Descripción del área de estudio

La cuenca del río Utcubamba, situada en el norte de Perú, en el Departamento Amazonas (Figura 1), está localizada entre los 5° 32' 36'' y 6° 50' 49'' latitud sur; y 72° 22' 49'' y 78° 29' 59'' longitud oeste. El cauce principal tiene una extensión de unos 250 km y ocupa un área de 6 650.07 km². La naciente se ubica en el cerro Punta de Arena (provincia de Chachapoyas) a 4 130 msnm y desemboca en el río Marañón (provincia de Bagua) a 360 msnm.

Figura 1 Área de estudio en la cuenca del río Utcubamba, Amazonas, Perú. 

Las cuencas media y baja se encuentran englobadas dentro de los ecosistemas de bosques tropicales estacionalmente secos, que comprenden los valles de los ríos Marañón, Chamaya, Chinchipe y el propio Utcubamba (^{Linares-Palomino, 2004}), mientras que la cuenca alta corresponde con los bosques pluviales montanos, situados en la franja alta de la vertiente oriental y la faja entre los ríos Huancabamba y Chinchipe (^{León, Pitman, & Roque, 2006}).

La cuenca del Utcubamba concentra un total de 220 048 habitantes. Sus principales núcleos urbanos son las ciudades de Leymebamba, Chachapoyas, Pedro Ruíz Gallo, Bagua Grande, Cajaruro, El Milagro y Bagua (^{INEI, 2009}), y las principales cargas contaminantes en la cuenca derivan de las propias aguas residuales domésticas de estos grandes centros, además de la ganadería y escorrentía agrícola.

Selección de las estaciones de muestreo

Se seleccionaron 43 estaciones de muestreo (Figura 2), adaptando y siguiendo la metodología marcada por Freshwater Ecology and Management para la evaluación del estado ecológico de los ríos Mediterráneos (^{Prat, Rieradevall, & Fortuño, 2012}). Los principales tributarios considerados fueron los siguientes: San Miguel (EM-2); El Chorro (EM-4); Pauca (EM-6); Singache (EM-9); Cedrocucho (EM-11); Yuyac (EM-13); Rumiyacu (EM-15); Tosán (EM-17); Sonche (EM-20); Cocahuayco (EM-22); El Chido (EM-24); Tingo (EM-27); Magunchal (EM-30); Naranjos (EM-32); Honda (EM-33); Goncha (EM-37); San Juan (EM-40), y La Peca (EM-41).

Figura 2 Estaciones de muestreo (EM) en la cuenca del río Utcubamba, Amazonas, Perú. 

Muestreo y recolección de datos

La recolección de muestras de agua se realizó entre los años 2014 y 2015, a lo largo de tres campañas de muestreo que se hicieron coincidir con la temporada de lluvias tempranas (durante octubre de 2014), la temporada de lluvias (marzo de 2015) y la estación seca (agosto de 2015).

Para la recolección de muestras se siguió el protocolo de monitoreo de la calidad sanitaria de los recursos hídricos superficiales, establecido por la Dirección General de Salud Ambiental del Perú (^{Digesa, 2007}), mientras que para el análisis de las variables fisicoquímicas y microbiológicas se hizo lo propio con los procedimientos de la American Public Health Association (^{Greenberg, Clesceri, & Eaton. (1992)}.

Los parámetros estudiados se establecieron en función de las actividades contaminantes en la cuenca y fueron 19 en total: oxígeno disuelto (OD); conductividad eléctrica (CE); temperatura (T); pH; turbiedad (TURB); nitratos (NITRA); nitritos (NITRI); fosfatos (FOSFA); sulfatos (SULFA); amonio (AMO); demanda química de oxígeno (DQO); demanda bioquímica de oxígeno en cinco días (DBO); alcalinidad (ALCA); cloruros (CLO); dureza (DUR); coliformes totales (CT); coliformes fecales (CF); Escherichia coli (EC), y enterococos fecales (EF).

Análisis estadísticos

Los datos obtenidos se ingresaron en una hoja de cálculo de Microsoft Excel; se analizaron con el software Past 3.0 (^{Hammer, Harper, & Ryan, 2001}).

