Hormazabal Cristina

Pontificia Universidad Católica de Valparaíso Fundación Isabel Caces de Brown Facultad de Agronomía, La Palma San Francisco S/N, Quillota-Chile

Evaluación multicriterio para pronosticar la distribución espacial de cobre en suelos agrícolas

Alumno: Cristina Hormazábal Villar Profesor Guía: Marco Cisternas Vega

Profesor Corrector: Alexander Neaman

Quillota 2006

AGRADECIMIENTOS

A mi familia por su cariño y paciencia.

A Marco Cisternas por sus consejos, apoyo y en especial por la orientación en mi vida profesional.

A Alexander Neaman y Rodrigo Aguilar,

por el gran apoyo en la realización de esta tesis.

A Cristian Youlton por su amistad, consejos y apoyo en las correcciones de esta tesis.

A todas aquellas personas especiales que de una u otra forma

me apoyaron y estuvieron a mi lado en esta gran etapa de mi vida.

RESUMEN

La obtención de muestras representativas es uno de los puntos fundamentales en cualquier

estudio relativo a la distribución de contaminantes en el sistema natural. Considerando el

alto costo involucrado en este tipo de análisis, es muy importante el desarrollo de

metodologías que permitan orientar la correcta localización de los puntos de muestreo.

En el presente trabajo se propone la asociación de una evaluación multicriterio en conjunto

con el sistema de información geográfica, para generar un modelo predictivo de la

distribución de elementos químicos en el sistema natural. Para probar lo anterior, se

utilizaron ambas herramientas en el pronóstico de la distribución de las concentraciones de

cobre en los suelos agrícolas de la cuenca del Aconcagua. Los resultados de este

pronóstico fueron posteriormente comparados con información proveniente de un muestreo

real. Desde el punto de vista espacial, el modelo aplicado tuvo hasta un 65% de acierto en

pronosticar correctamente las concentraciones de cobre.

Se concluye la utilidad de la propuesta planteada, la cual permitiría una reducción en los

costos de muestreo. El reconocimiento previo de la distribución de las concentraciones

permitiría diseñar muestreos dirigidos, de acuerdo a los requerimientos específicos del

estudio.

Summary

Acquiring representative samples is one of the most fundamental points in any study

relating to the distribution of contaminants in a natural system. Considering the high cost

involved in this kind of analysis, it is very important to develop methodologies that allow the

correct localization of the sampling point.

The present work proposes that a multicriterial evaluation, in conjunction with the

geographic information systems, will generate predictive models for the distribution of

chemical elements in a natural system. To prove this idea, both tools were used to predict

the copper concentration distribution in agricultural soils of the Aconcagua river basin. The

results of this prediction were later compared with the results of a real sampling. From the

spatial point of view, the applied model had up to 65% of success predicting the copper

concentration distribution.

It is concluded that the aforementioned proposal will permit a reduction in sampling costs.

Previous knowledge of the distribution of concentrations will allow a more directed sampling

according to the specific requirements of the study.

ÍNDICE

1. INTRODUCCIÓN.............................................................................................................. 1

1.1 Hipótesis de trabajo ..........................................................................................................2

1.2 Objetivos...........................................................................................................................3

2. REVISIÓN BIBLIOGRÁFICA ............................................................................................ 5

2.1. Evaluación multicriterio ...................................................................................................5

2.2. Sistema de información geográfica ..................................................................................5

2.3. Evaluación multicriterio y sistemas de información geográfica.......................................6

3. MATERIALES Y MÉTODOS ............................................................................................ 8

3.1. Área de estudio .................................................................................................................8

3.2. Materiales .......................................................................................................................10

3.3. Metodología....................................................................................................................11

4. RESULTADOS Y DISCUSIÓN....................................................................................... 26

5. CONCLUSIONES........................................................................................................... 33

6. LITERATURA CITADA ................................................................................................... 34

7. ANEXOS......................................................................................................................... 40

1

1. INTRODUCCIÓN

Por el considerable costo que significa tomar muestras en una superficie extensa, el uso de

metodologías que orienten en la toma de decisiones del lugar de muestreo es de gran

importancia. Dos de estos métodos son los sistemas de información geográfica y la

evaluación multicriterio. Ambos trabajan con gran cantidad y tipo de información, por lo que

usarlos en conjunto debiera ayudar a la toma de decisiones (Davidson y Jones, 1986;

Barredo, 1996; ESRI, 2001; Aranguiz, 2002; IGM, 2003; Gómez, 2005).

Chile presenta gran variedad de actividades económicas, destacando la minería y la

agricultura. La minería posee el primer lugar a nivel mundial con una participación de 37,5%

en la producción de cobre. En el año 2004, esta producción alcanzó los 5.412 miles de

toneladas métricas de cobre fino (COCHILCO, 2005). En la V región, el sector agrícola

tiene una participación de 60% en el producto interno bruto (PIB) silvoagropecuario y el

40% restante lo comprende el sector ganadero y silvícola (ODEPA, 2006).

La minería de cobre genera un gran riesgo ambiental al poseer un alto poder modificador

del paisaje, debido a sus descargas de residuos tóxicos y depósitos de relave (González,

2006). Las distintas concentraciones de este elemento afectarían tanto a la flora y fauna del

lugar, como al mismo suelo. En referencia a esto, González (1986) estableció que los

suelos presentan un comportamiento diferente dependiendo de la concentración, forma del

cobre y el tipo de suelo.

Numerosas investigaciones hacen referencia a los efectos de altas concentraciones en el

suelo, ya sea disminuyendo la cantidad de organismos presentes o siendo un fuerte factor

de estrés para las plantas (Spurgeon y Hopkin, 1996; Kabata-Pendias, 2004; SAG, 2006a).

Esta información avala la importancia de conocer el contenido de cobre en el suelo (SAG,

2006b).

Hay dos importantes yacimientos de cobre en la cuenca del río Aconcagua, ubicada en la

zona central del país. Estos yacimientos son conocidos como El Soldado y Andina. El

2

primero se localiza en la comuna de Nogales y el segundo, en el distrito de Saladillo

cercano a la ciudad de Los Andes. El Soldado tuvo una producción de 61 mil toneladas de

cobre en concentrados en el año 2004. Por otro lado, Andina en el mismo año tuvo una

producción de 240 mil toneladas de cobre en concentrados.

La cuenca del río Aconcagua, ubicada en la V región de Valparaíso, tiene un gran

desarrollo de actividades como la minería y la agricultura (DGA, 2004a y 2004b). La

primera está representada por 40 minas, 13 plantas y una fundición que produce 144.000

ton/año de cobre fino (Lara y Romo, 2002; MINMIN, 2006). La agricultura, debido al clima

típicamente mediterráneo, posee suelos agrícolas bajo riego de gran relevancia. Estos

suelos presentan cultivos de carácter mixto, siendo los con mayor superficie los frutales

(CNR, 2000; DGA, 2004a; PUCV, 2006). De estos, el palto y la vid de mesa presentan la

mayor superficie plantada de la región (ODEPA-CIREN, 2006).

En la actualidad, existe poca información sobre la distribución de cobre en suelos agrícolas

de la cuenca. Investigaciones como las de González (1986) y De Gregori et al. (2003)

confirman la falta de información de índole espacial que revele cómo se estarían

distribuyendo las concentraciones de este elemento.

El presente trabajo pretende mediante una evaluación multicriterio (EMC) y la utilización de

sistemas de información geográfica (SIG), pronosticar la distribución espacial de cobre en

suelos agrícolas de la cuenca del río Aconcagua.

La investigación se enmarca en el proyecto Fondecyt Nº 1050403 “Determination of

speciation and bioavailability of copper in agricultural soils in Aconcagua River basin:

Understanding the spatial distribution of copper toxicity for crops and soil organisms“.

1.1 Hipótesis de trabajo

Mediante una evaluación multicriterio aplicada en un sistema de información geográfica, es

posible pronosticar la distribución espacial de las concentraciones de cobre en los suelos

agrícolas de la cuenca del río Aconcagua.

3

1.2 Objetivos generales

1.2.1 Pronosticar, a través de EMC y SIG, las concentraciones de cobre en los suelos

agrícolas de la cuenca del río Aconcagua.

• Objetivos específicos

Determinar las variables abióticas y/o antrópicas relacionadas a la distribución espacial de

cobre mediante un panel de expertos e información bibliográfica.

Recopilar y digitalizar la información correspondiente a las variables determinadas en el

punto anterior, para ingresarla al SIG y generar la base de datos de la investigación.

Analizar y normalizar las variables de acuerdo a la EMC-SIG, para establecer los distintos

criterios.

Aplicar el proceso de análisis jerárquico de la EMC, para determinar la ponderación de los

criterios obtenidos en el objetivo anterior.

