Menú

Mostrando entradas con la etiqueta Sistemas de información geográfica. Mostrar todas las entradas
Mostrando entradas con la etiqueta Sistemas de información geográfica. Mostrar todas las entradas

domingo, 28 de octubre de 2018

Leer los archivos de CMORPH utilizando R


CMORPH (técnica de CPC MORPHing) este análisis de precipitación global con una resolución espacial y temporal muy alta. Esta técnica utiliza estimaciones de precipitación derivadas exclusivamente de observaciones de satélites de microondas de órbita baja, y cuyas características se transportan a través de información de propagación espacial que se obtiene completamente de los datos de IR de los satélites geoestacionarios. 

En la actualidad se incorporan las estimaciones de precipitación derivadas de los microondas pasivos a bordo del DMSP 13, 14 y 15 (SSM / I), NOAA-15, 16, 17 y 18 (AMSU-B) y AMSR-E y TMI a bordo del Aqua de la NASA. y la nave espacial TRMM, respectivamente. Estas estimaciones son generadas por los algoritmos de Ferraro (1997) para SSM / I, Ferraro et al. (2000) para AMSU-B y Kummerow et al. (2001) para TMI. Tenga en cuenta que esta técnica no es un algoritmo de estimación de precipitación, sino un medio por el cual se pueden combinar las estimaciones de los algoritmos de lluvia de microondas existentes. Por lo tanto, este método es extremadamente flexible, de modo que se pueden incorporar las estimaciones de precipitación de cualquier fuente de satélite de microondas.

Las estimaciones de precipitación están disponibles en una cuadrícula con un espaciado de 8 km (en el ecuador), la resolución de las estimaciones individuales derivadas de satélites menor que eso, y oscilan entre los 12 x 15 km más o menos, para obtener una resolución más fina,  se realizan interpolaciones de la estimaciones.

Los datos los puede descargar de:

los registros históricos desde enero de 1998 a julio de 2017, los puede descargar de:


Los datos los pueden visualizar en R y guardar en Geotiff, para luego porcesar en Qgis o cualquier GIS


Comparación de la lluvia diaria de las estaciones y CMORPH
Añadir leyenda


Grado de asociación entre la lluvia diaria y CMORPH para las estaciones de la red de INSIVUMEH, durante el periodo 2001 a 2015


############################################################################
#
#       Leer archivos de CMORPH con R
#       Walter Bardales (bardaleswa@gmail.com)
#
#

# Infomracion del archivo CTL
# TITLE  Precipitation estimates
# XDEF 4948 LINEAR   0.036378335 0.072756669
# YDEF 1649 LINEAR -59.963614    0.072771377
# ZDEF   01 LEVELS 1
# TDEF 999999 LINEAR  00z01jan2005 30mn
# VARS 1
# cmorph   1  99  hourly cmorph [ mm/hr ]

# Cargar librerias
library(raster)
library(tibble)
library(stats)
library(rgdal)

# Definir directorio de trabajo
setwd("D:/Documents/chirps")

# Leer archivo binario de cmorph
cmorph.file = file("CMORPH_V1.0_RAW_8km-30min_1998010105", "rb")

# Cerrar
on.exit(close(cmorph.file))

# Cantidad de bites XDEF * YDEF * 2
bites = (4948*1649*2)

# Coordenadas iniciales CMORPH, coordenada inicial, cantidad de pixeles y tamaño de pixel
longitud = seq(0.036378335, length.out = 4948, by=0.072756669)
latitud = seq(-59.963614, length.out = 1649, by=0.072771377)

# Leer datos binarios
temporal = readBin(cmorph.file, numeric(), n = bites, size = 4, endian = "little")
temporal = temporal[seq_len(bites/2)] * 0.1

# hacer data.frame
datacmorph = as_data_frame(
  setNames(
    cbind(expand.grid(longitud, latitud), temporal),
    c("lon", "lat", "lluvia")
  )
)