En esencia, se emplearon dos metodologías estadísticas: análisis de componentes principales (ACP) y análisis cluster (AC). El ACP es utilizado para sintetizar la información entre las variables establecidas y eliminar la colinealidad entre ellas, creando nuevas variables (componentes principales CP) que no están correlacionadas. De esta manera, el primer componente principal (PC 1) manifiesta la mayor proporción de varianza explicada (^{Terradez, 2002}). Por otra parte, el AC es una técnica que utiliza la información de una serie de variables en función de un objeto, para dividir los datos en clases basadas en su similitud. Una vez medida la similitud, se agrupan en grupos homogéneos internamente y diferentes entre sí. En el AC se usó como distancia de medida, así como la distancia euclídea; el método de agrupación empleado fue el de Ward, a través del cual se pueden concentrar las variables o las estaciones de muestreo de forma jerárquica, de tal manera que se minimice una determinada función y los dos objetos con la distancia más baja se unan para formar un nuevo grupo (^{Hair, Anderson, Tatham, & Black, 1999}). El principal objetivo del Método Ward es el de unir, en cada paso del proceso de aglomeración, las dos clases que incrementen menos la inercia intraclases (^{Pardo & Del Campo, 2007}).

En conclusión, las razones por las cuales se utilizaron estas dos pruebas estadísticas son las marcadas por ^{Vieira et al. (2012)}, y se resumen a continuación: 1) agrupar las estaciones de muestreo en función de la calidad del agua, con el objetivo de optimizar el número de estaciones de muestreo y, por lo tanto, en futuras evaluaciones reducir el número de muestreos; 2) identificar las variables correlacionadas, con la finalidad de reducir el número de las mismas a analizar por muestra, y en consecuencia, reducir costos en futuros monitoreos.

Por último, las diferencias significativas existentes entre las concentraciones de las variables analizadas se evaluaron con la ayuda de matrices de correlación entre las tres diferentes campañas de muestreo. El coeficiente de correlación establecido fue significativo por debajo de 0.01 (p < 0.01).

Correlación de variables y fuentes de contaminación

Para establecer la correlación existente entre las variables seleccionadas para este estudio se elaboró una matriz de correlación (Tabla 1), en la cual los coeficientes de correlación estadísticamente significativos (con un nivel de significación de 0.01) están marcados en negrita. Se dieron altas correlaciones entre todas las variables microbiológicas (CT y CF; CT y EC; CT y EF; CF y EC; CF y EF, y EC y EF). La Agencia de Protección Medioambiental recomienda el empleo de Escherichia coli y miembros del género Enterococcus, como indicadores de contaminación fecal en las aguas superficiales (^{USEPA, 2000}). La aparición en grandes concentraciones de Escherichia coli, que habita en el intestino de los animales homeotermos (^{Sunantha & Vasudevan, 2016}), y teniendo en cuenta que su capacidad de reproducción fuera del intestino de estos animales está favorecida por la existencia de condiciones adecuadas de materia orgánica y pH (^{Prescott, Harley, & Klein, 1996}; ^{Arcos-Pulido, Ávila-de-Navia, Estupiñán-Torres, & Gómez-Prieto, 2005}) genera un escenario que se cumple en gran parte de la cuenca del río Utcubamba.

En este sentido, las altas correlaciones entre parámetros fisicoquímicos y microbiológicos están asociadas con la contaminación antrópica (^{Vieira et al., 2012}), derivada tanto de descargas residuales domésticas como de aguas residuales de ganado. Esto se vio reflejado en que la DQO y DBO, correlacionadas entre sí, manifestaron de igual manera altas correlaciones con CF, cuyo origen puede ser animal o humano. No existen plantas de tratamiento de aguas residuales en ninguna localidad de la región, y cabe señalar que la capital y ciudad más poblada de la misma, Chachapoyas, que no está situada en el Valle del Utcubamba, vierte sus aguas negras al río, a través de la Quebrada Santa Lucía y el río Sonche, tributarios del Utcubamba, aumentando la concentración en los niveles bacteriológicos y fisicoquímicos en el agua de la cuenca receptora (^{Chávez, Leiva, & Corroto, 2016}).

