1. INTRODUCCIÓN

Las cuencas representan unidades hidrológicas clave para la conservación de recursos tales como el agua y la tierra, ambos indispensables para el desarrollo y mantenimiento de la vida en el planeta. No obstante, el exorbitado crecimiento poblacional y económico ha generado que se ejerza una mayor presión y uso irracional de los recursos, lo cual ha derivado en el detrimento y pérdida de la calidad tanto de la tierra como del agua, en distintas partes del planeta (Balasubramani et al., 2019).

Esta cuestión, ha hecho que se realicen exhaustivos estudios sobre las cuencas, haciendo hincapié en los planes y medidas para la conservación y gestión de estas (Saptarshi & Raghavendra, 2009). Sin embargo, la aplicación de estos planes suele ser bastante compleja, dado que, se suelen condicionar por factores físicos, económicos, sociales, entre otros (Chowdary et al., 2013). Por ende, se busca aplicar estos planes en secciones más pequeñas dentro de la cuenca, como lo son las microcuencas, las cuales presentan rasgos distintos que tienen un impacto en las funciones de la cuenca, como en la recepción, almacenamiento, transporte y disposición del agua.

Por lo que, el conocer las características físicas, biológicas y sociales de las microcuencas es indispensable para comprender las problemáticas y así generar propuestas que faciliten la conservación y gestión de las cuencas. En base a este contexto, el presente proyecto buscar desarrollar distintos modelos SIG (ráster y vectorial), que permitan el análisis geoespacial de algunos rasgos biológicos, sociales y especialmente físicos de la microcuenca del río Huancaray, para lo cual se empleará el software ArcGIS.

2. ANTECEDENTES

• Desde un punto de vista tecnológico, la teledetección y los SIG se emplean ampliamente en los estudios de cuencas dado que proporcionan un entorno flexible y dinámico para la manipulación de información espacial, este hecho se evidencia en la delimitación de las propias cuencas, subcuencas y microcuencas por medio de los modelos de elevación digital (DEM), además, permiten generar diferentes tipos de análisis, como el de las características morfométricas e hidrogeológicas (Mohammed et al., 2018).
• Desde un punto de vista académico, Correa et al. (2021) desarrolló un estudio de contaminación por metales pesados en la microcuenca del río Huancaray, en este caso, los autores elaboraron mapas sobre los puntos de muestreo y de las fuentes de contaminantes dentro de la microcuenca. 
• Desde un punto de vista político y como consecuencia del punto anterior, el Congreso de la República del Perú (2021) incluyó a la microcuenca del río Huancaray dentro de las zonas declaradas como intangibles, por lo que en esta microcuenca no se otorgarán derechos de uso para el vertimiento de aguas residuales de ningún tipo.

3. DESCRIPCIÓN DEL ÁREA DE ESTUDIO

La microcuenca del río Huancaray se sitúa en la provincia de Andahuaylas y al departamento de Apurímac, perteneciente a territorio peruano. Bajo el sistema UTM, se encuentra en las coordenadas 689279.40 - 644051.01 m E, 8488455.08 - 8461086.74 m S y zona 18L. Su área ocupa aproximadamente 807 Km2 y se sitúa entre los 2136 y 4620 msnn. En cuanto a sus rasgos hidrológicos, esta microcuenca pertenece a la cuenca Pampas y a la vertiente hidrográfica del Amazonas. Presenta como río principal al Huancaray, y distintos ríos tributarios como el Huancabamba, Cceñuaran, Pacchi Huaycco y Yanacollpa, además de presentar lagunas como Suytuccocha, Pucaccocha y Quilcaccocha (Correa et al., 2021) (Ver Figura 1).

4. OBJETIVOS DEL PROYECTO

• Descargar archivos ráster (DEM y bandas Landsat-8) y vectoriales (centros poblados y fuentes de contaminación).
• Crear un modelo de construcción de la red hídrica mediante la herramienta “ModelBuilder”.
• Desarrollar modelos derivados a partir del DEM y vectores descargados.
• Desarrollar modelos derivados a partir de las bandas Landsat-8 (clasificación supervisada y NDVI).
• Desarrollar y analizar dos modelos finales con la temática de pendientes y la cobertura sana de la microcuenca.

