Introduction

Watersheds are affected by significant challenges, such as extreme droughts, deforestation, flooding, and inadequate agricultural practices that cause soil erosion. Erosive processes lead to the removal of organic matter, nutrient retention capacity, and water in the topsoil, resulting in low food production and food insecurity. Consequently, soil erosion is a global environmental problem that negatively impacts the productivity of natural ecosystems and sustainable agriculture in watersheds (Negese et al., 2021NEGESE, A.; FEKADU, E.; GETNET, H.: “Potential soil loss estimation and erosion-prone area prioritization using RUSLE, GIS, and remote sensing in Chereti Watershed, Northeastern Ethiopia”, Air, Soil and Water Research, 14: 1178622120985814, 2021, ISSN: 1178-6221, DOI: https://doi.org/10.1177/11786221209858. ).

The process of soil erosion is the detachment, transport, and deposition of particles from the topsoil layer caused by various natural processes (Ugese et al., 2022UGESE, A.A.; AJIBOYE, J.O.; IBRAHIM, E.S.; GAJERE, E.N.; ITSE, A.; SHABA, H.A.: “Soil loss estimation using remote sensing and RUSLE model in Koromi-Federe catchment area of Jos-East LGA, Plateau State, Nigeria”, Geomatics, 2(4): 499-517, 2022, ISSN: 2673-7418.).

Water erosion, in particular, is significant because the topography and rainfall intensity carry particles at higher speeds to rivers. Furthermore, the transport of large volumes of sediment caused by erosion reduces the capacity of river intake structures, drinking water treatment plants, storage capacity, and the lifespan of reservoirs (Alí, et al., 2023ALÍ, A.A.; AL-ABBADI, A.M.; JABBAR, F.K.; ALZAHRANI, H.; HAMAD, S.: “Predicción de la tasa de erosión del suelo en subcuencas transfronterizas en Ali Al-Gharbi, sur de Irak, utilizando el modelo GIS basado en RUSLE”, Sustainability, 15(3): 1776., 2023, DOI: https://doi.org/10.3390/su15031776. ).

The Revised Universal Soil Loss Equation (RUSLE) is the most widely used model for predicting soil loss due to its compatibility with geospatial technologies, its reliability, simplicity, and accuracy (Ghosh et al., 2022GHOSH, A.; RAKSHIT, S.; TIKLE, S.; DAS, S.; CHATTERJEE, U.; PANDE, C.; MATTAR, M.: “Integration of GIS and remote sensing with RUSLE model for estimation of soil erosion.”, Land, 12(1): 116, 2022, DOI: https://doi.org/10.3390/land12010116. ). Currently, the use of Geographic Information Systems (GIS) and Remote Sensing (RS) has significantly increased the accuracy and efficiency of the RUSLE model (Efthimiou et al., 2020EFTHIMIOU, N.; PSOMIADIS, E.; PANAGOS, P.: “Fire severity and soil erosion susceptibility mapping using multi-temporal Earth Observation data: The case of Mati fatal wildfire in Eastern Attica, Greece”, Catena, 187: 104320, 2020, ISSN: 0341-8162, DOI: https://doi.org/10.1016/j.catena.2019.104320. ).According to Phinzi y Ngetar (2019)PHINZI, K.; NGETAR, N.S.: “The assessment of water-borne erosion at catchment level using GIS-based RUSLE and remote sensing: A review. International Soil and Water Conservation Research, 7 (1), 27-46”, International Soil and Water Conservation Research, 7(1): 27-46, 2019, DOI: https://doi.org10.1016/j.iswcr.2018.12.002. , the RUSLE equation, by integrating GIS and RS, allows for a reliable and practical representation of the spatial distribution of soil erosion. Therefore, the objective of this study is to estimate soil loss in the Rímac River basin in Peru, based on RUSLE, GIS, and RS.