Aplicar el modelo de decisión en el SIG para obtener la distribución de cobre en los suelos

agrícolas.

Agrupar en rangos de concentraciones (alto, medio, bajo) los resultados para generar la

cartografía temática predictiva.

4

1.2.2 Generar una cartografía predictiva de distribución espacial de cobre y validarla a

través de la superposición con datos reales de terreno.

• Objetivos específicos

Generar una base de datos georreferenciada con las concentraciones reales detectadas en

las muestras de suelos agrícolas del Aconcagua, obtenidas en el marco del proyecto

Fondecyt N° 1050403*.

Agrupar en rangos de concentraciones (alto, medio, bajo) los resultados del objetivo

anterior para generar la cartografía temática de las concentraciones reales.

Reconocer el nivel de acierto de la cartografía predictiva mediante un análisis de

superposición con la cartografía que representa a la realidad.

* Neaman, A. 2006. Profesor de la Pontificia Universidad Católica de Valparaíso. Facultad de Agronomía. Comunicación personal.

5

2. REVISIÓN BIBLIOGRÁFICA

2.1. Evaluación multicriterio (EMC)

Algunos autores definen la EMC como un conjunto de técnicas orientadas a asistir en los

procesos de una investigación donde se debe tomar una decisión, analizando la o las

alternativas de tal manera que puedan satisfacer el o los objetivos en función de una serie

de criterios (Barredo, 1996; Aranguiz, 2002; Gómez, 2005).

Parrao (2004) establece que el objetivo de esta técnica es aportar una herramienta

metodológica para orientar en la toma de una decisión, como por ejemplo determinar el

mejor lugar de muestreo según la distribución del elemento, logrando seleccionar “lo mejor”

dentro de “lo posible” en un momento y una situación determinada.

Aunque muchos problemas han sido resueltos exitosamente con ayuda de estas

herramientas, otros han presentado ciertas dificultades como la aplicación de la EMC

basados en la comparación por pares con largas series de datos. Otra de las causales hace

referencia al desconocimiento del procedimiento interno de los métodos por parte de

usuarios no especialistas que retrasan la implementación (Aránguiz, 2002).

2.2. Sistema de información geográfica (SIG)

Los SIG son catalogados como sistemas informáticos capaces de realizar una óptima

gestión de información de índole espacial. Uno de los requisitos de esta información es su

georreferencia, es decir, debe poseer coordenadas geográficas (latitud y longitud) en todas

las capas con las cuales se trabaja. De este modo, es posible realizar análisis a sus

características espaciales y temáticas obteniendo un mejor conocimiento de la zona

(Bosque, 1992; IGM, 2003).

Los análisis en áreas extensas han sido beneficiados con los SIG, ya que permiten

almacenar mucha y detallada información del ambiente. Con lo anterior se logra formar una

6

base de datos que luego puede ser clasificada, combinada y analizada (Davidson y Jones,

1986). Estos sistemas permiten lograr un buen uso de la información a la hora de tomar

una decisión. Los SIG permiten al usuario establecer cómo se manejará la información del

territorio analizado (IGM, 2003).

2.3. Evaluación multicriterio y sistemas de información geográfica (EMC-SIG)

Debido a la alta diversificación y volúmenes de datos digitales existe la necesidad de utilizar

sistemas basados en soportes informáticos para una correcta gestión de los datos. En el

caso concreto de la información espacial, surgen los SIG como una herramienta potente

para tal fin (Aranguiz, 2002). Hoy en día, este tipo de tecnología en lo referente al análisis y

solución de problemas espaciales, se encuentra en crecimiento, por lo que surge la

posibilidad de integrar los SIG con técnicas de ayuda a la decisión como la EMC (Barredo,

1996).

El escaso desarrollo de los procedimientos de EMC se debería a que no han sido pensados

para trabajar con datos geográficos. De igual manera, los SIG han dejado atrás algunos

procedimientos en relación a la evolución del análisis de la componente temática, al menos

en el campo de la toma de decisiones. Así, la integración de estos elementos (SIG y EMC)

permitiría llevar a cabo, de manera simultánea, análisis en los componentes del dato

geográfico, espacial y temático, proporcionando soluciones a problemas espaciales

complejos (Barredo, 1996).

En base a lo anterior, es lógico pensar que los términos y procesos empleados no cuentan

con un consenso general, estableciendo por lo tanto en la Figura 1 un diagrama de

integración que muestra los elementos y las relaciones que existen entre ellos (Barredo,

1996).

La EMC, en conjunto con los SIG, ha sido utilizada en problemáticas de decisión tales

como el análisis de áreas vulnerables de inundación, problemas de planificación y gestión

del territorio, determinación de la capacidad de acogida del territorio, entre otras (Bosque,

1994 y 2001; Gómez, 2001; Yalcin y Akyürek, 2005).

7

Figura 1: Modelo de Integración entre SIG y EMC.

Fuente: Barredo, 1996

8

3. MATERIALES Y MÉTODOS

3.1. Área de estudio

El estudio se realizó en el período comprendido entre julio del 2005 y agosto del 2006, en la

cuenca del río Aconcagua. La cuenca se ubica entre los paralelos 32° 20’ y 33° 07’ latitud

sur y entre los meridianos 71° 31’ y 70° 00’ longitud oeste (DGA, 2004b). Esta forma parte

de la región administrativa de Valparaíso y posee un área de 7.334 km2 (Figura 2; CNR,

2000; PUCV, 2006).

El río Aconcagua se forma por la confluencia de los ríos Juncal y Blanco y de los múltiples

afluentes que recibe hasta desembocar en el Océano Pacífico (DGA, 2004b; CNR, 2000;

PUCV, 2006). Este río comienza en sus zonas de mayor altura y zona media con un

marcado régimen nival, recibiendo afluentes menores de marcado régimen pluvial en la

zona baja (DGA, 2004b). Este valle, concentra aproximadamente el 70% de los recursos

hídricos de la zona (Arancibia, 2002).

El clima predominante al sur del río Aconcagua corresponde al tipo mediterráneo y al norte

un clima de estepa cálido. Por el oeste, se aprecia la influencia costera hasta el interior de

la cuenca por medio de los valles. Al este, cambia radicalmente hacia la cordillera por sobre

los 3.000 m de altura, presentando de manera predominante un clima frío de altura (BCN,

2006).

En la cuenca, de acuerdo a Peralta (2006) la clase IV de uso de suelo presenta como límite

para realizar cultivos agrícolas una pendiente máxima de 15%. Considerando que se

pretende evaluar los suelos agrícolas, el área de estudio corresponderá a sectores con una

pendiente menor a 15%, considerados como sectores planos a fuertemente inclinados.

Dicha superficie posee aproximadamente 867 km2 (CNR, 2000; PUCV, 2006).

9

Figura 2: Ubicación de la cuenca del río Aconcagua y su hidrología.

Fuente: CNR, 2000; PUCV, 2006

10

3.2. Materiales

3.2.1. Información de base

La cartografía utilizada de la cuenca del río Aconcagua se compone de una amplia variedad

de información vectorial que procede de distintas fuentes:

- Serie de suelos: sección baja y alta de la cuenca fue suministrada por la Comisión

Nacional de Riego (CNR, 2000). La sección media, por el Institute for Technology in the

Tropics (ITT, 2005). Lo anterior se utilizó como información base y algunos de sus datos

clasificados como “no determinados” o “sin información” se completaron con la

agrupación de suelos provista por la Universidad de Talca (UT, 2005).

- Actividad minera: información sobre ubicación geográfica, proceso que realizan, estado

en que se encuentra y tipo de mineras presentes en la V región. Esta se llevó a formato

vectorial desde los datos provistos por Lara y Romo (2002).

- Depósitos de relave: información sobre la ubicación geográfica y la identificación de los

depósitos se llevó a formato vectorial de los datos provistos por Arancibia (2002).

- Para información complementaria se utilizó la base de datos SIG, de la Pontificia

Universidad Católica de Valparaíso (PUCV, 2006).

3.2.2. Equipo y programas

El programa utilizado para el manejo de la información geográfica es ArcGIS v. 8.3. Para

parte de la EMC, se utilizó el programa Expert choice 2000, segunda edición. El sistema de

posicionamiento global (Global positioning system, GPS) utilizado corresponde al modelo

GARMIN eTrex.

11

3.3. Metodología

3.3.1. Integración de la EMC y SIG

De las diversas metodologías que tiene la EMC, la más adecuada para el cumplimiento del

objetivo de esta investigación es la evaluación de capacidad de acogida del territorio. Este

enfoque se aplicó mediante el modelo de impacto-aptitud (Figura 3; Gómez, 2001).

