Repositorio Institucional de Documentos

Trabajo Fin de Máster INFLUENCIA DE LOS USOS DEL SUELO SOBRE LA CALIDAD DE LAS AGUAS Y EVALUACIÓN ESPACIOTEMPORAL DE LA TRANSFERENCIA DE LOS CONTAMINANTES EN LA CUENCA DEL RÍO FLUMEN (HUESCA) NADIA DARWICHE CRIADO Directores FRANCISCO A. COMÍN SEBASTIÁN JUAN JOSÉ JIMÉNEZ JAÉN ESCUELA POLITÉCNICA SUPERIOR DE HUESCA NOVIEMBRE 2012 - 2 - AGRADECIMIENTOS Este estudio fue financiado por el Programa de Cooperación Territorial “Interreg- SUDOE” para el proyecto “AGUAFLASH”. Agradezco a César Pedrocchi, Juan Cervantes, Silvia G. Eisman, Mercedes García, Santiago Pérez y Alberto Barcos su apoyo crucial en el trabajo de campo y laboratorio. Nuestro agradecimiento también a la AEMET (Agencia Estatal de Meteorología) por la aportación de datos meteorológicos. Agradecimientos - 3 - RESUMEN La calidad del agua está directamente relacionada con los usos del suelo y los cambios en las actividades agrícolas. Las actividades agrícolas y urbanas son las principales fuentes de contaminación difusa en aguas superficiales y subterráneas. En este estudio se ha evaluado el patrón espacio-temporal de la calidad del agua en relación a los usos del suelo existentes en una cuenca hidrográfica del noreste de España (Cuenca del río Flumen, Huesca) desde Noviembre-2009 hasta Octubre-2010. Con el objetivo de estudiar la variabilidad espacial y temporal de la calidad del agua se utilizaron técnicas estadísticas multivariantes como el Análisis Cluster (CA) y el Análisis Triádico Parcial (PTA). Mediante estos análisis, las estaciones de muestreo fueron clasificadas en diferentes áreas: Forestal (Zona Norte), Urbana (Zona Central) y Agrícola (Zona Sur). El PTA asoció todas las variables analizadas a su principal fuente de contaminación y mostró la existencia de un patrón temporal estable en áreas urbanas y agrícolas. La conductividad eléctrica (EC), Na⁺ y Clˉ se asociaron con las fuentes de contaminación agrícola, mientras que el nitrógeno total disuelto (TDN), NH₄-N y NO₂-N se relacionaron con fuentes de contaminación urbana aunque su patrón de distribución fue diferente al comparar los resultados obtenidos en temporada de no regadío y en temporada de regadío. Durante el periodo de regadío, la agrupación de estos conjuntos de compuestos no fue tan evidente. La concentración de NO₃-N se refirió tanto al uso de suelo urbano como al agrícola pudiendo explicarse esta distribución por los significativos aportes procedentes de la Estación Depuradora de Aguas Residuales de Huesca. Los resultados obtenidos sugirieron por una parte la existencia de una relación fuerte y estable entre la calidad del agua y los usos del suelo. Por otra parte, estos resultados ponen de manifiesto que las tendencias de las variables asociadas con fuentes de contaminación agrícola y urbana están altamente influenciadas por la estacionalidad de las diferentes actividades que se llevan a cabo el la zona de estudio. Resumen - 4 - ÍNDICE Apartado Página 1. Introducción 9 2. Materiales y Métodos 12 2.1. Zona de estudio 12 2.2. Muestreos y Métodos analíticos 16 2.3. Análisis Estadístico Multivariante 19 2.3.1. Análisis Cluster Jerárquico (CA) 19 2.3.2. Análisis Triádico Parcial (PTA) 20 3. Resultados 24 3.1 Distribución espacial de las características del agua del río 24 3.2. Patrón espacio-temporal de los datos de muestreo 26 3.2.1. Organización de los datos de muestro en la zona agrícola de la cuenca 26 3.2.2. Variabilidad de los datos a escala de cuenca 31 4. Discusión 36 4.1. Organización general de las estaciones de muestreo 36 4.2. Patrones espaciotemporales de las variables físico-químicas 37 5. Conclusiones 43 6. Bibliografía 45 7. Anexo fotográfico 52 Índice - 5 - ÍNDICE DE TABLAS Tabla Página Tabla 1: Variables analizadas en cada muestra 18 Tabla 2: Matriz de correlación de los coeficientes vectoriales entre las tablas (PTA-1) 27 Tabla 3. Matriz de correlación de los coeficientes vectoriales entre las tablas (PTA-2) 32 Índice de tablas - 6 - ÍNDICE DE FIGURAS Figura Página Fig.1: Perfiles del río Flumen y su afluente, el río Isuela 12 Fig. 2: Localización de la cuenca del río Flumen en la cuenca del río Ebro. Estaciones de muestreo dentro del área de estudio 14 Fig.3: Distribución de los usos del suelo en la cuenca del río Flumen 15 Fig. 4: Tipología de matriz de datos 20 Fig. 5: Esquema de Análisis triádico Parcial (ATP) 22 Fig. 6: Dendrograma del Análisis Cluster que clasifica las estaciones de muestreo correspondientes al “Muestreo A” 25 Fig. 7: Organización de las fechas de muestreo sobre el plano factorial definida por los dos primeros ejes del PCA en la matriz de la interestructura en PTA-1 26 Fig. 8: Peso de cada tabla (αк) en la construcción del compromiso e índice de calidad de la estructura del compromiso (Cos ²) para cada fecha de muestreo en PTA-1 28 Índice de figuras - 7 - Fig. 9: Análisis del compromiso en PTA-1. (A) Coordenadas de las variables analizadas en el primer plano (ejes I-II) del compromiso e histograma de los valores propios identificando la primacía de los dos primeros ejes que definen la estructura espacial media. (B) Proyección de las estaciones de muestreo en el primer plano (ejes I-II) del compromiso 30 Fig. 10: Organización de las fechas de muestreo en el plano factorial definido por los dos primeros ejes del PCA en la matriz de interestructura en PTA-2 31 Fig. 11: Peso de cada tabla (αк) en la construcción del compromiso e índice de calidad de la estructura del compromiso (Cos ²) para cada fecha de muestreo en PTA-2 32 Fig. 12: Análisis del compromiso en PTA-2. (A) Coordenadas de las variables analizadas en