Materials and Methods

The study was conducted in the Rímac River basin, which covers an area of 3503.95 km² and is 145 km long. Its source is located on the western slopes of the Andes Mountains, at an altitude of 5508 meters above sea level, and it flows into the Pacific Ocean (Figure 1). Located in an arid and semi-arid zone, natural vegetation is only found in the upper basin. The middle and lower basin lacks vegetation and is easily eroded by rainfall, leading to mudslides, landslides, and rockfalls. The Rímac River basin plays a crucial role as it is the main source of fresh water for the Peruvian capital.

First, data collection was carried out using remote sensing techniques. This enabled the creation of a digital elevation model (DEM), which was extracted from https://www.idep.gob.pe/geovisor/VisorDeMapas/. The data was processed using the ArcGIS Pro 3.0 GIS platform. Additionally, a 25-year (1998-2022) historical series of precipitation data from nine rain gauge stations, provided by the National Meteorology and Hydrology Service of Peru (SENAHMI), was used. Figure 2 shows the methodological model.

The R factor was estimated using the Renard y Freimund (1994)RENARD, K.G.; FREIMUND, J.R.: “Using monthly precipitation data to estimate the R-factor in the revised USLE”, Journal of hydrology, 157(1-4): 287-306, 1994, ISSN: 0022-1694. equation, which is expressed in equation (1) $R = 0.0483 \times P^{1.61}$ . Equations (2) $K=0.034+0.0405xexp\left[-0.5{\left(\frac{log{D}_g+1.659}{0.7101}\right)}^2\right]$ and (3) $D_g=exp\left(\sum f_i{I}_n\left(\frac{d_i+d_{i-1}}{2}\right)\right)$ , developed by Renard (1997)RENARD, K.G.: Predicting soil erosion by water: a guide to conservation planning with the Revised Universal Soil Loss Equation (RUSLE), Ed. US Department of Agriculture, Agricultural Research Service, 384 p., 1997, ISBN: 0-16-048938-5..were applied to the K factor.

The LS factor, representing the ratio of slope length to slope inclination, was obtained from the flow direction using the DEM, as expressed in equation (4) $LS={\left\{FA\times \left(tamaño de celda/23.13\right)\right\}}^{0.4}\times {\left\{Sin \left(pendiente de DEM\times 0.01745\right)/0.09\right\}}^{1.3}\times 1.6$ . The C factor was obtained using the Normalized Difference Vegetation Index (NDVI), as shown in equations (5) $NDVI=\frac{\left(NIR-Red\right)}{\left(NIR+Red\right)}$ and (6) $C=exp\left[\alpha \frac{NDVI}{\left(\beta -NDVI\right)}\right]$ .

Where R is the measure of rainfall erosivity expressed in (MJ mm ha⁻¹ h−1 year⁻¹), P is the average annual precipitation (mm), Dg is the geometric mean of the particle size, for the clay, silt and sand texture classes, di, di₋₁ are the maximum and minimum particle size diameters, respectively and fi are the mass fractions, LS is the slope length and slope factor, FA is the flow accumulation, NIR and RED are the near infrared and red bands, respectively, the NDVI value varies between (−1 and 1), where −1 implies bare soil and 1, forest, α and β are adjusted coefficients with values of α =2, β =1. Finally, the P factor was analyzed from the support practices by Mckague (2023)MCKAGUE, K.: “Loss Equation. Ministry of agriculture, food and rural affairs”: Ontario, Canada”, Universal Soil Loss Equation (RUSLE)”. Universal Soil Loss Equation (RUSLE)”., 2023, ISSN: 1198-712X..