# Convertir en puntos
coordinates(datacmorph) = ~lon+lat

# Crear una grilla de puntos
gridded(datacmorph) = TRUE

# Crear un raster a partir de los puntos y poner los valores como NA si son menores a 0
rascmorph = raster(datacmorph)
rascmorph[rascmorph<0 0="" na="" p="">

<0 na="" p=""># Convertir longitude 0-360 a longitude -180-180
rascmorph = rotate(rascmorph)

# ASignarle la proyección al raster
crs(rascmorph) = "+proj=longlat +datum=WGS84"

# Guardar el raster
writeRaster(rascmorph, "cmorph.tif", format="GTiff", overwrite=TRUE)

Leer los archivos del Hidroestimador Nesdis usando R


La técnica Hidroestimador es empleada para estimar lluvia a través de satélites, esta técnica fue desarrollada por la Administración Nacional Oceánica y Atmosférica / Servicio Nacional de Satélites Ambientales, Datos e Información. (NOAA/NESDIS).  

NESDIS trabaja con las imágenes del canal infrarrojo del satélite GOES e información de variables meteorológicas pronosticadas por el modelo NAM.  
  • Los píxeles de lluvia y no lluvia, se separan de acuerdo a un valor construido con la media y la desviación estándar de la temperatura de brillo en un área centrada en el píxel de interés. 
  • Las nubes en un determinado píxel, producen precipitación si poseen topes más fríos que la media de los píxeles circundantes. 
  • La tasa de precipitación, se ajusta teniendo en cuenta la humedad del entorno, a partir de datos de humedad relativa y agua precipitable de los modelos de pronóstico numérico. 


Los datos para la región centroamericana están disponibles  en:
https://www.star.nesdis.noaa.gov/smcd/emb/ff/HEcentralAmerica.php

Esta página proporciona estimaciones de la tasa de lluvia en tiempo real:
  • Los promedios de la tasa de lluvia de 1 hora y las estimaciones acumuladas de 3 horas están disponibles cada hora a partir de las 00:00 h con actualizaciones cada 15 minutos después de la hora. 
  • Las estimaciones de 6 horas acumuladas se actualizan a las 00: 15Z, 06: 15Z, 12: 15Z y 18: 15Z y la acumulación de 24 horas cada 12: 15Z. 
  • Las estimaciones pueden ser demasiado altas para las nubes frías y demasiado bajas para las nubes cálidas. El uso de este producto es a discreción del usuario.

Esta información puede servir para generar información en regiones donde no se tiene el monitoreo o para mejorar lo métodos de interpolación empleados en la actualidad. 

Al leer los datos en R y guardarlos como raster en formato geotif se pueden abrir en qgis u otro software gis.


############################################################################
#
#       Leer archivos de hydroestimador Nesdis con R
#       Walter Bardales (bardaleswa@gmail.com)
#
#


# Configuración del archivo Nesdis para Centro América
#DSET K20053141609
#UNDEF -1.0
#TITLE Rain Rate Estimates (mm)
#XDEF 1464 LINEAR 245 0.0382513
#YDEF 667 LINEAR 6 0.0359477
#ZDEF 01 LEVELS 1
#TDEF 1 LINEAR 16:09Z10NOV2005 1hr
#VARS 1
#rr 0 99 Goes Data
#ENDVARS

# Cargar librerias
library(raster)
library(tibble)
library(stats)

# Directorio de trabajo
setwd("D:/Documents/Nesdis")

# Leer archivo binario y almacenarlo en objeto
archivo.nesdis = file("N20182631200", "rb")

# Salir
on.exit(close(archivo.nesdis))


# Cantidad de bits del archivo XDEF * YDEF * 2 bits
bites = (667*1464*2)


# Coordenadas de inicio, informacion extraidad de XDEF y YDEF
longitud = seq(-115, length.out = 1464, by=0.0382513)
latitud = seq(6, length.out = 667, by=0.0359477)