el primer plano (ejes I-II) del compromiso e histograma de los valores propios identificando la primacía de los dos primeros ejes que definen la estructura espacial media. (B) Proyección de las estaciones de muestreo en el primer plano (ejes I-II) del compromiso 34 Índice de figuras - 8 - 1. INTRODUCCIÓN - 9 - 1. INTRODUCCIÓN Las actividades humanas son un factor primordial para determinar la calidad de las aguas superficiales y subterráneas a través de la contaminación atmosférica, los vertidos de efluentes, el empleo de productos agroquímicos, los suelos erosionados y la distribución de los usos del suelo (Niemi et al., 1990). En los últimos años, se han incrementado las investigaciones sobre el impacto ecológico de los usos del suelo. Son numerosos los estudios que han sugerido que las aguas superficiales están afectadas por las características los usos del suelo que aparecen dentro de la cuenca (Limburg and Schmidt, 1990; Jones et al., 1999; Bis et al., 2000; Riva-Murray et al., 2002; Woodcock et al., 2006). Esto significa que los cambios en los usos del suelo y en la gestión y manejo de los recursos pueden tener un impacto considerable sobre los distintos parámetros que definen la calidad del agua (Brainwood et al., 2004). Los diferentes tipos de usos del suelo están altamente relacionados con las características de las actividades humanas que a su vez, determinan las sustancias de origen antrópico que llegan a los sistemas hídricos a través de los medios de drenaje o por procesos de escorrentía (Lee et al., 2009). El uso de suelo forestal juega un papel importante en la mitigación de la degradación de la calidad del agua. Por el contrario, el uso de suelo urbano modifica sustancialmente las propiedades químicas del agua del río elevando la concentración de determinados parámetros (Sliva and Williams, 2001) y estudios previos han mostrado que el uso de suelo agrícola es uno de los principales causantes de la degradación de la calidad del agua (Lenat and Crawford, 1994; Tong and Chen, 2002) y la principal fuente de compuestos nitrogenados en los ambientes acuáticos europeos (Grizzetti et al., 2005). El uso excesivo de fertilizantes minerales y de abonos hace que la agricultura de regadío sea identificada como una de las principales fuentes de nutrientes en el mundo (Baker, 1992). En este respecto, generalmente durante la fertilización las plantas únicamente utilizan entre el 30 y el 50 % del abono nitrogenado aplicado. El resto se pierde en el sistema entre la volatilización, la desnitrificación o la percolación de los nitratos a las aguas subterráneas. Por estas razones, es necesario que los fertilizantes inorgánicos nitrogenados sean tan efectivos como sea posible y sólo se apliquen cuando sea realmente necesario. Además, diferentes estudios que han Introducción - 16 - 2.2 Muestreo y Métodos analíticos Para desarrollar este apartado, se siguió una estrategia de muestreo en dos fases. En un primer diseño de muestreo (“Muestreo A”), las muestras de agua se tomaron en diferentes lugares a lo largo de toda la cuenca (Noviembre 2009, Enero 2010 y Febrero 2010) con el fin de obtener una perspectiva global de la zona de estudio y fuera de la época de regadío. El objetivo de esta estrategia de muestreo fue cubrir el rango completo de las características del agua en la cuenca para discriminar aquellas claramente afectadas por los contaminantes y llevar a cabo un análisis más detallado sobre éstas en relación a los usos del suelo. En un segundo diseño de muestro (“Muestreo B”) y después de chequear los resultados de los análisis, los nuevos puntos de muestreo se concentraron en aquellas zonas en las que el “Muestreo A” había revelado una mayor vulnerabilidad a la contaminación y durante el período de tiempo con una probabilidad más alta de contaminación del agua: los períodos cálidos y calurosos del año durante los cuales se lleva a cabo la agricultura intensiva de regadío. Se establecieron seis fechas de muestreo: Abril 2010, Junio 2010, Julio 2010, Agosto 2010, Septiembre 2010 y Octubre 2010. En el “Muestreo A” se recogieron un total de 15 muestras (Fig. 2): 9 correspondientes al río Flumen (F1-F9) y 6 al río Isuela (I1-I6). En ambos ríos, las dos primeras muestras fueron tomadas en las zonas altas de la cuenca, con menores presiones antrópicas a nivel urbano y agrícola y por lo tanto, con una menor vulnerabilidad potencial a la contaminación. F1, I1 y I2 están localizados aguas arriba de los principales inputs urbanos y agrícolas. F2 y F3 se ubican en zonas próximas a pueblos en las cercanías de la ciudad de Huesca. Las siguientes estaciones de muestreo fueron I3 (situada a la entrada de Huesca), I4 y I5 (situadas antes y después de la estación depuradora de aguas residuales respectivamente). Y finalmente, el último grupo de puntos, desde F4 a F9 y I6, están situados en la zona agrícola de la cuenca. En el “Muestreo B”, la recogida de muestras se concentró en la zona central y sur de la cuenca. En estos muestreos se recogieron un total de 11 muestras por cada fecha, 6 muestras pertenecientes al río Flumen (F4-F9) y 5 muestras correspondientes al río Isuela (I2-I6). Las estaciones de muestreo fueron las mismas que para el “Muestreo A” Materiales y Métodos - 17 - exceptuando F1, I1, F2 y F3. Estos puntos fueron eliminados porque al estar situados fuera de la zona agrícola y fuera de la época de regadío, no aportaban información adicional. En el caso de I1, esta localización es altamente dependiente de las variaciones estacionales (lluvias, deshielo) y en algunas fechas (cercanas al verano) es difícil encontrar agua para