Results and discussion

Nine sub-basins (SBs) were established within the basin. RUSLE parameters were determined for each SB. One of the most important parameters of the RUSLE model is the Rainfall Erosivity Factor (R), since raindrops contribute to soil erosion. Rainfall in the basin, within this framework, shows a significant spatial and temporal distribution. The rainfall stations for the basin are illustrated in Table 1. It is evident that rainfall increases with altitude above sea level, due to the cooler air, which promotes water condensation. Therefore, SB-8 has recorded the most notable average annual rainfall over the last 25 years, reaching 925.7 mm.

he results indicate significant spatial variability in the rainfall erosivity index across the basin, with the highest values located in the upper northwest area, particularly in sub-basin SC-9, where a maximum of 933.73 MJ mm ha⁻¹ h⁻¹ yr⁻¹ is reached. The combination of heavier and more concentrated rainfall, linked to the orographic effect typical of higher elevations, along with steep slopes that increase the energy of surface runoff and, therefore, the erosive potential, may explain this behavior. In contrast, sub-basins SC-2 and SC-5, located in the southwest part of the basin, have significantly lower erosivity at 42.72 MJ mm ha⁻¹ h⁻¹ yr⁻¹ or less. This is mainly due to the fact that these drier areas have a reduced and less intense rainfall regime. Furthermore, the low frequency of extreme events and the limited kinetic energy of rainfall in this area restrict the development of significant erosive processes, even with sparse vegetation cover. In summary, these results show that rainfall erosivity in the watershed is highly influenced by topographic and climatic factors, highlighting the importance of considering the spatial diversity of the R factor when estimating soil erosion.

The Soil Erodibility Factor (K) was calculated for soil classes using soil texture and color classifications according to FAO standards by Schoeneberger et al. (2012)SCHOENEBERGER, P.J.; WYSOCKI, D.A.; BENHAM, E.C.: Field book for describing and sampling soils, Ed. Government Printing Office, Natural Resources Conservation Service, National Soil Survey Center, Lincoln, NE ed., 2012, ISBN: 0-16-091542-2.. The study region presented only three soil types: Eutric Regosol, representing 5.74% of the total watershed area; Leptosol, covering 82.70%; and Eutric Fluvisol, covering 11.56%. Regarding Leptosol soils, these are formations developed by erosion and consolidated by limestone, volcanic rocks, sandstone, shale, and quartzite. In the Rímac River basin, the K factor varies between 0.001 and 0.02 t MJ⁻¹ Ja⁻¹ mm⁻¹. A high K value indicates greater vulnerability to soil erosion, while a lower K value indicates less vulnerability (Gitima et al., 2023GITIMA, G.; TESHOME, M.; KASSIE, M.; JAKUBUS, M.: “Quantifying the impacts of spatiotemporal land use and land cover changes on soil loss across agroecologies and slope categories using GIS and RUSLE model in Zoa watershed, southwest Ethiopia”, Ecological Processes, 12(1): 24, 2023, ISSN: 2192-1709, DOI: https://doi.org/10.1186/s13717-023-00436-x. ).

The C factor was determined according to the associated Land Use/Land Cover (LULC) value, which allowed for the generation of Land Use/Land Cover (LULC) maps and Normalized Difference Vegetation Index (NDVI) maps (Ugese et al., 2022UGESE, A.A.; AJIBOYE, J.O.; IBRAHIM, E.S.; GAJERE, E.N.; ITSE, A.; SHABA, H.A.: “Soil loss estimation using remote sensing and RUSLE model in Koromi-Federe catchment area of Jos-East LGA, Plateau State, Nigeria”, Geomatics, 2(4): 499-517, 2022, ISSN: 2673-7418.). The weighted C factor in the defined sub-basins ranged from 0.001 to 1. Low values were observed in sub-basins SC-3 and SC-5, indicative of soils without vegetation cover and more prone to erosion.

The P factor, obtained from the slope of crop management practices in strips, terraces, and contours, ranged from 0.66 to 0.97 due to the predominance in regions SC-4 and SC-6 of areas lacking conservation practices. The analysis of the RUSLE method parameters (Table 2) showed that the average annual loss due to water erosion in the Rímac River basin during the study period was 135 tons per hectare per year.

