Translated by Isabel Zetina

Cuando la lluvia cae sobre la Tierra, el agua empieza a moverse y a fluir cuesta abajo a través de alcantarillas y ríos en forma de escorrentía. La escorrentía es extremadamente importante para recargar las masas de agua de la superficie y las aguas subterráneas. Además, la escorrentía modifica el paisaje por acción de la erosión. Es una parte integral del ciclo del agua (Earth Science Data Systems 2021). 

Los problemas relacionados con la escorrentía se producen cuando el agua fluye de forma incontrolable por la tierra y ya no puede ser absorbida: este exceso de agua se vierte fuera de los ríos, estuarios y otras zonas de agua dulce (National Geographic s.f.). La escorrentía puede proceder de una fuente natural, como el deshielo, la erosión y el clima, o de una actividad antrópica, como las tuberías o el riego (National Geographic s.f.). Si quieres leer más sobre el seguimiento del deshielo, te recomendamos que leas este artículo de Space4Water: un secreto oculto que se convierte en agua: seguimiento del retroceso de los glaciares de la Patagonia. También depende del suelo, con un riesgo de desbordamiento mucho mayor en zonas urbanas donde el terreno está cubierto por superficies impermeables (U.S. Geological Survey 2018).

La escorrentía puede dañar el medio ambiente de muchas maneras: cuando procede de una fuente contaminada o atraviesa un terreno contaminado (caminos de entrada, campos agrícolas), puede transportar contaminantes a los arroyos locales lavándolos de la superficie (US EPA 2015; Earth Science Data Systems 2021). Los contaminantes transportados incluyen nutrientes, pesticidas, productos químicos derivados del petróleo, metales e incluso antibióticos (National Geographic s.f.). En el agua dulce, estos contaminantes pueden dañar todo un ecosistema, provocar florecimientos de algas nocivas o zonas muertas y, en algunos casos, pueden dejar fuera de uso ecosistemas acuáticos (como humedales o manglares). Según las Naciones Unidas, en el último siglo se ha perdido el 85% de los humedales naturales, mientras que se han construido otros artificiales (Naciones Unidas s.f.; Earth Science Data Systems 2023). Los humedales nos permiten eliminar los contaminantes de las escorrentías, por lo que representan una herramienta de mitigación para el agua limpia y el saneamiento (Vymazal y Březinová 2015). Si deseas saber más sobre los florecimientos de algas nocivas, te recomendamos que lea este artículo de Space4Water; si deseas saber más sobre la conservación de los humedales, lee este artículo de Space4Water.

Al igual que la escorrentía es una amenaza para el medio ambiente, también lo es para la economía, ya que pone en peligro la producción de alimentos y la disponibilidad de agua dulce en un mundo con una población creciente. Para limitar la pérdida de calidad del agua causada por la escorrentía contaminada, es necesario un monitoreo fiable a escala nacional e internacional. La vigilancia de la escorrentía puede proporcionar información importante sobre las fuentes de contaminación de una masa de agua (Earth Science Data Systems 2021). No detectar la escorrentía contaminada puede ser una amenaza para la consecución del Objetivo de Desarrollo Sostenible 6.3.2: proporción de masas de agua con buena calidad del agua ambiente.

Para realizar un seguimiento fiable de la escorrentía se necesitan datos precisos. La Observación de la Tierra (siglas en inglés OE) puede complementar los datos terrestres locales y apoyar la adquisición de datos (UN Water 2018) y la toma de decisiones informadas a nivel nacional (Si deseas leer más sobre la importancia de la tecnología espacial para cuantificar la disponibilidad de agua dulce a nivel mundial, lea este artículo de Space4Water).

Varios expertos sostienen (Ghosh, Jaiswal y Ali 2021; Hong et al. 2007; Huo et al. 2021) que nunca es fácil controlar la escorrentía en zonas montañosas remotas y tierras altas con malas condiciones meteorológicas, topografía compleja y economías subdesarrolladas. Además, Hong et al. (2007) sostienen que en el hemisferio norte hay un mayor número de muestras, que proporcionan datos más precisos, lo que penaliza a los países del sur, con menos muestras y datos menos precisos (Hong et al. 2007).  Si quieres leer más sobre la recogida de datos y la ciencia ciudadana, te recomendamos que leas este artículo de Space4Water: Datos de crowdsourcing y ciencia ciudadana para la gestión de los recursos hídricos. La falta de datos puede impactar la gestión de riesgos y, en nuestro caso, en el seguimiento de la escorrentía.

