Efecto del uso del suelo sobre la calidad del agua en la altillanura plana colombiana

Abstract

La altillanura plana colombiana, posee una extensa reserva biodiversa de bienes agrícolas y pecuarios con gran potencial productivo ubicada entre los 100 y 300 m.s.n.m. Cuenta con características ecológicas únicas, compuesta por una densa red de riachuelos bordeados de bosques y zonas de sabana. Sin embargo, el aumento de la frontera agrícola, así como el uso excesivo de fertilizantes, ha hecho más susceptible la contaminación hacia los afluentes. Este impacto se analizó en seis fincas localizadas en dos municipios con diferentes grados de intensificación agrícola. Se analizaron 30 puntos de muestreo en suelo por finca, distribuidos en cinco transectos con diferentes sistemas de uso, que terminaban en el afluente donde se analizó la calidad del agua. Se midieron variables químicas, físicas, morfológicas (macro agregación), diversidad y abundancia de macroinvertebrados en el suelo que se transformaron en cinco indicadores sintéticos, con el fin de analizar el efecto del uso de suelo sobre la calidad del agua superficial más cercana. Para tal fin, se utilizó el análisis estadístico de componentes principales (ACP) y posteriormente un análisis de CoInercia (COIA) para analizar los vínculos existentes entre las variables. Las condiciones de la calidad del agua de los afluentes estudiados en la altillanura metense de los municipios de Puerto López y Puerto Gaitán se encuentran afectadas por los procesos de alteración de las características, físicas, químicas y biológicas del suelo y están relacionados con su uso en actividades agrarias y pecuarias, con el depósito de elementos contaminantes en los cuerpos de agua. Las diferencias encontradas en los niveles de contaminación del agua entre las localidades están dadas principalmente por las variables biológicas. El test de Montecarlo del COIA entre el indicador de morfología en el borde del bosque y la calidad del agua fue significativo (p<0.001) explicando el 33% la variabilidad de los datos.

The Altillanura Plana of Colombia, is a vast biodiverse reserve of agricultural, energy, and livestock resources with high productivity potential situated between 100 and 300 m a.s.l. The region contains unique ecological characteristics, composed of a dense network of tributaries with riparian forests and savanna land cover. However, recent expansion of the agricultural zones, as well as increased use of fertilizers has made the waterways susceptible to contamination. These trends and impacts were analyzed in six farms located in two municipalities at varying levels of agricultural intensification. At each farm research site, 30 points were sampled for soil analysis, distributed across 5 transects (each with a different land use) and concluding in the tributary downslope, where water quality was measured. chemical, physical, and morphological (macro-aggregation) characteristics were analyzed, as well as diversity and abundance of macroinvertebrates in the soil, providing five categories of indicators of land use impacts. These were compared to the water quality of the tributary location receiving upslope contributions from these sampled locations. In order to compare soil indicators and water quality, Principal Components Analysis (PCA) and further Co-Inertia Analysis (CIA) were used to describe the existing relationship between the variables. The measured water quality parameters of the studied altillanura research sites in Puerto López and Puerto Gaitán were found to demonstrate impacts related to the alteration of physical, chemical, and biological soil characteristics. These alterations are linked to agricultural and livestock activity, which enable contaminants to transport through and over the soil to the studied tributaries. The levels of contaminants found in studied water sites differed in each locality primarily according to the biological variables. A Monte Carlo analysis for the CIA between the morphology of forested soils and water quality indicated a significant relationship (p<0.001), explaining 33% of the variability in the data.