"Within the sub-basin analysis, sub-basin SC-9 exhibited the highest average annual percentage of water erosion, at 35.58 t ha^-1 year^-1. This percentage encompassed approximately 30% of the total eroded area and ranked highest in vulnerability to land loss within the Rímac River basin (Figure 3). The presence of very steep slopes, high rainfall erosivity, and sparse or seasonal vegetation cover are conditions that increase the energy of surface runoff and promote the transport and detachment of soil particles. This behavior can be explained by the simultaneous presence of these unfavorable factors. In comparison, sub-basin SC-2 showed a much lower average annual water erosion rate of only 0.12 t ha^-1 year^-1. This represents 12.59% of the eroded area and places it ninth in the ranking. and reduced, in addition to less steep slopes that limit runoff formation and, therefore, emergence of significant erosive processes. These disparities demonstrate the significant impact of topography and rainfall patterns on how water erosion is spatially distributed in the basin.

Conclusions

Introducción

Las cuencas hidrográficas se ven afectadas por retos importantes, como las sequías extremas, la deforestación, las inundaciones y prácticas agrícolas inadecuadas que causan erosión del suelo. Los procesos erosivos conducen a la eliminación de la materia orgánica, capacidad de retención de nutrientes y agua en la capa superior del suelo provocando baja producción de alimentos e inseguridad alimentaria. Por consiguiente, la erosión del suelo es un problema ambiental global que afecta de forma negativa la productividad del ecosistema natural y la agricultura sostenible en las cuencas (Negese et al., 2021NEGESE, A.; FEKADU, E.; GETNET, H.: “Potential soil loss estimation and erosion-prone area prioritization using RUSLE, GIS, and remote sensing in Chereti Watershed, Northeastern Ethiopia”, Air, Soil and Water Research, 14: 1178622120985814, 2021, ISSN: 1178-6221, DOI: https://doi.org/10.1177/11786221209858. ).

El proceso de erosión del suelo es el desprendimiento, transporte y deposición de partículas de la capa superior del suelo causado por diferentes procesos naturales (Ugese et al., 2022UGESE, A.A.; AJIBOYE, J.O.; IBRAHIM, E.S.; GAJERE, E.N.; ITSE, A.; SHABA, H.A.: “Soil loss estimation using remote sensing and RUSLE model in Koromi-Federe catchment area of Jos-East LGA, Plateau State, Nigeria”, Geomatics, 2(4): 499-517, 2022, ISSN: 2673-7418.).

El tipo de erosión hídrica en particular, es significativa debido a que la topografía y la intensidad de las lluvias arrastran las partículas con mayor velocidad hasta los ríos. Asimismo, el transporte de elevados volúmenes de sedimentos provocado por la erosión reduce la capacidad de las obras de toma fluviales, las plantas de tratamiento de agua potable, el almacenamiento y la vida útil de los embalses (Alí, et al., 2023ALÍ, A.A.; AL-ABBADI, A.M.; JABBAR, F.K.; ALZAHRANI, H.; HAMAD, S.: “Predicción de la tasa de erosión del suelo en subcuencas transfronterizas en Ali Al-Gharbi, sur de Irak, utilizando el modelo GIS basado en RUSLE”, Sustainability, 15(3): 1776., 2023, DOI: https://doi.org/10.3390/su15031776. ).