No obstante, para modelar con éxito la escorrentía, se pueden utilizar muchas combinaciones de tecnologías, algunas de las cuales se describen brevemente en el capítulo siguiente. Por ejemplo, Huo y otros (2021) controlaron la escorrentía en una cuenca tibetana mediante datos pasivos de microondas (datos relacionados con las propiedades de temperatura y humedad de la superficie) recogidos con el Radiómetro Multicanal de Microondas de Barrido (SMMR), el Sensor Especial de Microondas/Imager (SSM/I), el Radiómetro Especial de Barrido de Microondas-Tierra/Sonda (SSMIS) y el Radiómetro Avanzado de Barrido de Microondas-Sistema de Observación de la Tierra (AMSR-E) (Huo et al. 2021; Canadá 2008). Los datos socioeconómicos también pueden utilizarse para complementar la investigación por teledetección. En un estudio realizado en una cuenca tropical húmeda de Brantas (Indonesia), Wiwoho y Asturi definieron la zona de estudio con los datos socioeconómicos disponibles y pudieron identificar cuatro factores no socioeconómicos que podían influir en la escorrentía: precipitaciones, elevación, pendiente y fracción de vegetación verde. Los autores estudiaron estos cuatro factores porque "las condiciones de degradación de Brantas están aparentemente relacionadas con las presiones multifacéticas que sufre la cuenca". Se utilizó una red neuronal artificial (RNA) para cuantificar la sensibilidad de esos distintos factores a la escorrentía (Wiwoho y Astuti 2022).

Utilización de tecnologías de teledetección para monitorear la escorrentía

Los satélites no pueden medir directamente la escorrentía, pero nos permiten recopilar información sobre las propiedades de la superficie terrestre, como el uso del suelo y la cubierta vegetal (LULC), y predecir las cantidades y la intensidad de las precipitaciones, así como la humedad (si deseas saber más sobre el seguimiento de las precipitaciones desde el espacio, lea este artículo de Space4Water). Estos datos se introducen en los datos de la superficie terrestre para modelar la escorrentía y estimar su impacto en la calidad del agua (Earth Science Data Systems 2023). Muchos países utilizan los datos de la OT para gestionar los riesgos potenciales relacionados con la escorrentía y planificar proyectos que permitan una gestión sostenible de la misma. Algunos ejemplos son Armenia, Timor Oriental e Indonesia. 

El gobierno armenio recibió ayuda del Banco Asiático de Desarrollo (BAsD) para mapear las montañas cubiertas de nieve con el fin de elaborar modelos de escorrentía para la planificación y explotación de infraestructuras turísticas de invierno. El BAD también prestó apoyo a un proyecto sobre el sector del transporte en Timor Oriental. Utilizaron datos de observación de la Tierra para modelizar los efectos previstos del clima en la escorrentía a lo largo de las carreteras. El Gobierno de Indonesia utilizó datos de observación de la Tierra para la previsión de inundaciones como parte de su gestión del riesgo de inundaciones en las cuencas fluviales de las provincias de Banten y Maluku. Evaluaron el LULC y la topografía dentro de las cuencas hidrográficas para identificar áreas importantes de protección y restauración, así como para reducir la escorrentía extrema. Entre los retos a los que se enfrentaron en la evaluación figuran las grandes variaciones en la precisión de los datos y la desactualización de los datos sobre la superficie terrestre (Locsin y Aschbacher, s.f.). 
Existen diversas formas de controlar la escorrentía con datos de observación de la Tierra. Las propiedades de la superficie terrestre estudiadas por la Administración Nacional de la Aeronáutica y del Espacio (NASA) incluyen la textura del suelo, la topografía, la evapotranspiración y el índice de área foliar, ya que influyen en la escorrentía (Earth Science Data Systems 2021). (Si deseas leer más sobre el seguimiento de los cambios hidrológicos desde el espacio en una cuenca poco aforada, lea este artículo de Space4Water). Los modelos digitales de elevación y el LULC son importantes productos de datos de observación de la Tierra para obtener información sobre la escorrentía o incluso el potencial de erosión (Locsin y Aschbacher, s.f.). Una vez conocidos estos datos, es posible simular la escorrentía.
 

Método NRCS-CN acoplado a NAPI

Para simular la escorrentía, la NASA abordó la temática con un método simplista que utilizaba la estimación de precipitaciones por satélite. Calcularon y compararon tres conjuntos de Datos Globales de Escorrentía según el clima utilizando el concepto de Índice de Precipitación Antecedente Normalizado (NAPI) y el método de escorrentía del Servicio de Conservación de Recursos Naturales - Número de Curva (NRCS-CN). 