5. PROCEDIMIENTO

5.1. Descarga de archivos ráster y vectoriales

• Para empezar, se obtuvieron 3 shapefiles, el primero abarcó la delimitación de la cuenca Pampas obtenido del observatorio del agua de la Autoridad Nacional del Agua del Perú (ANA), el segundo abarcó a las fuentes contaminantes de la cuenca obtenida también de la plataforma del ANA, el tercero abarcó a los centros poblados del departamento de Apurímac obtenido del GEO GPS Perú.
• Los archivos ráster comprendieron a un modelo de elevación digital (DEM) obtenido de la plataforma del “ASF Data Search” y las primeras 7 bandas del satélite Landsat-8 OLI obtenidas de la plataforma del “Earth Explorer” (Ver Figura 2).

5.2. Aplicación de la herramienta “ModelBuilder”

• Se creó una caja de herramientas con un modelo nuevo denominado “RED_HIDRICA”, sobre este último, se recreó redundantemente el modelo de la red hídrica. El primer proceso consistió en obtener un archivo vectorial de cuencas, para lo cual, se empleó como insumo principal al DEM descargado, el cual fue sometido progresivamente a las herramientas de hidrología “Fill, Flow Direction, Basin” y de conversión “Raster to polygon”.
• Una vez obtenido el shapefile de cuencas, de manera manual, mediante la herramienta de selección se extrajo a la microcuenca del río Huancaray (Ver Figura 3).

• Se retomó con la construcción del modelo, este proceso consistió en obtener archivos vectoriales de la red hídrica principal y secundaria de la microcuenca, para lo cual, se empleó como insumo entrante a la capa resultante del “Flow Direction”, la cual fue sometida a la herramienta de hidrología “Flow Accumulation”, de algebra de mapas “Raster Calculator”, de conversión “Raster to polygon” y de extracción “Clip”.
• Para concluir con el modelo de construcción, se aplicaron algunas variables y parámetros, se validó y efectuó el modelo (Ver Figura 4).

5.3. Desarrollo de modelos derivados a partir del DEM

• Se aplicó la herramienta de análisis espacial “Extract by mask”, con tal de delimitar al DEM corregido (capa resultante de “Fill”) a la microcuenca. Este DEM recortado fue el principal insumo para el desarrollo de los primeros 7 modelos derivados.
• Los primeros dos modelos fueron los de sombras, para lo cual se empleó la herramienta de análisis 3D “Hillshade”, en este caso, se desarrollaron modelos de sombras para dos horarios diferentes, siendo estos las 8 A.M. y 5 P.M. El tercer modelo fue para realizar un análisis de la diferencia entre ambos modelos de sombra, por lo que se usó la herramienta “Cut Fill”. Estos 3 modelos fueron representados en un solo mapa dado su intrínseca relación (Ver Figura 5).

• El cuarto modelo fue el de pendientes, para lo cual se aplicó la herramienta del mismo nombre “Slope” para su representación en grados. El quinto modelo fue el de orientación de la pendiente, el cual se desarrolló con la herramienta “Aspect” (Ver Figura 6).

• El sexto modelo fue el de visibilidad, para lo cual además del DEM, se empleó el shapefile de fuentes contaminantes y la herramienta “Viewshed”. Por último, el séptimo modelo fue el de densidad de Kernel, se empleó el shapefile de centros poblados (con su atributo referido al número de habitantes) y la herramienta análisis espacial “Kernel density” (Ver Figura 7).

5.4. Desarrollo de los modelos derivados a partir de las bandas Landsat-8

• Se obtuvieron dos modelos derivados empleando las bandas Landsat-8, el primer modelo correspondió al NDVI, para lo cual se empleó la herramienta “Raster Calculator” en la que se ingresó la fórmula para calcular el NDVI mediante las bandas 5 y 4, la capa resultante de este proceso fue reproyectada al sistema de coordenadas empleado (“WGS 1984 UTM Zone 18S”) por medio de la herramienta “Project raster”. Una vez reproyectada, se aplicó la herramienta “Reclassify” con tal de clasificar los valores del NDVI en la escala de salud de la vegetación mencionada por Cherlinka (2020), se le asignó una simbología (Ver Figura 8) y se transformó al archivo en formato vectorial.