La Ecuación Universal de Pérdida de Suelo Revisada (RUSLE) es el modelo más utilizado para la predicción de la pérdida de suelo por su compatibilidad con las tecnologías geoespaciales, autenticidad, simplicidad y precisión (Ghosh et al., 2022GHOSH, A.; RAKSHIT, S.; TIKLE, S.; DAS, S.; CHATTERJEE, U.; PANDE, C.; MATTAR, M.: “Integration of GIS and remote sensing with RUSLE model for estimation of soil erosion.”, Land, 12(1): 116, 2022, DOI: https://doi.org/10.3390/land12010116. ). En la actualidad, el empleo del Sistema de Información Geográfica (SIG) y de la Teledetección (RS) ha incrementado notablemente la exactitud y eficiencia del modelo RUSLE (Efthimiou et al., 2020EFTHIMIOU, N.; PSOMIADIS, E.; PANAGOS, P.: “Fire severity and soil erosion susceptibility mapping using multi-temporal Earth Observation data: The case of Mati fatal wildfire in Eastern Attica, Greece”, Catena, 187: 104320, 2020, ISSN: 0341-8162, DOI: https://doi.org/10.1016/j.catena.2019.104320. ). Según Phinzi y Ngetar (2019)PHINZI, K.; NGETAR, N.S.: “The assessment of water-borne erosion at catchment level using GIS-based RUSLE and remote sensing: A review. International Soil and Water Conservation Research, 7 (1), 27-46”, International Soil and Water Conservation Research, 7(1): 27-46, 2019, DOI: https://doi.org10.1016/j.iswcr.2018.12.002. , la ecuación RUSLE, al integrar SIG y RS, permite una representación confiable y práctica de la distribución espacial de la erosión del suelo. Por consiguiente, el objetivo del estudio es estimar la pérdida de suelo en la cuenca del río Rímac en Perú, basado en RUSLE, SIG y RS.

Materiales y métodos

Se realizó el estudio en la cuenca del río Rímac, que ocupa un área de 3 503,95 km² y tiene una longitud de 145 km. Su punto de origen se encuentra en la vertiente occidental de la cordillera de los Andes, a una altitud de 5508 msnm, y desemboca en el océano Pacífico (Figura 1). Pertenece a la zona árida y semiárida, la vegetación natural solo se aprecia en la cuenca alta, la cuenca media baja carece de vegetación que es de fácil erosión ante las precipitaciones pluviales, generando huaycos, deslizamientos y derrumbes. La cuenca del río Rímac desempeña un papel crucial dado que constituye la principal fuente de agua dulce para la capital peruana.

Primero, se llevó a cabo la recolección de información mediante técnicas de teledetección. Esto posibilitó la obtención del modelo digital de elevación (DEM), el cual fue extraído del https://www.idep.gob.pe/geovisor/VisorDeMapas/. La información se procesó en el SIG de la plataforma ArcGIS Pro 3.0. Además, se tomó una serie histórica de 25 años (1998-2022) de precipitaciones en 9 estaciones pluviométricas brindada por el Servicio Nacional de Meteorología e Hidrología del Perú (SENAHMI). La Figura 2 muestra el modelo metodológico.

La estimación del factor R fue mediante la ecuación de Renard y Freimund (1994)RENARD, K.G.; FREIMUND, J.R.: “Using monthly precipitation data to estimate the R-factor in the revised USLE”, Journal of hydrology, 157(1-4): 287-306, 1994, ISSN: 0022-1694. que se establece mediante la ecuación (1) $R = 0,0483 \times P^{1,61}$ . Para el factor K se aplicaron las ecuaciones (2) $K=0,034+0,0405xexp\left[-0,5{\left(\frac{log{D}_g+1,659}{0,7101}\right)}^2\right]$ y (3) $D_g=exp\left(\sum f_i{I}_n\left(\frac{d_i+d_{i-1}}{2}\right)\right)$ , desarrolladas por Renard (1997)RENARD, K.G.: Predicting soil erosion by water: a guide to conservation planning with the Revised Universal Soil Loss Equation (RUSLE), Ed. US Department of Agriculture, Agricultural Research Service, 384 p., 1997, ISBN: 0-16-048938-5..

El factor LS, como la relación de la longitud de la pendiente y su inclinación, fue obtenido a partir de la dirección del flujo con el MDT, expresado por la ecuación (4) $LS={\left\{FA\times \left(tamaño de celda/23,13\right)\right\}}^{0,4}\times {\left\{Sin \left(pendiente de DEM\times 0,01745\right)/0,09\right\}}^{1,3}\times 1,6$ . Mientras que, el factor C se obtuvo mediante el índice de vegetación de diferencia normalizada (NDVI) que se muestra en la ecuación (5) $NDVI=\frac{\left(NIR-Red\right)}{\left(NIR+Red\right)}$ y (6) $C=exp\left[\alpha \frac{NDVI}{\left(\beta -NDVI\right)}\right]$ .

