Intrusión salina en el acuífero costero del Río Mayo en Huatabampo y su relación con la agricultura
Equipo 6 - Intrusión salina
-Alexis Issac Sagasta Ontiveros 148497
-Deemi Paola Morales Mendívil 188740
-Jesús Gilberto Aldana Castro 180834
-Mariela Camacho chaparro 164956
Introducción
El problema de intrusión marina empezó a producirse en zonas costeras con alta demanda de agua subterránea, en México este problema se encuentra presente en 18 acuíferos del país. Huatabampo es una localidad del estado de Sonora, México. Su población es de 79 313 habitantes y cuenta con un clima semiseco semicálido, con temperaturas máximas mensuales mayores a los 38 °C en junio, julio y agosto y una temperatura media mínima mensual de aproximadamente 8.5 °C en enero y febrero, la temperatura media anual es de 23.4 °C del cual la gran mayoría de su territorio da al mar, por ende, el correcto manejo de acuíferos costeros es de gran importancia debido a que la correcta administración de los aprovechamientos hidráulicos en zonas litorales es importante para el continuo desarrollo del país por esta razón el manejo de acuíferos marítimos requiere de un entendimiento de la dinámica física del fenómeno de la intrusión salina para esto se desarrolló una solución matemática para darle respuesta a preguntas como la relación entre la distancia del litoral con la salinidad del agua y variables externas que afectan la medición de la misma.
Intrusión salina
La intrusión salina se debe a la mayor densidad del agua del mar (contiene más solutos) que el agua dulce. Esta diferencia de densidades provoca que la presión en el fondo de una columna de agua salada sea mayor que la de una columna de agua dulce de la misma altura.
Estadística aplicada
Es el área de la Estadística que se aplica en cualquier otra rama externa a ella, como la Medicina, la Economía, la Sociología, la Historia, la Biología, el Marketing, la Psicología, etc. Todas estas ramas de conocimiento dependen del análisis de datos para impulsar su evolución como disciplina, construir nuevo conocimiento, obtener ventajas competitivas y tomar decisiones óptimas.
Metodología
Pearson
El coeficiente de correlación de Pearson según Hernández Sampieri, es una prueba estadística para analizar la relación entre dos variables medidas de un nivel por intervalos. En ese sentido, consideramos que es una medida de la relación entre dos variables aleatorias cuantitativas. A diferencia de la covarianza, la correlación de Pearson es independiente de la escala de medida de las variables. Desde nuestra perspectiva, podemos definir que el coeficiente de correlación de Pearson como un índice que puede utilizarse para medir el grado de relación de dos variables siempre y cuando ambas sea cuantitativas. Así como advierte Hernández y otros, se calcula a partir de las puntuaciones obtenidas en una muestra en dos variables.
Kendall
Según esta metodología el ciclo de vida de un sistema consta de siete partes: siendo la primera la identificación del problema, la segunda identificación de requisitos de información, la tercera es el análisis de las necesidades del sistema, la cuarta es el diseño del sistema recomendado, la quinta desarrollo y documentación del sistema, la sexta prueba y mantenimiento y la última implementación y evaluación. Cada fase se explica por separado pero nunca se realizan como pasos aislados, más bien es posible que algunas actividades se realicen de manera simultánea, y algunas de ellas podrían repetirse. La metodología de Kendall y Kendall es un ciclo de desarrollo de los sistemas.
Spearman
El coeficiente de correlación de Spearman es una medida no paramétrica de la correlación de rango (dependencia estadística del ranking entre dos variables). Se utiliza principalmente para el análisis de datos.
Antecedentes
Peligro de salinidad en el agua de irrigación
El exceso de sales es una de las mayores preocupaciones en la reutilización del agua para fines agrícolas. Un alto contenido en sales presentes en el agua supone un aporte de sales en el suelo que sustenta la planta afectando la productividad del cultivo, degradando la estructura de la tierra y generando problemas de contaminación en las aguas subterráneas. Especial interés debe tenerse en las zonas costeras, donde la intrusión e infiltración de agua del mar en el agua que es bombeada en pozos cercanos, puede ocasionar un grave riesgo de salinidad en las aguas. Por ejemplo, en España la sobre-explotación de los recursos hídricos subterráneos provoca la disminución del nivel del agua y como consecuencia la intrusión de agua salina en las tierras aledañas. Si se utiliza agua con alto contenido en sales en ciertas ocasiones en que haya escasez y limitación de recursos hídricos, el suelo debe ser permeable, el drenaje debe ser adecuado, la cantidad de agua aplicada debe ser mayor y el tipo de cultivos seleccionado debe tener la mayor tolerancia posible al exceso de sales. Se estima que un porcentaje de un 21% del total de tierra sometida a regadío puede estar dañada por altos niveles de sal
Salinidad daños
Objetivo
El objetivo de este proyecto es dar respuesta a preguntas como por qué son más salinos los pozos que están cerca de la costa, cuáles variables se relacionan entre sí de las variables medidas, el agua del acuífero costero del Río Mayo está siendo más salina con el tiempo, tiene un impacto la intrusión salina a la agricultura, entre otras. Además que esto podría beneficiar a los agricultores a tener un control o una idea de la salinidad de los pozos que consumen el agua de los pozos para llevar un control de los valores del pH, conductividad, oxígeno y temperatura del agua que utilizan para sus siembras.