Este modelo opera sobre los conceptos de impacto (efecto sobre el territorio) y aptitud

(intervención, favorable o no, del medio en el desarrollo de una actividad). Se expresa

como la suma de los factores positivos, restándole la suma de los factores negativos de la

actividad. De este modo, se obtiene para cada lugar un determinado valor que refleje su

capacidad. Esta metodología se enmarca en una evaluación de objetivo simple y criterios

múltiples (Barredo, 1996; Gómez, 2001).

Barredo (1996) hace referencia a los tipos de criterios, separándolos en factores y

limitantes. Los primeros, aportan información ya sea esta favorable (aptitud) o no (impacto),

indicando la manera en que se puede llegar a cumplir el objetivo. El segundo tipo, posee

información que restringe el lugar en el cual se puede cumplir el objetivo, determinando el

área de estudio (Bosque, 2001).

La EMC aplicada en el SIG incluye múltiples procesos, de los cuales se utilizó algebra

boleana para los criterios limitantes a través de superposición, y combinación lineal de

pesos (CLP) para los criterios de aptitud e impacto. El CLP utiliza el método de

comparación de parejas (MCP) junto al proceso analítico de jerarquía (Analytic Hierarchy

Process, AHP). Ambos procesos se desarrollaron en el programa Expert choice. El MCP

procede a la valoración del criterio catalogado como un factor a través de una matriz de

comparación binaria. El AHP proporciona un método matemático que traduce esta matriz

en un vector de pesos relativos para los criterios (Voogd, 1982; Yalcin y Akyürek, 2005).

12

Figura 3: Modelo impacto-aptitud para la capacidad de acogida en el SIG.

Fuente: Gómez, 2001

13

3.3.2. Creación de la base de datos SIG

La creación de esta base de datos se obtuvo de una encuesta a un panel de expertos y en

base a bibliografía, de las variables que afectan la distribución de cobre en un sistema

natural. Esta recopilación entregó cinco capas relevantes (Anexo 1):

- Serie de suelo: Porcentaje de materia orgánica, tipo de textura y pH del suelo.

- Uso de suelo: Terrenos agrícolas bajo riego con predominio de frutales, hortalizas y

cultivos anuales.

- Pendientes inferiores a 15%

- Actividad minera

- Depósitos de relave

De la estandarización de estas capas, en relación al lenguaje de codificación, se obtuvieron

los atributos con los cuales se trabajó (Anexo 2).

3.3.3. Metodología de valoración y análisis de las capas

La ponderación se estableció según los respectivos criterios de cada atributo. La

metodología planteada se resume en la Figura 4 que representa un diagrama de flujo en el

que cada término indica una capa.

Las capas relevantes (serie y uso de suelo, pendiente, actividad minera, relaves), se

estandarizaron a valores de 0 a 255 (normalización) para poder ser comparadas entre ellas.

La escala de valoración propuesta para el proceso de jerarquización, se presenta en el

Cuadro 1 y se puede complementar con la escala verbal expuesta en el Anexo 3 (Voogd,

1982; Bosque, 1994; Barredo, 1996).

Cuadro 1: Escala de valoración.

1/9 1/7 1/5 1/3 1 3 5 7 9 mínima interacción o

importancia similar interacción o

importancia máxima interacción o

importancia

14

Figura 4: Análisis de las capas bajo sus respectivos criterios.

15

3.3.4. Evaluación y manejo de los criterios de aptitud

Estos criterios de aptitud se determinaron por la disponibilidad de cobre en el suelo. Este

elemento se encuentra fuertemente retenido en suelos con pH alcalinos, alto contenido de

materia orgánica y suelos de textura arcillosa (González, 1991; Mc Bride et al., 1997;

Delgado y Serey, 2005).

Para la categorización de estos criterios se digitalizó la serie de suelos descrita por CIREN

(1997), complementando la información con factores tales como el porcentaje de materia

orgánica, pH y textura para cada serie de suelo. Los datos vectoriales provienen de la CNR

(2000), UT (2005) y PUCV (2006), por lo que se realizó un compendio de estas digitalizando

tanto la información gráfica como los datos en formato analógico.

Estos parámetros se analizaron de acuerdo a la disponibilidad del cobre en el suelo.

Posteriormente se normalizaron, correspondiendo el mayor valor al atributo buscado, que

representa los lugares con baja disponibilidad del elemento (Anexo 4). La jerarquización,

bajo la supervisión de un experto, se realizó en el programa Expert choice, obteniendo los

resultados presentados en la Cuadro 2.

Cuadro 2: Matriz de comparaciones binarias para las variables de aptitud.

Materia orgánica Textura pH PesoMateria orgánica 1 1/2 2 0,284Textura 2 1 2 0,096pH 1/2 1/2 1 0,619

Criterio de inconsistencia de 0.05

3.3.5. Evaluación y manejo de los criterios de impacto

• Actividad minera

Se seleccionaron sólo las mineras localizadas al interior de la cuenca y que procesan

exclusivamente cobre (54 minas; Anexo 5).

Dos situaciones se reconocen en la actividad minera, debido a la posibilidad de una emisión

ya sea en la actualidad o en el pasado. La primera, corresponde a las faenas que se

16

encuentran trabajando y la segunda, a las que están paralizadas (Sánchez y Enríquez,

2006). Su jerarquización se obtuvo del programa Expert choice bajo la supervisión de un

experto (Cuadro 3).

Cuadro 3: Matriz de comparaciones binarias de la actividad minera según el estado.

Trabajando Paralizada Peso Trabajando 1 7 0,875 Paralizada 1/7 1 0,125

Estos grupos se subdividieron de acuerdo a su faena en: “minas”, “plantas” y “fundición”, ya

que provocan impactos diferentes sobre el ambiente (Cuadro 4; Lara y Romo, 2002;

Sánchez y Enríquez, 2006).

Cuadro 4: Actividad minera de acuerdo a su faena.

Faena Cantidad Estado Fundición 1 Trabajando Plantas 13 Trabajando/paralizadas Minas 40 Trabajando/paralizadas

La fundición (Chagres), por su emisión a la atmósfera, se analizó con la información de la

rosa de los vientos. Los resultados indican que el cuadrante con mayor frecuencia, en una

dirección, es el noreste respecto al punto de emisión.

Las plantas y las minas se jerarquizaron de acuerdo a sus diferentes procesos

operacionales. Bajo la supervisión de un experto, se obtuvieron las ponderaciones

presentadas en la Cuadro 5 (minas trabajando) y Cuadro 6 (minas paralizadas).

Cuadro 5: Matriz de comparaciones binaria de las minas “trabajando”.

M. S. M. R. A. M. S./R. A P. L. P. C. F. PesoMina Subterránea 1 1/2 2 1/3 1/3 2 0,181Mina Rajo Abierto 2 1 3 1/3 1/3 2 0,138Mina Subt./R. Abierto 1/2 1/3 1 1/3 1/3 2 0,251Planta Lixiviación 3 3 3 1 2 3 0,077Planta Concentración 23 3 3 1 1 3 0,061Fundición 1/2 1/2 1/2 1/2 1/3 1 0,292


17

Cuadro 6: Matriz de comparaciones binaria de las minas “paralizadas”.

P. Lixiviación P. Concentración. M. Subterránea PesoPlanta Lixiviación 1 1/2 3 0,249Planta Concentración 2 1 3 0,157Mina Subterránea 1/3 1/3 1 0,594


Posteriormente, el análisis consideró el criterio de proximidad a la fuente emisora, de

acuerdo al modelo presentado en la Figura 5. De este modo, se obtuvieron de las minas que

están trabajando seis capas con sus respectivos atributos (Anexo 6) y tres para las que se

encuentran paralizadas (Anexo 7). Los resultados normalizados muestran con valores más

altos al atributo buscado, correspondientes en este caso a los sectores más próximos a la

fuente emisora.

• Depósitos de relave

Mediante la base de datos SIG se identificaron un total de 14 depósitos de relaves. Ellos

fueron analizados de manera individual de acuerdo a su ubicación y orientación de drenaje

hacia el río. La metodología seguida se presenta en la Figura 6 y se detalla en el Anexo 8.

Luego de estandarizar los depósitos de relaves (Anexo 9), se ingresaron al proceso de

sumatoria lineal, sin jerarquización debido a que todos los depósitos fueron catalogados con

igual importancia.

18

Figura 5: Procesos realizados para la capa impacto de actividad minera.

19

Figura 6: Procesos realizados para la capa impacto de los depósitos de relave.

20

Una vez analizadas las fuentes de cobre, se jerarquizaron a través de una matriz de

comparación binaria. Esto se realizó en el programa Expert choice (Cuadro 7).

Cuadro 7: Matriz de comparaciones binarias para las variables de impacto.

