INTRODUCCIÓN
Ecuador, es un país situado sobre la línea ecuatorial y atravesado por la cordillera de Los Andes. Posee dentro de una extensión relativamente pequeña de territorio tres regiones naturales, como son Costa, Sierra y Oriente (Hall et al., 2008). La región central o Sierra, abarca el área perteneciente al macizo montañoso de la cordillera, con elevaciones que alcanzan hasta los 6268 msnm y cuyas cumbres en su mayoría corresponden a volcanes, que a través del tiempo han moldeado la orografía de la región (Figura 1). Gracias a este pasado geológico, se han originado diversas formaciones edafológicas (Coltorti & Ollier, 2000). En la cuenca interandina de la Sierra ecuatoriana, algunas problemáticas como altas tasas de deforestación, el aumento desordenado de la población, cambios de uso del suelo, sumado a la topografía escarpada de la región, ha ocasionado el avance de los procesos erosivos que provocan la degradación de los recursos naturales, especialmente del suelo, el cual es un recurso vital y en gran parte no renovable (Breure et al., 2018; Hansjürgens et al., 2018). Además, prácticas agrícolas inadecuadas, tipo de clima y el crecimiento de la frontera agrícola, repercuten en problemas para el sostenimiento de las áreas cultivables, que se expanden hacia zonas de alta montaña donde bosques nativos y suelos de páramo se ven amenazados (Zebrowski & Vicuña, 1996).
Una de las formaciones edafológicas más comunes y con mayor aporte a los procesos erosivos de esta región, es la cangahua, término quichua que significa “tierra dura estéril” (Trujillo & Zebrowski, 1998). De acuerdo a los trabajos de Prat (2014) y Trujillo et al. (2014), la cangahua es considerada como una toba volcánica endurecida formada por flujos freatomagmáticos o caídas aéreas que ocurrieron por procesos edáficos en la última fase de actividad volcánica. Esta definición coincide con las descripciones de los grandes naturistas del Ecuador, Sauer (1965) y Wolf (1975). La cangahua, de forma más detallada, se menciona que es una formación geológica de cenizas ryodacíticas (Podwojewski & Germain, 2005a), que resulta de la diagénesis parcial del material volcánico explosivo fino endurecido (Hall & Mothes, 1996) procedente de flujos piroclásticos del Cuaternario, la cual es originada por caídas piroclásticas, con tamaño de ceniza menor a 2 mm (Vera & López, 1992). En el caso concreto de Ecuador, dichas formaciones se encuentran en la parte septentrional del callejón interandino desde Alausí hasta Tulcán (Zebrowski, 1997), entre los 2200 y 3000 msnm (Winkell & Zebrowski, 1992). Este tipo de suelos volcánicos endurecidos (cangahuosos) también están presentes en México, Nicaragua, Perú, Colombia, Chile, y Japón.
De forma general, la cangahua presente en Ecuador, es un material poco homogéneo con una gran cantidad de arena, limo y una parte pequeña de arcilla (Custode et al., 1992). Puede encontrarse de forma superficial (aflorante) o cubierta por otro horizonte de suelo (subaflorante). Su consistencia dura es independiente de la profundidad a la que se encuentre, y puede deberse a la presencia de carbonatos y silicio en su estructura (Podwojewski et al., 2008). Químicamente, estos suelos endurecidos poseen un pH neutro, calcio y potasio de intercambio, además un bajo contenido de nitrógeno y materia orgánica (Hidrobo et al., 2015). En cuanto al escurrimiento es abundante, mientras que la penetración del agua es mínima, lo que indica que la energía del escurrimiento es muy alta sobre estos substratos. Una simulación realizada sobre suelos con inclinación del 10-12%, mostraron un coeficiente de escurrimiento de 80% con lluvias de 20 mm h-1 (Custode et al., 1992), lo que se traduce en cantidades exorbitantes de suelo cultivable perdido.