library(ggplot2)
library(ggmap)
library(readxl)
library(tidyverse)
library(sp)
library(maptools)
X2007sep <- read_excel("2007sep.xlsx")
#View(X2007sep)
Huatabampo <- (X2007sep)##Datos disponibles de pozos
library(DT)
datatable(X2007sep)str(Huatabampo)## Classes 'tbl_df', 'tbl' and 'data.frame': 293 obs. of 10 variables:
## $ MODULO: num 1 1 1 1 1 1 1 1 1 1 ...
## $ POZO : chr "1" "2" "3" "4" ...
## $ X : num 620903 620915 620943 620879 620888 ...
## $ Y : num 2962392 2963671 2964903 2965667 2966604 ...
## $ SNM : num 3.91 4.53 2.8 3.64 3.49 ...
## $ NF : num 2.68 2.61 1.3 2.14 2.01 2 1.63 2.82 3 3 ...
## $ CE : num 2.83 8.35 8.66 8.34 9.18 7.9 9.64 7.17 1.88 1.93 ...
## $ PPM : num 1811 5344 5542 5338 5875 ...
## $ PH : num 6.8 6.9 6.8 7.1 6.6 6.8 6.5 6.9 7 7 ...
## $ TEMP : num 28.5 29.2 28.9 29.4 28.3 28.4 28 27.5 28.7 28.6 ...PPM <- Huatabampo$PPM
PH <- Huatabampo$PH
NF <- Huatabampo$NF
SNM <- Huatabampo$SNM
datos <- data.frame(PPM, PH, NF, SNM)La tabla anterior nos muestra la información que tenemos de los pozos de Huatabampo del año 2017 en el mes de septiembre.
#Primer gráfico de correlación
pairs(datos)
cor(NF, SNM, method = c("pearson", "kendall", "spearman"))## [1] 0.67311cor.test(NF, SNM, method=c("pearson", "kendall", "spearman"))##
## Pearson's product-moment correlation
##
## data: NF and SNM
## t = 15.526, df = 291, p-value < 2.2e-16
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
## 0.6052017 0.7312929
## sample estimates:
## cor
## 0.67311La grafica anterior nos muestra la correlación entre las variables, podemos observar una correlación elevada entre el nivel freático y la profundidad con respecto al mar.
ggplot(Huatabampo, aes(x = SNM, y = NF)) +
geom_point()
cor(SNM, NF, method = c("pearson", "kendall", "spearman"))## [1] 0.67311cor.test(SNM, NF, method=c("pearson", "kendall", "spearman"))##
## Pearson's product-moment correlation
##
## data: SNM and NF
## t = 15.526, df = 291, p-value < 2.2e-16
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
## 0.6052017 0.7312929
## sample estimates:
## cor
## 0.67311cor.test(PPM, PH, method=c("pearson", "kendall", "spearman"))##
## Pearson's product-moment correlation
##
## data: PPM and PH
## t = -11.07, df = 291, p-value < 2.2e-16
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
## -0.6202473 -0.4583503
## sample estimates:
## cor
## -0.544348En la gráfica anterior vemos la correlación entre nivel freático y lejanía del mar, esta vez con las metodologías de Pearson, Kendall y Spearman. Se obtiene una correlación de -0.544348 lo que nos indica que cuando un pozo está más alejado del mar su nivel freático es más bajo y esto tiene sentido ya que mientras más cerca se encuentre del mar más será repuesto por este.