Donde R es la medida de la erosividad de la lluvia expresada en (MJ mm ha⁻¹ h⁻¹ año⁻¹), P es la precipitación anual promedio (mm), Dg la media geométrica del tamaño de partícula, para las clases de textura de arcilla, limo y arena, d_i, d_i−1 es el diámetro máximo y mínimo del tamaño de partícula, respectivamente y f_i la fracciones de masa, LS la longitud de pendiente y factor de inclinación de la pendiente, FA acumulación de flujo, NIR y RED son las bandas de infrarrojo cercano y rojo, respectivamente, el valor del NDVI varía entre (−1 y 1), donde −1 implica suelo desnudo y 1, bosque, α y β coeficientes ajustados con valores de α =2, β =1. Por último, el factor P fue analizado a partir de las prácticas de apoyo por Mckague (2023)MCKAGUE, K.: “Loss Equation. Ministry of agriculture, food and rural affairs”: Ontario, Canada”, Universal Soil Loss Equation (RUSLE)”. Universal Soil Loss Equation (RUSLE)”., 2023, ISSN: 1198-712X..

Resultados y discusión

Se establecieron 9 subcuencas (SC) dentro de la cuenca. En las cuales se determinaron los parámetros de RUSLE por SC. Uno de los parámetros más importantes del modelo RUSLE es el Factor de Erosividad de la Lluvia (R), ya que las gotas de lluvia contribuyen a la erosión del suelo. Las precipitaciones en la cuenca, en este marco, muestran una distribución espacial y temporal de manera significativa. Las estaciones de pluviosidad de la cuenca se ilustran en la Tabla 1. Es evidente que las precipitaciones se incrementan a medida que la altitud sobre el nivel del mar es mayor, lo que se debe al aire más frío, el cual propicia la condensación del agua. Por lo tanto, la SC-8 ha anotado las precipitaciones anuales promedio más notables en los últimos 25 años, alcanzando una cifra de 925,7 mm.

Los resultados indican una notable variabilidad espacial en el índice de erosividad de la lluvia en la cuenca, con las cifras más altas situadas en el área noroeste alta, sobre todo en la subcuenca SC-9, donde se llega a un máximo de 933,73 MJ mm ha^-1 h^-1año^-1. La mezcla de lluvias más cargadas y concentradas, vinculadas al efecto orográfico típico de las zonas de mayor altura, junto a pendientes empinadas que aumentan la energía del escurrimiento superficial y, por lo tanto, el potencial erosivo, puede ser la causa de este comportamiento. En contraste, las subcuencas SC-2 y SC-5, situadas en la parte suroeste de la cuenca, tienen una erosividad significativamente más baja a 42,72 MJ mm ha^-1h^-1año^-1 o menos. Esto se debe principalmente a que estas áreas más áridas presentan un régimen de precipitaciones reducido y de menor intensidad. Además, la baja frecuencia de eventos extremos y la energía cinética de lluvia limitada en esta área limitan el desarrollo de procesos erosivos significativos, incluso si la cobertura vegetal no es abundante. En resumen, estos resultados muestran que la erosividad de la lluvia en la cuenca se encuentra muy influenciada por elementos topográficos y climáticos, lo cual pone de manifiesto lo relevante que es tener en cuenta la diversidad espacial del factor R cuando se estima la erosión hídrica del suelo.