El CN representa la tasa de infiltración del suelo: cuanto mayor es el CN, menor es la tasa de infiltración, menos permeable es el suelo y mayor es el riesgo de escorrentía (HEC-RAS Hydraulic Reference Manual 2023). El CN es un parámetro que permite aproximar el tipo de suelo, la cobertura del suelo y la Condición de Humedad Antecedente (AMC) mediante el cálculo de la infiltración (retención potencial de agua) y la escorrentía generada por la acumulación de precipitaciones (Hong et al. 2007). El NRCS-CN ayuda a generar mapas estimando la escorrentía superficial en función de la precipitación y el CN (Figura 1). 

El acoplamiento de NAPI con el método NRCS-CN permite predecir la escorrentía en función de los 5 días anteriores de precipitaciones y de los datos de humedad del suelo en la cuenca. Esto, a su vez, permite predecir la escorrentía de la cuenca en caso de que no se disponga de datos de escorrentía. A pesar de una determinada incertidumbre, la predicción puede considerarse útil para aproximar la escorrentía en el globo terráqueo y en cuencas fluviales de tamaño medio a grande (Ghosh, Jaiswal y Ali 2021). 

Simulaciones basadas en redes neuronales artificiales del proceso de escorrentía pluvial con fuentes mixtas de datos de entrada de teledetección

El uso de un método de CN puede ser complicado debido a la mala gestión y a prácticas agrícolas inadecuadas, por lo que se puede optar por la inteligencia artificial. Para simular el proceso de precipitación-escorrentía en una cuenca hidrográfica de Irán, Gholami y Sahour (2022) utilizaron redes neuronales artificiales (RNA) sobre datos de parcelas de muestreo de campo junto con datos pluviométricos e hidrométricos. Los datos hidrométricos son datos e información estandarizados sobre la cantidad de agua. Las RNA son algoritmos de aprendizaje automático que se utilizan ampliamente en estudios hidrológicos y han demostrado ser una herramienta capaz para la modelización de precipitaciones-escorrentía debido a su alta precisión y eficiencia temporal en comparación con otros métodos más tradicionales (Senthil Kumar et al. 2005). La red del autor utiliza una combinación de datos de entrada de teledetección que incluyen series temporales de precipitación, CMA del suelo, pérdida inicial (la cantidad de precipitación necesaria para humedecer una cuenca antes de que comience la escorrentía) y tiempo hasta el pico de la cuenca para determinar las series temporales de escorrentía. Los modelos RNA son capaces de representar valores extremos de lluvia-escorrentía, lo que permite predecir inundaciones y caudales bajos. Pero, según los autores, "el principal inconveniente de los modelos basados en RNA es su limitación a la hora de revelar la relación entre la entrada y la salida [series temporales de escorrentía] debido a la naturaleza de caja negra de los modelos" (Gholami y Sahour 2022).

Utilización de datos socioeconómicos para rastrear la escorrentía

Cuando se carece de datos de observación de la Tierra, pueden utilizarse datos socioeconómicos para rastrear la escorrentía en el pasado. Un estudio realizado en el sur de China remontó 30 años de desarrollo socioeconómico y mostró una correlación entre el aumento del consumo de recursos y la interferencia ecológica, con la intensificación de problemas ecológicos como sequías e inundaciones. Los autores del estudio concluyeron además que los países más ricos eran los que presentaban menos erosión, mientras que los países tropicales más pobres eran los más susceptibles de sufrir altos niveles de erosión del suelo (Shuxia et al. 2021). 

Conclusión

La escorrentía es una amenaza para el medio ambiente, la salud humana y la economía, y puede afectar directamente al ODS 6. Los datos de observación de la Tierra pueden ayudar a modelizar las escorrentías para establecer medidas de gestión de riesgos. Incluso si la escorrentía no puede medirse directamente, es posible mapearla utilizando datos de observación de la Tierra como LULC y datos meteorológicos (AMC, intensidad y frecuencia de las precipitaciones). El cálculo de índices o el uso de aprendizaje automático a partir de datos de teledetección combinados con datos locales permiten simular la escorrentía. Estos métodos se utilizan en función del clima de la zona de estudio, pero lo que es seguro es que existen múltiples métodos que pueden utilizarse para controlar la escorrentía en diferentes zonas climáticas, en función de la disponibilidad y fiabilidad de los datos.