Depósitos Mineras Peso Depósitos 1 1/3 0,750 Mineras 3 1 0,250

3.3.6. Evaluación y manejo de los criterios limitantes

Los criterios denominados limitantes corresponden a tres variables, obtenidas de las capas

de información del uso de suelo agrícola, red de canales y curvas de nivel (pendientes). Este

tipo de criterios entrega como resultado la capa que establece el área de estudio. Esto se

logra al aplicar algebra boleana a las tres capas mencionadas en un principio.

• Análisis del uso de suelo agrícola

En este análisis, los terrenos agrícolas bajo riego indican el área de estudio buscada. Bajo

este criterio se reclasifican los atributos de la capa de acuerdo a la Cuadro 8.

Cuadro 8: Reclasificación de los atributos del uso de suelo.

Caso Estructura Valor Ordinal SI bajo riego con predominio de hortalizas 1 SI bajo riego con predominio de frutales y viñas 1 SI bajo riego con cultivos anuales 1 NO de secano con cultivos anuales 0

• Análisis de la red de canales

El análisis delimita aquella área cubierta por los canales. Esta información se obtuvo de

manera visual. La capa se delimitó estableciendo su reclasificación de acuerdo a la Cuadro

9.

Cuadro 9: Reclasificación de los atributos del área correspondiente a la red de canales.

Caso Código Estructura Valor OrdinalSI Dentro del área de estudio Terrenos regados 1 NO Fuera del área de estudio Terrenos no regados 0

21

• Análisis de la pendiente

Para este criterio se consideró la clase de uso de suelo IV, especialmente en lo referido a la

pendiente (Peralta, 2006).

Para la obtención de esta información, se utilizaron curvas de nivel con una equidistancia de

50 m, generando un modelo de elevación digital (DEM). Con el DEM y ArcGis se lograron

finalmente las pendientes que fueron reclasificadas según la Cuadro 10.

Cuadro 10: Reclasificación de los atributos de pendiente del terreno

Caso Código Estructura Valor Ordinal SI Dentro del área de estudio < 15% 1 NO Fuera del área de estudio > 15% 0

3.3.7. Aplicación del modelo de decisión

Las capas obtenidas de los criterios de aptitud e impacto fueron ponderadas en el programa

Expert choice, obteniendo los pesos de la Cuadro 11.

Cuadro 11: Matriz de comparaciones binarias de los criterios del tipo “factores”.

Aptitud Impacto Peso Aptitud 1 8 0,111 Impacto 1/8 1 0,889

Una vez jerarquizadas las capas fueron ingresadas al modelo de impacto-aptitud. Este

modelo se puede expresar por las siguientes ecuaciones lineales:

CAPA FACTORES = (CAPA_APTITUD*0,111) + (CAPA_IMPACTO*0,889)

CAPA LIMITANTES = (CAPA_SUELO * CAPA_CANAL * CAPA_PENDIENTE)/3

CAPA FINAL = CAPA_FACTORES * CAPA_LIMITANTES

3.3.8. Muestreo y análisis de la información

Para evidenciar el área de acierto y error alcanzado por el pronóstico de la distribución de

las concentraciones de cobre, se utilizaron resultados de concentraciones reales del

22

elemento en muestras de suelo (Neaman, 2006*). Estas, se extrajeron de los 20 cm

superiores del suelo hasta completar 1 kg de muestra. Las muestras fueron posteriormente

analizadas en el Laboratorio de Suelos de la Facultad de Agronomía de la PUCV para

determinar la concentración del cobre soluble en KNO3 0,1M (Anexo 10). La información de

su ubicación fue ingresada al SIG de acuerdo a las coordenadas entregadas por el GPS.

Dicha información se analizó con el programa ArcGis, obteniendo una capa de distribución

real de las concentraciones de cobre en los suelos agrícolas (ESRI, 2001). Esta capa de

distribución alcanza a cubrir el 70% del total del área de estudio.

3.3.9. Validación de la metodología

Para establecer el porcentaje de acierto y error en la metodología, el pronóstico de la

distribución de las concentraciones de cobre se comparó con la distribución real de las

concentraciones de este elemento.

Para poder realizar una comparación de valores paramétricos (capa pronóstico) con valores

no paramétricos (capa real), se reclasificaron sus atributos dividiéndolos en tres grupos con

valores ordinales (1, 2 y 3). Dicha estandarización corresponde a una agrupación realizada

arbitrariamente. Los grupos se clasificaron en bajo, medio y alto, según los rangos

propuestos en la Cuadro 11.

Cuadro 11: Agrupación de los atributos de las capas.

Atributos de las capas Valor

Ordinal Pronóstico

(valores normalizados: escala de 0 a 255)

Real (µg/kg)

Clasificación

1 0 - 50 75 - 152 Bajo 2 50 - 80 152 - 382 Medio 3 80 - 115 382 - 1419 Alto

El porcentaje del área cubierta por los tres grupos asignados en ambas capas (pronóstico y

realidad) se presenta en la Figura 7. Una capa temática se puede presentar como una

matriz numérica compuesta de sus atributos. Este concepto ayuda a entender el proceso de * Neaman, A. 2006. Profesor de la Pontificia Universidad Católica de Valparaíso. Facultad de Agronomía. Comunicación personal.

23

intersección que se realizó para establecer el área de acierto y error del pronóstico de la

distribución de cobre.

24

Figura 7: Establecimiento de los rangos y porcentajes del área establecida en las capas

de pronóstico y realidad.

25

La reclasificación de las capas temáticas con valores ordinales, permitió la comparación de

ambas por medio de una intersección. Esto, traducido al lenguaje matemático se representa

por la multiplicación de los atributos de ambas capas. Para que se cumpla la intersección

deben coincidir los atributos en ambas capas (Cuadro 12).

Cuadro 12: Intersección de los atributos de las capas

P1 * R1 = PR11 * 1 = 1 1 * 2 = 2 1 * 3 = 3 2 * 1 = 2 2 * 2 = 4 2 * 3 = 6 3 * 1 = 3 3 * 2 = 6 3 * 3 = 9

De los atributos que se intersectan se obtienen los atributos clasificados como área de

acierto, que corresponden en este caso a los números 1, 4 y 9. El caso contrario se

establece en aquellos atributos que no cumplen con la intersección, los cuales corresponden

a los valores 2, 3 y 6, que representan el área que no se pronosticó correctamente. Esto,

debido a que en la realidad existía más o menos cobre que lo pronosticado por el modelo,

clasificándose como área de error.

Para determinar el área total de acierto, se reclasificaron los atributos mencionados

anteriormente. En esta reclasificación se estableció el valor de uno al área de acierto y el

valor de cero al área de error. Calculando el área en el programa ArcGis.

26

4. RESULTADOS Y DISCUSIÓN

Con la asociación de metodologías como EMC y SIG, se zonificaron suelos de uso agrícola,

para pronosticar la distribución de las concentraciones de cobre. Orientando la toma de

decisiones sobre el lugar de muestreo. La asociación de estas dos metodologías entregó

como resultado el pronóstico de la distribución de las concentraciones de cobre en suelos

agrícolas (Figura 8). La factibilidad de esta unión concordó con lo realizado por Yalcin y

Akyürek (2005), quienes la utilizaron para determinar áreas vulnerables de inundación.

Los resultados se obtuvieron a través del manejo de las variables en relación a su criterio de

aptitud o impacto. Este tipo de manejo ha sido utilizado para determinar la capacidad de

acogida del territorio por Barredo (1996), Gómez (2001) y Aranguiz (2002).

Para comprobar el porcentaje de acierto de la metodología, lo pronosticado se comparó con

información real (Figura 9). Esta comprobación aportó no solo un método de validación sino

que también indicó las variables potenciales que deberían incorporarse al modelo. La

intersección de las capas entregó como resultado un 65% de acierto en determinar la

distribución de cobre en los suelos agrícolas de la cuenca del río Aconcagua (Figura 10).

El 65% total de acierto obtenido por el pronóstico de la distribución, se debería en gran parte

al correcto establecimiento de los pesos de los criterios y a las variables de impacto

analizadas. El 35% de error se debería a diferentes causas, donde las más relevantes

(actividad minera paralizada, dirección y frecuencia del viento, arrastre de partículas por río,

aplicación de fungicidas cúpricos y presencia de escorias) se identificaron según las zonas

presentes en la Figura 11 y lo establecido en la Cuadro 13.

27

Figura 8: Pronóstico de la distribución de las concentraciones de cobre en suelos

agrícolas de la V región.

28

Figura 9: Distribución real de las concentraciones de cobre.

Fuente: Neaman, 2006*.

* Neaman, A. 2006. Profesor de la Pontificia Universidad Católica de Valparaíso. Facultad de Agronomía. Comunicación personal.

29

Figura 10: Capa de acierto y error determinado en el pronóstico de la distribución de

cobre en suelos agrícolas.