# Boxplot of SNM VS NF
# Boxplot of weight vs. weeks
ggplot(data = Huatabampo,
aes(x = cut(SNM, breaks = 4), y = NF)) +
geom_boxplot()
ggplot(data = Huatabampo,
aes(x = cut(SNM, breaks = 4), y = PPM)) +
geom_boxplot()
Las gráficas de caja anteriores nos corroboran lo siguiente: los pozos que están más cerca de la costa marina:
1.- Son más salados y
2.- Tienen un nivel freático más cercano al suelo.
library(plotly)
Huat <- ggplot(Huatabampo, aes(x = NF, y = PPM, color = factor(MODULO))) +
geom_point()
ggplotly(Huat)La columna de datos a la derecha están generando demasiado ruido, además de los datos se encuentran aparentemente muy dispersos para mitigar esto y ‘limpiar’ los datos a continuación usaremos un filtro:
library(dplyr)
library(tidyr)
library(ggplot2)
library(broom)
library(dplyr)
Huatabampo %>%
filter(NF <=2.9 ) %>%
ggplot(aes(x = NF, y = SNM)) +
geom_point()
# Compute correlation
Huatabampo %>%
summarize(N = n(), r = cor(SNM, NF))## # A tibble: 1 x 2
## N r
## <int> <dbl>
## 1 293 0.673En la gráfica anterior gracias a la aplicación del filtro en el que los pozos con un nivel freático de 3 o mayor se removieron de la ecuación, tenemos una imagen más clara del estado de los pozos.
#Para hacer el mapa
library(sf)
library(rgdal)
library(gstat)
library(RSAGA)
library(raster)
pozos <- st_read("2017HuataBampo.shp")## Reading layer `2017HuataBampo' from data source `C:\Users\alexis\Desktop\Escuela\Proyecto final EA\2017HuataBampo.shp' using driver `ESRI Shapefile'
## Simple feature collection with 293 features and 10 fields
## geometry type: POINT
## dimension: XY
## bbox: xmin: 620553 ymin: 2956532 xmax: 642471 ymax: 2975407
## epsg (SRID): 32612
## proj4string: +proj=utm +zone=12 +datum=WGS84 +units=m +no_defsggplot(pozos) +
geom_sf()
mapview::mapview(pozos,labels=F)Gracias a que contamos con las coordenadas de los pozos podemos ubicarlos en un mapa y de esta manera tener apoyo visual de nuestros descubrimientos.
#Grafico interactivo
ggplotly(Huat)#Datos de vegetacion
#Esto muestra el área cultivada en huatabampo
#obtenido de una imagen landast 8
vegetacion <- st_read("vegetation.shp")## Reading layer `vegetation' from data source `C:\Users\alexis\Desktop\Escuela\Proyecto final EA\vegetation.shp' using driver `ESRI Shapefile'
## Simple feature collection with 1623 features and 3 fields
## geometry type: POLYGON
## dimension: XY
## bbox: xmin: 620565 ymin: 2956545 xmax: 642465 ymax: 2975385
## epsg (SRID): 32612
## proj4string: +proj=utm +zone=12 +datum=WGS84 +units=m +no_defsggplot(vegetacion) +
geom_sf()
mapview::mapview(vegetacion,labels=F, color = "seagreen3", alpha.regions =0.3)En las gráficas anteriores podemos observar las áreas de cultivo, gracias a esto podemos hacer la conclusión de que la salinidad de los pozos está relacionada no solo a la cercanía del mar sino también con su actividad circundante.
library(pacman)
p_load(markdown,knitr,dplyr,tidyr, tidyverse, hashmap, lubridate,
summarytools,ggpubr, kableExtra, reshape2,
sf, tmap, readr, devtools, plotly, gganimate, gifski)## package 'classInt' successfully unpacked and MD5 sums checked
## package 'tmap' successfully unpacked and MD5 sums checked
##
## The downloaded binary packages are in
## C:\Users\alexis\AppData\Local\Temp\RtmpW2BGAh\downloaded_packagesnfysalinidadJunio2017 <- read_excel("Lecturas del N.F y de Salinidad Junio 2017.xlsx")
nfysalinidadJunio2018 <- read_excel("Lecturas del NF y Salinidad Junio 2018.xlsx")
nfysalinidadMarzo2017 <- read_excel("Lecturas del N.F y de Salinidad Marzo 2017.xlsx")
nfysalinidadMarzo2018 <- read_excel("Lecturas del NF y Salinidad Marzo 2018.xlsx")
PPM2017M <-nfysalinidadMarzo2017$PPM
PPM2018M <-nfysalinidadMarzo2018$PPM
PPM2017J <-nfysalinidadJunio2017$PPM
PPM2018J <-nfysalinidadJunio2018$PPM
pozos <- nfysalinidadJunio2018$POZO
g <-ggplot(data=nfysalinidadJunio2017) +
geom_point(aes(pozos, PPM2017J, colour = '2017')) +
geom_point(aes(pozos, PPM2018J, colour = '2018')) +
xlab('Pozo')+
ylab('Salinidad') +
labs(colour = "Junio Año")+
transition_reveal(pozos)
ggplotly(g)g <-ggplot(data=nfysalinidadJunio2017) +
geom_point(aes(pozos, PPM2017M, colour = '2017')) +
geom_point(aes(pozos, PPM2018M, colour = '2018')) +
xlab('Pozo')+
ylab('Salinidad') +
labs(colour = "Marzo Año")+
transition_reveal(pozos)
ggplotly(g)En estas graficas observamos uno a uno los cambios en la salinidad de los pozos. Esta grafica interactiva nos permite analizar los cambios entre los años 2017 y 2018.
