ANÁLISIS DE LA DISTRIBUCIÓN ESPACIAL DE LA CONCENTRACIÓN DE

CONTAMINANTES MUESTREADOS EN LA SUBCUENCA DE RICRÁN - 2018.

ANALYSIS OF THE SPATIAL DISTRIBUTION OF THE CONCENTRATION OF

POLLUTANTS SAMPLED IN THE RICRÁN SUB-BASIN - 2018.

Nataly Palacin; Vasti Eusebio; Evelyn Choque; Ines Zurita

RESUMEN

La presente investigación contempla la línea del análisis de la distribución de la concentración

de los contaminantes muestreados en la Sub cuenca de Ricran ubicada entre Jauja y Tarma,
cuyo objetivo de profundizar el conocimiento de niveles de contracción y distribución
geoespacial de metales pesados en la Subcuenca de Río Ricran, también Validar los datos de
las muestras del suelo, a través del grado de correlación, con datos examinados en el
laboratorio y evaluar los mapas de la distribución espacial de metales pesados en el suelo como
cobre, hierro, manganeso, plomo, arsénico y zinc; mediante el método de interpolación de
IDW por ser el método que se adecua mejor para datos de contaminantes, sirve para el análisis
y comprensión de la distribución de los elemento que han sido evaluados por el equipo XFR
en el lugar de muestreo, de la misma forma se evaluaron muestras en el laboratorio para
determinar el coeficiente de correlación entre datos analizados mediante el equipo y datos
analizados en el laboratorio, muestras y datos pertenecientes a la cuenca del Rio Ricran.

Palabra clave: niveles de contracción, distribución geoespacial de metales pesados,

interpolación de IDW.

The present investigation contemplates the line of analysis of the distribution of the
concentration of the contaminants sampled in the Ricran Sub-basin located between Jauja and
Tarma, whose objective is to deepen the knowledge of shrinkage levels and geospatial
distribution of heavy metals in the Ricran Sub-basin, also to validate the data of the soil
samples, through the degree of correlation, with data examined in the laboratory and to
evaluate the maps of the spatial distribution of heavy metals in the soil such as copper, iron,
manganese, lead, arsenic and zinc; using the IDW interpolation method as the method best
suited for contaminant data, serves for the analysis and understanding of the distribution of the
elements that have been evaluated by the XFR equipment at the sampling site, in the same
way samples were evaluated in the laboratory to determine the correlation coefficient between
data analyzed by the equipment and data analyzed in the laboratory, samples and data
belonging to the Ricran River basin.

Keywords: shrinkage levels, geospatial distribution of heavy metals, IDW interpolation.

1. INTRODUCCION
La interpolación de datos ofrece la ventaja de proyectar mapas o superficies continuas a partir
de datos, sin embargo, la utilización de una buena cantidad de datos del área de estudio limita
su utilización. Dependiendo del tipo de datos analizados, su costo y dificultad de obtención
determina que tan valioso es finalmente el uso de interpolación. Otro aspecto a mencionar, es
que la precisión del mapa generado, a partir de las características de un suelo en particular,
depende en gran medida de la estructura espacial de los datos, donde entre más fuerte la
correlación espacial, mejor la calidad del mapa. Dentro de los interpoladores usados, existen
los métodos de Kriging donde todos los interpoladores geoestadísticos están en el grupo de
este, ponderación de distancias inversas IDW (imverse distance weighting) y “splines” es para
ajuste por curvas.

Este informe busca conocer la manera como se distribuye espacialmente la contaminación de

los metales pesados que tienden adherirse al suelo, distribución espacial en la cuenca del Rio
Ricran. Para analizar la relación entre la sociedad y el medio físico, que generan directa o
indirectamente consecuencias en el medio físico, para conocer la calidad del suelo en esta
cuenca. La dispersión espacial de los contaminantes, está ligada al crecimiento acelerado de la
población y el desbordante crecimiento urbano, resaltando la urgencia de tomar medidas y
respuestas a los grados de concentración de los contaminantes que se encuentra espacialmente
distribuida en la Cuenca de Ricran.