# Leer datos binarios
temporal = readBin(archivo.nesdis, numeric(), n = bites, size = 4, endian = "little")
temporal = temporal[seq_len(bites/2)] * 0.1

# hacer data.frame de las coordenadas y cantidad de lluvia
datanesdis = as_data_frame(
  setNames(
    cbind(expand.grid(longitud, latitud), temporal),
    c('lon', 'lat', 'lluvia_mm')
  )
)


# Convertir el dataframe en puntos
coordinates(datanesdis) = ~lon+lat

# Asignar el valor True para realizar una grilla con los puntos
gridded(datanesdis) = TRUE

# Convertir los puntos a raster, valores negativos como NA
rasnesdis = raster(datanesdis)
rasnesdis[rasnesdis < 0] = NA

# ASignarle la proyección al raster
crs(rasnesdis) = "+proj=longlat +datum=WGS84"

# Guardar el raster
writeRaster(rasnesdis, "nesdis.tif", format="GTiff", overwrite=TRUE)

domingo, 7 de octubre de 2018

Interpolar lluvia usando de covariable elevación con el método Thin Plate Spline

Thin Plate Splines (Tps)
La interpolación de Thin Plate Spline corresponde a las técnicas de interpolación n-dimensional a partir de datos dispersos. La función de interpolación correspondiente es una función continuamente diferenciable (función C1) que tiene la energía (norma L2) de su segundo derivado mínimo.

El residuo de interpolación con respecto a esta interpolación puede ser 0 ó, lo que es más interesante, se puede hacer una compensación de regularidad entre el error de interpolación y la energía de la curvatura de la función.
Wahba (1990) propone un método basado en la validación cruzada para determinar la compensación óptima.

  • Thin Plate Spline adapta los datos espaciados irregularmente a una superficie. 
  • El parámetro de suavizado se elige mediante validación cruzada generalizada. 
  • El modelo asumido es el aditivo Y = f (X) + e donde f (X) es una superficie dimensional. 
  • Este es un caso especial de la estimación espacial.
Thin Plate Spline es el resultado de minimizar la suma residual de cuadrados sujetos a una restricción de que la función tiene un cierto nivel de suavidad (o penalización de rugosidad). En donde la rugosidad se cuantifica por la integral de los derivados de orden m cuadrado al cuadrado.


Para una dimensión y m = 2, la penalización de rugosidad es el cuadrado integrado de la segunda derivada de la función. Para dos dimensiones, la penalización por rugosidad es la integral de

(Dxx (f))^2 + 2 (Dxy (f)) ^2 + (Dyy (f)) ^2

Además de controlar el orden de las derivadas, el valor de m también determina el polinomio base que se ajusta a los datos. El grado de este polinomio es (m-1).

El parámetro de suavizado controla la cantidad de suavización de los datos. En la forma habitual, esto se denota con lambda, el multiplicador de Lagrange del problema de minimización. Aunque esta es una escala incómoda, lambda = 0 no corresponde con restricciones de suavidad y los datos se interpolan. lambda = infinito corresponde a simplemente ajustar el modelo de base polinomial por mínimos cuadrados ordinarios.

Este estimador se implementa pasando la función de covarianza generalizada correcta basada en funciones de base radial a la función más general Krig.  Una ventaja de esta implementación es que una vez que se crea un objeto Tps / Krig, el estimador se puede encontrar rápidamente para otros datos y parámetros de suavizado siempre que las ubicaciones permanezcan sin cambios. Esto hace que la simulación dentro de R sea eficiente.  Tps no admite actualmente el argumento de los nudos donde se puede usar un conjunto reducido de funciones básicas. Esto es principalmente para simplificar y una buena alternativa al usar nudos sería usar una covarianza válida de la familia Matern y un parámetro de gran rango.