En Ecuador, estudios anteriores sugieren una superficie aproximada de 240000 ha en todo el país, de las cuales 36000 ha, se encuentran a nivel superficial debido a la erosión, y 44000 ha, estarían cubiertas por casi 20 cm de suelo apto para cultivar (Zebrowski & Vicuña, 1996). Mitigar las afectaciones relacionadas a los procesos erosivos, mediante la recuperación de estos sustratos, evita el abandono de áreas hasta hace poco productivas, fija la población campesina, reactiva la producción agrícola y mejora la calidad de vida de los agricultores (De Noni et al., 1992). Varias investigaciones como las realizados por Podwojewski & Germain (2005b), y Brown et al. (2017), ya han abordado esta temática, enfocados principalmente en la producción agrícola, al transformar la cangahua en suelos fértiles con cultivos de valor añadido mediante de roturación (labranza) del suelo, ya sea por trabajo manual o con maquinaria, lo que permite oxigenar la tierra y mejorar la capacidad del suelo de conseguir nutrientes, a través de la acción humana o natural con sus posteriores labores de conservación para mantener el sustrato recuperado.
A pesar de los trabajos desarrollados localmente, se ha pasado por alto el problema de erosión que sufren los suelos del volcán Ilaló, una locación con un gran pasado histórico (Sánchez et al., 2013) y particularidades geológicas únicas (Alvarado et al., 2014). En esta zona se asientan varias comunidades, que se han visto afectadas debido a la pérdida de suelo cultivable, por lo que la reactivación de estos suelos es de gran importancia agroecológica, sin embargo, detener la erosión que se ha agravado especialmente en las estribaciones del volcán, conlleva desafíos ambientales, sociales y económicos, los cuales deben ser superados en la búsqueda de dinamizar la deprimida agricultura característica del lugar y el mejoramiento paisajístico.
Una forma de aprovechar recursos y analizar espacialmente la realidad del territorio, es mediante los sistemas de información geográfica (SIG) y sus técnicas de modelación multivariable. Los SIG han sido utilizados ampliamente para el entendimiento de los factores que coadyuvan a la erosión, así como para simular su impacto sobre el suelo (Gaubi et al., 2017), así como en el ámbito socioeconómico, la incorporación de los análisis ecológicos y de fragmentación del paisaje (Zhang et al., 2008).
En este contexto, la selección de técnicas SIG que representen con mayor precisión la realidad del territorio son necesarias para garantizar la toma de decisiones y los recursos invertidos, y que en conjunto con prácticas tradicionales de recuperación de suelos, se pueda alcanzar una mejor planificación y manejo sostenible de las tierras (Han et al., 2019; Jazouli et al., 2019). Es por ello, que el objetivo de este trabajo fue aplicar y comparar distintas técnicas de modelación multivariable mediante SIG, para la selección de zonas (huertos) idóneas destinadas a la recuperación de suelos erosionados por cangahua, con la finalidad de optimizar recursos económicos e impulsar el desarrollo de la agricultura comunitaria, en las faldas del volcán Ilaló.
MATERIALES Y MÉTODOS
Área de estudio
El Ilaló es un volcán inactivo que tuvo su última erupción hace 1,6 millones de años aproximadamente, y que se levanta en el centro de la Depresión Interandina, donde sus flancos erosionados por glaciares moldearon un valle en forma de “U” hasta los 2500 m (Coltorti & Ollier, 2000). Según Clapperton (1987), los límites inferiores de la línea de nieve en Ecuador estaban sobre los 3000 m, por lo que ocurrió una reducción de la superficie en esta zona de 500 m desde el Pleistoceno medio tardío. Este antiguo volcán está ubicado en la provincia de Pichincha, cantón Quito, en cuyas laderas se asientan las comunidades de La Toglla, San Francisco de Baños, Alangasí y San Juan Bautista de Angamarca, pertenecientes a las parroquias de Guangopolo, La Merced y Alangasí (Figura 2). El área de estudio comprende estas cuatro comunidades con aproximadamente 11,026 Km2 de superficie. El promedio anual de lluvia es 1300 mm, con dos estaciones lluviosas, la principal de enero a junio, y la segunda de octubre a diciembre. Posee una temperatura mensual promedio de 15,7°C, una humedad relativa de 75% y más de 2000 horas de insolación anual (Carrera et al., 2019).