muestrear. Se incluyeron dos muestras correspondientes a canales de regadío (IC1 y IC2) con el objetivo de determinar la influencia de los flujos de retorno de regadío a la calidad del agua del río y también otra estación de muestreo llamada IW, correspondiente a la descarga de la EDAR de Huesca sobre el río Isuela. La ubicación de las estaciones de muestreo fue determinada mediante el estudio detallado de los diferentes usos de suelo existentes en la cuenca: forestal, urbano y agrícola. Y en cuanto a la zona agrícola, se tuvo en cuenta la presencia de los diferentes cultivos. La elección de las fechas en las que se llevaron a cabo los muestreos se basó en los itinerarios técnicos agrícolas del área de estudio, de acuerdo a las épocas de regadío y aplicación de fertilizantes y tratamientos. La Conductividad Eléctrica a 25ºC, el pH, la Tª y el DO fueron determinados en campo mediante una sonda multiparamétrica YSI (YSI Incorporated, Yellow Springs, Ohio, USA). Las muestras fueron recogidas en botellas de polietileno aclaradas tres veces con agua destilada y filtradas con un filtro de fibra de vidrio Whatman GF/F 0.7 µm para el análisis de SS, N-NH₄, NO₂-N, NO³-N, PO₄-P, TDP, Clˉ, SO₄-S, Na⁺, K⁺, Ca²⁺, Mg²⁺, DOC, TDN, Fˉ, Brˉ. El procesado y filtrado de las muestras realizó siempre un día después de su recogida. TP se analizó con la muestra de agua en bruto (Tabla 1). Materiales y Métodos - 18 - Tabla 1: Variables analizadas en cada muestra VARIABLES ANALIZADAS UNIDADES MÉTODO (APHA, 1998) T ºC Sonda multiparamétrica pH Sonda multiparamétrica Conductividad Eléctrica (EC) µS∙cmˉ¹ Sonda multiparamétrica Oxígeno disuelto (DO) mg∙lˉ¹ Sonda multiparamétrica Alcalinidad (Alk) mg∙lˉ¹ Titulación potenciométrica Materia en suspensión (SS) mg∙lˉ¹ Método gravimétrico NH₄-N mg∙lˉ¹ Cromatografía iónica NO₂-N mg∙lˉ¹ Cromatografía iónica NO₃-N mg∙lˉ¹ Cromatografía iónica Clˉ mg∙lˉ¹ Cromatografía iónica SO₄-S mg∙lˉ¹ Cromatografía iónica Na⁺ mg∙lˉ¹ Cromatografía iónica K⁺ mg∙lˉ¹ Cromatografía iónica Ca²⁺ mg∙lˉ¹ Cromatografía iónica Mg²⁺ mg∙lˉ¹ Cromatografía iónica Fˉ mg∙lˉ¹ Cromatografía iónica Brˉ mg∙lˉ¹ Cromatografía iónica PO₄-P mg∙lˉ¹ Método colorimétrico Fósforo Total (TP) mg∙lˉ¹ Método colorimétrico Fósforo Total Disuelto (TDP) mg∙lˉ¹ Método colorimétrico Carbono Orgánico Disuelto (DOC) mg∙lˉ¹ Analizador elemental por medio de combustión catalítica Nitrógeno Total Disuelto (TDN) mg∙lˉ¹ Analizador elemental por medio de combustión catalítica Materiales y Métodos - 19 - 2.3 Análisis estadístico multivariante 2.3.1 Análisis Cluster Jerárquico (CA) Con el objetivo de obtener el agrupamiento especial de todas las estaciones de muestreo de la cuenca (“Muestreo A”), se llevó a cabo un Análisis Cluster Jerárquico (CA). El Análisis Cluster es una técnica de análisis exploratorio de datos para resolver problemas de clasificación. Es un procedimiento que consiste en medir la distancia o similaridad entre los objetos que han de ser agrupados. Su objetivo consiste en ordenar objetos en grupos (conglomerados o clusters) de forma que el grado de asociación/similitud entre miembros del mismo cluster sea más fuerte que el grado de asociación/similitud entre miembros de diferentes clusters. El análisis cluster es un método que permite descubrir asociaciones y estructuras en los datos que no son evidentes a priori pero que pueden ser útiles una vez que se han encontrado. Los resultados de un Análisis Cluster pueden contribuir a la definición formal de un esquema de clasificación tal como una taxonomía para un conjunto de objetos, a sugerir modelos estadísticos para describir poblaciones, a asignar nuevos individuos a las clases para diagnóstico e identificación, etc… El agrupamiento jerárquico aglomerativo proporciona las relaciones de similaridad intuitivas entre cada muestra y todo el conjunto se ilustra mediante un dendrograma (McKeenna, 2003). Los agrupamientos de estaciones de muestreo se formaron utilizando el método de Ward y la distancia euclídea. En el método de Ward, la distancia entre dos clusters se calcula como la suma de cuadrados entre grupos en el análisis de varianzas sumando para todas las variables. En cada paso se minimiza la suma de cuadrados dentro de los clusters sobre todas la particiones posibles obtenidas fusionando dos clusters del paso anterior. Las sumas de cuadrados son más fáciles de entender cuando se expresan como porcentaje de la suma de cuadrados total. La distancia euclídea proporciona el grado de similaridad entre dos muestras y la puede ser representada por la diferencia entre los valores analíticos de cada muestra (Otto, 1998). Los datos fueron previamente estandarizados, transformándolos mediante “z-scale” con el fin de eliminar la influencia de las diferentes unidades de medida. Materiales y Métodos - 20 - 2.3.2 Análisis Triádico Parcial (PTA) De acuerdo a la clasificación resultante del análisis cluster y enfocando el estudio hacia aquellas estaciones con un mayor nivel de contaminación de las aguas según esta clasificación espacial, se llevó a cabo un Análisis Triádico Parcial (PTA) con aquellas estaciones que se agruparon en la zona de agricultura de regadío (PTA 1, “Muestreo B”). Así, la información redundante es descartada en base a los resultados anteriormente obtenidos con el CA. Finalmente, se llevó a cabo otro PTA (PTA-2) con la información correspondiente al “Muestreo A” con el objetivo de verificar y corroborar las hipótesis planteadas sobre las tendencias espaciales y temporales de las variables analizadas obtenidas tras PTA-1. El Análisis Triádico Parcial (PTA) forma parte de la familia de los métodos