Código utilizado en R

##################################################################
#
#       Walter Arnoldo Bardales Espinoza (bardaleswa@gmail.com)
#       julio de 2018
#
##################################################################

# Cargar librerias
library(fields)
library(raster)
library(rgdal)
library(lattice)
library(stringr)


# Cargar modelo de elevación
dem = raster("D:/Documents/GIS DataBase/DEM_CA/geotif/dem_90_gtm.tif")

# Extraer las coordenadas del DEM
coords = xyFromCell(dem,1:ncell(dem))

# Extraer los factores de las coordenadas x e y
coord_x = as.numeric(levels(factor(coords[,"x"])))
coord_y = as.numeric(levels(factor(coords[,"y"])))

# Convertir el dem en matriz y transponerlo
z = t(as.matrix(dem))

# Corregir la matriz de elevacion debido a que esta rotada 180 grados
coord_z = matrix(, nrow=length(coord_x), ncol=length(coord_y))

for(i in 1:length(coord_y)){
  j = length(coord_y)+1-i
  coord_z[,j] = z[,i]
}

#crear lista de elevación a partir del dem
elevacion = list(x=coord_x,y=coord_y,z=coord_z)

# Evaluar la lista
str(elevacion)

# Cargar los datos de lluvia
datospp = read.csv("D:/Documents/Lluvia/Lluviaxy_1980_2016.csv",sep=",")
datos = datospp

# Convertir en puntos geograficos y asignarle las coordenadas GTM
coordinates(datos) = ~x + y
gtm = CRS("+proj=tmerc +lat_0=0 +lon_0=-90.5 +y_0=0 +x_0=500000 +k=0.9998  +datum=WGS84 +units=m  +no_defs +ellps=WGS84 +towgs84=0,0,0")

proj4string(datos) = gtm

# Extraer los valores de elevacion de las estaciones a partir del DEM
altura = extract(dem,datos)

# Crear lista con los datos x, y, z y variable
xydatos = data.frame(lon=datospp$x,lat=datospp$y)
zdatos = altura

# Antes de continuar verificar que no hallan datos faltantes en las series

# Nombrar columnas
mes = c(0,0,0,1:13)
meses = c("","","","enero", "febrero", "marzo", "abril", "mayo", "junio", "julio", "agosto", "septiembre", "octubre", "noviembre", "diciembre", "Anual")

for(k in 4:16){
  ydatos = datospp[,k]
  
  precip = list(x=xydatos,elev=zdatos,y=ydatos)
  
  # Graficar las estaciones y valores de lluvia
  quilt.plot(precip$x,precip$y)
  
  # Crear el modelo de lluvia elevacion
  fit = Tps(precip$x, precip$y, Z=precip$elev)
  
  # Resumen del modelo lluvia elevacion con TPS
  summary(fit)
  
  # Graficar los resultados
  set.panel(2,2)
  plot(fit)
  
  # Intrpolar superficie del modelo creado
  set.panel()

  # Crear la lista de coordenadas a interpolar
  grid.list = list(x=elevacion$x, y=elevacion$y)
  
  #Interpolacion del modelo usando de covariable la elevación
  fit.full = predictSurface(fit, grid.list, extrap=TRUE, ZGrid = elevacion)

  # Transponer la matriz de resultados
  pp_z1 = t(fit.full$z)
  
  # Crear el raster interpolado
  ras = raster(pp_z1, xmn=extent(dem)[1],xmx=extent(dem)[2],ymn=extent(dem)[3],ymx=extent(dem)[4])
  ras = flip(ras,direction="y")
  crs(ras) = gtm
  ras[ras<0 0="" p="">
  
  # Guardaer el raster
  destino5 = paste("D:/Documents/Consultorias_2018/balance_hidrico/Raster/lluvia/prueb/prec_",str_pad(mes[k],width =2, pad="0"),".tif", sep ="")
  writeRaster(ras,filename=destino5, overwrite=TRUE)
}

Resultados de la interpolación 















viernes, 29 de junio de 2012

Estudio de la laguna de Chichoj, San Cristóbal Verapaz, Alta Verapaz



Fase de Campo en la laguna de Chichoj

Ubicación
El área de estudio se encuentra dentro de la cuenca del río Cahabón que pertenece a la vertiente del Atlántico, entre las coordenadas geográficas 15° 20’ 0’’ – 14° 24’ 0’’ Latitud Norte y 90° 27’ 0’’ – 90° 32’ 0’’ Longitud Oeste, y las coordenadas Tranversal Mercator Guatemala (GTM) 1696000 –1702000 Norte y 497000 - 506000 Oeste (Figura 1). La laguna esta a orillas de la villa de San Cristóbal Verapaz.