sumaPPMMarzo2017 <- sum(as.numeric(nfysalinidadMarzo2017$PPM), na.rm = TRUE)
sumaPPMMarzo2017/293## [1] 2661.111sumaPPMMarzo2018 <- sum(as.numeric(nfysalinidadMarzo2018$PPM), na.rm = TRUE)
sumaPPMMarzo2018/293## [1] 2682.873sumaPPMJunio2017 <- sum(as.numeric(nfysalinidadJunio2017$PPM), na.rm = TRUE)
sumaPPMJunio2017/293## [1] 2908.243sumaPPMJunio2018 <- sum(as.numeric(nfysalinidadJunio2018$PPM), na.rm = TRUE)
sumaPPMJunio2018/293## [1] 2600.65Aqui observamos que entre Marzo del 2017 y Marzo del 2018 hay un aumento en la salinidad. Lo mas sorprendente es que entre Junio de 2017 y del 2018 la salinidad disminuyo.
Resultados y discusión
Si tenemos en cuenta que del 2.5% de agua dulce, apenas el 0.01% está en los ríos y lagos, siendo esto un dato alarmante ya que la revista SCIENCE ha revelado que gracias al calentamiento global el agua de los lagos y ríos se ha estado alterando notablemente y está aumentando su salinidad, provocando efectos nocivos para la salud de los seres humanos y los ecosistemas, además de poner en riesgo la producción de los alimentos al convertir los ríos en desiertos de sal, que queman las cosechas y los pozos comienzan a salarse haciendo imposible su uso para la agricultura por esto es sumamente importante estudiar el agua y sobre todo tratarla.
Conclusiones
Podemos concluir que si bien la lejanía del pozo con respecto al mar influye en su salinidad y su nivel freático, no es lo único que influye ya que la actividad agrícola afecta las otras variables en los pozos, en especial la actividad acuícola que como se observó en el mapa los pozos cercanos contaban con una gran cantidad de salinidad a pesar de no estar tan cerca del mar como otros. Con respecto a la comparativa en los años 2017 y 2018 la salinidad vario de una manera inesperada pero se puede concluir que es por la misma razón, los factores individuales modificaron los factores generales y a pesar de que se vio un decrecimiento en la salinidad en el mes de junio del año 2018 con respecto al año anterior esto no concluye que se esté revirtiendo el problema ya que la cantidad de PPM que disminuyo fue mínima de solo 300 PPM.
Bibliografía
● S/A. (S/F). Intrusión salina. Mayo 16, 2020, de EcuRed Sitio web: https://www.ecured.cu/Intrusi%C3%B3n_salina
● Ferrero, R.. (2018). ESTADÍSTICA APLICADA, SALIDAS, QUÉ ES Y PARA QUÉ SIRVE. Mayo 16, 2020, de Máxima Formación Sitio web: https://www.maximaformacion.es/blog-dat/estadistica-aplicada-que-es-y-para-que-sirve/
● LIMON, D. (Todavía no publicado). Isótopos estables como indicadores de intrusión salina en el acuífero del Valle de Boca Abierta, Sonora, México. Revista Latinoamericana de Recursos Naturales.
● Marin, L. E. (Todavía no publicado). Técnicas para la simulación numérica de acuíferos costeros con intrusión salina . Ingenieria hidraulica en Mexico .
● Pedromo , S. (Todavía no publicado). GEOFÍSICA APLICADA AL PROBLEMA DE LA INTRUSIÓN SALINA EN LOS ACUÍFEROS COSTEROS DE COSTA RICA. TECNOLOGÍA DE LA INTRUSIÓN DE AGUA DE MAR EN ACUÍFEROS COSTEROS: PAÍSES MEDITERRÁNEOS.
● (2020). Peligro de salinidad en el agua de irrigación. LENNTECH. Mayo 16, 2020, de LENNTECH Sitio web: https://www.lenntech.es/aplicaciones/riego/salinidad/riesgo-salinidad-regadio.htm