Por ello, se compararon datos de muestras que han sido recolectados en los lugares de
muestreos mediante el equipo XFR y datos que han sido evaluados en laboratorio acreditado;
se obtuvo la ecuación lineal y el grado de similitud para validar datos que tenían un margen
de error menor al 40% para luego seleccionar los elementos que tenían datos confiables mayor
al 70% siendo los elementos de cobre, hierro, manganeso, plomo, arsénico y zinc. De manera
posterior se presenta mapas de la distribución espacial de los contaminaste de cobre, hierro,
manganeso, plomo, arsénico y zinc presente a lo largo de la cuenca del Rio Ricran, elaborado
mediante en el software de ArcGis a través del método de interpolación de IDW, método que
se adecua para datos de contaminación.

2. MARCO TEORICO BASICO

2.1. Contaminación de suelos por metales
Según el Plan Director para la Protección de Suelos; un suelo contaminado es aquel que ha
perdido o ha sufrido un cambio en sus características físicas, químicas y biológicas que por
su naturaleza, dimensión o duración resulte incompatible con sus propiedades funcionales de
uso o suponga una amenaza grave para la salud; una de las principales causas es la
contaminación por metales pesados “elementos que poseen un elevado peso atómico que
suponen riesgo para la salud a bajas concentraciones.

2.2. Interpolación de ArcGIS

a) IDW: (Ponderación de distancia inversa) usa un método de interpolación que estima
los valores de las celdas calculando promedios de los valores de los puntos de datos
de muestra en la vecindad de cada celda de procesamiento. Cuanto más cerca está un
punto del centro de la celda que se está estimando, más influencia o peso tendrá en
el proceso de cálculo del promedio. La densidad de datos para la interpolación por
IDW es crucial, debido a que así se reduce el error, (Resources, 2012).
b) Kriging: Procedimiento netamente de estadísticas geográficas avanzada que genera
una superficie estimada a partir de un conjunto de puntos dispersados con valores z.
Antes se debe realizar una investigación profunda del comportamiento espacial del
fenómeno representado por los valores z para después seleccionar el mejor método
de estimación que genere la superficie de salida; esta técnica de asume que los datos
almacenados de una determinada población se encuentran correlacionados entre sí
en el espacio.
2.3. El diagrama de dispersión
Es una herramienta gráfica que ayuda a identificar la posible relación entre dos variables.
Representa la relación entre dos variables de forma gráfica, lo que hace más fácil visualizar e
interpretar los datos. El diagrama de dispersión permite analizar si existe algún tipo de relación
entre dos variables. Puede ocurrir que dos variables estén relacionadas al aumentar el valor de
una, se incremente el de la otra, en este caso existe una correlación positiva; o podría ocurrir
que al producirse una en un sentido, la otra derive en el sentido contrario; al aumentar el valor
de la variable x, se reduzca el de la variable y, se estaría ante una correlación negativa. Si los
valores de ambas variables se revelan independientes entre sí, se afirmaría que no existe
correlación.

2.4. Validación datos

Se utiliza para restringir o verificar los datos almacenados, es el proceso que ayuda a la
confirmación, verificación, control o filtración de los valores que se especifican con los objetos
de datos siempre y cuando estos sean compatibles con las restricciones que plantee el problema
ayuda a la reducción del nivel de error como a la reformulación de valores que se encontraran
erróneas.
3. MATERIALES Y METODOS
3.1. Materiales
Los equipos y materiales empleados en el desarrollo del proyecto de investigación para
alcanzar el objetivo se detallan en la tabla:

Tabla 1 Equipos

TIPO DESCRIPCION
Software ARC GIS
Programa Google earth
Programa Excel (base de datos)
Base de datos Senamhi

Tabla 2 Base de datos del monitoreo

3.2. Método
La Metodología empleada está basada en la observación, analítica - sintética cuyo diseño es
no experimental de tipo correlacional y de nivel descriptivo por la naturaleza de buscar el
análisis de la distribución espacial de la concentración de contaminantes muestreados en la
Subcuenca de Ricrán – 2018, y su alcance ayuda a identificar las áreas que exceden los
parámetros canadienses en cuanto a metales pesados.

