Aplicación de métodos geoestadísticos en el modelado espacio-temporal de los niveles de agua subterránea del acuífero Valle de Sébaco, Nicaragua.
DOI:
https://doi.org/10.15359/rca.56-2.10Palabras clave:
Aceleración del nivel freático; geoestadística; Kriging Empírico Bayesiano; velocidad del nivel freático.Resumen
[Introducción]: La información ambiental georreferenciada que provienen de instituciones ambientales constituye información base, para mejorar la gestión ambiental y de sostenibilidad en la región de América Latina y El Caribe. [Objetivo]: Evaluar la evolución espacio-temporal del nivel freático utilizando datos de niveles de agua subterránea medidos en la red de pozos de monitoreo del acuífero Valle de Sébaco. [Metodología]: Se evaluó durante la época seca del 2010 al 2018 (9 años) la fluctuación de los niveles de agua subterránea, a partir de datos de niveles de agua medidos en la red de pozos de monitoreo del acuífero Valle de Sébaco. El enfoque geoestadístico que se empleó en este conjunto de datos, para revelar los modelos predictivos fue el método Kriging Empírico Bayesiano (EBK), dicho método obtuvo una representación espacial de la superficie freática del acuífero y posteriormente fue utilizado para calcular la velocidad y aceleración del nivel freático. [Resultados]: Durante el período analizado los mapas de aceleración del nivel freático mostraron valores medios de -0.52 m/año. Estos valores sugieren que una parte del acuífero está experimentando un descenso en los niveles freáticos que podría verse agravado rápidamente con los fenómenos climáticos y el aumento de la demanda del recurso. [Conclusiones]: El enfoque utilizado para la evaluación cuantitativa de los niveles de agua subterránea es adecuado para países que carecen de base de datos de parámetros hidráulicos específicos de un acuífero.
Referencias
Adhikary, P. P., & Dash, C. J. (2017). Comparison of deterministic and stochastic methods to predict spatial variation of groundwater depth. Applied Water Science, 7(1), 339-348. https://doi.org/10.1007/s13201-014-0249-8
Ahmadi, S. H., & Sedghamiz, A. (2007). Geostatistical analysis of spatial and temporal variations of groundwater level. Environmental Monitoring and Assessment, 129(1-3), 277-294. https://doi.org/10.1007/s10661-006-9361-z
Bodrud-Doza, M., Bhuiyan, M. A. H., Islam, S. M. D. U., Quraishi, S. B., Muhib, M. I., Rakib, M. A., & Rahman, M. S. (2019). Delineation of trace metals contamination in groundwater using geostatistical techniques: A study on Dhaka City of Bangladesh. Groundwater for Sustainable Development, 9(August 2018). https://doi.org/10.1016/j.gsd.2019.03.006
Boudibi, S., Sakaa, B., & Benguega, Z. (2021). Spatial variability and risk assessment of groundwater pollution in El-Outaya region, Algeria. Journal of African Earth Sciences, 176(January), 104135. https://doi.org/10.1016/j.jafrearsci.2021.104135
Comisión Económica para América Latina y el Caribe (CEPAL). (2005). Estadísticas del medio ambiente en América Latina y el Caribe: Avances y perspectivas. https://repositorio.cepal.org/bitstream/handle/11362/5609/1/S05629_es.pdf
Flores Meza, Y. (2004). Criterios hidrogeológicos para la formulación del plan de gestión en el acuífero del valle de Sébaco. CIRA-UNAN Managua. https://repositorio.unan.edu.ni/2357/
INETER. (2005). Clasificación climática según Koppen. Período 1971-2000. [Imagen] (2200×1700). https://webserver2.ineter.gob.ni//mapas/Nicaragua/clima/atlas/Clasificacion Climatica/Clasificacion_Climatica_Koppen.jpg
Gribov, A., & Krivoruchko, K. (2020). Empirical Bayesian kriging implementation and usage. Science of the Total Environment, 722, 137290. https://doi.org/10.1016/j.scitotenv.2020.137290
Kresic, N., & Mikszewski, A. (2013). Hydrogeological Conceptual Site Models. https://doi.org/10.1201/b12151
Krivoruchko, K., & Gribov, A. (2019). Evaluation of empirical Bayesian kriging. Spatial Statistics, 32, 100368. https://doi.org/10.1016/j.spasta.2019.100368
Kurtulus, B., & Flipo, N. (2012). Hydraulic head interpolation using anfis-model selection and sensitivity analysis. Computers and Geosciences, 38(1), 43-51. https://doi.org/10.1016/j.cageo.2011.04.019
Li, Y., Hernández, J. H., Aviles, M., Knappett, P. S. K., Giardino, J. R., Miranda, R., Morales, J. (2020). Empirical Bayesian Kriging method to evaluate inter-annual water-table evolution in the Cuenca Alta del Río Laja aquifer, Guanajuato, México. Journal of Hydrology, 582(August 2019), 124517. https://doi.org/10.1016/j.jhydrol.2019.124517
Malekzadeh, M., Kardar, S., & Shabanlou, S. (2019). Simulation of groundwater level using MODFLOW, extreme learning machine and Wavelet-Extreme Learning Machine models. Groundwater for Sustainable Development, 9(July), 100279. https://doi.org/10.1016/j.gsd.2019.100279
Moghaddam, H. K., Moghaddam, H. K., Kivi, Z. R., Bahreinimotlagh, M., & Alizadeh, M. J. (2019). Developing comparative mathematic models, BN and ANN for forecasting of No groundwater levels. Groundwater for Sustainable Development, 9(June), 100237. https://doi.org/10.1016/j.gsd.2019.100237
Sahebjalal, E. (2012). Application of geostatistical analysis for evaluating variation in groundwater characteristics. World Applied Sciences Journal, 18(1), 135-141. https://doi.org/10.5829/idosi.wasj.2012.18.01.664
Tahal Consulting. (1997). Estudio hidrológico del Valle de Sébaco. Managua, Nicaragua.
Vessia, G., Di Curzio, D., Chiaudani, A., & Rusi, S. (2020). Regional rainfall threshold maps drawn through multivariate geostatistical techniques for shallow landslide hazard zonation. Science of the Total Environment, 705, 135815. https://doi.org/10.1016/j.scitotenv.2019.135815
Publicado
Número
Sección
Licencia
A partir del 17 de mayo del 2018 la licencia ha sido actualizada a:
Esta obra está bajo una Licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional.