Asimismo, las altas correlaciones que se dieron entre DBO, DQO, nitratos, fosfatos, nitritos y conductividad eléctrica certificaron fuentes de contaminación similares a las anteriores, es decir, de origen fecal; sin embargo, al evaluar las actividades que se desempeñan a lo largo de la cuenca, se evidenciaron algunas diferencias. Así, en los tramos alto y medio, entre la estación de muestreo 1 (2 834 msnm) y la 26 (1 088 msnm), la fuente de contaminación que derivó en estas altas correlaciones de los elementos citados resultó del vertimiento de aguas residuales procedentes de los principales centros poblados (Leymebamba, Chachapoyas y Pedro Ruíz), y del ganado vacuno disperso en el área. La oxidación de residuos nitrogenados de origen humano y las excretas de animales, al igual que efluentes industriales aportan para este escenario (^{Chidya, Sajidu, Mwatseteza, & Masamba, 2011}). Cabe destacar la presencia extraordinaria de dos piscifactorías de trucha arcoíris (Oncorhynchus mykiss) en estos dos tramos de la cuenca. Si bien los criaderos son locales y no ofrecen mucha producción, la descarga de sus efluentes en el río Utcubamba pudo verse reflejado en la concentración de nitratos y fosfatos, y es que según ^{Schulz, Gelbrecht y Rennert (2003)}, el remanente estándar producido en estiércol de criaderos de truchas está compuesto de 7 a 32% de nitrógeno total, y de 30 a 84% de fósforo total. Otro aspecto singular en la cuenca del río fue la presencia de dos granjas de cerdos en el tramo medio. La mayor parte de las aguas residuales de la industria porcina son ricas en compuestos de nitrógeno y fósforo (e.g., ^{Martínez-García et al., 2009}; ^{Xu, Zhao, Zhao, & Zhang, 2015}), hecho que también contribuyó en las correlaciones antes citadas. En esta línea, la existencia de una granja de pollos en este tramo medio también sumó en la presencia en el río de los compuestos descritos, en especial del AMO, el cual aumenta con el incremento de stock en granjas avícolas (^{Rossignol, Paerl, Fear, & Braddy, 2011}).

En contraste, las correlaciones existentes entre las variables fisicoquímicas antes mencionadas en el tramo bajo, entre las estaciones de muestreo 27 (880 msnm) y 43 (386 msnm), se correspondió con el desarrollo agrícola. El valle seco de Bagua ha tenido interés agrícola en los últimos 25 años, sobre todo para la siembra de arroz en pozas; en consecuencia, una gran porcentaje del valle ha sido deforestado para este fin. En las provincias de Bagua y Utcubamba, este cultivo tiene una producción anual que bordea las 250 000 toneladas métricas, convirtiéndose en el cultivo agrícola más importante en volumen y valor de producción en la región (^{Perú-IIAP, 2008}). La distribución estacional de NITRA, FOSFA, CLO y AMO en el tramo bajo del río Utcubamba está vinculada con la aplicación de fertilizantes químicos en las zonas agrícolas del área de drenaje, siendo el fosfato diamónico (DAP), la urea y el cloruro de amonio los más usados en la región. Los nitratos no son bien retenidos por los suelos y al no ser utilizados con rapidez por las plantas se pierden por el drenaje (^{Martínez-García et al., 2009}; ^{Arias, Pérez, & Rueda, 2004}). El DAP es una fuente de nitrógeno (18%) y fosfato (20%) (^{Tanaka, Diagne, & Saito, 2015}) utilizado en el cultivo de arroz (^{Wopereis-Pura, Watanabe, Moreira, & Wopereis, 2002}; ^{Solaraj, Dhanakumar, Murthy, & Mohanraj, 2010}; ^{Zhang, Gao, Fan, Lan, & Zhao, 2017}), y considerado como el fertilizante de fosfato más utilizado (^{Azizullah, Nasir, Richter, Lebert, & Häder, 2011}). La urea contiene un 46% de nitrógeno (^{Zou, Lu, Li, & Li 2011}), y se emplea de forma complementaria con el DAP, provocando a través de su drenaje en suelos y su desagüe de manera directa las altas concentraciones reflejadas en el agua del Utcubamba en cuanto a estos tres parámetros químicos. A la gran carga bacteriana que llega a este tramo de la cuenca hay que añadir la aportada, de nuevo, por el vertido de aguas domésticas sin tratar de las ciudades de Bagua Grande y Bagua, las más pobladas del tramo en cuestión.

Finalmente, la alta correlación que existió entre la DUR y la ALCA es común en diversos estudios (p. ej., ^{Segnini & Chacón, 2005}; ^{Chidya et al., 2011}) y deriva de la geología del área de estudio, compuesto de manera principal por calcitas y dolomitas, que confieren al pH del suelo un carácter básico.

