Estimation of sediment volumes due to rainfall erosion using RUSLE model in basins of the province of Manabí, Ecuador

Abstract

Estimación de volúmenes de sedimentos por erosión hídrica empleando el modelo RUSLE en cuencas de la provincia de Manabí, Ecuador Resumen: La producción de sedimentos por erosión hídrica es un tema de gran interés debido a que su desconocimiento puede representar graves peligros para las comunidades e infraestructuras cercanas. En los últimos años se han desarrollado varios métodos para cuantificar los sedimentos, pero su complejidad, precisión y exactitud varía dependiendo del enfoque empleado. Sin embargo, muchos de estos modelos requieren de la utilización de extensas series temporales de precipitaciones, pero, en Ecuador, las estaciones meteorológicas presentan una preocupante carencia de datos y su distribución espacial no es homogénea, lo que genera una incorrecta estimación de las lluvias en el territorio analizado. Para resolver este problema, es posible utilizar metodologías que empleen información ráster satelital. El objetivo de la presente investigación fue estimar los volúmenes de sedimentos en las cuencas hidrográficas de la provincia de Manabí, mediante la implementación del modelo RUSLE, a través de un procedimiento empírico que requiere de la utilización de la densidad aparente del suelo en sus tres texturas principales (arena, arcilla y limo). La metodología consideró la delimitación de las cuencas analizadas, la evaluación de datos ráster satelitales para determinar los seis parámetros del modelo RUSLE entre el año 2001 y 2020 y la estimación de la densidad aparente mediante un método innovador. La delimitación de las cuencas fue obtenida de fuentes regionales; la información satelital fue obtenida desde fuentes web oficiales; los valores típicos de la densidad aparente fueron obtenidos de fuentes a escala mundial; y la validación de los datos de densidad aparente se realizó mediante un muestreo en sitio. Los resultados permitieron identificar tasas de erosión del suelo que varían entre 0,10 ton ha-1 y 3252,22 ton ha-1 , lo que generó una estimación de sedimentos entre 0,06 m 3 año-1 y 692,43 m 3 año-1 a nivel de píxel. La densidad aparente promedio fue de 1,49 ton m-3 , lo que demuestra un elevado contenido de arena en las cuencas manabitas. La validación de datos reveló una excelente compatibilidad entre la metodología propuesta y el análisis convencional en sitio, que se ve reflejada en una diferencia promedio inferior al 3%. La información obtenida permitirá a las entidades gubernamentales competentes, establecer programas de mitigación para hacer frente a la pérdida del suelo por erosión hídrica y al control de la producción de sedimentos. Palabras clave: erosión del suelo, RUSLE, volúmenes de sedimentos, teledetección, Manabí. Abstract: Sediment production due to rainfall erosion is a topic of great interest because its lack of knowledge can represent serious dangers for nearby communities and infrastructures. Several methods have been developed in To cite this article: Casanova-Ruiz, G., Delgado, D., Panchana, R. 2024. Estimation of sediment volumes due to rainfall erosion using RUSLE model in basins of the province of Manabí, Ecuador. Revista de Teledetección, 63, 1-21. https://doi.

Full text

1
Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
Recibido: 31/07/2023
Aceptado: 01/11/2023
REVISTA DE TELEDETECCIÓN
Asociación Española de Teledetección
(2024) 63, 1-21
ISSN 1133-0953
EISSN 1988-8740
https://doi.org/10.4995/raet.2024.20147
* Corresponding author: daniel.delgado@utm.edu.ec
Estimación de volúmenes de sedimentos por erosión hídrica
empleando el modelo RUSLE en cuencas de la provincia de
Manabí, Ecuador
Gema Casanova-Ruiz 1, Daniel Delgado 2,3*, Ramona Panchana 2
1Maestría en Ingeniería Civil, Mención Vialidad, Facultad de Posgrado, Universidad Técnica de Manabí, Avenida José
María Urbina, Portoviejo EC130105, Manabí, Ecuador.
2Departamento de Construcciones Civiles, Facultad de Ciencias Matemáticas, Físicas y Químicas, Universidad Técnica de
Manabí, Avenida José María Urbina, Portoviejo EC130105, Manabí, Ecuador.
3Centre de Formation et de Recherche sur les Environnements Méditerranéens, Université de Perpignan, Via Domitia, UMR
5110, 52 Avenue Paul Alduy, 66860, Perpignan CEDEX, France.
Resumen: La producción de sedimentos por erosión hídrica es un tema de gran interés debido a que su
desconocimiento puede representar graves peligros para las comunidades e infraestructuras cercanas. En los
últimos años se han desarrollado varios métodos para cuanticar los sedimentos, pero su complejidad, precisión
y exactitud varía dependiendo del enfoque empleado. Sin embargo, muchos de estos modelos requieren de la
utilización de extensas series temporales de precipitaciones, pero, en Ecuador, las estaciones meteorológicas
presentan una preocupante carencia de datos y su distribución espacial no es homogénea, lo que genera una
incorrecta estimación de las lluvias en el territorio analizado. Para resolver este problema, es posible utilizar
metodologías que empleen información ráster satelital. El objetivo de la presente investigación fue estimar los
volúmenes de sedimentos en las cuencas hidrográcas de la provincia de Manabí, mediante la implementación del
modelo RUSLE, a través de un procedimiento empírico que requiere de la utilización de la densidad aparente del
suelo en sus tres texturas principales (arena, arcilla y limo). La metodología consideró la delimitación de las cuencas
analizadas, la evaluación de datos ráster satelitales para determinar los seis parámetros del modelo RUSLE entre
el año 2001y 2020y la estimación de la densidad aparente mediante un método innovador. La delimitación de las
cuencas fue obtenida de fuentes regionales; la información satelital fue obtenida desde fuentes web ociales; los
valores típicos de la densidad aparente fueron obtenidos de fuentes a escala mundial; y la validación de los datos
de densidad aparente se realizó mediante un muestreo en sitio. Los resultados permitieron identicar tasas de
erosión del suelo que varían entre 0,10ton ha-1y 3252,22ton ha-1, lo que generó una estimación de sedimentos
entre 0,06 m3 año-1 y 692,43m3 año-1a nivel de píxel. La densidad aparente promedio fue de 1,49 ton m-3, lo
que demuestra un elevado contenido de arena en las cuencas manabitas. La validación de datos reveló una
excelente compatibilidad entre la metodología propuesta y el análisis convencional en sitio, que se ve reejada
en una diferencia promedio inferior al 3%. La información obtenida permitirá a las entidades gubernamentales
competentes, establecer programas de mitigación para hacer frente a la pérdida del suelo por erosión hídrica y al
control de la producción de sedimentos.
Palabras clave: erosión del suelo, RUSLE, volúmenes de sedimentos, teledetección, Manabí.
Estimation of sediment volumes due to rainfall erosion using RUSLE model in basins of the
province of Manabí, Ecuador
Abstract: Sediment production due to rainfall erosion is a topic of great interest because its lack of knowledge can
represent serious dangers for nearby communities and infrastructures. Several methods have been developed in
To cite this article: Casanova-Ruiz, G., Delgado, D., Panchana, R. 2024. Estimation of sediment volumes due to rainfall erosion using RUSLE
model in basins of the province of Manabí, Ecuador. Revista de Teledetección, 63, 1-21. https://doi.org/10.4995/raet.2024.20147

REVISTA DE TELEDETECCIÓN (2024) 63, 1-21
Casanova-Ruiz et al.
2
1. Introducción
La erosión del suelo es considerada un grave pro-
blema ambiental que afecta a todas las regiones
del planeta y que se mantiene en aumento a un
ritmo alarmante (Ahmed et al., 2023). Este pro-
blema ambiental puede reducir el rendimiento de
los cultivos hasta en un 50%, por lo que representa
una de las principales amenazas para la seguridad
alimentaria mundial (Sparovek y Schnug, 2001).
Según Keesstra et al. (2016), para el 2050 se ha-
brá deteriorado más del 90% del suelo del planeta
debido a problemas de erosión hídrica. La pér-
dida del suelo por erosión hídrica es uno de los
principales generadores de sedimentos (Delgado
et al., 2022), lo que puede afectar a comunidades
e infraestructuras cercanas. Esto ha despertado el
interés por cuantificar el volumen de sedimentos,
lo que se ha visto reflejado en un crecimiento
considerable de sus investigaciones en los últimos
30 años (Gallart et al., 2013). No obstante, en
Ecuador, las estimaciones de tasas de erosión y la
cuantificación de sedimentos son poco abordadas.
La falta de estudios en este campo de investigación
limita a las autoridades tomar medidas adecuadas
para mitigar los problemas ambientales asociados
a estos procesos ambientales. Problemas como los
ocurrido en el Río Coca por su proceso de ero-
sión constante, que ha generado la destrucción de
poblados, vías y la modificación considerable del
paisaje (Sarmiento et al., 2021), es un ejemplo de
las tantas catástrofes ambientales registradas en
Ecuador y que pudieron evitarse contando con un
estudio adecuado.
El Ecuador continental está conformado de tres
regiones (Costa, Sierra y Oriente) en las cuales se
experimentan climas y condiciones ambientales
muy diferentes, que son asociados a la existencia
de dos trópicos, la línea equinoccial y la Cordillera
de Los Andes (Pourrut, 1994). La provincia de
Manabí forma parte de la región Costa, la cual
se caracteriza por poseer dos estaciones climá-
ticas bien diferenciadas: la estación húmeda (de
diciembre a mayo) y la estación seca (de junio a
noviembre) (Delgado et al., 2022).
Existen muchos modelos que permiten cuantificar
el volumen de sedimentos (Gartner et al., 2014;
Ramos-Diez et al., 2017), pero generalmente
requieren de extensas series de precipitaciones
y de alta resolución temporal o, la utilización de
instrumentos de medición ubicados en cuerpos
de agua (He et al., 2023). Esto último restringe el
análisis a sedimentos en suspensión. En Ecuador,
el Instituto Nacional de Meteorología e Hidrología
(INAMHI), entidad a cargo de registrar las preci-
pitaciones a escala nacional, ofrece una base de
recent years to quantify sediments, but their complexity, precision, and accuracy vary depending on the approach
used. However, many of these models require the use of extensive precipitation time series, but in Ecuador, the
meteorological stations present a worrying lack of data and their spatial distribution is not homogeneous, which
generates an incorrect rainfall estimation in the analyzed territory. To solve this problem, it is possible to implement
methodologies that use satellite raster information. The objective of the present investigation was to estimate the
volumes of sediments in the hydrographic basins of the province of Manabí, through the implementation of the
RUSLE model and an empirical procedure that requires the use of the apparent density of the soil in its three main
textures (sand, clay and silt). The methodology considered the delimitation of the analyzed basins, the evaluation
of satellite raster data to determine the six parameters of the RUSLE model between 2001 and 2020, and the
estimation of apparent density through an innovative method. The delimitation of the basins was obtained through
regional sources; the satellite information was obtained from ocial web sources; the typical values of the apparent
density were obtained from sources at global scale; and the validation of the apparent density data was carried out
by means of on-site sampling. The results allowed identifying soil erosion rates that vary between 0.10ton ha-1 and
3252.22ton ha-1, which generated an estimate of sediments between 0.06m3 year-1 and 692.43m3 year-1 at the
pixel level. The average apparent density was 1.49 ton m-3, which demonstrates a high sand content in the basins
of Manabí. The data validation revealed an excellent compatibility between the proposed methodology and the
conventional on-site analysis, which is reected in an average difference of less than 3%. The information obtained
will allow the competent government entities to establish mitigation programs to deal with the loss of soil due to
rainfall erosion and to control the sediments production.
Key words: soil erosion, RUSLE, sediment volumes, remote sensing, Manabí.

ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN
Estimación de volúmenes de sedimentos por erosión hídrica empleando el modelo RUSLE
en cuencas de la provincia de Manabí, Ecuador
3
datos incompleta e irregular, debido a una inade-
cuada metodología de registro y a una distribución
espacial no homogénea de las estaciones de aforo,
lo que genera una estimación no representativa de
las precipitaciones (Erazo et al., 2018; Delgado
et al., 2022) y restringe la utilización de los mo-
delos convencionales para estimar los volúmenes
de sedimentos.
La Ecuación Universal de Pérdida del Suelo
Revisada (RUSLE en inglés) es uno de los mo-
delos empíricos más utilizados a nivel mundial
para estimar las tasas de erosión del suelo (Renard
et al., 1997; Panagos et al., 2015; Räsänen
et al., 2023). Este modelo ha sido ampliamente
validado, mostrando una precisión elevada en es-
tudios a diferentes escalas espaciales y temporales
(Polykretis et al., 2020). Para calcularlo se requie-
ren determinar seis factores: 1) el Factor R (factor
desencadenante de la erosión hídrica, denominado
erosividad de la lluvia); 2) Factor K (erodabilidad
del suelo); 3 y 4) Factor LS (factor topográfico
que resulta de la combinación de la longitud de
la pendiente -L- y la gradiente de la pendiente
-S-).; 5) Factor C (uso y cobertura del suelo) y,
por último; 6) Factor P (prácticas de conservación
del suelo).
La erosividad de la lluvia, generada por la energía
de cada gota de agua al momento de entrar en con-
tacto con la superficie de la tierra, provoca que las
partículas del suelo se separen cuando su fuerza
de impacto es superior a la fuerza de cohesión
del suelo (Delgado et al., 2022). Estas partículas
sueltas son arrastradas por la escorrentía superfi-
cial y son conducidas hasta los cuerpos de agua,
donde son desplazados como sedimentos (Scott y
Williams, 1978). El modelo RUSLE por sí solo no
permite estimar los volúmenes de sedimentos ob-
tenidos dentro de una cuenca hídrica, pero gracias
a los avances tecnológicos y a procedimientos em-
píricos, es posible su modificación y utilización.
Para calcular los factores de RUSLE es necesario
disponer con información detallada obtenida en
campo dentro de la zona analizada, mediante un
estudio prolongado en parcelas condicionadas, que
demandan de mucho tiempo y recursos (Delgado
et al., 2022). Sin embargo, existen métodos al-
ternativos que permiten estimar estos factores
empleando bases de datos satelitales obtenidas de
sensores remotos (Delgado et al., 2021b; Delgado
et al., 2023).
El objetivo principal de la presente investigación
es estimar los volúmenes de sedimentos en las
cuencas hidrográficas de la provincia de Manabí,
mediante la implementación del modelo RUSLE
combinado con un procedimiento empírico que
requiere de la utilización de la densidad aparente
del suelo en sus tres texturas principales: arena,
limo y arcilla.
Entre las principales novedades del trabajo está
la posibilidad de convertir las tasas de erosión
(t ha-1 año-1) a volúmenes de sedimentos (m3) a
escala de pixel, sin la necesidad de restringirse a
un cuerpo hidrológico o a una unidad de división
política.
2. Metodología
2.1. Área de estudio
La provincia de Manabí tiene una extensión
de 18958 km2 y se ubica entre las coordenadas
609028 O – 10039658 S y 560199 O – 9787108 S,
dentro de la región costa del Ecuador (Figura 1).
Su capital es la ciudad de Portoviejo. Limita al
norte con la provincia de Esmeraldas, al este con
las provincias de Santo Domingo de los Tsáchilas
y Los Ríos, al Sur con las provincias de Santa
Elena y Guayas y al oeste con el Océano Pacífico.
La cartografía de la provincia de Manabí (lí-
mites políticos) fue obtenida del Instituto
Geográfico Militar del Ecuador (https://www.
geoportaligm.gob.ec/portal/index.php/descargas/
cartografia-de-libre-acceso/) en formato shape-
files para posteriormente adaptarlo al sistema de
coordenadas WGS84 zona UTM 17 S bajo los
softwares R y Qgis.
Una vez limitada la provincia, se procedió a iden-
tificar las cuencas hidrográficas para el objeto de
estudio. Como condicionante, se seleccionaron
todas las cuencas que tengan áreas mayores a
500 km2 y que se encuentren completamente
dentro de esta división política. Para esto, se
consideraron las características ambientales de
las cuencas obtenidas por Delgado et al. (2021b)
(Figura 1 y Tabla 1).
Mediante la condición de las áreas habilitantes
para la selección de las cuencas de estudio, se in-
cluyeron 8021 km2 de la provincia de Manabí, que
corresponde al 42% de su extensión total.

REVISTA DE TELEDETECCIÓN (2024) 63, 1-21
Casanova-Ruiz et al.
4
2.2. Recopilación de bases de datos
2.2.1. Precipitaciones: GPM-IMERG
Global Precipitation Measurement (GPM) es
un sistema de satélites que están a cargo de la
Administración Nacional de Aeronáutica y el
Espacio (NASA) y la Agencia Japonesa de
Exploración Aeroespacial (JAXA) que recopilan
información de precipitaciones a nivel mundial.
GPM-IMERG (recuperaciones integradas de múl-
tiples satélites de GPM) corresponde al producto
combinado de una cadena de procesamiento que
se focaliza en la intercalibración, interpolación y
fusión de los datos de precipitaciones obtenidos
de microondas satelitales. Esta información es
combinada con satélites infrarrojos para generar
un ráster de precipitación homogénea en casi
todo el mundo y de manera gratuita. Los resulta-
dos están disponibles desde junio del 2000 hasta
la actualidad en varias resoluciones temporales
(30 min, 3 horas, 1 día y 1 mes) y una resolución
espacial de 10 km (Huffman et al., 2019).
Dentro de su amplia gama de información desta-
can tres tipos de productos: IMERG Early Run
(latencia mínima de 4 horas, representación de
precipitaciones casi a tiempo real con poca ca-
libración); IMERG Late Run (latencia mínima
de 12 horas, representación de precipitaciones
Figura 1. Ubicación de las cuencas de la provincia de Manabí con áreas superiores a 500 km2.
Tabla 1. Características ambientales de las cuencas de la
provincia de Manabí (Delgado et al., 2021b).
ID
Nombre
Área
(km
²
)
Pendiente
(°)
Elevación
(m)
1 Coaque 656 1,3 247
2 Jama 1137 1,3 238
3 Chone 2898 1,3 160
4 Portoviejo 1905 1,4 194
5 Caña 833 1,4 222
6 Ayampe 592 2 360
TOTAL 8021

ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN
Estimación de volúmenes de sedimentos por erosión hídrica empleando el modelo RUSLE
en cuencas de la provincia de Manabí, Ecuador
5
en tiempo cuasi-lagrangiana, calibración media);
IMERG Final Run (lanzada 3,5 meses después,
datos con alta calidad y calibración profunda).
La presente investigación utilizó la base de datos
GPM-IMERG Final Run, descargando la varia-
ble “precipitationCal” en mm hora-1. Los datos
iniciales se obtuvieron en formato NetCDF a
una escala temporal de 30 min para el área de
la provincia de Manabí (https://gpm.nasa.gov/).
El rango de descarga se realizó desde el 01-01-
2001 (00 h:00 m) hasta el 31-12-2020 (23 h:30 m).
Cada día contiene 48 capas (1 capa por cada me-
dia hora), obteniendo un total de 349152 capas
que posteriormente fueron apiladas para obtener
un ráster promedio de precipitaciones entre el
2001 y 2020.
El procesamiento de la información (modifi-
cación a sistema de coordenadas WGS84 zona
UTM 17 S, escalado espacial a 100 m, obtención
de un ráster promedio) se realizó bajo el software
R, convirtiéndolas al formato clásico Tag Image
File Format (.tif). El mapa de precipitaciones
puede observarse en la Figura 2.
2.2.2. Características del suelo: SoilGRIDS
Las características del suelo se obtuvieron a nivel
de pixel mediante la base de datos SoilGRIDS
(https://soilgrids.org/). La información disponi-
ble contiene más de 230 000 observaciones de
perfiles de suelo a nivel mundial, junto con otras
observaciones del clima, cobertura terrestre, y
morfología del suelo, entre otras.
La resolución es de 250 m. Para la presente in-
vestigación se consideraron parámetros físicos
(arena, arcilla, limo) y químicos (contenido de
carbono orgánico) para la descarga (Figura 3 y
Tabla 2), que corresponden a la capa superficial
del suelo (Delgado et al., 2023).
La información ráster fue procesada mediante R
y QGIS para adaptar el sistema de coordenadas y
la escala espacial a las condiciones de la presente
investigación (WGS84 zona UTM 17 S y 100 m
de resolución espacial).
2.2.3. Topografía: SRTM
La Misión de topografía de radar del transbor-
dador (SRTM en inglés) es una base de datos
satelital que contiene información de la superficie
Figura 2. Distribución espacial de las precipitaciones du-
rante el período 2001-2020 en las cuencas manabitas.
Tabla 2. Distribución promedio de las propiedades del suelo en las cuencas manabitas (g kg-1 y %).
ID
Nombre
Propiedades del suelo (g kg-1)
Propiedades del suelo (%)
Arena
Arcilla
Limo
Carbono orgánico
Arena
Arcilla
Limo
Carbono orgánico
1 Coaque 345,5 312,2 340,3 50,0 33,0 29,8 32,5 4,8
2 Jama 369,7 307,1 308,8 45,5 35,9 29,8 30,0 4,4
3 Chone 318,1 263,7 276,0 40,6 35,4 29,4 30,7 4,5
4 Portoviejo 384,8 288,4 286,6 40,6 38,5 28,8 28,7 4,1
5 Caña 471,7 260,8 255,0 39,9 45,9 25,4 24,8 3,9
6 Ayampe 412,1 285,1 282,2 36,3 40,6 28,1 27,8 3,6

REVISTA DE TELEDETECCIÓN (2024) 63, 1-21
Casanova-Ruiz et al.
6
de la tierra, describiendo su topografía (elevación
y pendiente) y otras características ambientales a
una escala de 90 m. El sistema de coordenadas, re-
solución espacial y el llenado de sumideros fueron
realizados mediante R y QGIS para cumplir con
las condiciones de la investigación. La represen-
tación del Modelo Digital de Elevación (MDE) se
observa en la Figura 4.
2.2.4. NDVI de MODIS
El Espectrorradiómetro de imágenes de resolu-
ción moderada (MODIS en inglés) es una base
de datos satelital que proporciona información
derivada de la vegetación, cobertura del suelo,
fluorescencia de los océanos, nubes, aerosoles, e
incendios, entre otros.
Figura 3. Contenido de arena (a), limo (b), arcilla (c) y carbono orgánico (d) en las cuencas manabitas en g kg-1.

ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN
Estimación de volúmenes de sedimentos por erosión hídrica empleando el modelo RUSLE
en cuencas de la provincia de Manabí, Ecuador
7
Entre esta amplia gama de servicios que ofrece,
MODIS cuenta con el Índice de Vegetación de
Diferencia Normalizada (NDVI) que permite
caracterizar la vitalidad de la vegetación para
posteriormente aplicarlo al cálculo del Factor C de
RUSLE.
Para la presente investigación, se utilizó la versión
“Vegetation Indices 16-Day” en su resolución de
1 km, para posteriormente transformarla a las con-
diciones del trabajo. Después de haber convertido
el sistema de coordenadas y la resolución espacial,
se procedió a aplicar un factor de conversión de
0,0001 para llevar las magnitudes al rango normal
del NDVI que oscila entre -1 y 1 (Kamel et al.,
2015) (Figura 5).
2.3. Aplicación del modelo RUSLE
RUSLE es un modelo matemático ampliamente
utilizado para estimar la erosión del suelo consi-
derando seis factores condicionantes (Ecuación 1,
Renard et al., 1997).
A=R×K×LS×C×P (1)
Aquí, las tasas de erosión (Tabla 3) fueron re-
presentadas mediante A (ton ha-1 año-1), la cual
está conformada por la erosividad de la lluvia
(R, MJ mm ha-1 h-1 año-1), la erodabilidad del
suelo (K, ton MJ-1 mm-1), el factor de longitud y
pendiente (L y S, adimensionales), el uso y cober-
tura del suelo (C, adimensional) y las prácticas
de conservación (P, adimensional). Debido a la
inexistencia de prácticas de conservación dentro
de la provincia de Manabí (Pacheco et al., 2019),
el factor P fue representado con la unidad (1,
adimensional).
2.3.1. Erosividad de la lluvia (Factor R)
Para calcular el Factor R se consideraró la me-
todología propuesta por Delgado et al. (2022),
la cual está desarrollada especialmente para las
condiciones particulares del territorio ecuatoriano.
Para el caso de la provincia de Manabí, territorio
que forma parte de las aguas que drenan hacia el
Océano Pacífico, la ecuación a considerar fue la
siguiente (Ecuación 2):
R=187,94x2+0,36x+156,73 (2)
Figura 4. Distribución espacial de las elevaciones en las
cuencas de la provincia de Manabí.
Figura 5. Distribución espacial del NDVI (adimensional)
en las cuencas de la provincia de Manabí.

REVISTA DE TELEDETECCIÓN (2024) 63, 1-21
Casanova-Ruiz et al.
8
Donde R representa a la erosividad de la lluvia
en MJ mm ha-1 h-1 año-1 y x representa las pre-
cipitaciones (en este caso, corresponderá a la
precipitación promedio entre el 2001 y 2020).
Cabe destacar que la Ecuación 2 está validada por
métricas estadísticas muy consistentes (R2= 0,99 y
p-value=99,99%) e investigaciones regionales
(Mendoza et al., 2023).
2.3.2. Erodabilidad del suelo (Factor K)
El Factor K calcula la resistencia del suelo frente
a la fuerza erosiva de la lluvia y a la energía de
escorrentía (Delgado et al., 2023).
La información necesaria para calcular el presente
factor fue obtenida de SoilGRIDS (sección 2.2.2)
mediante la aplicación de la siguiente ecuación
(Ecuación 3, Williams 1995; Neitsh et al., 2000):
K=fsand × fcl-si × forgc × fhisand (3)
Donde K es la erodabilidad del suelo adaptada
para el enfoque USLE (versión original), fsand es
un factor que depende del contenido de arena, fcl-si
depende del contenido de arcilla y limo, forgc está
condicionado por el contenido de carbono orgáni-
co y fhisand corresponde a los contenidos elevados
(extremos) de arena.
Se debe considerar que esta ecuación fue ori-
ginalmente propuesta para el modelo USLE.
Para aplicarlo en RUSLE, basta con convertir
los resultados al Sistema Internacional de uni-
dades, aplicando un factor de conversión de
0,1317 (Ecuación 4) (Al Rammahi y Khassaf
2018; Delgado et al., 2023).
KRUSLE=K×0,1317 (4)
Aquí, el KRUSLE corresponde a la erodabilidad del
suelo y está adaptado al modelo aplicado a la presen-
te investigación y se representa en ton MJ-1 mm-1.
Los elementos complementarios de la Ecuación 3
se muestran a continuación (Ecuaciones 5, 6, 7
y 8):
(5)
(6)
(7)
(8)
Donde ms es el porcentaje del contenido de arena,
msilt es el porcentaje de contenido de limo, mc es
el porcentaje de contenido de arcilla y orgC es el
porcentaje de contenido de carbono orgánico. Para
convertir estos valores a porcentaje, fue necesario
convertir todas las unidades de las propiedades
del suelo a g kg-1 y posteriormente determinar el
porcentaje de representación de cada uno de estos
cuatro parámetros en cada píxel (Delgado et al.,
2023).
2.3.3. Longitud y pendiente (Factor LS) y uso y
cobertura del suelo (Factor C)
Para el factor LS se emplearon los resultados obte-
nidos de la base de datos SRTM (sección 2.2.3). Se
usó la metodología automatizada del Sistema para
Análisis Geocientíficos Automatizados (SAGA en
inglés, disponible en QGIS) empleando el algorit-
mo de Desmet y Govers (1996) a un archivo MDE
corregido por el comando Fill sink de SAGA.
El Factor C fue obtenido considerando el NDVI
de MODIS (sección 2.2.4) mediante la ecuación
de Knijjff et al. (1999) (Ecuación 9):
(9)
Aquí α se consideró con un valor de 2 y β con
1 de acuerdo con las estimaciones de Knijjff et al.
(1999) que se adaptan a un modelo espacial a es-
cala de píxel.
2.4. Estimación de volúmenes de
sedimentos
El modelo RUSLE se ha caracterizado por gene-
rar excelentes estimaciones de tasas de erosión a
escala mundial. Sin embargo, su utilización en la
estimación de volúmenes de sedimentos es limi-
tada. Para estimar este complemento es necesario
considerar la densidad aparente de los sedimentos.
La densidad aparente corresponde a la relación
existente entre la masa del suelo secado al horno y
el volumen global, considerando además el volu-
men de las partículas y el vacío poroso entre estas
(USDA, 1999).
Si no se dispone de datos de densidad aparen-
te para la zona analizada, se pueden obtener
 