• El segundo modelo correspondió a la clasificación supervisada del área de estudio, para lo cual se empleó la herramienta de procesamiento ráster “Composite Bands”, con la que se unió a las bandas Landsat-8 descargada, esta capa fue reproyectada para posteriormente ser delimitada a la microcuenca mediante la extracción por máscara. Se activó la barra de “Image Classification”, y se empezaron a crear muestras en la capa de composición de bandas, en este caso, se optó por la combinación de bandas 5-4-3 (Infrarrojo de vegetación) como mapa base. Las muestras creadas abarcaron las zonas con vegetación, sin vegetación, cuerpos de agua y sus orillas (zona areno-limosa) (Ver Figura 9). Una vez culminada la creación de muestras se aplicaron las herramientas “Interactive Supervised Classification” y “Majority filter” con tal de generar nuestro ráster con las clasificaciones designadas. Se aplicó la herramienta “Raster to polygon” para obtener una clasificación en formato vectorial.

• Por último, se creó una matriz de confusión para analizar la precisión de la clasificación supervisada, para lo cual se creó un shapefile de puntos denominado como “REGISTRO” el cual representaba 200 puntos de las clases empleadas en la clasificación, posteriormente se aplicaron las herramientas de análisis espacial “Extract Values to Points”, de estadística “Frequency” y de tabla “Pivot table” con tal de obtener las coincidencias entre la capa puntos creada y el ráster de la clasificación hecha, se exportó la tabla a Excel para una mejor representación y cálculo de la precisión (Ver Figura 10).

5.5. Desarrollo de mapas de cobertura sana de la microcuenca

• Para generar el modelo final de cobertura sana, se aplicó la herramienta de geoprocesamiento “Intersect” entre las capas vectoriales del NDVI y de la clasificación supervisada. De esta capa resultante y por medio de la selección por atributos, se extrajo a las secciones que cumplían dos condiciones, la primera es que sean zonas con vegetación (clasificación supervisada) y que sean zonas con vegetación medianamente/muy saludables (NDVI) (Ver Figura 11).

• Se aplicó la herramienta “Reclassify” al modelo de pendientes, en este caso categorizó al modelo en 7 secciones, siguiendo lo mencionado por Habtu & Katihally (2023) (Ver Figura 12).

• Mediante este proceso se determinó a la cobertura sana, la cual fue representada en dos mapas, en el primero se presenta a dicha cobertura con las redes hídricas determinadas con el “ModelBuilder” y el segundo presenta a la cobertura sobre uno de los modelos derivados, en este caso, se trató del de pendientes. Por resumir un poco los procedimientos aplicados se sugiere visualizar el flujograma de la Figura 13.

6. RESULTADOS

6.1. Modelo Derivado de Sombras y Cut Fill

Los modelos de sombras nos permiten tener cierta noción sobre cómo es la superficie topográfica y las zonas montañosas (Pande et al., 2021), dado que este modelo brinda una percepción tridimensional y ciertamente realista del área de estudio, mencionar también que los resultados de este modelo varían según la dirección del sol, la cual es condicionada por los datos de altitud y azimut. Este efecto es expresado en los mapas de sombras de la Figura 14, dado que la posición de la fuente de luz (sol) evidentemente varía durante el transcurso de un día, esta diferencia de horarios es expresada de manera más clara a través del “Cut Fill”, en la cual se denotan los cambios en forma de una zonificación de ganancia y pérdida neta.

Hay que mencionar también que, en el caso de las sombras, el valor de 0 hace referencia a las zonas bajas (más oscuro) y el valor de 254 a las zonas altas (más claro). De cierta manera, también se llega a observar las zonas por donde fluye/almacena el agua, dado que en los mapas de sombras estas se encuentran en las zonas bajas y en el mapa Cut/Fill estos se encuentran en las zonas sin cambios.