30

Figura 11: Zonificación para la explicación de las causas probables del error y acierto del

pronóstico de la distribución de cobre.

32

En zonas como Quillota, el análisis de los resultados reveló la sobrestimación de las

aptitudes del suelo, al ser estas valoradas en ausencia de mineras en operación, lo que

explicaría su porcentaje bajo porcentaje de error (8%). En Llay Llay el porcentaje de error

obtenido se debería a que los datos analizados no coincidían con la situación real. De

hecho, la actividad minera se caracteriza por un constante dinamismo. Un ejemplo de lo

anterior es lo ocurrido con la mina Verdún ubicada en Catemu, que de acuerdo a lo

publicado (Lara y Romo, 2002), se encuentra paralizada. Sin embargo, según una

publicación más reciente se encontraría en plena operación (Empresa Melón, 2005).

En las localidades de Los Andes y Catemu se observan dos casos puntuales, en los cuales

probablemente el porcentaje de error de la predicción se debería a la aplicación de

fungicidas cúpricos en viñas (Pietrzak y McPhail, 2004). A pesar de la distancia, en Los

Andes, se observa la influencia de las mineras pertenecientes a Andina en el área de

estudio, lo que se atribuiría al arrastre de partículas a través del río.

El buen manejo ambiental en la gran minería, se deduce de la tecnología utilizada, por lo

que debiera incluirse en el modelo (Sánchez y Enríquez, 2006). Lo anterior, queda de

manifiesto con zonas como El Melón, en que parte de su porcentaje de error se debió a la

subestimación del manejo ambiental de los residuos de algunas mineras. En la zona de

Putaendo el alto porcentaje de acierto se establecería por las categorías de la actividad

minera que presenta, las cuales pertenecen a la pequeña minería.

Refiriéndose a publicaciones como las de González e Ite (1992) y González (2006), el

porcentaje de error encontrado en Catemu, se explicaría por el comportamiento

heterogéneo del viento, el que está determinado por las horas del día y las estaciones del

año. Lo anterior afectaría la orientación de la chimenea de la fundición, influyendo la

distribución de partículas de elementos tales como el Cu.

En sectores como Catemu y Ñilhue el impacto de las escorias mineras fue subestimado, ya

que estas afectaron el contenido de cobre en los suelos aledaños. De acuerdo a lo

analizado por Badilla-Ohlbaum et al. (2001), los elementos minerales presentes en estos

escombros también pueden ser arrastrados por ríos, por lo que deberían incorporarse al

modelo.

33

5. CONCLUSIONES

El método propuesto de EMC-SIG fue efectivo en un 65% para determinar la distribución de

cobre en suelos agrícolas de la cuenca del río Aconcagua. Esto se logró sin realizar ningún

análisis de terreno de las variables incluidas en la metodología.

Esta metodología es útil para el manejo de variables analizadas bajo múltiples criterios. La

ponderación de éstas juega un rol de gran importancia al pronosticar la distribución de

cobre. Esto, apoyaría el trabajo interdisciplinario realizado con los expertos.

En el entorno de los SIG, el agrupar las variables en capas de aptitud e impacto presenta

como ventaja la fácil comprensión como metodología, avalando su uso en el campo de la

EMC.

La comparación con datos reales, para la comprobación de la metodología, presenta gran

relevancia ya que, gracias a esto, se identificaron potenciales nuevas variables con las

cuales se podrían mejorar los resultados del modelo. Esto, en la realidad, se expresaría

como el ahorro que se produce al guiar un muestreo para obtener una distribución de cobre

de áreas representativas.

34

6. LITERATURA CITADA

Arancibia D., V. 2002. Ubicación geográfica, construcción, abandono y forestación de los

tranques de relave de la V región. 139 p. Geógrafo. Universidad Católica de Valparaíso.

Facultad de Recursos Naturales. Valparaíso, Chile.

Aránguiz, I. 2002. La programación multicriterio como herramienta de la ordenación

territorial. p. 955 – 964. In Gastó, J., P. Rodrigo e I. Aránguiz. Ordenación territorial.

Desarrollo de predios y comunas rurales. Facultad de Agronomía e Ingeniería Forestal,

Pontificia Universidad Católica de Chile. LOM Ediciones, Santiago, Chile.

Badilla-Ohlbaum, R., R. Ginicchio, P. Rodríguez, A. Céspedes, S. González, H. Allen, and

G. Lagos. 2001. Relationship between soil copper content and copper content of selected

crop plants in central Chile. Environmental Toxicology and Chemistry (USA). 20 (12): 2749–

2757.

Barredo, J. I. 1996. Sistemas de información geográfica y evaluación multicriterio en la

ordenación del territorio. 261 p. RA-MA, Madrid, España.

Biblioteca del Congreso Nacional. 2006. Clima y Vegetación de la región de Valparaíso.

Biblioteca del Congreso Nacional, Santiago. Chile. Disponible en

http://www.bcn.cl/pags/regional/cont/pags/20001227160506.html. Leído el 13 de abril de

2006.

Bosque S., J. 1992. Sistemas de Información Geográfica. 451 p. RIALP S. A., Madrid,

España.

________. 1994. Sistemas de información geográfica: Prácticas con PC ARC/INFO e

IDRISI. 478 p. RA-MA. Madrid, España.

35

________. 2001. Planificación y gestión del territorio. De los SIG a los sistemas de ayuda a

la decisión espacial (SADE). El Campo de las Ciencias y las Artes, Madrid España. 138:

137-174.

Centro de Información de Recursos Naturales. 1997. Estudio agrológico V región. 379 p.

Centro de Información de Recursos Naturales, Santiago, Chile.

Comisión Nacional de Riego. 2000. Cartografía digital de la V región. [CD-ROM]. Comisión

Nacional de Riego Santiago. Chile.

Comisión Chilena del Cobre. 2005. El Desarrollo Minero. Principales yacimientos de Cobre,

Oro y Plata. Comisión Chilena del Cobre, Santiago. Chile. Disponible en

http://www.cochilco.cl/inversion/fr_guia.html. Leído el 23 de septiembre de 2005.

Comisión Nacional del Medio Ambiente. 2006. Recursos naturales de la V región. Comisión

Nacional del Medio Ambiente, Valparaíso. Chile. Disponible en

http://www.conama.cl/portal/1255/article-26176.html#h2_3. Leído el 10 de septiembre de

2005.

Davison D., and G. Jones. 1986. A land resource information system (LRIS) for land use

planning. Applied Geography (United Kingdom) 6:255-265.

De Gregori, I., E. Fuentes, M. Rojas, H. Pinochet, and M. Potin-Gautier. 2003. Monitoring of

copper, arsenic and antimony levels in agricultural soils impacted and non-impacted by

mining activities, from three regions in Chile. Journal of Environmental Monitoring 5:287-

295.

Delgado L., e I. Serey. 2005. Distribución del cobre en ecosistemas forestales de tipo

mediterraneo. Revista Chilena de Historia Natural. 75 (3): 557-565. Disponible en

http://www.scielo.cl/scielo.php?pid=S0716-078X2002000300007&script=sci_arttext&tlng

=es. Leído el 15 de junio de 2005.

36

Dirección General de Aguas. 2004a. Evaluación de los recursos hídricos superficiales en la

cuenca del río Aconcagua. Informa técnico. 70 p. Departamento de Administración de

Recursos Hídricos, Dirección General de Aguas, Santiago. Chile.

________. 2004b. Diagnóstico y clasificación de los cursos y cuerpos de agua según

objetivos de calidad. Cuenca del río Aconcagua. 160 p. Dirección General de Aguas,

Santiago. Chile.

Empresa Melón S. A. 2005. Declaración de Impacto Ambiental. Proyecto de explotación

minera. Cantera Ñilhue. Agenda 1 y 2. (s. n.). Night Piésold Consultino S. A., San Felipe,

Chile.

Enviroment System Research Institute. 2001. Using ArcGIS Spatial Analysis. 232 p.

Enviroment System Research Institute. Redlands, USA.

Gómez, M. 2005. Evaluación Multicriterio y SIG. 50 p. In Video Conferencia del

Departamento de Geografía, Universidad de Alcalá, Madrid, España. 14 de octubre de

2004. Universidad Nacional Autónoma, Tegucigalpa, Honduras. Disponible en

http://www.oacs-unah.edu.hn/sitios/pr/eventos/DOC/Montserrat/Honduras_emc.pdf. Leído el

14 de octubre de 2005.

Gómez, O. 2001. Ordenación Territorial. 704 p. Agrícola Española, Madrid, España.

González, S. 1986. Contenido natural de metales pesados extraíbles con EDTA en suelos

del Valle Aconcagua. Agricultura Técnica (Chile). 46 (3): 323-327.