 

  

  

 


 

 

  

  

 


 

 

  

  

 


 

 
 
  

   

 


 = &− 
( − )0

ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN
Estimación de volúmenes de sedimentos por erosión hídrica empleando el modelo RUSLE
en cuencas de la provincia de Manabí, Ecuador
9
valores aproximados conociendo la composición
del suelo en base a sus propiedades (arcilla, limo
y arena) mediante valores típicos de alta veracidad
(Tabla 4).
Una vez conocidas las densidades aparentes de
las propiedades físicas del suelo (arcilla, limo,
arena) se procedió a considerar la metodología
aplicada en la sección 2.3.2 para establecer la
composición de cada píxel en cuanto al porcentaje
de cada propiedad y aplicar la siguiente ecuación
(Ecuación 10):
(10)
Donde Vsed corresponde al volumen de sedi-
mentos en m3 año-1, RUSLE representa las tasas
de erosión de suelos en ton ha-1 año-1 y Dap es la
densidad aparente promedio del suelo en ton m-3.
Se debe considerar que los resultados se mostrarán
a escala de píxel. El resumen metodológico puede
observarse en la Figura 6.
3. Resultados y discusión
3.1. Análisis de los factores de RUSLE
La Figura 7a representa la erosividad de la lluvia.
Este factor está condicionado por la distribución
espacio-temporal de las precipitaciones (Figura 2),
que evidencia una tendencia creciente de las lluvias
desde el suroeste al noroeste de las cuencas ma-
nabitas. La precipitación media anual osciló entre
890,78 mm año-1 hasta 1561,62 mm año-1 y generó
rangos de erosividad de 796,41 MJ mm ha-1 h-1 y
1697,19 MJ mm ha-1 h-1. La cuenca Caña (Id 5 en
Figura 2 y Tabla 3) es la que experimenta la pre-
cipitación media más baja (980,26 mm año-1),
mientras que la cuenca Chone (Id 3 en Figura 2
y Tabla 3) registró la precipitación media ma-
yor (1308,94 mm año-1). Dado que el Factor R
depende directamente de la cantidad de lluvia
registrada, las cuencas con mayor precipitación
anual promedio registraron también los valores
más altos de la erosividad de la lluvia. La cuen-
ca Chone (Id 3 en Figura 7 y Tabla 3) registró
1395 MJ mm ha-1 h-1 de erosividad de lluvia,
seguida por la cuenca Coaque (Id 1 en Figura 7 y
Tabla 3) con 1307,22 MJ mm ha-1 h-1.
Con respecto al Factor K (Figura 7), que re-
presenta la erodabilidad del suelo y que está
condicionada por su composición física y quí-
mica (Figura 7 y Tabla 2), se puede observar
que, en promedio, las cuencas manabitas están
compuestas principalmente por arena (38,20%),
limo (29,07%), arcilla (28,53%) y carbono
 =

Figura 6. Diagrama de ujo de la metodología empleada.

REVISTA DE TELEDETECCIÓN (2024) 63, 1-21
Casanova-Ruiz et al.
10
orgánico (4,20%), respectivamente. Los resultados
del Factor K oscilaron entre 0,05 ton MJ-1 mm-1 y
0,06 ton MJ-1 mm-1 (en promedio), lo que de-
muestra una composición bastante regular entre
las cuencas analizadas. Sin embargo, es impor-
tante destacar que los valores más bajos de la
erodabilidad del suelo se generaron en las cuencas
que presentaron menor contenido de limo y ma-
yor contenido de arcilla, situación que corrobora
lo demostrado por Delgado et al. (2023) a escala
nacional en Ecuador.
Figura 7. Valores de los factores de RUSLE en las cuencas Manabitas.

ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN
Estimación de volúmenes de sedimentos por erosión hídrica empleando el modelo RUSLE
en cuencas de la provincia de Manabí, Ecuador
11
Para el Factor C (Figura 7c), el mapa de NDVI
(Figura 5) representó la distribución espacial de la
vegetación considerando su vitalidad. Los valores
del NDVI oscilaron entre 0,24 y 0,62 dentro del
territorio analizado. Los valores más altos del
NDVI se registraron en la cuenca Ayampe (Id 6
en Figura 5 y Tabla 3) mientras que los valores
más bajos se registraron en las cuencas Chone y
Coaque (Id 3 y 1 en Figura 5 y Tabla 3, respec-
tivamente). Considerando las características del
NDVI, los valores más altos representan mejores
condiciones en la vitalidad de la vegetación, mien-
tras que los valores más bajos representan una
menor vitalidad. Para el análisis del Factor C, las
consideraciones de las magnitudes son inversas.
Valores más bajos del Factor C representan un
factor de manejo de cobertura mucho mejor (más
favorable), lo que daría como resultado tasas de
erosión más bajas (tomando en cuenta al Factor C
como un factor condicionante independiente). En
promedio, los valores del uso y cobertura del suelo
de las seis cuencas analizadas son aceptables, por-
que su rango se registró entre 0,11 (Ayampe, Id 6
en Figura 7d y Tabla 3) y 0,30 (Coaque, Id 1 en
Figura 7d y Tabla 3), lo que demostraría un buen
comportamiento ante un eventual proceso erosivo
considerando este factor. A escala de píxel, los
sectores con valores del uso y cobertura del suelo
más bajos se registraron en la región sur de las
cuencas Portoviejo y Ayampe (0,04 es el valor del
píxel más bajo en ambas cuencas).
El Factor LS (Figura 7d) fue calculado en base
a un MDE de SRTM y empleando un algoritmo
automatizado de SAGA. El MDE analizado
registró elevaciones desde los 0 m (al ser cuen-
cas costeras, parte de su territorio se encuentra
al mismo nivel del mar) hasta los 755 m (que
representan a pequeños sectores montañosos de
la costa, Delgado et al., 2022) (Figura 4). Este
rango de elevaciones generó que los valores de
LS tuvieran una variabilidad entre 0,03 y 111,82.
Cabe destacar que valores de LS superiores a 100
pueden ser alarmantes en el momento de generar
las tasas de erosión mediante el modelo RUSLE.
Sin embargo, un análisis más profundo demues-
tra que el rango consolidado de valores de LS se
concentra entre 0 y 25 (lo que se refleja en un LS
promedio de 5,78), por lo que valores superiores al
rango anterior son muy poco frecuentes y menos
representativos. La cuenca que registró los valores
más altos de LS fue Coaque (Id 1 en Figura 7d
y Tabla 3) con 7,77, mientras que la cuenca con
menor LS fue Caña (Id 5 en Figura 7d y Tabla 3).
El Factor P no fue considerado dentro de la
generación de mapas temáticos de los factores
RUSLE, debido a la inexistencia de prácticas de
conservación dentro de la provincia de Manabí
(Pacheco et al., 2019) y, en general, en todo el
Ecuador (Delgado et al., 2022). Por este motivo,
el Factor P fue considerado como 1 para todo el
territorio analizado.
3.2. Análisis de las tasas de erosión
(RUSLE)
Manabí es una provincia de Ecuador que se ca-
racteriza por tener un clima tropical y por estar
en contacto con el Océano Pacífico. Esto permite
que su entorno geográfico sea muy interesante y
que predominen elevaciones promedio de 200 m,
a diferencia de la región Sierra del Ecuador don-
de se registran elevaciones promedio superiores
Tabla 3. Valores promedio de las tasas de erosión y factores del modelo RUSLE para las cuencas Manabitas.
ID
Nombre
RUSLE
(ton ha
-1
)
Factor R
(MJ mm ha
1
h
-1
)
Factor K
(ton MJ
-1
mm
-1
)
Factor C
(-)
Factor LS
(-)
Precipitaciones
(mm)
1 Coaque 170,55 1307,22 0,06 0,3 7,77 1301,03
2Jama 84,92 1225,77 0,06 0,22 5,64 1239,91
3Chone 83,39 1324,99 0,06 0,19 5,69 1308,94
4Portoviejo 43,65 1032,15 0,05 0,15 5,97 1092,42
5Caña 27,19 895,81 0,05 0,18 3,56 980,26
6Ayampe 40,17 999,24 0,05 0,11 6,88 1067,29