6.2. Modelo Derivado de Pendientes y Orientación de la Pendiente

Habtu & Katihally (2023) mencionan que el aspecto y la pendiente son variables importantes para el análisis de los accidentes geográficos de las cuencas. Con lo que respecta a las pendientes, estas permiten detectar puntos de erosión, estiman la escorrentía e identifican aguas subterráneas, siendo tareas de interés en la gestión de recursos dentro de la cuenca. En el caso de la microcuenca del río Huancaray, hay varias porciones del territorio con pendientes suaves, planas y moderadas (0 - 15°), sin embargo, son mayores las porciones con pendientes empinadas y acantilados (25 - >45°) (Ver Figura 15), este hecho es importante porque en la microcuenca suele tener precipitaciones anuales de 694 mm (Correa et al., 2021) siendo un área moderadamente lluviosa según el IGP (2013), esto implica que hay mayores riesgos de erosión hídrica, dado que pendientes elevadas contribuyen a la erosionabilidad del suelo de la microcuenca (Gelagay & Minale, 2016), lo cual podría derivar en el deterioro de la calidad del suelo o en la provocación de deslizamientos de tierra.

Con lo que respecta a la orientación de la pendiente o aspecto, el modelo permitió la representación de 12 posibles orientaciones (Ver Figura 16) de la misma, esta sirve para el análisis de algunas variables, por ejemplo, Schillaci et al. (2015) señalan que la orientación de la pendiente condiciona a factores como la humedad del suelo, la insolación y al desarrollo de vegetación. 

6.3. Modelo Derivado de Visibilidad

Franch & Cancer (2017) mencionan que la importancia de los modelos de visibilidad es que permiten conocer el acceso visual que se tienen sobre algunas zonas o elementos dentro del paisaje, particularmente, dichos autores hacen mención a tres perspectivas diferentes de esta temática, la primera es la visibilidad intrínseca (que es básicamente lo que se llegue a observar de una zona desde cualquier punto), la accesibilidad visual (relacionada al número de observadores o espectadores que pueden observar cierto punto) y la visibilidad de impactos negativos (puntos que impliquen un detrimento a la calidad estética del paisaje). En base a este último punto se desarrolló el modelo de visibilidad aplicado a la microcuenca, y es la Autoridad Nacional del Agua de Perú tiene registrado un foco de contaminación dentro del área de estudio, se trata de una zona de vertimiento directo de aguas residuales hacia la quebrada Cumanaylla, la cual conecta con el río Huancaray e implica una pérdida de calidad ambiental y estética del paisaje. En el mapa (Ver Figura 17) se aprecia a las zonas que tienen visibilidad sobre esta fuente de contaminación. 

6.4. Modelo Derivado de Densidad de Kernel

En cuanto al modelo (Ver Figura 18) observamos los 203 centros poblados inmersos en la microcuenca, sin embargo, podemos observar pocos puntos de calor, siendo el más resaltante el de la parte superior derecha, el cual representa al punto con mayor cantidad de población por Km2, particularmente los puntos de color están ligados a centros poblados de la categoría pueblos. Particularmente, la mayor parte de centros poblados son caseríos y unidades agropecuarias, estos últimos si bien están registrados, la mayoría de ellos no pasa de los 90 pobladores y algunos ni llegan a 10. He de mencionar que este modelo es importante dado que se suele asociar a las zonas con mayor población con mayor contaminación, mayor demanda de recursos y mayor generación de residuos, lo cual implica que se genere un mayor impacto sobre la microcuenca.

6.5. Modelo Derivado de Clasificación Supervisada

La clasificación supervisada es un método ampliamente empleado para la detección de la cobertura de suelo y los cambios de uso de suelo a partir de imágenes satelitales (Hasan et al., 2023), se aplicó esta metodología a la microcuenca de estudio, particularmente opté por dividirlo en cuatro usos de suelo, zonas con vegetación, zonas sin vegetación, cuerpos de agua y zonas areno-limosa (orillas). En el mapa de la Figura 19 se aprecia de mejor manera la clasificación realizada, en la que se destaca que la zona sin vegetación es la que ocupa un mayor espacio territorial (63485.63 Ha), le sigue la zona con vegetación que abarca 18425.58 Ha, luego los cuerpos de agua con 484.38 Ha y por último las zonas areno-limosa con 128.21 Ha.

Se desarrolló también una matriz de confusión, en la Tabla 1, se visualiza la precisión del modelo, la cual es de 97%.