STATIS (Lavit, 1998). El PTA es un método multivariante que analiza matrices de forma tridimensional (Thioulouse and Chessel, 1987; Kroonenberg, 1989; Rossi, 2003c). El propósito de este método es analizar una tabla de tres factores (es decir; un cubo de datos, por ejemplo, variables X estaciones de muestreo X fechas de muestreo) (Fig. 4), vista como una secuencia de tablas de dos factores (Thioulouse, 2004). Fig. 4: Tipología de matriz de datos Materiales y Métodos - 21 - El primer paso del análisis se realiza para encontrar una estructura o información común presente en los diferentes casos (Interestructura) por medio de un Análisis de Componentes Principales (PCA). Este paso se lleva a cabo para proveer una descripción global de las estaciones de muestreo como una función de la tipología de las fechas de muestreo, extrayendo la información común a todas las fechas (Jiménez et al., 2006). El cálculo de la matriz de coeficientes RV entre las tablas de fechas de muestro permite la comparación entre las fechas de muestreo y la representación de la proximidad entre fechas dependiendo de las variables analizadas. La función de este paso es atribuir un peso a cada sub-matriz de muestreo (coeficientes αк). El segundo paso es el análisis del compromiso. Este análisis comprende la construcción de una matriz de medias de máximas inercias (matriz de compromiso). Se deriva desde las sub-matrices iniciales en proporción a su peso. El valor adimensional cos² constituye un indicador de “cuánto” el compromiso expresa la información contenida en cada sub-matriz (cos² entre una sub-matriz y el compromiso). De esta manera, la matriz representa las correlaciones vectoriales entre las diferentes sub-matrices de las fechas de muestreo (coeficientes RV) proporcionando un indicador sobre la fuerza de los enlaces entre las diferentes submatrices de las distintas fechas de muestreo (Rolland et al., 2009). Materiales y Métodos - 22 - Fig. 5: Esquema de Análisis triádico Parcial (ATP) Este paso permite una descripción de las estaciones de muestreo como función de la tipología de las variables y la identificación de las variables responsables de los patrones similares en diferentes fechas (Jiménez et al., 2006) (Fig. 5). Dado que los métodos utilizados son no-paramétricos no se llevó a cabo ninguna suposición estadística sobre la distribución subyacente de los datos, por lo tanto, no fue necesaria la evaluación de normal (gaussiana) de distribución (Sharaf et al., 1986). Los análisis estadísticos fueron realizados con R Development Core Team (2011) utilizando el paquete ADE4 para implementar el PTA. Materiales y Métodos - 23 - 3. RESULTADOS - 24 - 3. RESULTADOS 3.1 Distribución espacial de las características del agua del río El Análisis Cluster Jerárquico (CA) se utilizó para agrupar las estaciones de muestreo de acuerdo a las 22 variables analizadas. El CA resultó en un dendrograma (Fig. 6) que mostró una primera división en dos clusters. Uno de ellos (CLUSTER 1) incluyó las estaciones de muestreo F1 y I2, localizadas en la parte superior de la cuenca que está mayoritariamente recubierta por bosque y por lo tanto, menos afectada por la contaminación procedente de fuentes agrícolas y urbanas. La estación de muestreo I1 no se agrupó en este cluster a pesar de su localización en un área de gran altitud debido a su situación en una zona con características de pastos y tierras de cultivo. El otro gran cluster (CLUSTER 2) mostró el cambio de usos de suelo desde la zona montañosa hasta las zonas urbana y agrícola y también indicó un cambio en la calidad del agua. Este cluster se dividió de nuevo en dos nuevos grupos. El primero incluyó las estaciones de muestreo I3, I4 y I5. Estas estaciones de muestreo están ubicadas en un ambiente urbano, cerca de Huesca y de la Estación Depuradora de Aguas Residuales (EDAR). El otro cluster resultante contenía las estaciones de muestreo ubicadas en zonas con mayor o menor intensidad agrícola. Este cluster estaba también formado por dos nuevas agrupaciones. Esta división está relacionada con el tipo de agricultura que tiene lugar en cada zona. La primera división estaba compuesta por las estaciones de muestreo I1, F2 y F3. Estas estaciones de muestreo se sitúan en áreas cercanas a pequeñas poblaciones y granjas con cultivos de secano. La otra división estaba formada por F4, F5, F6, F7, I6, F8 y F9. Estas estaciones de muestreo están ubicadas en la parte sur de la cuenca, dónde la agricultura intensiva de regadío es el principal uso de suelo. Sin embargo, teniendo en cuenta los dos nuevos sub-clusters que se formaron con estas estaciones de muestreo también existieron diferencias entre el grupo de F4, F5 y F6, y el grupo formado por F7, F8 y I6. El primer grupo se localiza en la parte inicial de la zona agrícola, mientras que F7, F8 y F9 se encuentran en la parte final de la cuenca. I6 refleja los aportes de la ciudad de Huesca y está localizado aguas arriba de la confluencia entre los ríos Flumen e Isuela. Resultados - 25 - Height CLUSTER 1 CLUSTER 2 Mountain Area Urban Area Rainfed Agriculture Area Irrigated Agriculture Area Los resultados del CA expresaron una clara diferenciación de las estaciones de muestreo de acuerdo a los usos del suelo incluso fuera de la época de regadío. Fig. 6: Dendrograma del Análisis Cluster que clasifica las estaciones de muestreo correspondientes al “Muestreo A” - 32 - Esta distribución fue consistente con la matriz de coeficientes RV (Tabla 3), la cual mostró una fuerte correlación (RV= 0.777) entre Noviembre y Enero, mientras que la correlación más débil resultó entre Enero y Febrero (RV= 0.307). Tabla 3: Matriz de correlación de los coeficientes vectoriales entre las tablas (PTA-2) Nov-09 Ene-10 Feb-10 Nov-09 1 Ene-10 0.777 1 Feb-10 0.719 0.693 1 En base a la información revelada por cos² (Fig. 11), se observó que la matriz correspondiente a Noviembre-2009 era la que mejor representaba la dinámica temporal de las variables. Los dos primeros valores propios del análisis de compromiso (Fig. 12) explicaron el 30% de la inercia total pero como en PTA-1, dado el alto número de variables analizadas, este porcentaje proporcionó un buen resumen de la organización espacial de las variables a través de las diferentes fechas de muestreo (Rolland et al., 2009). Fig.11: Peso de cada tabla (αк) en la construcción del compromiso e índice de calidad de la estructura del compromiso (Cos ²) para cada fecha de muestreo en PTA-2. Resultados - 33 - Las variables estudiadas mostraron una marcada distribución en dos grupos con respecto al segundo eje (Fig. 12A). Por una parte, aquellas variables relacionadas con los nutrientes (TP, TDP, PO₄-P, TDN, NO₂-N, NH₄-N, K⁺ y DOC) se ubicaron cercanas las unas a las otras y a su vez en los lados positivos de cada eje. Otro grupo de variables relacionadas con la salinidad (EC, Ca²⁺, Mg²⁺, SO₄-N, NO₃-N, Fˉ) fueron agrupadas conjuntamente en el lado negativo del segundo eje. El segundo eje (9% de la inercia total) no reveló ningún patrón espacial claro. Sólo el pH se situó cercano a este eje. El mapa de coordenadas factoriales de las estaciones de muestreo (Fig. 12B) también mostró una clara variación espacial. En el lado negativo del primer eje, se agruparon aquellas estaciones de muestreo que ubicadas en zonas no urbanas o sin un dominio agrícola intensivo (F1, F2, F3, F4, F5, I1 y I2). Cerca de la intersección de los dos ejes se agruparon aquellas estaciones de muestreo que reciben inputs urbanos así como I3, I4 y F6. Finalmente, se observaron otros dos grupos. Uno de ellos estaba formado por I5 y I6; estaciones de muestreo que reciben los aportes del río Isuela tras su paso por Huesca y la depuradora. Comparando las dos figuras relativas al análisis de compromiso, se observó que esas estaciones de muestreo estaban relacionadas con el grupo de variables consistente en los compuestos del fósforo, NO₂-N and NH₄-N. Otro grupo contenía a F8 y F9, ubicadas en la zona de uso agrícola intensivo. En este caso, este grupo de estaciones de muestreo estaba asociado con los compuestos salinos y NO₃-N. Resultados - 34 - Fig. 12: Análisis del compromiso en PTA-2. (A) Coordenadas de las variables analizadas en el primer plano (ejes I-II) del compromiso e histograma de los valores propios identificando la primacía de los dos primeros ejes que definen la estructura espacial media. (B) Proyección de las estaciones de muestreo en el primer plano (ejes I-II) del compromiso. Compromise Compromise d = 0.5 d = 2 NH₄ ₄₄ ₄-N NO₂ ₂₂ ₂-N TP TDN TDP PO₄ ₄₄ ₄-P DOC K Alk Ca²⁺ ⁺⁺ ⁺ NO₃ ₃₃ ₃-N EC Mg²⁺ ⁺⁺ ⁺Na⁺ ⁺⁺ ⁺ SO₄ ₄₄ ₄-S F¯ Br¯ pH Eigenvalues I6 I5 F6 F7 F8 F9 I4I3 F1 I1 FF4 I2 F5 A B Resulta dos - 35 - 4. DISCUSIÓN - 36 - 4. DISCUSIÓN 4.1 Organización general de las estaciones de muestreo Los resultados obtenidos en este estudio revelan que la calidad del agua en la cuenca del río Flumen muestra un significativo patrón espacial. Desde este punto de vista, los resultados del CA (Fig. 6) mostraron que la cuenca del río Flumen puede ser separada en dos grandes zonas en función de las características del agua del río: la zona norte, con una mejor calidad del agua y la zona centro-sur, con un mayor nivel de contaminación. Estos resultados coinciden con los de Martín-Queller et al. (2010) que indicó que las principales fuentes de contaminación del río Flumen son las descargas procedentes de Huesca y las de la zona agrícola. Los agrupamientos formados en el CA reflejan este hecho. El CA mostró una diferenciación basada en las fuentes de contaminación: urbana o agrícola. En el caso de F2 y F3; localizadas en áreas cercanas a pequeñas poblaciones y con agricultura de secano, estudios previos sugirieron que en zonas con pequeñas poblaciones y sin actividad industrial, la calidad del agua puede estar moderadamente afectada por las prácticas agrícolas (Jain, 2002). La situación de I1 a este cluster está justificada debido a su proximidad al embalse de Arguis. Debido a la estacionalidad del río Isuela en esta sección, las muestras recogidas podrían estar alteradas por los inputs de este embalse. También en el grupo formado por las estaciones de muestreo localizadas en la zona agrícola es posible observar una nueva división en dos subgrupos relacionada con el nivel de contaminación del agua del río y a la creciente intensidad de las prácticas agrícolas. Uno de estos subgrupos (F6, F4 y F5) refleja el comienzo del uso de suelo agrícola que todavía no es intensivo, mientras que el otro subgrupo está compuesto por las estaciones de muestreo localizadas en la parte sur de la cuenca (F7, F8 y F9) cuyo uso de suelo principal es la agricultura intensiva de regadío y por I6, que es la última estación de muestreo perteneciente al río Isuela tras cruzar la zona urbana y antes de su desembocadura en el río Flumen. Es importante remarcar la localización de I6 en este cluster porque geográficamente esta estación de muestreo está localizada más al norte que F6 (primera estación de muestreo tras de la desembocadura del río Isuela) (Fig. 2). Estos agrupamientos apuntan a que la carga contaminante contenida en el río Isuela se diluye tras su confluencia con el río Flumen, incrementándose de nuevo después. Los resultados del Discusión - 37 - CA llevado a cabo para analizar la distribución espacial de las características del agua del río indicaron una organización espacial de las estaciones de muestreo en función de los usos del suelo adyacentes. Estos resultados sugieren que la calidad del agua está directamente relacionada con los usos del suelo existentes en la cuenca del río Flumen. 