González, S. 1991. Upper critical level of copper to alfalfa, in ten Chilean soils. Part II

Environmental Chemistry and Cycling Metals. Water, Air, & Soil Pollution 57 – 58 (1) 201-

208.

González, S. 2006. Estado de la contaminación de los suelos en Chile. Estación

Experimental la Platina, Instituto de Investigaciones Agropecuarias, Santiago, Chile.

37

Disponible en http://www.um.es/gtiweb/adrico/medioambiente/sueloschile.htm. Leído el 16

de junio de 2006.

González, S. y R. Ite. 1992. Acumulación metálica en suelos del área bajo influencia de las

chimeneas industriales de ventanas. Agricultura Técnica (Chile). 50 (2): 214-219.

Instituto Geográfico Militar. 2003. Atlas geográfico de Chile. 208 p. Instituto Geográfico

Militar, Santiago, Chile.

Institute for Technology in the Tropics. 2005. Cartografía digital de Serie de Suelo, Sección

Media de la Cuenca del Río Aconcagua. [CD-ROM]. Institute for Technology in the Tropics,

Colonia, Alemania.

Kabata-Pendias, A. 2004. Soil-plant transfer of trace elements - An environmental issue.

Geoderma 122:143-149.

Lara P., L. y L. Romo. 2002. Atlas de Faenas Mineras. Minas y plantas de las regiones V, VI

y XIII. Mapas y Estadísticas de Faenas Mineras de Chile. Vol. 3. 144 p. Servicio Nacional

de Geología y Minería, Santiago, Chile.

Mc Bride, S. Sauvé and W. Hendershot. 1997. Solubility control of Cu, Zn, Cd and Pb in

contaminated soils. European Journal of Soil Science 48: 337-346.

Ministerio de Minería. 2006. Chile, minería presente y futura. 35 p. Ministerio de Minería.

Disponible en http://minmineria.latlink.net/img/Chile-mineria-presente-y-futura-OK.pdf. Leído

el 28 de agosto de 2006.

Oficina de estudios y políticas agrarias. 2006. Estadísticas de la agricultura chilena. Balanza

comercial nacional y sectorial. Oficina de estudios y políticas agrarias. Disponible en

http://www.odepa.cl. Leído el 28 de agosto de 2006.

ODEPA-CIREN. 2006. Catastro frutícola V región. 35 p. Oficina de estudios y políticas

agrarias – Centro de Información de Recursos Naturales. Disponible en

38

http://www.odepa.gob.cl/servicios-informacion/Catastrosfruticolas/catastro-VRegion-2002.

pdf. Leído el 25 de mayo de 2006.

Parrao A., P. 2004. Modelo de decisión multicriterio para la selección de alternativas de

rehabilitación de tranques de relaves. 87 p. Magíster en Ingeniería Industrial Mención

Logística. Pontificia Universidad Católica de Valparaíso, Facultad de Ingeniería, Valparaíso,

Chile.

Peralta A., J. M. 2006. Estudio agrológico. 36 p. Instituto Nacional de Investigación

Agropecuaria de Carillanca, Temuco, Chile. Disponible en

http://www.chileriego.cl/opensite/frm_opensite.asp?glb_cod_sistema=20020129172812&glb

_cod_nodo=20041126113612&glb_cod_nodo_recarga=20050412122508&glb_send=link.

Leído el 28 de marzo de 2006.

Pietrzak, U., y D. C. McPhail, 2004. Copper accumulation, distribution and fractionation in

vineyard soils of Victoria, Australia. Geoderma 122: 151 – 166.

Pontificia Universidad Católica de Valparaíso. 2006. Información digital de la V región y

cuenca del río Aconcagua. [CD-ROM]. Pontificia Universidad Católica de Valparaíso,

Facultad de Agronomía, Quillota.

Servicio Agrícola y Ganadero, 2006a. Criterios de calidad de suelos y aguas de riego.

Metales pesados en la salud. 11 p. Servicio Agrícola y Ganadero, Santiago, Chile.

Disponible en

http://www2.sag.gob.cl/Recursos-Naturales/criterios_calidad_suelos_aguas_agricolas/pdf_

suelos/4_metales_pesados_salud.pdf. Leído el 31 de julio de 2006.

________. 2006b. Criterios de calidad de suelos y aguas de riego. Metales pesados en los

cultivos. 32 p. Servicio Agrícola y Ganadero, Santiago, Chile. Disponible en

http://www2.sag.gob.cl/Recursos-Naturales/criterios_calidad_suelos_aguas_agricolas/pdf_

suelos/6_metales_pesados_cultivos.pdf. Leído el 31 de julio de 2006.

39

Sánchez, J. y S. Enríquez. 2006. Impacto ambiental de la pequeña y mediana minería en

Chile. 81 p. Departamento de Economía de la Universidad de Chile, Santiago, Chile.

Disponible en http://minmineria.latlink.net/img/impacto-ambiental-de-pequena-y-mediana -

mineria-en-Chile-OK.pdf. Leído el 12 de julio de 2006.

Spurgeon, D. J. y S. Hopkin. 1996. Effects of metal-contaminated soils on the growth,

sexual development, and early cocoon production of earthworm Eisenia fetida, with

particular reference to Zinc. Ecotoxicology and Enviroment Safety (United Kingdom) 35: 86-

95.

Universidad de Talca. 2005. Información digital de la V región. Series de suelo. [CD-ROM].

Universidad de Talca, Chile.

Voogd, H. 1982. Multicriteria evaluation for urban and regional planning. 397 p. PION.

Enshede, Nederland.

Yalcin, G. y Z. Akyürek. 2005. Multiple criteria analysis for flood in vulnerable areas. 11 p.

Ankara, Turkey. Aviable in

http://gis.esri.com/library/userconf/proc04/docs/pap1097.pdf. Accesed on May 15, 2005.

40

7. ANEXOS

41

Anexo 1: Resultados de encuesta a panel de expertos. Responda de la siguiente

manera: Situación Final

Suma tres encuestas

0 No es relevante 0 1 Poca importancia 3 2 Mediana importancia 6

El objetivo de esta encuesta es jerarquizar las variables en relación a su efecto en la contaminación y presencia del cobre en el suelo. Con los resultados se realizará la

caracterización de las zonas homogéneas. 3 Muy importante 9

Sistemas Ambientales 1. NATURAL

RESPUESTA Tres encuestas

0-15% 3 15-30% 4 Topografía Pendientes

30-45% 3 Aluvial mixto 6 Graníticos de interior 4 Litosol 4 Metamórficos 4

Tipos - PUCV

Instituto de Geografía

Sedimentos marinos 4 Terreno agrícola bajo riego con cultivos anuales 6 T. agr. bajo riego con predominio de frutales y viñas 6 T. agr. bajo riego con predominio de hortalizas 7

Uso - INE

T. agr. de secano con cultivos anuales 5 Áreas desprovistas de vegetación 6 Bosque nativo 4 Bosques plantaciones 4 Ciudades-Pueblos-Zonas industriales 5 Cuerpo de agua 6 Humedales 6 Matorral 5 Matorral-Pradera 5 Minería Industrial 8 Nieves y Glaciares 5 Praderas 4

Uso - CONAF

Terrenos de uso agrícola 7 Serie de suelo 0 Capacidad de uso 4 Orden del suelo 4 Origen del suelo 6 Contenido de materia orgánica 8 Carbono orgánico 4 Textura arcillosa 8

limosa 7

Suelo

CIREN

arenosa 6

42

Continuación Anexo 1: Resultados de encuesta a panel de expertos.

pH 8 CE 4 Carbonatos 5 CIC total 4 Clasificación de drenaje 7 Aptitud agrícola 5 Aptitud frutal 5

Suelo CIREN

Erosión 7 Dirección dominante por mes 8 Frecuencia dirección dominante (%) 6 Dirección del viento

Fuerza media viento por mes (nudos) 3 Temperatura 4 Radiación 3 Evaporación 4 Humedad 5

Agroclima

Precipitación 6 Dirección de drenaje 8 Acuíferos 7 Cauces naturales 8 Ríos principales 7 Esteros 7 Quebradas 8

Hidrología

Bocatomas 6 2. POR INTERVENCIÓN HUMANA

< 6 km 2 6 - 10 km 2 Beta del mineral radio área de influencia

>10 km 5 < 6 km 3 6 - 10 km 5 Emisión a la atmósfera radio área de influencia

>10 km 7 < 6 km 2 6 - 10 km 2

Influencia de la actividad minera

Desecho de residuos área de influencia

>10 km 2 < 2 mt 1

2 - 4 mt 1 Caminos zona buffer

> 4 mt 1 < 2 mt 2 2 - 4 mt 2

Medio de transporte

Tren zona buffer

> 4 mt 2

43

Anexo 2: Atributos capas de información.