6.6. Modelo Derivado de NDVI

Con lo que respecta al NDVI, se aplicó una reclasificación del resultado obtenido tras aplicar la fórmula en la calculadora ráster, se utilizó la clasificación de la vegetación más típica, en este caso Cherlinka (2020) las separa en cuatro categorías: Vegetación muerta u objetos inanimados, vegetación enferma, medianamente sana y muy sana. Aplicada esta clasificación a la microcuenca, no se obtuvieron zonas con vegetación muy sana, tal cual se observa en la Figura 20, la microcuenca presenta una extensa área de vegetación enferma (0 - 0.33) de 74049.04 Ha, le sigue la zona con vegetación medianamente sana (0.33 – 0.66) la cual abarca 8232.51 Ha, por último, las zonas con objetos inanimados o vegetación muerta la cual se extiende por 243.93 Ha. El análisis del NDVI es importante dentro de la microcuenca dado que permite detectar a aquellas zonas con la mayor biomasa, productividad y vigor de la vegetación (Suir & Sasser, 2019), este hecho gana mayor relevancia dado que la presencia de una vegetación en condiciones apropiadas dado que sirve de protección frente a eventos de erosión, además de tener un impacto en la escorrentía y la producción de sedimentos a nivel de cuenca (Zhang et al., 2018). 

6.7. Modelos Finales de Cobertura Sana de la Cuenca y Pendientes reclasificadas

En la Figura 21 se observa el mapa sobre la cobertura vegetal sana de la microcuenca, particularmente, esta abarca 7711.97 hectáreas (Ha), siendo un 9.35% del área total de la microcuenca, esta proporción es algo baja, sin embargo, se puede explicar por el contexto presentado en la microcuenca. Primeramente, a simple vista en el mapa se aprecia que la mayor parte de la cobertura sana se sitúa mayormente en los alrededores de las redes hídricas, este hecho sería positivo, pero tanto en las quebradas y ríos, se da el vertimiento de efluentes contaminados, de hecho, el estudio de Correa et al. (2021) demostró que hay concentraciones elevadas de metales pesados como el Zn, Cr, Cu, Pb, As y Ni que sobrepasan los límites de la normativa peruana, esto es propiciado principalmente por el excesivo uso de agroquímicos y las descargas de aguas residuales domésticas por parte de los diferentes centros poblados inmersos en la microcuenca.

A partir de este problema es que se genera otro, y es que muchos de los centros poblados son unidades agropecuarias y/o dedicadas al rubro de la agricultura, los cuales emplean estas aguas contaminadas sobre sus propios cultivos, lo cual resulta en uno de los causantes de tener zonas de vegetación enferma, tal cual se detectó mediante el modelo del NDVI. Este hecho se agrava por los cambios del uso de la tierra, dado que con el aumento de población se genera mayor demanda de alimentos y acelera el proceso de urbanización, particularmente, en el caso de la microcuenca, son las zonas agrícolas las cuales han ido ganando mayor terreno, este hecho ha generado que se pierda gran parte de la cobertura vegetal natural, lo cual implica que dentro de la microcuenca haya una menor tasa de infiltración y aumente la escorrentía superficial junto a la erosión (Cerdà & Doerr, 2005), sobre este último aspecto, Usman et al. (2023) mencionan que a largo plazo, la erosión conduciría a que el suelo pierda su productividad y calidad, agote su materia orgánica, llegue a acidificarse e implique un problema para la seguridad alimentaria.

La cobertura vegetal está delimitada por diferentes características topográficas, siendo la pendiente, una de sus mayores limitantes (Lin et al., 2014) en cuanto a la distribución de esta como a la accesibilidad, este aspecto es sumamente importante, dado que, como se mencionó previamente, la microcuenca está siendo afectada por la actividad agrícola, Minale & Gelaye (2021) hacen mención que las zonas con pendientes suaves brinda una mayor facilidad para su acceso, y por lo tanto, permiten el asentamiento y expansión del hombre, por lo que permite que se instalen más tierras para el cultivo y se depreden zonas naturales, pasa lo contrario en las zonas con pendientes empinadas, en las que se difícil que se de alguna intervención del hombre sobre el terreno. Esta situación se produce de cierta manera en la microcuenca estudiada, dado que tal cual se observa en la Figura 22, las zonas con pendientes planas y suaves presentan el 27.02% de la cobertura sana, conforme aumenta el grado de la pendiente hay mayor porcentaje de cobertura sana, de hecho, en la zona medianamente empinada se presenta la mayor cantidad de cobertura sana (33.47%).