4.2 Patrones espaciotemporales de las variables físico-químicas Comparando los resultados de ambos PTA, se encontraron similitudes y diferencias entre ambos. Las similitudes se referían a la distribución de las estaciones de muestreo en el espacio Euclídeo. Tanto en la zona agrícola (PTA-1) como en el análisis realizado a escala de cuenca (PTA-2), las estaciones de muestreo se agruparon en función de los usos de suelo adyacentes y a la diferente intensidad de la actividad agrícola, independientemente de las fechas de muestreo. Las diferencias se definieron por la distribución de las variables analizadas que en este caso, dependían de las fechas de muestreo. Aunque esta distribución se asocia con las estaciones de muestreo con un mayor nivel de contaminación potencial, en el caso de PTA-2 la agrupación de las variables en dos grupos fue mucho más clara: los compuestos de nitrógeno se alinearon con las estaciones de muestreo que reciben inputs urbanos y los compuestos salinos con las estaciones de muestreo localizadas en la zona agrícola. La organización de las 22 variables analizadas siguió un claro patrón espacio-temporal. Este hecho fue revelado por el primer análisis triádico parcial (PTA-1) que fue llevado a cabo en la parte central y sur de la cuenca. El análisis de la interestructura y la localización de los grupos de variables en el espacio Euclídeo informaron de una correlación entre los parámetros físico-químicos analizados en el agua y las prácticas agrícolas realizadas en cada fecha de muestreo (Figuras 7 y 9). En lo referente a la distribución de las estaciones de muestreo en el espacio Euclídeo en PTA-2 (Fig. 10), se observaron diferencias relativas a la distribución de las variables analizadas entre Noviembre y Enero por una parte y Febrero por otra. A este respecto, el grupo de estaciones de muestreo localizadas en la parte norte de los ríos (I1, I2, F1, F2, F3, F4 and F5), que se ubican en áreas boscosas o de baja intensidad agrícola, no estuvieron tan afectadas por la variación estacional como en otras zonas ubicadas en Discusión - 38 - la parte sur de la cuenca. I3 y I4 (estaciones de muestreo urbanas) se localizaron lejos de este grupo. Por otra parte, F8 y F9 (puntos de muestreo ubicados en la zona agrícola) se alinearon con NO₃-N y los compuestos salinos y en el análisis de la interestructura (Fig. 7) con Noviembre-2009 y Enero-2010. Este hecho está probablemente relacionado con el abonado aportado a los cereales (Triticum spp. y Hordeum vulgare) y a la alfalfa (Medicago sativa) en torno a estas fechas y esta correlación también se muestra en la matriz de coeficientes RV (RV=0.777, Tabla 3). La información aportada por cos² en PTA-2 está probablemente también referida a estas prácticas agrícolas ya que indicó que la matriz de datos correspondiente a Noviembre fue la que mejor expresó las tendencias de las variables analizadas. Otras estaciones de muestreo localizadas en la zona agrícola no se ubicaron junto a este grupo de variables. Estos resultados son similares a aquellos de Monteagudo et al. (2012), los cuales indican que las prácticas relacionadas con la agricultura de regadío influyen en mayor medida en la exportación de nitratos que en el caso de la agricultura de secano. Sin embargo, los resultados mostraron que la situación de las estaciones de muestreo en el espacio Euclídeo y la proximidad de cada una estaban relacionadas con los usos del suelo. I5 y I6 (estaciones de muestreo localizadas en la zona urbana) se alinearon con Feb-10 y NH₄-N, PT, NO₂-N, TDN, TDP y PO₄-P. Estudios previos realizados en similares condiciones informaron de que aunque las concentraciones de P estaban relacionadas con el regadío, la principal fuente de P y NH₄-N son los inputs urbanos (Isidoro and Aragués, 2007) y ocurre de forma similar para en caso de NO₂-N (Martín- Queller et al., 2010). Brainwood et al. (2004) también indicó que las captaciones de agua urbanas estaban altamente correlacionadas con las concentraciones de NH₄-N y PO₄-P. Estas variables están altamente asociadas con la contaminación procedente de fuentes urbanas y con la eutrofización del agua. Butturini y Sabater (1998) mostraron que la distancia de asimilación de nutrientes tanto del amonio como del fosfato está influenciada por el flujo de agua y por la temperatura. La distancia de asimilación de nutrientes es menor cuando el caudal es bajo. Este hecho se explica por el incremento del tiempo de contacto entre el agua y el fondo del curso de agua en cuestión, resultando en un incremento de la absorción de los nutrientes y en una mayor retención de materia orgánica particulada. Los autores encontraron que la temperatura juega un papel especialmente importante sobre todo durante los Discusión - 39 - periodos de bajo caudal, revelando que durante este periodo la retención de nutrientes se debe a la actividad biótica. Estos resultados indican que este fenómeno es mayor en los meses más cálidos porque cuando las condiciones de temperatura y luz son más óptimas, la acumulación de biomasa puede ser alta si la concentración de nutrientes se incrementa (Francoeur et al., 1999). Esta información es consistente con los datos procedentes de la Agencia Estatal de Meteorología (AEMET, 2010) ya que muestran