ACP de las variables establecidas

Tanto para la selección del número de componentes principales (CP) como para la clasificación de la influencia de las variables en cada CP, se adaptó la línea marcada por ^{Vieira et al. (2012)} en su investigación en el río Lis (Portugal). Así, en cuanto a la selección del número de CP, se escogieron los valores propios mayores de 1 (^{Kaiser, 1958}), por lo que se seleccionaron los primeros cinco CP, que representaron 80.50% con respecto a la varianza original. Los valores correspondientes a cada uno de estos cinco CP se clasificaron con base en la influencia de las variables en cada uno de los mismos, resultando los valores ≥ 0.3 los que más contribuyeron (Tabla 2). De esta manera, 13 variables fueron las que más contribuyeron a partir de las 19 iniciales. Estos datos son análogos a los obtenidos por ^{Singh, Malik, Mohan y Sinha (2004)} en su estudio del río Gomti con técnicas estadísticas multivariantes, donde tras el ACP vio reducidas sus variables de 24 a 14, explicando un 71% de la varianza total del conjunto de datos.

En el CP 2, las variables que más influyeron (CF, EC y OD) estuvieron asociadas con la contaminación fecal que se da a lo largo de toda la cuenca. Las dos primeras ―CF y EC― están relacionadas de manera directa con los desechos fecales tanto humanos como animales (^{Gemmell & Schmidt, 2012}), y el OD puede estar ligado con condiciones fisicoquímicas cambiantes provocadas por bacterias indicadoras de contaminación fecal suspendidas en el agua (^{Tshibanda et al., 2014}). Por el contrario, en el CP 3, la presencia de pH, DUR y ALCA, como variables con mayor contribución, estuvo asociada con las características químicas del agua procedentes de las propiedades químicas del suelo calcáreo existente en la cuenca. El CP 5 estuvo moderadamente influenciado por el pH, NITRO, DQO y CLO. Este grupo de variables asociadas es similar al encontrado por ^{Arpajón et al. (2011)} en su estudio realizado en el río Almendrares (Cuba), donde la presencia en grandes concentraciones de nitritos en el agua mostró una contaminación orgánica de origen fecal procedente de áreas pobladas.

La contribución de la TURB en el CP 4 tiene su origen en la estacionalidad propia de la región, con una época lluviosa que influye directamente en esta característica física del agua. Asimismo, volvieron a aparecer variables como pH y CLO, que podrían tener su raíz en la contaminación fecal, sin embargo su presencia junto con la TURB impide encontrar un origen común.

AC de las variables establecidas

El AC permitió reunir de igual manera a grupos de variables en función de su similitud (Figura 3). Los grupos formados (GF) fueron, a grandes rasgos, los siguientes:

Figura 3 Dendrograma para las variables de la calidad del agua. 

GF 1: TURB, T, FOSFA, NITRA, DBO y DQO. Estas variables, en conjunto, están asociadas con la contaminación de origen agrícola, derivando los FOSFA y NITRA del común de fertilizantes usados por los agricultores de la región. La DQO y la DBO, sobre todo la primera, tienen una relación indirecta con los efluentes procedentes de la agricultura; sin embargo, están más íntimamente asociados con las aguas residuales domésticas (^{Shrestha & Kazama, 2007}).

En último lugar, es preciso volver a destacar la presencia de la TURB en este grupo, relacionada con la variación estacional propia del área de estudio, con veranos lluviosos que provocan cambios en la turbidez del agua del río. En relación con la TURB, este GF tiene cierta similitud con el CP 4 extraído del ACP, mientras que las variables DQO y DBO se corresponderían con el CP 2.

GF 2: pH, ALCA, DUR, SULFA y CE. Estos parámetros físicos y químicos se encuentran relacionados con la geología básica propia del lugar; su análogo en el ACP sería el CP 3.

GF 3: NITRO, OD, CF, CT, EC, EF, AMO y CLO. El origen de este grupo deriva de la contaminación antrópica, ya que el grupo de los coliformes se utiliza en la vigilancia de rutina como indicador de contaminación fecal en aguas (^{Percival, Yates, Williams, Chalmers, & Gray, 2014}). Además, las propiedades de los EF como indicadores de contaminación fecal, y la relación indirecta que el AMO y los CLO tienen con la misma, asocia estas variables con la contaminación antrópica. Por otra parte, AMO y CLO también tienen un estrecho vínculo con los fertilizantes agrícolas empleados a lo largo de la cuenca y su correspondiente escorrentía al cauce del río (^{Sundaray, Panda, Nayak, & Bhatta, 2006}).

El GF 3 presentó un nexo significativo con el CP 2 del ACP en cuanto al origen fecal de la contaminación del agua.