Figura 1. Ubicación de la laguna de Chichoj en relación a la subcuenca, municipio, departamento y país.


El documento completo lo puede descargar en el siguiente Link.
http://www.mediafire.com/view/wibrowr5gh5a0al/Informe_de_la_laguna_Chichoj_junio.pdf




domingo, 13 de mayo de 2012

Estudio laguna de Zaculeu, Huehuetenango


Equipo de trabajo

Nombre
Cargo
Titulo
Carlos Tejeda
Coordinador y Acuicultor
Licenciado
Walter Arnoldo Bardales Espinoza
Hidrólogo y Sistemas de información geográfica
Maestro en Hidrología
Alfa Melissa Castro
Técnico acuícola y calidad de Agua
Técnico



Ubicación de la microcuenca

La microcuenca de la laguna Zaculeu se ubica entre las coordenadas:
·         Geográficas: 15° 19’ 16’’ y 15° 19’ 28’’ Latitud Norte; 91° 30’ 48’’ y 91° 31’ 02’’ Longitud Oeste.
·         Tranversal Mercator Guatemala (GTM): 1694470 y 1694820 Norte; 390760 y 391250 Oeste.

La microcuenca se encuentra dentro del municipio Huehuetenango del departamento de Huehuetenango desde el punto de vista político-administrativo 


Descarga del documento completo en el siguiente link



jueves, 26 de abril de 2012

Estudio Laguna de El Pino, Barberena, Santa Rosa


Equipo de trabajo

Nombre
Cargo
Titulo
Carlos Tejeda
Coordinador y Acuicultor
Licenciado
Walter Arnoldo Bardales Espinoza
Hidrólogo y Sistemas de información geográfica
Maestro en Hidrología
Alfa Melissa Castro
Técnico acuícola y calidad de Agua
Técnico



Fase de Campo: Monitoreo de la Laguna El Pino

Ubicación de la microcuenca

La microcuenca de la laguna El Pino se ubica entre las coordenadas:
·         Geográficas: 14° 18’ 30’’ y 14° 21’ 30’’ Latitud Norte; 90° 22’ 0’’ y 90° 24’ 30’’ Longitud Oeste.
·         Tranversal Mercator Guatemala (GTM): 1582800 y 1586900 Norte; 510000 y 513700 Oeste.


La microcuenca se encuentra entre los municipios de Barberena y Santa Cruz Naranjo del departamento de Santa Rosa, siendo el municipio de Barberena el que posee la mayor área de la microcuenca (66.5%) y Santa Cruz Naranjo la menor (33.5%).




jueves, 16 de febrero de 2012

Estudio Laguna de Lemoa, Santa Cruz de El Quiché


Equipo de trabajo


Nombre
Cargo
Titulo
Carlos Tejeda
Coordinador y Acuicultor
Licenciado
Walter Arnoldo Bardales Espinoza
Hidrólogo y Sistemas de información geográfica
Maestro en Hidrología
Alfa Melissa Castro
Técnico acuícola y calidad de Agua
Técnico





Descripción General de la cuenca y la laguna

La cuenca del río Motagua es la cuenca más grande de Guatemala y pertenece a la vertiente del Caribe o Mar de las Antillas, está abarca los departamentos de Guatemala, Chimaltenango, Quiché, Totonicapán, Sololá, Sacatepéquez, Baja Verapaz, El Progreso, Jalapa, Zacapa, Chiquimula e Izabal.  Entre los principales tributarios del río Motagua se encuentran: Tzepelá Pixabaj, Chipacá, Agua Escondida, Quisayá, Pixcayá, Cotzibal, Las Vacas, Aguas Calientes, Los Gavilanes, Chibac, Chuacús, Morazán, Comajá, Canchó y Grande de Zacapa.   Los cuerpos de agua lénticos de mayor importancia son: Laguna de Lemoa, laguneta Honda y laguneta San Jerónimo.