un incremento de la radiación solar entre Enero y Febrero en la zona de estudio. El objetivo de PTA-2 fue comprobar las hipótesis sobre las tendencias espaciales y temporales de las variables analizadas obtenidas tras PTA-1 y en base a estos resultados, PTA-2 mostró que sólo en determinadas áreas de la cuenca del río Flumen la variables siguen un patrón temporal estable, mientras que en otras zonas se producen fuertes cambios de una fecha de muestreo a otra y esto podría ser la causa por la que las estructuras descritas sólo representen un bajo porcentaje de la variabilidad total de la matriz (31% del 85.5% explicado por el primer eje de la interestructura. En PTA-1, la información procedente de cos² (Fig. 8) indicó que las sub-matrices correspondientes a Julio, Septiembre, Julio y Abril fueron aquellas que representaron de mejor manera la dinámica temporal de los parámetros medidos. Estas fechas son aquellas en las cuales se llevan a cabo las principales labores agrícolas en la temporada de regadío. El abonado de sementera para el arroz se realiza en Abril, mientras que para el maíz se lleva a cabo en Junio. La matriz de coeficientes RV mostró la correlación más fuerte entre estas fechas de muestreo (RV=0.737, Tabla 2) y esta es probablemente la razón por la cual TDN y NO₃-N se alinearon con estas fechas de muestreo en PTA-1 (Figuras 7 y 9). Causapé et al. (2004b) también indicó que a mediados de Junio, la concentración de NO₃-N se incrementa debido a los efectos acoplados del riego y la fertilización nitrogenada aportada al maíz. La diferente localización de NO₃-N en cada PTA podría deberse a la contribución de IW en PTA-1. Osborne and Wiley (1988) y Sliva y Williams (2001) también advirtieron elevadas concentraciones de nitratos en los cursos de agua de áreas urbanizadas. En PTA-1 se agruparon NH₄-N, PT y PO₄-P alrededor del segundo eje. La diferencia con respecto a PTA-2 podría explicarse teniendo en cuenta las fechas en las cuales el “Muestreo B” Discusión - 40 - fue llevado a cabo. En verano, y en menor medida en primavera, el fosfato y el nitrógeno inorgánico disuelto cobran una especial importancia en la química del agua. Esta variación en el contenido de nutrientes del río puede ser atribuida a las fuentes antropogénicas ya que en esta temporada la presencia de veraneantes conduce a una alta densidad de población en edificios residenciales y áreas recreativas (Perona et al., 1999). Los diferentes patrones seguidos por estas variables en PTA-1 y en PTA-2 podrían también indicar diferentes fuentes de contaminación urbana. Mientras IW corresponde a una fuente de contaminación puntual (aporte de la depuradora de Huesca), NH₄-N, PT y PO₄-P podrían proceder de diferentes aportes urbanos y por lo tanto, de fuentes de contaminación difusa (Sliva and Williams, 2001). En la comarca de los Monegros, la temporada de regadío se lleva a cabo en los meses de primaveraverano y este hecho provoca la dilución de la concentración de sales (Causapé et al., 2004b). Esto podría explicar que, comparando los resultados de ambos PTA, en PTA-2 se observara un gran grupo de compuestos salinos alineados con las fechas de muestreo en temporada de no regadío mientras que en PTA-1, sólo Na⁺ y Clˉ estuvieran alineados con los meses de verano. EC está también lejos de estas fechas y de los otros compuestos salinos que se encuentran en otras zonas del espacio Euclídeo. Estudios similares realizados en la parte sur de la cuenca (Martín-Queller et al., 2010) indicaron similares resultados de conductividad eléctrica, EC = 450 µS∙cmˉ¹ en temporada de regadío y EC = 1550 µS∙cmˉ¹ en temporada de no regadío. Además, algunos estudios han investigado la problemática de los usos del suelo cerca de los ríos como un mejor indicador de la calidad del agua que el uso del suelo de la cuenca entera (Osborne and Wiley, 1988; Hunsaker and Levine, 1995). A este respecto, en los resultados de este estudio el mapa de coordenadas factoriales mostró que F8, F9, IC1 y IC2 en PTA-1 y F8 y F9 en PTA-2 se ubicaron en la misma posición. Este hecho indicó la alta correlación entre la calidad del agua y la agricultura de regadío y está también relacionado con la salinización del suelo en zonas agrícolas en la parte sur de la cuenca (Pedrocchi, 1998). En base a esto, y observando el mapa de coordenadas factoriales de PTA-1, los resultados de este estudio revelaron que incluso en la temporada baja de regadío, las estaciones de muestreo no localizadas en zonas urbanas o agrícolas se agruparon lejos de los grupos de variables analizadas. Discusión - 41 - En los resultados de PTA-1 se observó la formación de un grupo consistente en T, NO₂- N, DOC and DO. Este grupo se localizó cerca de la intersección de ambos ejes por lo que no se encontró ningún patrón espaciotemporal claro en las fechas de muestreo correspondientes al “Muestreo B”. Sin embargo, comparando este hecho con los resultados de PTA-2, se observaron diferencias con el “Muestreo A” ya que en PTA-1 este grupo no se forma. Finalmente, ni pH ni SS siguen ningún patrón espaciotemporal con efectos significativos en la cuenca del río Flumen. En el caso de SS, Rovira y Batalla (2006) indicaron que en una escala anual, la concentración de SS muestra una alta variabilidad interanual de acuerdo al número de crecidas registradas anualmente, ya que casi toda la carga disuelta se transporta durante estos eventos. Esta podría ser la razón de la localización de SS en el espacio Euclídeo. Este parámetro está principalmente relacionado a los eventos puntuales de crecida que a las variaciones estacionales. Los resultados de PTA-1 