7. CONCLUSIONES

• Se descargaron los diferentes archivos bases (bandas satelitales, DEM y shapefiles) de bases de datos espaciales confiables.
• La creación del modelo de construcción aplicando “ModelBuilder” permitió un procesamiento rápido y efectivo para el diseño de las redes hídricas.
• Los modelos derivados a partir del DEM permitieron analizar las implicancias de distintas variables del medio físico y social para con la microcuenca, tales como el relieve, la pendiente, la visibilidad de un foco contaminante y la densidad poblacional.
• Los modelos derivados a partir de las bandas Landsat-8 permitieron analizar el estado del medio biológico en cuanto a la cobertura vegetal, el NDVI brindó una idea sobre el estado de la salud de la vegetación y la clasificación supervisada permitió reconocer a las zonas con y sin vegetación de la microcuenca.
• Los modelos finales permitieron analizar la cobertura vegetal sana de la microcuenca, gracias a esto, se identificó que a la intervención humana (expansión y actividad agrícola), como la principal razón del detrimento y pérdida de la cobertura vegetal natural, además de discutir sobre como las pendientes están inmiscuidas en esta problemática, por último, mencionando posibles consecuencias que sucederían en uno de los recursos con mayor importancia dentro de la microcuenca (el suelo).

8. RECOMENDACIONES

• Se puede representar a las pendientes y al NDVI mediante los rangos por defecto que genera el propio ArcMap, sin embargo, recomiendo que se realice una búsqueda bibliográfica para aplicar una reclasificación, empleando rangos reconocidos en artículos y/o estudios científicos.
• Para realizar la combinación de bandas puede usarse “Image Analysis”, sin embargo, hay un “bug” en algunas versiones de ArcMap que al momento de realizar las combinaciones solo muestra el nombre de la Banda 1, en caso suceda esto, se puede emplear la herramienta “Composite Bands” la cual permite la combinación y no presenta ese particular error.
• En el caso de la clasificación supervisada, se pueden aplicar mayores clases para así obtener una clasificación más rica en información. Además, dependiendo de lo que uno busque clasificar, se pueden emplear diferentes combinaciones de bandas para el reconocimiento sobre a qué clase pertenece cada píxel. Por último, al momento de realizar la matriz de confusión, recomiendo emplear mayores cantidades de puntos de registro para evitar el sesgo de la clasificación.