El problema de erosión en el Ilaló y la cangahua
El cerro Ilaló, siendo parte de un área protegida (Bosque y Vegetación Protectores del Flanco Oriental del Pichincha y Cinturón Verde de Quito), presenta actualmente un claro deterioro de sus remanentes verdes a causa de la tala indiscriminada de sus bosques (Figura 3), que potencia aún más el afloramiento de cangahua y por ende la erosión del suelo. Las fuertes pendientes (mayores a 45°), sumado a las precipitaciones y el cambio de uso de suelo, resultan en la aparición de cárcavas de grandes dimensiones, que reflejan la problemática existente en esta zona, como se muestra en la Figura 4.
Análisis espacial multivariado
La zonificación de las áreas que podrían servir para la recuperación de cangahuas fue calculada a través de un análisis multivariado en el que fueron consideradas 6 variables: pendiente (s), ríos (r), vías (rd), zona poblada (a), bosque (f), presencia cangahua (ca). Esta información es obtenida de las fuentes oficiales del país, como son el Programa SIGTIERRAS (pendiente) (SIGTIE- RRAS, 2012), Instituto Geográfico Militar - IGM (ríos, vías, zona poblada) (IGM, 2015), Ministerio de Ambiente y Agua - MAAE (bosque natural) (MAAE, 2020) y Ministerio de Ganadería - MAG (presencia de cangahua) (MAG, 2019), cuya información se encuentra a escala 1:5000 en el caso del SIGTIERRAS y 1:25000 el resto de capas. La resolución espacial es un parámetro muy significante para los modelos espaciales (Cepeda et al., 2018; Palacios, 2019; Palacios et al., 2019); para esta investigación se optó por definir el tamaño de celda en función de la variable con mayor escala, siendo esta la pendiente obtenida con el modelo digital de elevaciones con una resolución de 3 metros.
La utilización de estas variables permitió determinar las zonas que cumplían con las condiciones necesarias para la recuperación, como son pendientes suaves, cercanía a vías de acceso, poseer formaciones de cangahua y no encontrarse en cobertura de bosques, zonas pobladas y atravesadas por ríos y sus márgenes de protección. Todas las capas en formato ráster se ingresaron al software Idrisi Selva para la ejecución del análisis espacial mediante tres variantes de modelos de decisión. La Figura 4 muestra el flujo de trabajo aplicado al presente estudio.
Método de intersección booleana (BIM): BIM (del inglés boolean intersection method), o también conocido como operación mínima AND, es una técnica multicriterio que considera todos sus juicios como restricciones, es decir, comprende valores discretos de 0 y 1 (Fan et al., 2018). El valor mínimo representa una ubicación que no cumple con las condiciones del fenómeno analizado, y el valor máximo indica una correspondencia máxima con los criterios analizados. Este método se caracteriza por la falta de compromiso entre los criterios, ya que la idoneidad en una restricción no compensa la incapacidad en otra zona restringida (Singh et al., 2017). Sin embargo, este procedimiento conlleva al menor riesgo posible en un estudio, debido a que las zonas resultantes se consideran adecuadas en todos los criterios posteriores (Shahabi et al., 2013). Una forma matemática de expresar lo mencionado anteriormente sería (Ec. 1):
Donde s, r, rd, f, ca, a son las variables representadas como imágenes booleanas y es el mapa resultante con las áreas que cumplen los criterios requeridos. A pesar de ser una técnica con algunas limitantes, todavía se utiliza la BIM como se demuestra en los trabajos de (Zhu et al., 2019), por lo que se decidió utilizar el método aplicado a esta temática. Dentro del software se procedió a transformar los inputs a ráster con valores entre 1 y 0, donde 1 representaba las condiciones óptimas para la ubicación de parcelas comunales. Con las variables de ríos y vías se utilizó buffer de tolerancia según lo indicado en los reglamentos de la Ley de recursos hídricos y Ley del sistema infraestructura vial (100 y 25 metros respectivamente), mientras que las demás variables se trabajaron con los datos sin cambio.