mostraron que en zonas urbanas y agrícolas, las tendencias adoptadas por las variables analizadas siguieron patrones espaciotemporales marcados por la variabilidad estacional y los usos de suelo adyacentes. Discusión - 48 - Jain CK. A hydro-chemical study of a mountainous watershed: the Ganga, India. Water Research 2002; 36: 1262-1274. Jiménez J-J, Decaëns T, Rossi J-P. Stability of the spatio-temporal distribution and niche overlap in neotropical earthworm assemblages. Acta Oecologica 2006; 30: 299-311. Jones EBD, Helfman GS, Harper JO, Bolstad PV. Effects of Riparian Forest Removal on Fish Assemblages in Southern Appalachian Streams. Riparian Deforestation and Fishes 1999;6: 1454- 1465. Kang S, Lin H. Wavelet analysis of hydrological and water quality signals in an agricultural watershed. Journal of Hydrology 2007; 338: 1-14. Kroonenberg PM. The analysis of multiple tables in factorial ecology. III: three-mode principle component analyse: "Analyse triadique complète. Acta Oecologica. Oecologia Generalis 1989; 10: 245-256. Lavit C. Analyse conjointe de tableaux quantitatifs. Masson, Paris, 1988. Lee S-W, Hwang S-J, Lee S-B, Hwang H-S, Sung H-C. Landscape ecological approach to the relationships of land use patterns in watersheds to water quality characteristics. Landscape and Urban Planning 2009; 92: 80-89. Lenat D, Crawford JK. Effects of land use on water quality and aquatic biota of three North Carolina Piedmont streams. Hydrobiologia 1994; 294: 185-199. Limburg KE, Schmidt RE. Patterns of Fish Spawning in Hudson River Tributaries: Response to an Urban Gradient? Ecology 1990; 71: 1238-1245. Martín-Queller E, Moreno-Mateos D, Pedrocchi C, Cervantes J, Martínez G. Impacts of intensive agricultural irrigation and livestock farming on a semi-arid Mediterranean catchment. Environmental Monitoring and Assessment; 167: 423-435. Bibliografía - 49 - Mc Kenna JE. An enhanced cluster analysis program with bootstrap significance testing for ecological community analysis. Environmental Modelling & Software 2003; 18: 205- 220. Monteagudo L, Moreno JL, Picazo FL. River eutrophication: Irrigated vs. non-irrigated agriculture through different spatial scales. Water Research; 46: 2759-2771. Niemi G, DeVore P, Detenbeck N, Taylor D, Lima A, Pastor J, et al. Overview of case studies on recovery of aquatic systems from disturbance. Environmental Management 1990; 14: 571-587. Osborne LL, Wiley MJ. Empirical Relationships Between Land Use/Cover and Stream Water Quality in an Agricultural Watershed. Journal of Environmental Management 1988; 26: 9-27. Otto M. Multivariate Methods. In: Kellner, R.,Mermet, J.M., Otto, M., Widmer, H.M. (Eds). In: Kellner, R.,Mermet, J.M., Otto, M., Widmer, H.M. (Eds), Weinheim, Germany, 1998. Pedrocchi C. Ecología de los Monegros. La paciencia como estrategia de supervivencia. Huesca: IEA y Centro de Desarrollo de los Monegros, 1998. Perona E, Bonilla I, Mateo P. Spatial and temporal changes in water quality in a Spanish river. Science of The Total Environment 1999; 241: 75-90. R Development Core Team (2011). 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/. Riva-Murray K, Bode RW, Phillips PJ, Wall GL. Impact source determination with biomonitoring data in New York State: Concordance with enviromental data. Northeast Nat 2002; 9: 127-162. Bibliografía - 50 - Rolland A, Bertrand Fdr, Maumy M, Jacquet Sp. Assessing phytoplankton structure and spatio-temporal dynamics in a freshwater ecosystem using a powerful multiway statistical analysis. Water Research 2009; 43: 3155-3168. Rossi J-P. The spatiotemporal pattern of a tropical earthworm species assemblage and its relationship with soil structure: The 7th international symposium on earthworm ecology ∙ Cardiff ∙ Wales ∙ 2002. Pedobiologia 2003; 47: 497-503. Rovira A, Batalla RJ. Temporal distribution of suspended sediment transport in a Mediterranean basin: The Lower Tordera (NE Spain). Geomorphology 2006;79: 58-71. Seeboonruang U. A statistical assessment of the impact of land uses on surface water quality indexes. Journal of Environmental Management; 101: 134-142. Sharaf MA, Illman DL, Kowalski BR. Chemometrics. John Wiley and Sons, New York, 1986. Sliva L, Dudley Williams D. Buffer Zone versus Whole Catchment Approaches to Studying Land Use Impact on River Water Quality. Water Research 2001; 35: 3462- 3472. Thiolouse J, Chessel D. Les analyses multitableaux en écologie factorielle. Acta Oecologica. Ecologia Generalis 1987; 8: 463-480. Thiolouse J, Simier M, Chessel D. Simultaneous analysis of a sequence of paired ecological tables. Ecology 2004; 85: 272-283. Tong STY, Chen W. Modeling the relationship between land use and surface water quality. Journal of Environmental Management 2002; 66: 377-393. Bibliografía - 51 - Tran CP, Bode RW, Smith AJ, Kleppel GS. Land-use proximity as a basis for assessing stream water quality in New York State (USA). Ecological Indicators; 10: 727-733. Woodcock T, Mihuc T, Romanowicz E, Allen E. Land-use effects on catchment- and patch-scale habitat and macroinvertebrate responses in the adirondack uplands. American Fisheries Society Symposium 2006; 48: 395-411. Zhang M-k, Wang L-p, He Z-l. Spatial and temporal variation of nitrogen exported by runoff from sandy agricultural soils. Journal of Environmental Sciences 2007; 19: 1086- 1092. Bibliografía - 52 - 7. ANEXO FOTOGRÁFICO - 53 - Algunas de las estaciones de muestreo situadas en la parte norte de la cuenca Anexo fotográfico Puntos de muestreo situados en la parte central de la cuenca Anexo fotográfico 55 Puntos de muestreo situados en la parte sur de la cuenca Anexo fotográfico