REVISTA DE TELEDETECCIÓN (2024) 63, 1-21
Casanova-Ruiz et al.
12
a los 2000 m (Delgado et al., 2021b). El área
de estudio, que se clasificó en seis cuencas que
presentaron áreas superiores a 500 km2, sufre una
cantidad considerable de pérdida de suelo cada
año. Para abordar este tema crítico (especialmente
por su falta de análisis en todo el Ecuador) y muy
relevante, la presente investigación cuantificó
la pérdida anual del suelo aplicando el modelo
RUSLE, mediante la combinación de técnicas
de Sistemas de Información Geográfica (SIG) y
datos de teledetección, permitiendo superar los
problemas relacionados a la escasez de informa-
ción, como, por ejemplo, la falta de una base datos
de precipitación sólida (Delgado et al., 2022). El
presente análisis reveló que las tasas de erosión
oscilaron entre 0,10 ton ha-1 y 3252,22 ton ha-1,
con un valor promedio de 75,6 ton ha-1 (Figura 8).
Se debe tener en cuenta que el valor máximo de
la erosión del suelo es producto de los valores
máximos del Factor LS (especialmente) y que no
estarían representando correctamente la realidad
de la zona de estudio, lo que puede palparse con
el valor medio de las tasas de erosión. En este
caso, de los 717,027 píxeles analizados, que con-
forman la zona de estudio, un solo píxel registró
la tasa de erosión máxima, mientras que la mayor
cantidad de datos se registraron entre 0 ton ha-1 y
250 ton ha-1 (95,27%, Figura 9). Este análisis
permite suponer que los valores superiores a
1000 ton ha-1 (0,14%, Figura 9) son resultados
sesgados que no representan la realidad de la zona
de estudio, producto de una observación anormal
y extrema en la serie temporal de datos analizados
y que puede afectar potencialmente a la estima-
ción real.
Un análisis por cuencas reveló que Coaque (Id 1
en Figura 8 y Tabla 3) es la que mayores proble-
mas de erosión registró, con un valor promedio
de 170,55 ton ha-1, mientras que la cuenca Caña
(Id 5 en Figura 8 y Tabla 3) registró los valores
más bajos de la erosión del suelo en el territorio
manabita, con 27,19 ton ha-1. Los valores más
altos de la erosión del suelo registrados en Coaque
(Id 1 en Figura 8 y Tabla 3) son producto de la
combinación de un Factor LS y C más altos
(7,77 y 0,3, respectivamente), junto con un Factor
R elevado (1307,22 MJ mm ha-1 h-1). En cuando a
la cuenca Caña (Id 5 en Figura 8 y Tabla 3), los va-
lores bajos también se asocian a registros bajos de
los Factores LS, C y R (en orden de importancia,
respectivamente). Estoy permitiría tener una idea
del orden de importancia de los factores RUSLE
dentro de las cuencas manabitas y que concuer-
da con lo mencionado por Borelli et al., (2017),
donde sitúa al Factor LS como el más importante
dentro del análisis de las tasas de erosión de suelo.
Figura 8. Distribución de las tasas de erosión en las cuen-
cas Manabitas.
Figura 9. Distribución de las tasas de erosión del suelo por
rangos dentro de las cuencas Manabitas.
3.3. Variabilidad espacial de las tasas
de erosión y tipos de cobertura del suelo
Para poder analizar las tasas de erosión conside-
rando los tipos de cobertura del suelo, se empleó
la clasificación MODIS Land Cover (Cover y

ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN
Estimación de volúmenes de sedimentos por erosión hídrica empleando el modelo RUSLE
en cuencas de la provincia de Manabí, Ecuador
13
Change, 1999) que distribuye la superficie del
suelo en 17 clases de cobertura según su compo-
sición y características. Se identificaron 15 clases
en la provincia de Manabí debido a que los tipos
“Hielo y nieve” y “Bosques siempre verdes de
hojas de aguja” no están presentes en la zona de
estudio, producto de sus características ambienta-
les (Figura 10).
Dentro de las cuencas de la provincia de Manabí
predomina el tipo de cobertura Sabanas con el
61,91% de la superficie analizada (Figura 10c).
Este tipo de cobertura supone una protección
media-baja ante una eventual erosión del suelo
(Delgado et al., 2022). El segundo tipo de cober-
tura predominante es Pastizales con el 14,31% del
territorio estudiado, que también represente a una
Figura 10. Clasicación de la cobertura del suelo (a y b) y su distribución porcentual (c) en las cuencas manabitas.

REVISTA DE TELEDETECCIÓN (2024) 63, 1-21
Casanova-Ruiz et al.
14
protección media-baja ante los procesos erosivos
generados por la lluvia (Delgado et al., 2022).
Debido a que varios tipos de cobertura registran
condiciones similares, se realizó una reclasifica-
ción de los 15 tipos de suelos encontrados en las
cuencas manabitas (los cuerpos de agua no fueron
considerados debido a que no forman parte de
tierras con vegetación). Para esto se consideraron
tres grupos principales:
• Bosques (grupo 1): Bosques siempreverdes
de hoja ancha, Bosques caducifolios de hojas
de aguja, Bosques caducifolios de hoja ancha,
Bosques mixtos.
• Sabanas (grupo 2): Matorrales cerrados,
Matorrales abiertos, Sabanas leñosas, Sabanas,
Pastizales, Humedales Permanentes, Vegetación
árida o escasa
• Tierras de cultivo/Suelo urbano: Tierras de
cultivo, Suelos Urbanos y Edificados, Mosaico
de tierras de cultivo/vegetación natural.
Mediante esta reclasificación, el grupo 2 (Sabanas,
Figura 11a) representó el 87,01% del territorio
analizado, seguido del grupo 3 (Tierras de cultivo/
Suelo urbano, 12,78%) y grupo 1 (bosques, 0,22%).
El diagrama de caja y bigotes (Figura 11b) permitió
demostrar que el grupo Sabanas es el que registró
los valores más altos de las tasas de erosión y, por
ende, donde se incluyen los valores atípicos de la
erosión del suelo (sección 3.2). Sin embargo, al
analizar con mayor detalle los cuartiles del diagra-
ma de bigotes (Figura 11b’) se puede observar que
las tasas consolidadas de erosión del suelo más
altas (cuartil 3) se registran en el tipo de cobertura
Bosques, un bioma que es considerado “protector”
ante los procesos erosivos (Delgado et al., 2021b).
Aquí los valores superan las 100 ton ha-1. Esto se
debe a que en estos sectores (al oeste de la ID 4 y
sur de la ID 5, Figura 11a) se registran valores
elevados del Factor LS debido a la presencia de
montañas costeras. En este grupo también se re-
gistró la mediana más alta (51 ton ha-1).
En general, tanto los cuartiles como las medianas
se encuentran en rangos similares de las tasas de
erosión, lo que demuestra que la erosión del suelo
en las cuencas manabitas no está principalmente
condicionada por la cobertura del suelo, y que sus
valores se distribuyen con similitud entre los tres
grupos analizados. Esto también permite demos-
trar que el Factor más importante en la generación
de las tasas de erosión en la zona de estudio co-
rresponde al LS.
3.4. Estimación de las tasas de
sedimentos empleando las tasas de
erosión (RUSLE)
El modelo RUSLE no ha sido considerado como
un modelo de partida predilecto para estimar
Figura 11. Reclasicación de la cobertura del suelo (a) en las cuencas manabitas. El diagrama de bigotes muestra las mag-
nitudes de las tasas de erosión que cada grupo representa (b). b’ es el acercamiento del diagrama de bigotes.

ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN
Estimación de volúmenes de sedimentos por erosión hídrica empleando el modelo RUSLE
en cuencas de la provincia de Manabí, Ecuador
15
las tasas de sedimentos, pese a ser un enfoque
ampliamente utilizado para el cálculo de tasas
de erosión en muchas investigaciones a escala
mundial debido a su alta confiabilidad (Tian et al.,
2021; Masroor et al., 2022; Valeriu, 2023). Esto
permite plantearse la posibilidad de aprovechar las
bondades de las estimaciones de RUSLE para la
cuantificación de las tasas de sedimentos.
Para esto, considerando las unidades de las tasas
de erosión (ton ha-1) y las propiedades de los
sedimentos, se ha propuesto la utilización de la
densidad aparente (Dap, en ton m-3) de las propie-
dades físicas del suelo (arcilla, limo, arena).
La Dap ha sido identificada como una de las pro-
piedades del suelo más utilizada en la agricultura y
en la estimación de sedimentos debido a que repre-
senta un índice de la masa seca de las partículas en
un volumen total del suelo, incluyendo los vacíos
y poros (Salamanca y Sadeghian, 2006; Antúnez
et al., 2015). Para la presente investigación se uti-
lizaron los valores de Dap típicos propuestos por
Luters y Salazar (1999) en base a la textura del
suelo (Tabla 4).
En la sección 2.2.2 se identificaron los contenidos
de arcilla, limo y arena a escala de píxel en el te-
rritorio analizado. Para determinar el Factor K fue
necesario inicialmente determinar el porcentaje
de composición que cada característica del suelo
representaba en cada píxel de 100 m. Debido a que
en esta sección no se estuvo tomando en cuenta al
carbono orgánico, se consideró que los contenidos
de arena, arcilla y limo representaron el 100% de
cada píxel y, posteriormente, se obtuvo una Dap
promedio a esta escala de análisis (píxel). Además,
las tasas de erosión RUSLE de la Ecuación 10
correspondieron a una pérdida del suelo norma-
lizada con un valor máximo de 1000 ton ha-1, con
Figura 12. Distribución espacial de la densidad aparente (a) y la estimación de volúmenes de sedimentos (b) en las cuencas
manabitas.
(11)
Tabla 4. Valores típicos de la densidad aparente del suelo
según su textura (obtenidos desde los valores base de Lu-
ters y Salazar, 1999).
Textura del suelo
Densidad aparente típica (ton/m
3
)
Arena 1,76
Limo 1,43
Arcilla 1,21