La subcuenca del río Canchó es de los principales tributarios del río Motagua, en la parte alta de está subcuenca se encuentra la microcuenca de la laguna Lemoa.

Link para descargar el Documento completo
http://www.mediafire.com/view/ovtmcc8snvs1cwr/Linea_Base_Laguna_Lemoa_ene_2012.pdf

martes, 23 de agosto de 2011

Ecuación universal de perdida de suelo mediante la aplicacion del Arcgis

La definición erosión
Según Miranda (1992), la erosión es aquel proceso de desprendimiento y arrastre de partículas del suelo provocado por la acción del agua, o del viento, o su remoción en masa.
Existen dos clases de erosión:
a) La erosión geológica o natural: Esta se produce por la dinámica del medio ambiente, como el agua de las lluvias, la corriente de los ríos, el viento, el clima, la topografía. Esta erosión es imperceptible y tiende a buscar la estabilidad en la superficie del suelo y equilibrio entre el proceso de desgaste de la roca o material parental terrestre y la formación nueva del suelo.
b) La erosión acelerada: Es propiciada por el hombre al romper el equilibrio entre los suelos, la vegetación, el agua y los animales. Esta erosión se da cuando el ecosistema natural es transformado por la práctica productiva del hombre en un agroecosistema, en este proceso se altera el ciclo básico del ecosistema natural, es decir, de los diferentes flujos de la relación suelo-planta-agua. En consecuencia se produce un empobrecimiento químico del suelo, se reduce las poblaciones de microorganismos y empeoran las características físicas del suelo.

Los agentes erosivos más importantes que actúan en la erosión acelerada son: La lluvia, el viento, los ríos, la temperatura, los animales, el hombre y el laboreo agrícola.

Principales formas de erosión
Miranda (1992), identifica dos formas de erosión principales:
a. Erosión hídrica: Es producido principalmente por efecto de la lluvia. El impacto de las gotas de agua en el suelo descubierto, ocasiona el desprendimiento de sus partículas y su remoción por agua de escorrentía. Los factores que intervienen en este proceso son: La intensidad y frecuencia de las lluvias, el relieve del terreno, la longitud de la pendiente, la cobertura vegetal, el tipo de suelo y el manejo del suelo.
Existen tres formas de erosión hídrica:
· Erosión laminar
· Erosión en surcos
· Erosión en cárcavas
b. Erosión eólica: Causado por el viento en terrenos sueltos, localizado en regiones con variaciones altas de temperatura, poca precipitación y predominio de vientos fuertes. La acción que el viento ejerce sobre la superficie del suelo depende de la fuerza y velocidad con que sopla. Sin embargo, son otros los factores que facilitan esta forma de erosión: Velocidad del viento, excesivo laboreo del suelo, uso de herramientas inadecuadas, sobre pastoreo de la cubierta vegetal, suelo suelto, seco y desestructurado, superficies extensas sin barreras vivas o cortinas rompevientos.

Agentes que afectan la erosión
Bergsma (1998), indica que los procesos de erosión dependen de la precipitación, del material geológico, de la posición relativa en el paisaje (sobre flujo y humedad antecedente), de la forma de la pendiente, del uso y manejo del suelo.
Según Vargas (1994), los principales agentes de la erosión son: El agua, el viento, cambios de temperatura, el pisoteo por sobrepastoreo y las prácticas agrícolas inadecuadas.