El Factor de Erosionabilidad del Suelo (K) se calculó para las clases de suelo utilizando clasificaciones de textura del suelo y colores del suelo según los estándares de la FAO por Schoeneberger et al. (2012)SCHOENEBERGER, P.J.; WYSOCKI, D.A.; BENHAM, E.C.: Field book for describing and sampling soils, Ed. Government Printing Office, Natural Resources Conservation Service, National Soil Survey Center, Lincoln, NE ed., 2012, ISBN: 0-16-091542-2.. La región de estudio presentó únicamente tres tipos de suelos: el Regosol éutrico, que representa el 5,74% del área total de la cuenca; el Leptosol, que ocupa el 82,70%; y el Fluvisol éutrico, que abarca el 11,56%. En lo que respecta a los suelos Leptosol, estos son formaciones desarrolladas por rodadura y consolidadas por calizas, rocas volcánicas, areniscas, lutitas y cuarcitas. En la cuenca del río Rímac, el factor K varía entre 0,001 y 0,02 t MJ^-1 Ja^-1 mm^-1. Un valor de K alto indica una mayor vulnerabilidad a la erosión del suelo, mientras que un valor K más bajo indica una menor vulnerabilidad a la erosión (Gitima et al., 2023GITIMA, G.; TESHOME, M.; KASSIE, M.; JAKUBUS, M.: “Quantifying the impacts of spatiotemporal land use and land cover changes on soil loss across agroecologies and slope categories using GIS and RUSLE model in Zoa watershed, southwest Ethiopia”, Ecological Processes, 12(1): 24, 2023, ISSN: 2192-1709, DOI: https://doi.org/10.1186/s13717-023-00436-x. ).

El factor C se determinó de acuerdo al valor asociado del Uso de la Tierra/Cobertura de la Tierra (LULC) que permitió generar mapas de Uso/Cobertura Terrestre (LULC) e Índice de Vegetación de Diferencia Normalizada (NDVI) (Ugese et al., 2022UGESE, A.A.; AJIBOYE, J.O.; IBRAHIM, E.S.; GAJERE, E.N.; ITSE, A.; SHABA, H.A.: “Soil loss estimation using remote sensing and RUSLE model in Koromi-Federe catchment area of Jos-East LGA, Plateau State, Nigeria”, Geomatics, 2(4): 499-517, 2022, ISSN: 2673-7418.). El factor C ponderado en las subcuencas definidas, oscilaron entre 0,001 a 1. En las subcuencas SC-3 y SC-5 se observaron valores bajos, indicativos de suelos sin cobertura vegetal y más propensos a la erosión.

El factor P obtenido a partir de la inclinación de las prácticas de gestión de cultivos en franjas, terrazas y contornos osciló entre 0,66 y 0,97 debido al predominio en la región SC-4 y SC-6 de zonas que no tienen prácticas conservacionistas. El análisis de los parámetros del método RUSLE Tabla 2 mostró que la pérdida media anual por erosión hídrica en la cuenca del río Rímac durante el periodo estudiado fue de 135 toneladas por hectárea y año.

"La SC-9, dentro del análisis a nivel de subcuencas, fue la que presentó el porcentaje medio anual de erosión hídrica más alto, con 35,58 t ha^-1año^-1. Este porcentaje abarcó cerca del 30 % del área erosionada en su totalidad y ocupó la posición más alta en el ranking de vulnerabilidad a la pérdida de tierra en la cuenca del río Rímac (Figura 3). La existencia de pendientes muy inclinadas, una erosividad alta de la lluvia y una cobertura vegetal que es escasa o estacional son condiciones que aumentan la energía del escurrimiento superficial y favorecen el transporte y desprendimiento de partículas del suelo. Este comportamiento puede ser explicado por la presencia simultánea de estos factores desfavorables. En comparación, la subcuenca SC-2 mostró una erosión hídrica media anual mucho menor, de solo 0,12 t ha^-1año^-1 Esto equivale al 12,59 % del área erosionada y la ubica en el noveno puesto de la clasificación. Esto se debe principalmente a un régimen de lluvias con poca intensidad y reducido, además de inclinaciones menos pronunciadas que limitan la formación de escorrentía y, por lo tanto, el surgimiento de procesos erosivos significativos. Estas disparidades demuestran el gran impacto que tiene la topografía y el régimen de precipitaciones sobre cómo se distribuye espacialmente la erosión hídrica en la cuenca.

Conclusiones