REVISTA DE TELEDETECCIÓN (2024) 63, 1-21
Casanova-Ruiz et al.
16
la finalidad de eliminar los valores sesgados y
que no influyeran negativamente en la estimación
correcta del volumen de sedimentos.
La Figura 12a muestra la distribución espacial de
la densidad aparente en las cuencas manabitas. Los
valores oscilaron entre 1,44 ton m-3 y 1,57 ton m-3,
con un valor promedio de 1,49 ton m-3. Estos
valores indican que el suelo analizado es más
compacto y corrobora la presencia mayoritaria de
arena en las cuencas manabitas. Se observó que la
densidad aparente tuvo un incremento en su mag-
nitud de este a oeste, y que los valores más altos
se concentraron en los sectores de las cuencas que
están más próximas al Océano Pacífico.
En cuanto a la estimación de sedimentos, la
Figura 12b permitió determinar que los valores os-
cilaron entre 0,06 m3 año-1 y 692,43 m3 año-1. Se
puede observar que, mediante esta metodología,
los cuerpos de agua y las zonas con pendientes y
elevaciones muy próximas a 0 (cercanas al nivel
del mar) generan valores de sedimentos muy cer-
canos a los 0 m3 año-1. Esto resulta lógico debido
a que, inicialmente, la metodología propuesta no
estima los sedimentos en suspensión dentro de
los cuerpos de agua, porque considerando el en-
foque RUSLE, un cuerpo de agua no posee una
capa superficial de tierra expuesta directamente a
la lluvia y que pueda erosionarse. Con respecto a
los valores de pendientes y elevaciones bajas, un
valor muy cercano a 0 en cualquiera de los seis
factores de RUSLE, generará tasas de erosiones
relativamente bajas.
A nivel de cuencas, Coaque (Id 1 en Figura 12b)
es la que registró el promedio de sedimentos más
altos, con un valor de 112,39 m3 año-1, seguido
de Jama (Id 2 en Figura 12b) con 57,05 m3 año-1,
mientras que la cuenca Caña (Id 5 en Figura 12b)
fue la que registró la menor cantidad en la gene-
ración de sedimentos con tan solo 17,82 m3 año-1.
3.5. Validación de los valores de la
densidad aparente a escala de píxel
La Figura 13a muestra la distribución de los
pixeles escogidos para realizar la validación de
los resultados de la densidad aparente obtenidos
mediante la utilización de valores típicos asigna-
dos a los ráster de las texturas del suelo (Luters
y Salazar, 1999) y mediante un análisis conven-
cional in situ. El análisis convencional consistió
en considerar la capa superficial del suelo para
estimar la densidad aparente en laboratorio. La
Figura 13. Distribución espacial de los píxeles escogidos para la validación de la Dap (a). La gura (b) compara diferentes
estimaciones de Dap entre la metodología de Casanova et al. y un análisis convencional en sitio en los seis píxeles anali-
zados.

ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN
Estimación de volúmenes de sedimentos por erosión hídrica empleando el modelo RUSLE
en cuencas de la provincia de Manabí, Ecuador
17
extracción de las muestras se realizó con un cilin-
dro metálico de 295 cm3, el cual fue introducido
en la capa superficial del suelo con la ayuda de
un martillo, procurando no alterar sus condiciones
naturales. Posteriormente, las muestras obtenidas
fueron pesadas y se calculó la Dap aplicando la
siguiente ecuación (Ecuación 11):
(11)
Donde Dap corresponde a la densidad aparente en
g cm-3 (equivalente a ton m-3), m es la masa en
g y v es el volumen en cm3 (que corresponde al
volumen del cilindro metálico).
Se consideró analizar un pixel en cada cuenca
manabita para mejorar la fiabilidad de la compa-
ración (Figura 13a). Mediante la Figura 13b se
puede observar que los valores obtenidos entre
la Dap (Casanova et al.) y Dap (in situ) son muy
similares, registrando una diferencia promedio
inferior al 3% y un coeficiente de Pearson de 0,89,
considerado estadísticamente fiable. Además, la
metodología propuesta subestima ligeramente los
valores de Dap en comparación a las estimaciones
en campo, lo que indica que los valores típicos de
Dap empleados en cada de las texturas de suelo
analizadas fueron ligeramente inferiores a las de
la zona de estudio.
Se puede concluir que nuestra rutina de R, que
calculó la densidad aparente considerando los
contenidos de arena, arcilla y limo en las cuencas
manabitas y la posterior asignación de una Dap
típica para cada una de estas texturas de suelos,
cuantificó correctamente las magnitudes y la dis-
tribución espacial de esta propiedad del suelo en
la zona de estudio. Esto demuestra la robustez y
confiabilidad de la metodología propuesta, obte-
niendo resultados adecuados que cumplen con los
objetivos de la presente investigación.
3.6. Potencial uso de las tasas de
sedimentos en la provincia de Manabí
Varias investigaciones han mostrado su preocupa-
ción por la falta de análisis de la pérdida del suelo
en Ecuador (Pacheco et al., 2019; Delgado et al.,
2021b; Delgado et al., 2022; Delgado et al., 2023)
y, en general, en todo Sudamérica (Borrelli et al.,
2021). Esto limita también las utilizaciones com-
plementarias que esta información puede generar,
como la creación de medidas y programas de miti-
gación ante eventuales procesos erosivos.
Dentro de la provincia de Manabí, la estimación
de sedimentos se ha empleado principalmente en
la determinación de los factores de seguridad en
taludes (Macías et al., 2021) y análisis del estado
de los embalses (Molerio, 2018, Zambrano et al.,
2022). Sin embargo, existen muchos problemas
viales asociados a un funcionamiento inadecua-
do de las alcantarillas (Delgado et al., 2021a;
Ortiz et al., 2022) por considerar únicamente
los caudales de lluvia al momento de su diseño
y programación de mantenimiento (Rodríguez y
Hernández, 2023), dejando a un lado la relevancia
de los sedimentos en su vida útil y funcionalidad.
Como uso potencial de la estimación de sedimen-
tos y por la carencia preocupante de análisis de
las alcantarillas considerando este volumen, se
propone como perspectiva de futura investigación,
estimar el caudal de sedimentos que llega a una
microcuenca (que será únicamente el área que
aporta a la alcantarilla analizada) mediante la uti-
lización del volumen de sedimentos presentado en
esta investigación, pudiendo emplear programas
de simulación de caudales como HEC-RAS y la
posterior evaluación de las propiedades hidráu-
licas mediante la utilización de softwares como
HY-8, que fue desarrollado por el Departamento
de Transporte de Estados Unidos y que per-
mite determinar las profundidades del flujo de
sedimentos tanto al ingreso como a la salida de la
alcantarilla, así como en su interior. Cabe recalcar
que el objetivo principal de la presente investiga-
ción es determinar los volúmenes de sedimentos
a partir del modelo RUSLE, pero se considera
importante plantear esta perspectiva de análisis
que incentive a los investigadores a incursionar en
esta importante temática dentro de la zona de es-
tudio, pudiendo generar ecuaciones empíricas que
permitan estimar el tiempo de mantenimiento en
las alcantarillas y así evitar problemas viales como
los presentados actualmente en la zona de estudio
y que sean incluidos dentro de los planes de mi-
tigación por parte de las entidades competentes.
3.7. Principales limitaciones de la
investigación
La información satelital con escalas espaciales
iguales o superiores a 1 km (GPM y NDVI) pre-
sentó una distribución espacial más generalizada.
!" =



REVISTA DE TELEDETECCIÓN (2024) 63, 1-21
Casanova-Ruiz et al.
18
Es decir, la distribución por píxel no pudo ser más
detallada por las limitaciones del proceso de esca-
lado. Por ejemplo, para el caso de GPM, la escala
espacial nativa fue de 10 km y se modificó a una
escala de 100 m. Esto generó que grupos mayores
de píxeles compartieran magnitudes similares. Sin
embargo, es importante mencionar que la base
de datos nacional proporcionada por el INAMHI
posee información muy limitada e incompleta,
que no brinda confiabilidad al momento de gene-
rar investigaciones de gran calidad (Erazo et al.,
2018; Delgado et al., 2022). A esto se le suma una
distribución espacial inadecuada de las estaciones
de aforo y el costo económico para acceder a dicha
información. Por tanto, la metodología empleada
al momento de obtener la base de datos de precipi-
taciones para calcular el Factor R y el NDVI para
calcular el Factor C, no son considerados limitan-
tes para la obtención de resultados confiables.
El transporte de sedimentos dentro de un sistema
será conducido hasta un cuerpo de agua limitado
según su suministro y no es lo mismo que la esti-
mación de los volúmenes de sedimentos. Es decir,
el flujo de sedimentos por área dependerá de la
cantidad de suelo perdido (volumen) y de la ca-
pacidad de transporte que tiene el cuerpo de agua
(Li et al., 2022). Estas distintas capacidades con-
ducirán a diferentes tasas de transporte de erosión,
lo que genera diferentes grados reales de erosión
que pueden ser distintos a lo calculado conven-
cionalmente (Thomas et al., 2018). La presente
investigación estima el volumen de sedimentos
considerando todo el suelo perdido por la erosión
potencial obtenida mediante el modelo RUSLE,
sin tomar en cuenta la capacidad de transporte real
de los ríos (es decir, no estima el flujo o caudal
de sedimentos dentro de los cuerpos de agua).
Los resultados mostrados simulan un escenario
extremo de generación de volúmenes de sedimen-
tos que puede ocurrir en el área de estudio. Será
importante, como una perspectiva futura de la
investigación, aplicar modelos que determinen la
distribución espacio-temporal neta aplicando mo-
delos correctivos como el “Transporte de entrega
limitada de sedimentos (TLSD)” propuesta por Li
et al. (2022).
Con respecto a la cuantificación de la densidad
aparente, la utilización de valores típicos para las
tres texturas de suelos consideradas en la presente
investigación podría generalizar la realidad de la
zona de estudio desde este enfoque. Sin embargo,
realizar un análisis in situ de esta propiedad del
suelo en las cuencas manabitas resultaría muy
complicado y costoso. Además, las cuantificacio-
nes se realizarían por muestreos lo que también
generalizaría las condiciones de las zonas no
analizadas, las que serían abarcadas mediante un
proceso de interpolación. La validación de datos a
escala de píxel permitió determinar que la diferen-
cia promedio entre los valores fue inferior al 3%, lo
que demuestra una buena robustez y confiabilidad
de la metodología planteada. Sin embargo, nuestra
metodología propuesta subestimó ligeramente los
valores de Dap por lo que se recomienda realizar
un análisis más detallado en cada una de estas tres
texturas del suelo y obtener un Dap típico corregi-
do que permita mejorar aún más las estimaciones
de los volúmenes de sedimentos.
Las incertidumbres y limitaciones analizadas en
esta sección no se consideran perjudicialmente
relevantes en la aplicación de esta metodología a
escala provincial en Ecuador. Pese a esto, se reco-
mienda implementar mejoras en el futuro, como
la utilización de bases de datos con resoluciones
espaciales originales más finas (menores a 1 km)
para evitar sesgos generados por una distribución
más generalizada (especialmente para la obtención
de precipitaciones). La recolección de información
estadística in situ sobre los cultivos en las cuencas
manabitas (área de cobertura, tipos y ciclos de cul-
tivos, prácticas agrícolas empleadas, entre otros),
permitirá validar mapas satelitales de uso y cober-
tura del suelo y obtener resultados más adecuados
y con mejores resoluciones espaciales, además de
caracterizar apropiadamente el Factor P (que con
la carencia de datos es considerado como 1) y ob-
tener aproximaciones más precisas relacionadas a
las tasas de erosión del suelo y a la estimación de
volúmenes sedimentos.
4. Conclusiones
La estimación de volúmenes de sedimentos
mediante el modelo RUSLE fue aplicado por
primera vez a escala provincial en Manabí. Las
precipitaciones, factor desencadenante de la ero-
sión hídrica, tuvieron una distribución espacial
regular que mostró que las lluvias se van debi-
litando mientras se acercan al Océano Pacífico.
La distribución espacial de la erosión del suelo
mostró una gran variabilidad en las seis cuencas

ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN
Estimación de volúmenes de sedimentos por erosión hídrica empleando el modelo RUSLE
en cuencas de la provincia de Manabí, Ecuador
19
manabitas analizadas. En general, se observó
que el Factor LS tuvo una mayor repercusión en
la estimación de las tasas de erosión, lo que sig-
nificó que la pérdida del suelo esté mayormente
condicionada por el relieve del territorio. Esto per-
mitió registrar tasas de erosión que oscilaron entre
0,10 ton ha-1 y 3252,22 ton ha-1. Sin embargo, un
análisis más detallado reveló un fuerte sesgo en
los rangos erosivos cuando las tasas de erosión
fueron superiores a 1000 ton ha-1, lo que significa-
ba que los valores que superaban este límite eran
poco representativos.
El análisis de la variabilidad espacial de las tasas
de erosión considerando el tipo de cobertura, no
permitió identificar una tipología destacada en el
momento de generar las pérdidas de suelo más
perjudiciales, lo que demuestra que la erosión
del suelo en las cuencas manabitas no está prin-
cipalmente condicionada por su cobertura. Los
valores de densidad aparente obtenidos mediante
la metodología propuesta generaron magnitudes
que oscilaron entre 1,44 ton m-3 y 1,57 ton m-3,
con un valor promedio de 1,49 ton m-3. Esto
también permite corroborar la importancia de
la arena en la composición del suelo dentro de
la zona de estudio. La validación de la densidad
aparente a escala de píxel permitió identificar que
el modelo propuesto es robusto y confiable, lo
que se vio reflejado en una diferencia promedio
inferior al 3% considerando los resultados obte-
nidos en laboratorio mediante un muestreo en
sitio. Los volúmenes de sedimentos variaron entre
0,06 m3 año-1 y 692,43 m3 año-1 a escala de píxel
en las cuencas manabitas, destacando que, me-
diante esta metodología, los cuerpos de agua y las
zonas con pendientes y elevaciones muy próximas
a 0 (cercanas al nivel del mar) generan valores de
sedimentos muy cercanos a los 0 m3 año-1.
Entre los beneficios del modelo propuesto está ob-
tener volúmenes de sedimentos a escala de píxel,
lo que permite establecer áreas de estudio a con-
veniencia y que no estén limitados a un análisis
de cuerpos de agua o unidades territoriales según
la división política del país. Esta información se
considera un sustento importante para establecer
medidas enfocadas al manejo integral y al uso del
suelo en la provincia de Manabí.
Agradecimientos
Los autores agradecen a Suelcon Concreto &
Asfalto y al Doctor Eduardo Ortiz Hernández
(investigador de la Universidad Técnica de
Manabí-Ecuador) por proporcionar los instru-
mentos necesarios para realizar el análisis de la
densidad aparente en los puntos de muestreo de
las cuencas manabitas. Un agradecimiento es-
pecial a los doctores Eduardo Tejeda Piusseaut
(Coordinador de la Maestría en Ingeniería Civil
– Mención Vialidad de la Universidad Técnica
de Manabí-Ecuador) y Mahrez Sadaoui (investi-
gador de la Universidad de Perpignan-Francia),
por el valioso aporte al desarrollo de la presente
investigación.
Referencias
Ahmed, I.A., Talukdar, S., Islam, A.R.M.T., Rihan,
M., Malafaia, G., Bera, S., Ramana, G.V., Rahman,
A. 2023. Contribution and behavioral assessment
of physical and anthropogenic factors for soil
erosion using integrated deep learning and game
theory. Journal of Cleaner Production, 137689.
https://doi.org/10.1016/j.jclepro.2023.137689
Al Rammahi, A.H.J., Khassaf S.I. 2018. Estimation
of soil erodibility factor in RUSLE equation
for Euphrates River watershed using GIS.
GEOMATE Journal, 14(46), 164–169.
https://doi.org/10.21660/2018.46.87788
Antúnez, A., Felmer, S., Vidal, M., Morales, R., Coz,
E., Fuentes, F. 2015. Propiedades físico-hídricas del
suelo en el cultivo del maíz grano. Boletín FAO, 31-
50.
Borrelli, P., Alewell, C., Alvarez, P., Anache, J.A.A.,
Baartman, J., Ballabio, C., Bezak, N., Biddoccu,
M., Cerdà, A., Chalise, D., Chen, S., Chen, W., De
Girolamo, A., Gessesse, G., Deumlich, D., Diodato,
N., Efthimiou, N., Erpul, G., Fiener, P., Freppaz, M.,
Panagos, P. 2021. Soil erosion modelling: A global
review and statistical analysis. Science of the total
environment, 780, 146494. https://doi.org/10.1016/j.
scitotenv.2021.146494
Borrelli, P., Robinson, D.A., Fleischer, L.R., Lugato, E.,
Ballabio, C., Alewell, C., Meusburguer, K., Modugno,
S., Schütt, B., Ferro, V., Bagarello, V., Van Oost, K.,
Montanarella, L., Panagos, P. 2017. An assessment
of the global impact of 21st century land use change
on soil erosion. Nature communications, 8(1), 2013.
https://doi.org/10.1038/s41467-017-02142-7