9. REFERENCIAS BIBLIOGRÁFICAS

• Balasubramani, K., Gomathi, M., Bhaskaran, G. & Kumaraswamy, K. (2019). GIS-based spatial multi-criteria approach for characterization and prioritization of micro-watersheds: a case study of semi-arid watershed, South India. Applied Geomatics, 11(1), 289-307. https://doi.org/10.1007/s12518-019-00261-y.
• Cerdà, A., & Doerr, S. (2005). Influence of vegetation recovery on soil hydrology and erodibility following fire: An 11-year investigation. International Journal of Wildland Fire, 14(4), 423-437. https://doi.org/10.1071/WF05044.
• Cherlinka, V. (2020). NDVI: Preguntas frecuentes y qué necesita saber. EOS Data Analytic. https://eos.com/es/blog/ndvi-preguntas-frecuentes/#:~:text=%C2%BFQu%C3%A9%20Es%20El%20NDVI%20En,la%20salud%20de%20la%20vegetaci%C3%B3n.
• Chowdary, V., Chakraborthy, D., Jeyaram, A., Krishna, Y., Sharma, J. & Dadhwal, V. (2013). Multi-criteria decision making approach for watershed prioritization using analytic hierarchy process technique and GIS. Water Resources Management, 27(1), 3555-3571. https://doi.org/10.1007/s11269-013-0364-6.
• Congreso de la República. (2021). Proyecto de Ley que modifica la Ley 29338, Ley de recursos hídricos, modificada por la Ley 30640, y declara la intangibilidad de las cabeceras de cuenca. Gobierno del Perú. https://wb2server.congreso.gob.pe/spley-portal-service/archivo/NDEzOA==/pdf/PL-00585.
• Correa, O., Fuentes, F. & Coral, R. (2021). Contaminación por metales pesados de la microcuenca agropecuaria del río Huancaray – Perú. Revista de la Sociedad Química del Perú, 87(1), 26-38. https://dx.doi.org/10.37761/rsqp.v87i1.320.
• Franch, I. & Cancer, L. (2017). El componente visual en la cartografía del paisaje. Aptitud paisajística para la protección en la cuenca del río Chiquito (Morelia, Michoacán). Investigaciones Geográficas, Boletín del Instituto de Geografía, 93(1), 42-60. https://doi.org/10.14350/rig.54730.
• Gelagay, H. & Minale, A. (2016). Soil loss estimation using GIS and Remote sensing techniques: A case of Koga watershed, Northwestern Ethiopia. International Soil and Water Conservation Research, 4(2), 126-136. https://doi.org/10.1016/j.iswcr.2016.01.002.
• Habtu, W. & Katihally, J. (2023). Terrain mapping and analysis for land management: the case of Megech-Dirma watershed, sub-basin of the Blue Nile basin, Northwest Ethiopia. Arabian Journal of Geosciences, 16(1), 64. https://doi.org/10.1007/s12517-022-11110-5.
• Hasan, M., Haque, R. & Rahman, M. Identifying the land use land cover (LULC) changes using remote sensing and GIS approach: A case study at Bhaluka in Mymensingh, Bangladesh. Case Studies in Chemical and Environmental Engineering, 7(1), 100293. https://doi.org/10.1016/j.cscee.2022.100293.
• IGP: Instituto Geofísico del Perú. (2013). Criterio de clasificación climática. http://met.igp.gob.pe/clima/clasif.html.
• Lin, Y., Cui, P., Ge, Y., Chen, C. & Wang, D. (2014). The succession characteristic of soil erosion during different vegetation succession stages in dry-hot river valley of Jinsha River upper reaches of Yangtze River. Ecological Engineering, 62(1), 13-26. https://doi.org/10.1016/j.ecoleng.2013.10.020.
• Minale, A. & Gelaye, S. (2021). Vegetation vulnerability analysis by using GIS and remote sensing techniques: a case study of Sensawuha Watershed, Ethiopia. GeoJournal, 86(1), 475-488. https://doi.org/10.1007/s10708-019-10082-6.
• Mohammed, A., Adugna, T. & Takala, W. (2018). Morphometric analysis and prioritization of watersheds for soil erosion management in Upper Gibe catchment. Journal of Degraded and Mining Lands Management, 6(1), 1419-1426. https://doi.org/10.15243/jdmlm.2018.061.1419.
• Pande, C., Moharir, K., Panneerselvam, B., Kumar, S., Elbeltagi, A., Bao, Q., Varade, A. & Rajesh, J. (2021). Delineation of groundwater potential zones for sustainable development and planning using analytical hierarchy process (AHP), and MIF techniques. Applied Water Science, 11(1), 186. https://doi.org/10.1007/s13201-021-01522-1.
• Saptarshi, P. & Raghavendra, R. (2009). GIS-based evaluation of micro-watersheds to ascertain site suitability for water conservation structures. Journal of the Indian Society of Remote Sensing, 37(1), 693-704. https://doi.org/10.1007/s12524-009-0057-z.
• Schillaci, C., Commision, C. & Braun, A. (2015). Terrain analysis and landform recognition. British Society for Geomorphology, London, 1-19. https://www.geomorphology.org.uk/sites/default/files/chapters/2.4.2_TerrainAnalysis_LandformRecognition.pdf.
• Suir, G. & Sasser, C. (2019). Use of NDVI and Landscape Metrics to Assess Effects of Riverine Inputs on Wetland Productivity and Stability. Wetlands, 39(1), 815-830. https://doi.org/10.1007/s13157-019-01132-3.
• Usman, K., Tsegay, K., Alemu, G. & Hailu, S. (2023). Spatial modeling of soil loss as a response to land use-land cover change in Didessa sub-basin, the agricultural watershed of Ethiopia. Heliyon, 9(3), e14590. https://doi.org/10.1016/j.heliyon.2023.e14590.
• Zhang, H., Chang, J., Zhang, L., Wang, Y., Li, Y. & Wang, X. (2018). NDVI dynamic changes and their relationship with meteorological factors and soil moisture. Environmental Earth Sciences, 77(1), 582. https://doi.org/10.1007/s12665-018-7759-x.