Estos grupos constituidos son semejantes a los formados como producto del análisis cluster en la cuenca del río Cértima (Portugal) (^{Figueiredo et al., 2012}), en el cual la división de los mismos sigue dos principales situaciones: contaminación derivada de efluentes agrícolas, y contaminación derivada de efluentes animales y humanos.

ACP de las estaciones de muestreo

Se siguió la misma metodología antes empleada para el análisis de las variables, pero en este caso el objetivo fue evaluar la variación espacial a través del examen de las 43 estaciones de muestreo. En esta ocasión, el número de CP a partir del ACP (con valores propios superiores a 1) fue de ocho, entre los cuales sumaron 80.18% de la varianza (Tabla 3). De este modo se redujo el número de estaciones de muestreo de 43 a 10.

Los resultados mostraron que los CP 1, 2, 3 y 5 agruparon estaciones de muestreo (EM-32, EM-33, EM-36, EM-38 y EM-40) situadas en el tramo bajo del río, y estuvieron afectados por excedentes agrícolas procedentes del cultivo de arroz, y por descargas domésticas procedentes de las localidades de Naranjos, Bagua Grande, Cajaruro y Bagua, principalmente. Para el CP 4, sólo la EM-24 obtuvo un valor por encima de 0.3; dicha estación se ubica en la quebrada El Chido, afluente por el margen derecho del río Utcubamba, y tiene la excepcionalidad de situarse aguas abajo de una granja de cerdos y otra de pollos, cuyos efluentes van de manera directa a la misma. El CP 8 (EM-15, EM-20 y EM-33) está compuesto por tres afluentes perturbados por la contaminación derivada del vertimiento de residuos sólidos, aguas arriba de las mismas, siendo el río Sonche (EM-20) el principal receptor de los mismos, que se generan en la ciudad de Chachapoyas. El CP 6 (EM-5 y EM-27) y CP 7 (EM-16) evidenciaron una relación con la transformación hidrogeomorfológica realizada en sus estaciones de muestreo a través de la instauración de canteras, que repercuten de forma negativa, sobre todo, en la calidad física del agua. A pesar de ello, estas tres estaciones se caracterizaron por poseer una contaminación moderada.

AC de las estaciones de muestreo

El AC expuso agrupaciones un tanto diferentes al ACP, resultando tres GF en la agrupación de estaciones de muestreo (Figura 4). La similitud con el ACP se dio, en su mayoría, en el tramo bajo del río, donde quedaron reunidas en el GF 3 (CP 1, 2, 3, 4 y 5 del ACP) las EM-32, EM-17, EM-40, EM-39, EM-38, EM-35, EM-34, EM-43, EM-42, EM-41, EM-37, EM-33, EM-36 y EM-24. Si bien las estaciones 17 y 24 no pertenecen a este tramo de la cuenca, ellas, junto con el resto, presentaron características comunes de contaminación fecal, ya fuera de origen humano o animal. El dendrograma extraído del AC reflejó otros dos GF divididos en función de su nivel de contaminación, media o baja. Esta última división es la enfocada por ^{Singh, Malik y Sinha (2005)}, quienes dividen la cuenca del río Gomti (India) en tres grupos, en función de la contaminación que presenten: alta, moderada y media. De esta manera, en el presente estudio, el GF 1 está formado por afluentes de pequeño caudal y sin grandes perturbaciones de origen antrópico. La contaminación se acentuó en el GF 2, constituido por estaciones de muestreo situadas en el cauce principal y en afluentes de importancia. Las estaciones situadas en la cuenca principal comienzan a aparecer aguas abajo de la primera localidad de consideración (Leymebamba), en la EM-5, que arroja sus residuos domésticos al propio río. Es destacable que EM situadas en el tramo medio, como la 25, 26, 28, 29 y 31, que presumiblemente deberían tener una contaminación de origen fecal similar a las agrupadas en el GF 3, aparezcan en este GF 2. Sin embargo, la explicación está en que dicho tramo de la cuenca es el que posee más pendiente, con un relieve abrupto, denominado por ^{Domenech, Ollero y Sánchez-Fabre (2008)} como “curso fluvial con valle cerrado en cañón”. Los saltos de agua existentes en este tramo oxigenan el agua (^{Gonzalo & Camargo, 2013}), y ayudan a descomponer la materia orgánica acumulada procedente de las granjas y poblaciones situadas aguas arriba.

Figura 4 Dendrograma para las estaciones de muestreo.