REVISTA DE TELEDETECCIÓN (2024) 63, 1-21
Casanova-Ruiz et al.
20
Cover, M.L., Change, L.C. 1999. MODIS land cover
product algorithm theoretical basis document
(ATBD) version 5.0. MODIS documentation, 42-47.
Delgado, D., Quiroz, S., Casanova, G., Álava,
M.A.C., da Silva, J.P.C. (2021a). Urban Mobility
Characterization and Its Application in a Mobility
Plan. Case Study: Bahía de Caráquez – Ecuador. In:
da Costa Sanches Galvão, J.R., et al. Proceedings
of the 1st International Conference on Water
Energy Food and Sustainability (ICoWEFS
2021). ICoWEFS 2021. Springer, Cham.
https://doi.org/10.1007/978-3-030-75315-3_64
Delgado, D., Sadaoui, M., Pacheco, H., Méndez,
W., Ludwig, W. 2021b. Interrelations between
soil erosion conditioning factors in basins of
Ecuador: contributions to the spatial model
construction. In International Conference on
Water Energy Food and Sustainability (pp. 892-
903). Cham: Springer International Publishing.
https://doi.org/10.1007/978-3-030-75315-3_94
Delgado, D., Sadaoui, M., Ludwig, W., Méndez,
W. 2022. Spatio-temporal assessment of rainfall
erosivity in Ecuador based on RUSLE using satellite-
based high frequency GPM-IMERG precipitation
data. Catena, 219, 106597. https://doi.org/10.1016/j.
catena.2022.106597
Delgado, D., Sadaoui, M., Ludwig, W., Mendez,
W. 2023. Depth of the pedological prole as a
conditioning factor of soil erodibility (RUSLE
K-Factor) in Ecuadorian basins. Environmental
Earth Sciences, 82(12), 286. https://doi.org/10.1007/
s12665-023-10944-w
Desmet, P., Govers, G. 1996. A GIs procedure for
automatically calculating the USLE LS factor on
topographically complex landscape units. Journal of
Soil and Water Conservation, 51, 427–433.
Erazo, B., Bourrel, L., Frappart, F., Chimborazo, O.,
Labat, D., Dominguez-Granda, L., Matamoros, D.
y Mejia, R. 2018. Validation of satellite estimates
(Tropical Rainfall Measuring Mission, TRMM) for
rainfall variability over the Pacic slope and Coast of
Ecuador. Water, 10(2), 213. https://doi.org/10.3390/
w10020213
Gallart, F., Marignani, M., Pérez-Gallego, N., Santi,
E., Maccherini, S. 2013. Thirty years of studies
on badlands, from physical to vegetational
approaches. A succinct review. Catena, 106, 4–11.
https://doi.org/10.1016/j.catena.2012.02.008
Gartner, J.E., Cannon, S.H., Santi, P.M. 2014.
Empirical models for predicting volumes of
sediment deposited by debris ows and sediment-
laden oods in the transverse ranges of southern
California. Engineering Geology, 176, 45–56.
https://doi.org/10.1016/j.enggeo.2014.04.008
He, W., You, L., Chen, M., Tuo, Y., Liao, N., Wang, H.,
Li, J. 2023. Varied sediment archive of Fe and Mn
contents under changing reservoir mixing patterns,
oxygenation regimes, and runoff inputs. Ecological
Indicators, 147, 109967. https://doi.org/10.1016/j.
ecolind.2023.109967
Huffman, G.J., Bolvin, D.T., Nelkin, E.J., Stocker, E.F.,
Tan, J. 2019. V06 IMERG release notes. NASA/
GSFC: Greenbelt, MD, USA.
Kamel, D., Munoz, A.B., Ramon, S., Huete, A. 2015.
MODIS Vegetation Index User’s Guide. Vegetation
Index and Phenology Lab of The University of
Arizona, The University of Arizona: Tucson, AZ,
USA.
Keesstra, S.D., Bouma, J., Wallinga, J., Tittonell, P.,
Smith, P., Cerdà, A., Montanarella, L., Quinton, J.,
N., Pachepsky, Y., Van del Putten, W., Bardgett, R.,
Moolenaar, S., Mol, G., Jansen, B., Fresco, L.O.
2016. Forum paper: The signicance of soils and soil
science towards realization of the UN sustainable
development goals (SDGS). Soil Discussions, 2016,
1–28.
Knijjff, J.M.F., Jones, R.J.A., Montanarella, L. 1999. Soil
erosion risk assessment in Italy. Brussels, Belgium:
European Soil Bureau, European Commission.
Li, H., Guan, Q., Sun, Y., Wang, Q., Liang, L., Ma,
Y., Du, Q. 2022. Spatiotemporal analysis of the
quantitative attribution of soil water erosion in the
upper reaches of the Yellow River Basin based on
the RUSLE-TLSD model. Catena, 212, 106081.
https://doi.org/10.1016/j.catena.2022.106081
Luters, J.C., Salazar, J.P. 1999. Guía para la evaluación
de la calidad y salud del suelo. Buenos Aires: United
States Department of Agriculture (p. 88). CRN-
CNIA-INTA.
Macías, L., Loor, D., Ortiz-Hernández, E., Casanova,
G., Delgado, D. 2021. Comparative Analysis of
Soil Slope Stability, Using Dynamic and Pseudo-
static Methods on the Garrapata - Santa Maria
Road, Manabi Province, Ecuador. In: da Costa
Sanches Galvão, J.R., et al. Proceedings of the 1st
International Conference on Water Energy Food and
Sustainability (ICoWEFS 2021). ICoWEFS 2021.
Springer, Cham. https://doi.org/10.1007/978-3-030-
75315-3_55
Masroor, M., Sajjad, H., Rehman, S., Singh, R.,
Rahaman, M.H., Sahana, M., Ahmed, R., Avtar, R.
2022. Analysing the relationship between drought
and soil erosion using vegetation health index
and RUSLE models in Godavari middle sub-
basin, India. Geoscience Frontiers, 13(2), 101312.
https://doi.org/10.1016/j.gsf.2021.101312
Mendoza, E.F.M., Arteaga, E.A.G., Delgado, D.
2023. La erosividad de la lluvia como factor
condicionante de la erosión hídrica en Manabí. Polo
del Conocimiento, 8(2), 68–81.

ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN
Estimación de volúmenes de sedimentos por erosión hídrica empleando el modelo RUSLE
en cuencas de la provincia de Manabí, Ecuador
21
Molerio León, L.F. 2018. Gestión de recursos
hidráulicos bajo riesgo de terremotos en Ecuador: 1.
Sismotectónica. Ingeniería Hidráulica y Ambiental,
39(3), 3–17.
Neitsch, S.L., Arnold, J.G., Kiniry, J.R., Williams,
J.R. 2000. Erosion Soil and Water Assessment Tool
Theoretical. Documentation Texas Agricultural
Eksperiment Station, 625.
Ortiz, R., Zambrano, C., García-Vinces, J., Delgado, D.
2022. Análisis de los accidentes de tránsito en varios
cantones del Ecuador. Revista de Investigaciones en
Energía, Medio Ambiente y Tecnología: RIEMAT,
7(1). https://doi.org/10.33936/riemat.v7i1.4838
Pacheco, H.A., Méndez, W., Moro, A. 2019. Soil erosion
risk zoning in the Ecuadorian coastal region using
geo-technological tools. Earth Sciences Research
Journal, 23(4), 293–302. https://doi.org/10.15446/
esrj.v23n4.71706
Panagos, P., Ballabio, C., Borrelli, P., Meusburger, K.,
Klik, A., Rousseva, S., Perčec, M., Michaelides,
S., Hrabalíková, M., Olsen, P., Aalto, J., Lakatos,
M., Rymszewicz, A., Dumutrescu, A., Beguería,
S., Alewell, C. 2015. Rainfall erosivity in Europe.
Science of the Total Environment, 511, 801-814.
https://doi.org/10.1016/j.scitotenv.2015.01.008
Polykretis, C., Alexakis, D.D., Grillakis, M.G.,
Manoudakis, S. 2020. Assessment of intra-annual
and inter-annual variabilities of soil erosion
in Crete Island (Greece) by incorporating the
Dynamic “Nature” of R and C-Factors in RUSLE
modeling. Remote Sensing, 12(15), 2439. https://doi.
org/10.3390/rs12152439
Pourrut, P. 1994. L’eau en Equateur: principaux acquis
en hydroclimatologie. ORSTOM éditions.
Ramos-Diez, I., Navarro-Hevia, J., Fernández,
R.S.M., Díaz-Gutiérrez, V., Mongil-Manso, J.
2017. Evaluating methods to quantify sediment
volumes trapped behind check dams, Saldaña
badlands (Spain). International Journal of Sediment
Research, 32(1), 1–11. https://doi.org/10.1016/j.
ijsrc.2016.06.005
Räsänen, T.A., Tähtikarhu, M., Uusi-Kämppä, J.,
Piirainen, S., Turtola, E. 2023. Evaluation of
RUSLE and spatial assessment of agricultural soil
erosion in Finland. Geoderma Regional, 32, e00610.
https://doi.org/10.1016/j.geodrs.2023.e00610
Renard, K.G. 1997. Predicting soil erosion by water:
a guide to conservation planning with the Revised
Universal Soil Loss Equation (RUSLE). US
Department of Agriculture, Agricultural Research
Service.
Rodríguez, M.A.V., Hernández, D.O.A. 2023.
Evaluación de la vulnerabilidad a los efectos del
cambio climático de las estructuras de drenaje en
carreteras. Revista Ciencia y Construcción, 4(1),
37–47.
Salamanca, A., Sadeghian, S. 2006. La densidad
aparente y su relación con otras propiedades en
suelos de la zona cafetera colombiana.
Sarmiento, F.O., Rodríguez, J., Yepez-Noboa, A. 2021.
Forest Transformation in the Wake of Colonization:
The Quijos Andean Amazonian Flank, Past and
Present. Forests, 13(1), 11. https://doi.org/10.3390/
f13010011
Scott, K.M., Williams, R.P. 1978. Erosion and sediment
yields in the Transverse Ranges, southern California
(Vol. 1030). US Government Printing Ofce.
https://doi.org/10.3133/pp1030
Sparovek, G., Schnug, E. 2001. Temporal erosion-
induced soil degradation and yield loss. Soil Science
Society of America Journal, 65(5), 1479–1486.
https://doi.org/10.2136/sssaj2001.6551479x
Thomas, J., Joseph, S., Thrivikramji, K.P. 2018.
Assessment of soil erosion in a tropical mountain
river basin of the southern Western Ghats, India
using RUSLE and GIS. Geoscience Frontiers, 9(3),
893–906. https://doi.org/10.1016/j.gsf.2017.05.011
Tian, P., Zhu, Z., Yue, Q., He, Y., Zhang, Z., Hao,
F., Guo, W., Chen, L., Liu, M. 2021. Soil erosion
assessment by RUSLE with improved P factor and
its validation: Case study on mountainous and hilly
areas of Hubei Province, China. International Soil
and Water Conservation Research, 9(3), 433–444.
https://doi.org/10.1016/j.iswcr.2021.04.007
USDA (Departamento de Agricultura de los Estados
Unidos). 1999. Guía para la Evaluación de la
Calidad y Salud del Suelo. Obtenido en línea el
15/07/2023. https://www.nrcs.usda.gov/sites/
default/files/2022-10/Gu%C3%ADa%20para%20
la%20Evaluaci%C3%B3n%20de%20la%20
Calidad%20y%20Salud%20del%20Suelo.pdf
Valeriu, P.C. 2023. Applying RUSLE for soil erosion
estimation in Romania under current and future
climate scenarios. Geoderma Regional, e00687.
https://doi.org/10.1016/j.geodrs.2023.e00687
Williams, J.R. 1995. Chapter 25. The EPIC Model.
p. 909–1000. In Computer Models of Watershed
Hydrology. Water Resources Publications.
Highlands Ranch, CO.
Zambrano Mero, J.D., Delgado Párraga, A.G.,
Zambrano Mero, E.T., Peñaherrera Villafuerte,
S.L. 2022. Contaminantes biológicos presentes
en fuentes de agua del centro-sur de la provincia
de Manabí, Ecuador. Siembra, 9(2), e4011.
https://doi.org/10.29166/siembra.v9i2.4011