El trabajo consta de 3 etapas diferenciadas para las cuales se utilizará la base de datos de
concentraciones de contaminantes obtenidos en campo de la subcuenca de Ricran, las cuales
serán validadas mediante la herramienta datos de Excel para las 9 estaciones meteorológicas,
las cuales serán exportadas a ARC GIS generando un nuevo mapa de distribución espacial de
los contaminantes.
Para la primera etapa de validación de datos se generó un gráfico de dispersión y la ecuación
para que las pruebas de campo tengan una concentración similar a la obtenida en laboratorio.

Tabla 3 Selección de las estaciones del monitoreo

Tabla 4 Validación de datos de laboratorio y de datos de campo

Para realizar la calibración adecuada se dividió a los datos entre rangos menores a 500 y
mayores a 500 para los compuestos de Zn y As y para Pb con un rango menor a 1000 y mayores
a 1000, codificando cada uno de los valores, posteriormente se obtuvo el grado de correlación
entre el número de datos de los elementos y se extrajo la línea de tendencia y con ella la
ecuación para poder calibrar los datos.
 Tabla 5 Calibración de datos

Tabla 6 Para el elemento de Plomo CÓDIGO A, B

Tabla 7 Para el elemento Arsénico CÓDIGO A, B

 Tabla 8 Para el elemento Zinc, CÓDIGO A, B

Para la segunda parte se utilizará el sofware ARCGIS, en el cual mediante la

introducción del libro de Excel se genera un shaperfile de la cuenca del rio ricran en
la cual nos graficará la ubicación de los contaminantes.

En la tercera parte se realizará el álgebra de mapas en el sofware ARCGis, para

contrastar con el ECA Canadiense, se restara los mapas con mostrar los resultados.

Tabla 9 Generación del IDW y sus tributarios

4. RESULTADOS
a) Arsénico (As):
Se evidencia que en el mapa que la zona Norte y Sur de la subcuenca de Ricran están cubiertas
por áreas homogéneas (color verde), así mismo en el mapa se evidencia que en la zona Este y
Oeste de la parte central del mapa existe mayor concentración de arsénico (color guindo) con
valores de 465, 229 – 540, 082 ppm. Las zonas donde existe mayor presencia de arsénico están
situadas en áreas cerca a los cultivos y actividades antrópicas, cercana a la Plaza del Distrito de
Ricran – Jauja y el siguiente punto cercano a Huaricolca. Su presencia puede incidir por el uso
de agroquímicos y proceso de meteorización.

ARSÉNICO EN LA SUBCUENCA DE RICRAN

Software ArcGIS Google Maps

b) Plomo (Pb):
La zona Norte y Sur de la subcuenca de Ricran están cubiertas por áreas homogéneas (color
verde), así mismo la zona Oeste de la parte central del mapa existe mayor concentración de
plomo (color guindo) con valores de 1 648,345 – 1 919,729 ppm. Las zonas donde existe mayor
presencia de plomo están situadas en la ladera del cerro y cercano al camino de la trocha
carrozable, probablemente sea por la presencia de actividades humanas como la minería
artesanal desarrollada en la zona. Su área de extensión de concentración con respecto al total
de la subcuenca de Ricran es reducida.
c) Zinc (Zn):
Se evidencia que en el mapa que la zona Sur, Norte y Centro de la subcuenca de Ricran están
cubiertas por áreas homogéneas (color verde), es decir la mayor extensión del total, así mismo
en el mapa se evidencia que en la zona Oeste de la parte central del mapa existe mayor
concentración de Zinc (color guindo) con valores de 6 035,535 – 7 032,755 ppm. Las zonas
donde existe mayor presencia de zinc están situadas en la ladera de los cerros donde hay
presencia de cultivos, probablemente su presencia en el área sea de manera natural, por ser el
elemento número 25 más abundante en la corteza terrestre. Su extensión de Zinc con respecto
al área total de la subcuenca de Ricran es pequeña.
ALGEBRA DE MAPAS (DIFERENCIA ENTRE INTERPOLACIÓN EN IDW Y EL ECA SUELO CANADIENSE
MAPAS GENERADOS POR INTERPOLACIÓN CON EL MÉTODO DE KRIGING
5. CONCLUSIONES
 En conclusión, se pudo analizar la distribución espacial de los elementos evaluados
en la Subcuenca de Ricran, mediante los datos obtenidos en muestreo de laboratorio
y campos.
 Entre los elementos analizados de la distribución espacial, el hierro es el más
abundante con respecto al área total de la Subcuenca de Ricran. De la misma forma el
cobre y arsénico son los elementos menos abundantes de la corteza terrestre.
 Se llegó a la conclusión que el método de Kriging se desarrolla bajo la premisa que la
variable de estudio sirgue una distribución normal por ello es necesario normalizar las
variables de interés para garantizar que los resultados sean más confiables y más
precisos.
 El método de interpolación para el análisis de distribución espacial de las muestras
(IDW) presenta un error de predicción menor que los otros dos métodos que son,
Kriging y Spline.
 En cuanto a todos los muestreos realizados en la subcuenca del Ricran, se muestra que
el elemento predominante es el hierro debida a las altas concentraciones, este elemento
existe en gran cantidad en nuestro planeta al ser el cuarto más abundante debido a que
el núcleo posee principalmente este elemento y níquel, asimismo el elemento con
menor concentración es el arsénico el cual generalmente presente en cantidades
bastante abundantes en la corteza terrestre y en cantidades más reducidas en la roca,
el suelo, agua y el aire.
6. BIBLIOGRAFIA