Modelos utilizados para la determinación de la erosión
La erosión por su distribución espacial, está condicionada por muchos factores interactuantes, es un proceso que no puede ser medido en forma precisa y de manera sencilla. La estimación de las tasas de erosión se realizan con base a pruebas de campo y modelos que consideran al mundo real como un sistema.
La Ecuación Universal de Pérdida de Suelo (USLE) fue formulada por Wischmeier y Smith (1968 - 1978), la cual fue modificada posteriormente por Lane y Nearing (1989) introduciéndole el factor de erosividad y el factor topográfico, conocida ahora como Ecuación Universal de la Pérdida de Suelo Modificado (MUSLE / RUSLE).
Como describe Mannaerts (1999) en su obra, el RUSLE puede ser usado apropiadamente para:
ü Predecir pérdida de suelo promedio a largo plazo en condiciones de campo especificas, usando un sistema especifico de manejo.
ü Para predecir erosión entre surcos y en surcos, en pasturas, cultivos y sitios en construcción.
ü La pérdida de suelo calculado por el modelo, es la cantidad de sedimento perdido por el perfil, no la cantidad de sedimento que deja la cuenca o el terreno.
ü El perfil del paisaje es definido por una longitud de la pendiente, la cual es la longitud del origen del flujo superficial hasta el punto donde el flujo alcanza una mayor concentración o una mayor área de deposición como en las pendientes cóncavas y cerca de los límites del terreno.
ü Para estimar las tasas de erosión que son removidas del suelo, en zonas criticas del paisaje y que guían a la elección de las prácticas de control de la erosión hasta un nivel de pérdida de suelo tolerable.
Mannaerts (1999) describe el RUSLE con la siguiente expresión matemática:
A= R*K*LS*C*P (Ec. 1)
Donde:
A = Pérdida de suelo promedio anual en [t/ha/año].
R = Factor erosividad de las lluvias en [MJ/ha*mm/hr].
K = Factor erodabilidad del suelo en [t/ha.MJ*ha/mm*hr].
LS = Factor topográfico (función de longitud-inclinación-forma de la pendiente), es adimensional.
C = Factor ordenación de los cultivos (cubierta vegetal), adimensional.
P = Factor de prácticas de conservación (conservación de la estructura del suelo), adimensional.
A continuación se describe brevemente cada factor, que forma parte de la Ecuación Universal de la Pérdida de Suelo.

Erosividad de la lluvia (Factor R): Es el potencial erosivo de la lluvia que afecta el proceso de erosión del suelo. La erosión por gotas de lluvia incrementa con la intensidad de la lluvia. Una suave y prolongada lluvia puede tener la misma energía total que una lluvia de corta duración y más intensa. Cuando la energía se combina con la intensidad de la lluvia, el resultado es un buen predictor del potencial erosivo.


Estimación del factor de R para la estación Camantulul por evento de lluvia, esto se realizo mediante la discretización de las bandas de lluvia a cada 30 minutos, posteriormente se calculó la energía y se obtuvo un modelo que relaciona la cantidad de lluvia por evento y la energía producida para erosionar el suelo.



Mediante la aplicación de arcgis 9.3 se realizo la interpolación espacial del factor R 

Erodabilidad del suelo (Factor K): Es factor muy complejo que se entiende, como la facilidad con la cual el suelo es desprendido por el salpicamiento durante lluvia o por flujo superficial. Esta propiedad del suelo está relacionada al efecto integrado de la lluvia, escurrimiento e infiltración.
Los suelos generalmente llegan a ser menos erosivos con una reducción en la fracción de limo a pesar del correspondiente incremento de la fracción de arcilla o arena.
El factor K representa el efecto de las propiedades del suelo y de las características del perfil del suelo en la pérdida de suelo. Los valores de K son asignados usando el nomograma de erodabilidad del suelo, que combina el efecto del tamaño de las partículas, %MO, código de la estructura del suelo y la clase de permeabilidad del perfil.
El factor de erodabilidad del suelo se calcula con la ecuación del nomograma de Wischmeier citado por Mannaerts (1999).






