boliviana de la

Es auspiciada y generada por el Centro de Investigaciones y de Servicios en Teledetección (CISTEL) de la

MSc. Ronald Vargas Rojas – Centro de Investigaciones y de Servicios en Teledetección

MSc. Mauricio Azero Alcocer – Departamento de Ciencias Exactas e Ingenieria, Universidad

MSc. Edgar Gutierrez – Facultad de Ciencias Agricolas, Pecuarias, Forestales y Veterinarias,

Ing. Marcela Mendez

EDITORES ASOCIADOS REVISORES DE ESTE NUMERO

Dr. Rufo Bazan, ALTAGRO, Bolivia

Dr. Carlos Pedro Saavedra, Programa GESTOR, La Paz, Bolivia.

MSc. Noel Ortuño, Fundacion PROINPA, Cochabamba, Bolivia.

MSc. Nelson Sanabria, Centro de Levantamientos Aeroespaciales (CLAS), Cochabamba, Bolivia.

MSc. Ronald Ontiveros, Universidad de Chapingo, Mexico.

Revista Boliviana de la Ciencia del Suelo

Centro de Investigaciones y de Servicios en Teledetección-CISTEL

Av. Petrolera km. 5 (Valle Hermoso)

Pagina web: http://www.sbcs.com.bo/RevistaSBCS.html

Ronald Vargas Rojas

3. Estimación del coeficiente isohúmico de residuos de maíz en inceptisoles de Pairumani,

4. Enmienda de suelos agrícolas acidificados mediante biosólidos agroindustriales estabilizados

5. Aplicación de la geomorfometría en la cartografía de unidades fisiográficas

VARIACIÓN DE LA FERTILIDAD Y TEXTURA DE LOS SUELOS

Marisol Toledo 1, 2, Lourens Poorter 1, 2, Marielos Peña-Claros 1, 2,

Alfredo Alarcón, José Chuviña1, Juan Carlos Licona1,

1Instituto Boliviano de Investigación Forestal, Km 9 Carretera al norte,

El Vallecito, Casilla 6204, Telf.: 341-1171, Santa Cruz, Bolivia,

E-mail de referencia: mtoledo@ibifbolivia.org.bo

Palabras clave: Bolivia, bosques tropicales, fertilidad de suelo, precipitación, suelos,

2.1. Área de estudio

2.2. Toma y análisis de datos

2.3. Análisis estadístico

3.1. Variación de los suelos forestales

3.2. Diferencias edáficas entre ecorregiones

-1,0 -0,5 0,0 0,5 1,0

3.3. Relaciones edáficas

Eje de textura ----> limo

Precipitación promedio (mm) Precipitación promedio (mm)

Acd. -0,28** -0,28** -0,41** -0,31** 0,04 0,47** -0,52** 0,61**

P 0,28** 0,39** -0,12 0,38** -0,24** 0,63** -0,11

MO 0,89** -0,12 0,10 0,08 0,69** -0,09

N -0,07 0,13 -0,04 0,78** -0,20**

A -0,80** -0,72** -0,33** -0,93**

L 0,15* 0,50** 0,61**

PREDICCIÓN DE VARIABLES EDAFOLÓGICAS (pH, CE) A

Gustavo Alfonso Araujo Carrillo1, Ronald Job Vargas Rojas2

E-mail de referencia: gaaraujoc@dane.gov.co

Palabras clave: Análisis de componentes principales, kriging de regresión, modelo

2.2. Materiales y equipos

Tabla 1. Reseña de los materiales y equipos empleados en la investigación

Material - equipo Descripción

 Sistema operativo Windows Vista™ Ultimate.

 Curvas de nivel cada 20 m en formato *.mps (ILWIS).

El proceso desarrollado para predecir variables edafológicas a partir de técnicas de inferencia

2.3.1. Determinación de los predictores

2.3.2. Análisis espacial y estadístico de las muestras

2.3.3. Diseño del modelo de predicción espacial

2.3.4. Evaluación de la calidad de la predicción

La evaluación de la calidad de la predicción se realizó a partir de la comparación entre el valor estimado

2.3.5. Generación de mapas de salinidad y/o alcalinidad para el área de estudio

3.1. Determinación de los predictores

Acd. -0,28 -0,28 -0,41 -0,31 0,04 0,47 -0,52 0,61**

P 0,28 0,39 -0,12 0,38 -0,24 0,63** -0,11

MO 0,89 -0,12 0,10 0,08 0,69 -0,09

N -0,07 0,13 -0,04 0,78 -0,20

A -0,80 -0,72 -0,33 -0,93

L 0,15* 0,50 0,61