 Gabriel Díaz, I. S. (2008). Interpolación espacial de la precipitación pluvial en la zona

de barlovento. Golfo de México.
 Calvo, N. (2011). Interpolacion. Buenos Aires, Argentina.
 Resources, A. (2012). Obtenido de http://resources.arcgis.com/es/help/getting
started/articles/026n00000014000000.htm
 Brainard, J. et al. (2002): Modelling environmental equity: access to air quality in
Birmingham, England, Environment and Planning A. vol. 34, nº 4, p. 695-716.
 Cañada Torrecilla, R. (2004): Modelado de la variabilidad espacial del ozono en la
Comunidad de Madrid, en Clima y Cartografía, representación gráfica y modelización
como base de la investigación climática. Valladolid, AGE, Grupo de climatología, pp.
107-109.
 Cañada Torrecilla, R. (2007): Técnicas de interpolación espacial deterministas y
exactas: media ponderada por el inverso de la distancia y funciones de base radial, en
Moreno Jiménez, A. (Coord.): Sistemas y análisis de la información geográfica.
Madrid, Ra-Ma, 781-809.
 Abbaspour KC (2012) SWAT-CUP-2012.SWAT Calibration and Uncertainty
program—A User Manual. Swiss Federal Institute of Aquatic Science and
Technology, Dübendorf.
 Cruz HR (2014) Aplicación del modelo SWAT para cuenca, análisis del flujo base en
una sur, mexicana del pacífico. Colegio de Postgraduados - postgrado de hidrociencias
 Del Carmen R (2001) Modelación de la evapotranspiración con métodos de balance
de agua.
 Lavado-Casimiro WS, Silvestre E, Pulache W (2010) Tendencias en los extremos de
lluvias cerca a la ciudad del Cusco y su relación con las inundaciones de enero del
2010. Rev Peru Geo-Atmosférica RPGA 2:89–98.
 Vegas F, Andres N, Zappa M, et al (2015) Simulación y caracterización del régimen
natural de descargas diarias en los andes del sur del Perú: región de Apurímac y Cusco.
Rev Peru Geo-Atmosférica RPGA 4:1–18.
 Haberlandt, U., 2007. Geostatistical interpolation of hourly precipitation from rain
gauges and radar for a large-scale extreme rainfall event. J. Hydrol. 332, 144– 157.
doi:10.1016/j.jhydrol.2006.06.028
 Samper, F.J., Carrera, J., 1990. Geoestadística. Aplicaciones a la hidrogeología
subterránea. Centro Internacional de Métodos Numéricos en Ingeniería. Universitad
Politécnica de Catalunya. Barcelona.
 SENAMHI, 2005. Mapa Climatico del Peru, Servicio Nacional de Metorologia e
Hidrologia, Lima, Peru.
 Wackernagel, H., 1994. Cokriging versus kriging in regionalized multivariate data
analysis. Geoderma 62, 83–92. doi:10.1016/0016-7061(94)90029-9
 Warrick, A., Myers, D., Nielsen, D., 1986. Geostatistical Methods Applied to Soil
Science. Methods of Soil Analysis. Part 1. Physical and Mineralogical Methods.
Agron. Monogr. 9, 53 – 81