Serie de suelos:

Materia orgánica (%) pH Textura 1 5 Moderadamente gruesa 2 6 Media 3 7 Moderadamente fina 4 8 Fina 5 6 7 8

21 36

Uso de suelo:

Terrenos Bajo riego con predominio de hortalizas Bajo riego con predominio de frutales y viñas Bajo riego con cultivos anuales Secano con cultivos anuales

44

Anexo 3: Escala de comparaciones binarias para el método AHP.

Valor numérico Escala Verbal Explicación

1.0 Igual importancia de ambos elementos

Los dos elementos contribuyen igualmente

3.0 Moderada importancia de un elemento frente a otro

Experiencia y juicio a favor de un elemento sobre otro

5.0 Fuerte importancia de un elemento sobre otro Un elemento es fuertemente favorecido

7.0 Muy fuerte importancia de un elemento sobre otro Un elemento es fuertemente dominante

9.0 Extrema importancia de un elemento sobre otro

Un elemento es favorecido por lo menos en orden de magnitud

2.0, 4.0, 6.0, 8.0 Valores intermedios Se utilizan cuando hay compromiso entre

dos juicios

45

Anexo 4: Normalización de las capas de aptitud.

% Materia orgánica NORMALIZACIÓN 1 25 2 50 3 75 4 100 5 125 6 150 7 175 8 200

21 225 36 250

pH NORMALIZACIÓN5 63 6 126 7 189 8 252

Textura NORMALIZACIÓN Moderadamente gruesa 63

Media 126 Moderadamente fina 189

Fina 252

46

Anexo 5: Base de datos de la actividad minera.

Localidad Faena Proceso Norte Este Situación Catemu Planta Las Pataguas Lixiviación 6382517 314873 TrabajandoCatemu Mina Amazonas Subterránea 6382500 323500 Paralizada

San Felipe Mina Bellavista Subterránea 6382030 331375 TrabajandoSan Felipe Planta Bellavista Concentración 6382045 332148 ParalizadaSan Felipe Mina Ocampo Subterránea 6382044 331470 ParalizadaSan Felipe Mina San Luís Subterránea 6381955 330800 ParalizadaSan Felipe Mina Manto Verde Subterránea 6378400 328000 Paralizada

Santa María Mina Farellones Subterránea 6387800 352700 TrabajandoPanquehue Mina Del Manzano Subterránea 6367000 320400 Paralizada

Llay Llay Mina Golondrina Subterránea 6365400 320000 ParalizadaLlay Llay Mina El Sauce Subterránea 6361770 323002 Paralizada

San Esteban Mina El Salado Subterránea 6377182 353546 TrabajandoSan Esteban Mina California Rajo abierto 6377400 352800 TrabajandoSan Esteban Planta California Lixiviación 6377400 352800 ParalizadaRinconada Mina Don Miguel Subterránea 6362500 338500 ParalizadaLos Andes Mina Sur - Sur Rajo abierto 6332834 382347 TrabajandoLos Andes Mina Río Blanco Subterránea 6332460 382666 TrabajandoLos Andes Planta SOAS Concentración 6356617 379687 TrabajandoLos Andes Planta Concentradora Concentración 6338010 383389 TrabajandoLos Andes Mina Salvadora Subterránea 6342450 386500 ParalizadaNogales Mina El Soldado Subt./Rajo abierto 6386500 302440 TrabajandoNogales Planta Oxido Lixiviación 6385000 298700 TrabajandoNogales Planta El Cobre Concentración 6384900 298800 TrabajandoNogales Mina Isla Subterránea 6376920 302121 ParalizadaNogales Mina Veta Del Agua Subterránea 6384342 302800 ParalizadaNogales Planta Veta Del Agua Concentración 6381906 300853 ParalizadaQuillota Mina Yesenia 1-10 Subterránea 6358300 298100 ParalizadaOlmue Mina Balmaceda Subterránea 6349240 302884 Paralizada

47

Continuación Anexo 5: Base de datos de la actividad minera.

Localidad Faena Proceso Norte Este Situación Putaendo Mina Santa Marta Subterránea 6388551 335019 ParalizadaPutaendo Planta El Arenal Concentración 6385782 335518 TrabajandoPutaendo Mina El Indio Subterránea 6400500 339100 ParalizadaPutaendo Mina La Felicidad Subterránea 6393500 334500 ParalizadaPutaendo Mina Sta. Verónica Subterránea 6394250 345700 ParalizadaPutaendo Planta Diamantino Concentración 6400815 347227 ParalizadaPutaendo Mina Adela de Los Loros Subterránea 6386400 335400 TrabajandoPutaendo Mina San Antonio Subterránea 6390181 336004 TrabajandoPutaendo Mina Esperanza Subterránea 6393700 334500 ParalizadaCatemu M. Cantera Los Mantos Rajo abierto 6384000 322000 TrabajandoCatemu Mina Las Chilcas Subterránea 6386700 316750 ParalizadaCatemu Mina Wilson 1-20 Subterránea 6384000 313000 ParalizadaCatemu M. Mantos de Catemu Subterránea 6383352 321978 ParalizadaCatemu Mina La Caracol Subterránea 6382469 322484 ParalizadaCatemu Mina La Unión Subterránea 6382300 313425 ParalizadaCatemu Mina Bollen Subterránea 6382233 313429 ParalizadaCatemu Mina Verdum Subterránea 6378046 316644 ParalizadaCatemu Planta Catemu Concentración 6373050 310831 ParalizadaCatemu Fundición Chagres Fundición 6368853 316875 TrabajandoCatemu Mina Victoriana Subterránea 6384000 316000 Paralizada

Panquehue Mina El Manzano Subterránea 6375345 314389 TrabajandoCatemu Mina Caracoles Subterránea 6382461 322468 ParalizadaCatemu Mina Cardenilla Subterránea 6382505 314709 TrabajandoCatemu Planta Patricia Lixiviación 6376835 315288 ParalizadaCatemu Mina Fortuna 21-40 Subterránea 6382137 311487 ParalizadaCatemu P. Crevani Galleguillos Lixiviación 6377966 315990 Trabajando

48

Anexo 6: Análisis de proximidad y normalización de las minas “trabajando”.

Mina Subterránea Planta de Lixiviación Planta de Concentración

Distancia NORM. Distancia NORM. Distancia NORM. 0-5000 255 0-5000 255 0-5000 255

5000-10000 230 5000-10000 230 5000-10000 230 10000-15000 204 10000-15000 204 10000-15000 204 15000-20000 179 15000-20000 179 15000-20000 179 20000-25000 153 20000-25000 153 20000-25000 153 25000-30000 128 25000-30000 128 25000-30000 128 30000-35000 102 30000-35000 102 30000-35000 102 35000-40000 77 35000-40000 77 35000-40000 77 40000-45000 51 40000-45000 51 40000-45000 51 45000-50000 26 45000-60000 26 45000-63000 26

Clases 10 Clases 10 Clases 10 Sumar 26 Sumar 26 Sumar 26 Mina Subt./Rajo Abierto Mina Rajo Abierto Fundición

Distancia NORM. Distancia NORM. Distancia NORM. 0-5000 255 0-5000 255 0-5000 255

5000-10000 230 5000-10000 230 5000-10000 170 10000-15000 204 10000-15000 204 10000-15000 85 15000-20000 179 15000-20000 179 20000-25000 153 20000-25000 153 25000-30000 128 25000-30000 128 30000-35000 102 30000-35000 102 35000-40000 77 35000-40000 77 40000-45000 51 40000-45000 51

45000-110000 26 45000-69000 26 Clases 10 Clases 10 Clases 3 Sumar 26 Sumar 26 Sumar 85

49

Anexo 7: Análisis de proximidad y normalización de las minas “Paralizadas”.

Mina Subterránea Planta de Lixiviación Planta de Concentración Distancia NORM. Distancia NORM. Distancia NORM.

0-5000 255 0-5000 255 0-5000 255 5000-10000 230 5000-10000 230 5000-10000 230 10000-15000 204 10000-15000 204 10000-15000 204 15000-20000 179 15000-20000 179 15000-20000 179 20000-25000 153 20000-25000 153 20000-25000 153 25000-30000 128 25000-30000 128 25000-30000 128 30000-35000 102 30000-35000 102 30000-35000 102 35000-40000 77 35000-40000 77 35000-40000 77 40000-45000 51 40000-45000 51 40000-45000 51 45000-50000 26 45000-60000 26 45000-63000 26

Clases 10 Clases 10 Clases 10 Sumar 26 Sumar 26 Sumar 26

50

Anexo 8: Base de datos de los depósitos de relave.