Figura 1. Monograma de erodabildad
   

Factor topográfico (factor LS): Está dividida en longitud de pendiente e inclinación de pendiente.
a) Longitud de pendiente (L): La longitud de pendiente es definida como la distancia horizontal desde el origen de un flujo hasta el punto, donde el gradiente de la pendiente reduce lo suficiente para que la deposición inicie y el escurrimiento llega a ser concentrado en un canal definido.


b) Inclinación de la pendiente (S): El factor de inclinación de la pendiente refleja la influencia de la gradiente de la pendiente en la erosión. El potencial de erosión se incrementa con la inclinación de la pendiente.
La pendiente y la longitud de la pendiente son medidas perpendicularmente a las curvas de nivel.
El factor LS combinado en RUSLE representa la proporción de pérdida de suelo de una longitud e inclinación dada. Valores más que 1 representan condiciones más erosivas que la condición de referencia (Mannaerts, 1999).

Factor de manejo de cobertura (C): El factor C es usado para reflejar el efecto de la cultivación y prácticas de manejo en las tasas de erosión. Este factor mide como el potencial de pérdida de suelo será distribuido en el tiempo durante la construcción de actividades, rotación de cultivos, y otros esquemas de manejo.
El factor C está basado en el concepto de desviación estándar, siendo el estándar un área bajo condiciones de barbecho con cultivo limpio. El valor de C para condiciones estándar es 1.
La relación de pérdida de suelo por vegetación y manejo de residuos de cultivo se calcula en base de 5 subfactores:
1. Subfactor de uso previo (PLU): Expresa la influencia de la erosión de suelo de los efectos residuales en el subsuelo de previos cultivos y el efecto de las prácticas de labrado en la consolidación del suelo. RUSLE evalúa el efecto de la biomasa en el subsuelo (raíces y residuos enterrados en la superficie a 4 pulgadas) para resistir la erosión. Además localiza la descomposición de la biomasa en la superficie y en el subsuelo, los cuales son calculados para cada periodo semimensual.
2. Subfactor de cobertura de dosel (CC): Expresa la efectividad de la cobertura del dosel para reducir la energía de la lluvia que golpea la superficie del suelo. Aunque la mayor parte de la lluvia eventualmente alcanza la superficie del suelo, la lluvia interceptada por el dosel alcanza la superficie del suelo con menor energía.
3. Subfactor de cobertura superficial (SC): RUSLE asigna tasas de descomposición específicas a los residuos basado en la proporción de C:N para el residuo.
4. Subfactor de rugosidad de la superficie (SR): Una superficie rugosa tiene muchas depresiones y barreras. Durante un evento de lluvia, estas trampas de sedimento y agua causan superficies rugosas a erodar a bajas tasas que las superficies lisas bajo condiciones similares. La SR está definida por condiciones base por unidad de parcela que está limpio de cultivos, suave y expuesta a lluvia de moderada intensidad.
5. Subfactor de agotamiento de la humedad del suelo (SM): La humedad antecedente del suelo tiene una influencia substancial en la infiltración y el escurrimiento y así de este modo en la erosión del suelo.
                                                                                                                                         
Prácticas de control de la erosión (Factor P): Es la relación de pérdida de suelo con prácticas de soporte a la pérdida correspondiente con labranza en pendiente, la cual tiene un valor de 1.
Estas prácticas de control de la erosión, factor que modifica los patrones de flujo y el grado o dirección de superficie de escurrimiento. Para las prácticas de soporte de tierras cultivadas, generalmente incluye contorno, cultivos en faja, terraceo y drenaje subsuperficial.

RUSLE calcula el factor P basado en porcentajes de pendiente, longitud de pendiente, rugosidad, altura de bordes, distribución de la energía (EI), grupo de suelos hidrológicos y el efecto de terrazas contra la pendiente.

Resultado 
Todo el modelo se trabajo en Arcgis 9.3 utilizando la extensión de análisis espacial