Coordenadas UTM Número Localidad Nombre Este Norte

1 Los Andes Andina 383000 6339000 2 Nogales La Jarilla 287000 6375000 3 El Melón Veta del Agua 301000 6382000 4 El Melón El Torito 298414 6384126 5 El Melón El Cobre 299245 6384412 6 Catemu Catemu 314000 6373000 7 Llay Llay El Sauce 323000 6362000 8 Putaendo Bellavista 332000 6382000 9 Catemu Tallagua 315000 6382000

10 San Felipe Encon 335977 6377671 11 Los Andes Los Leones 382747 6352155 12 Los Andes Piuquenes 382606 6349536 13 El Melón Embalse de relave 297334 6387000 14 El Melón Embalse de relave 297052 6384619 15 Catemu Ñilhue 321718 6380943

51

Anexo 9: Análisis de proximidad y normalización de los depósitos de relave.

1 2 3 Distancia NORM. Distancia NORM. Distancia NORM.

0-5000 255 0-5000 255 0-3000 255 5000-10000 204 5000-10000 170 3000-5000 170

10000-15000 153 10000-15000 85 5000-10000 85 15000-20000 102 20000-25000 51 Clases 5 Clases 3 Clases 3 Sumar 51 Sumar 85 Sumar 85


0-3000 255 0-3000 255 0-3000 255 3000-5000 170 3000-5000 170 3000-5000 170 5000-9000 85 5000-7000 85 5000-7000 85



0-3000 255 0-3000 255 0-3000 255 3000-5000 170 3000-5000 170 3000-5000 170 5000-7000 85 5000-9000 85 5000-9000 85



0-3000 255 0-2500 255 0-2500 255 3000-5000 170 2500-5000 128 2500-5000 128

5000-10000 85 Clases 3 Clases 2 Clases 2 Sumar 85 Sumar 128 Sumar 128


0-3000 255 0-5000 255 0-5000 255 3000-5000 170 5000-10000 204 5000-10000 191

5000-10000 85 10000-20000 153 10000-20000 128 20000-30000 102 20000-30000 64 30000-40000 51


52

Anexo 10: Concentraciones de cobre según coordenadas geográficas (UTM). Localidad Nº muestra Cultivo Este Norte Cu soluble

µg/kg Putaendo RA 1 Tabaco 338763 6384993 75 Putaendo RA 2 Tabaco 339215 6388010 75 Putaendo RA 3 Zapallos 341880 6390318 75 Putaendo RA 4 Almendros 340898 6389258 75 Putaendo RA 5 Olivos 342957 6394267 75 Putaendo RA 6 Trébol rosado 342956 6394270 75 Putaendo RA 7 Nogales 350959 6402876 75 Putaendo RA 8 Duraznos 346390 6400169 75 Putaendo RA 9 Duraznos 337008 6392400 75 Putaendo RA 10 Duraznos 336846 6391195 75 Putaendo RA 11 Barbecho 337132 6390599 75 Putaendo RA 12 Barbecho 336301 6384752 75 Putaendo RA 13 Barbecho 335339 6382340 75 Putaendo RA 14 Barbecho 333831 6381211 75 Chagres RA 15 Viñedo 316737 6370031 75 Chagres RA 16 Viñedo 315177 6370653 75 Chagres RA 17 Viñedo 315164 6371966 75 Chagres RA 18 Viñedo 313918 6372656 383 Chagres RA 19 Barbecho 313903 6372422 675 Chagres RA 20 Viñedo nuevo 315938 6374218 75 Chagres RA 21 Alfalfa 315643 6376827 162 Chagres RA 22 Viñedo 316170 6376573 168 Chagres RA 23 Trigo 316462 6375492 75 Chagres RA 24 Tabaco 317563 6376199 75 Chagres RA 25 Naranjos 317958 6377906 241 Chagres RA 26 Barbecho 318334 6378786 112 Chagres RA 27 Olivos 320798 6380861 1419 Chagres RA 28 Almendros 318857 6382158 905 Chagres RA 29 Duraznos 318073 6381757 748 Chagres RA 30 Alfalfa 317299 6368509 89 Chagres RA 31 Barbecho 317408 6368278 259 Chagres RA 32 Maíz 319339 6368769 75 Chagres RA 33 Viñedo 319550 6368512 75 Chagres RA 34 Paltos 317465 6368953 621 Chagres RA 35 Maíz 316917 6370138 596 Chagres RA 36 Barbecho 317920 6369551 1262 Chagres RA 37 Alfalfa 318372 6369531 1079 Chagres RA 38 Alfalfa 318661 6369763 182 Chagres RA 39 Barbecho 318763 6371019 355 Chagres RA 40 Lechuga 320691 6371643 75 Chagres RA 41 Viñedo 323486 6371554 649 Chagres RA 42 Alfalfa 323915 6371873 460 Chagres RA 43 Porotos 322894 6372147 75 Chagres RA 44 Porotos 322353 6372839 75

53

Continuación Anexo 10: Concentraciones de cobre según coordenadas geográficas.

Localidad Nº muestra Cultivo Este Norte Cu Soluble µg/kg

Chagres RA 45 Alcachofas 319520 6370340 75 Chagres RA 46 Tomate 320008 6371154 75 Chagres RA 47 Porotos 319437 6372073 98 Chagres RA 48 Alfalfa 317175 6371754 75 Chagres RA 49 Tabaco 315928 6368249 885 Chagres RA 50 Barbecho 315730 6368311 271 Chagres RA 51 Pastizal 314068 6368074 591 Chagres RA 52 Pimentón 315638 6368639 292 Llay Llay RA 53 Barbecho 321434 6362426 75 Llay Llay RA 54 Duraznos 322898 6362461 75 Llay Llay RA 55 Cítricos 322861 6362136 75 Llay Llay RA 56 Barbecho 323304 6362691 75 Llay Llay RA 57 Peras 319751 6364553 75 Llay Llay RA 58 Alfalfa 319551 6365006 75 Llay Llay RA 59 Barbecho 320329 6364311 75 Llay Llay RA 60 Maíz 320777 6364829 75 Llay Llay RA 61 Cebolla 320608 6364758 75 Llay Llay RA 62 Viñedo 320841 6364052 75 El Melón RA 68 Paltos 294161 6385402 75 El Melón RA 70 Porotos 293979 6385277 75 El Melón RA 72 Barbecho 293771 6385618 117 El Melón RA 73 Porotos 294841 6386016 168 El Melón RA 74 Limones 293732 6386139 718 El Melón RA 76 Nogal 293355 6384094 75 El Melón RA 82 Limones 301480 6378195 75 El Melón RA 83 Alfalfa 302192 6378638 75 El Melón RA 84 Barbecho 302038 6378951 75 El Melón RA 85 Porotos 302232 6379007 75 Los Andes RA 86 Zapallo 367419 6363437 75 Los Andes RA 87 Poroto 367590 6363504 75 Los Andes RA 88 Cebolla 366617 6363493 519 Los Andes RA 89 Alfalfa 365894 6363768 531 Los Andes RA 90 Alfalfa 365127 6364022 789 Los Andes RA 91 Pera 360802 6363734 98 Los Andes RA 92 Maíz 358819 6364540 92 Los Andes RA 93 Alfalfa 355856 6366135 75 San Felipe RA 94 Barbecho 353448 6377151 104 San Felipe RA 95 Viñedo 353627 6377013 1306 San Felipe RA 96 Viñedo 353520 6377016 682 San Felipe RA 97 Ciruelo 347334 6375393 81 Panquehue RA 99 Barbecho 329546 6373941 75 Panquehue RA 100 Avena 327253 6372373 75 Panquehue RA 101 Cebolla 325600 6370868 75

54

Continuación Anexo 10: Concentraciones de cobre según coordenadas geográficas.

Localidad Nº muestra Cultivo Este Norte Cu Soluble µg/kg

Llay Llay RA 102 Barbecho 317650 6363745 75 Llay Llay RA 104 Barbecho 320523 6362226 75 Llay Llay RA 105 Barbecho 315679 6364444 89 Quillota RA 106 Barbecho 294404 6363683 75 Quillota RA 107 Repollo 287993 6356616 75 Quillota RA 108 Barbecho 289484 6355597 75 Quillota RA 109 Barbecho 291200 6358418 75 Quillota RA 110 Barbecho 291987 6359551 75 El Melón RA 120 Paltos 297663 6370833 75 El Melón RA 121 Repollo 294947 6376708 75 El Melón RA 122 Tomate 294949 6376705 75 El Melón RA 123 Barbecho 296563 6375439 75 El Melón RA 124 Barbecho 297301 6374337 127 Rinconada RA 125 Sandia 347465 6366320 208 Rinconada RA 126 Porotos 342836 6367921 146 Panquehue RA 127 Barbecho 328577 6370207 914 Rinconada RA 128 Viñedo 349264 6367525 75

Hormazabal Cristina

Documents

Transcript of Hormazabal Cristina