Combinación lineal ponderada (WLC): WLC (del inglés weighted linear combination), es un método en que se puede trabajar con factores y restricciones, es decir, con valores continuos y discretos para un modelamiento más real del fenómeno de interés. Este procedimiento se caracteriza por una compensación completa entre los factores y el riesgo promedio (Lu et al., 2017). WLC es una de las técnicas multicriterio más usadas para el análisis de decisiones (Bahrani et al., 2016; Karimi et al., 2018a). En este método se puede estandarizar los criterios en escalas continuas, por lo que es más flexible que otras técnicas como BIM (Akgün & Bulut, 2007). Además, permite agregar una ponderación a cada variable y tener una compensación total entre los parámetros. Existen varias técnicas para asignar pesos, como el método del índice estadístico (Wi), factor de ponderación (WF) y el proceso de jerarquía analítica (AHP). De estos, AHP es ampliamente usado en distintas aplicaciones (Saaty, 2000; Toth & Vacik, 2018), y se integra muy bien en combinación con técnicas multicriterio de SIG (Babalola, 2018; Ljubomir et al., 2019). Para esta variante multicriterio, se aplicó en primera instancia una V de Cramer con que se identificó las variables con mayor incidencia, y posteriormente, se ejecutó una ponderación a través del AHP.
Test de independencia condicional: Para garantizar la independencia de las variables entre sí, se aplicó una prueba de la fuerza explicativa potencial de cada variable (Brown et al., 2016). La medida cuantitativa de asociación que se aplicó fue la V de Cramer, la misma que representa la influencia de las variables y verifica si éstas tienen un potencial explicativo para llegar al objetivo planteado. Los valores de la V de Cramer varían entre 0 a 1 (Hadmoko et al., 2017), y son obtenidos estadísticamente a través de un test Chi cuadrado mediante la fórmula (Ec. 2) (Bratley & Ghoneim, 2018):
Donde c representa el test Chi cuadrado, los grados de libertad y el volúmen de la muestra.
Si los valores de la V de Cramer son de 0,15 o más se puede tomar la variable como válida, mientras que aquellas con valores de 0,4 o mayores, son variables con una fuerte incidencia potencial para explicar el fenómeno. Valores inferiores a 0,15 sugieren que se podría descartar la variable para el modelamiento estudiado (Abuelaish & Camacho, 2016). Este paso se realizó dentro de la herramienta Land Change Modeler (LCM) mediante una red neuronal de perceptrón multicapa (MLP) dentro del software Idrisi Selva, cuyos valores se muestran en la Tabla 1:
Proceso analítico jerárquico (AHP): En AHP (del inglés analytic hierarchy process), las ponderaciones factoriales, que no se utilizan en absoluto en el caso de la intersección booleana, son muy importantes en WLC porque determinan cómo los factores individuales se compensarán entre sí (Ho & Ma, 2018). AHP es una técnica que ayuda a la toma de decisiones mediante una comparación por pares para definir pesos de importancia entre las alternativas estudiadas (Saaty, 2000). Estos pesos se obtienen a través de la normalización del vector propio relacionado con el valor máximo de su matriz recíproca (Saaty & Vargas, 2001). La comparación por pares se realiza en una escala continua de valores del 1/9 a 9 según su influencia en el proceso (Tabla 2). Una de las ventajas que presenta AHP es que permite verificar si los pesos asignados a las variables son adecuados mediante una relación de consistencia (CR) (Palacios et al., 2018), que indica la probabilidad con que los juicios matriciales fueron generados de forma aleatoria, y por ende, sin ningún sesgo por parte de los evaluadores (Pourghasemi et al., 2012).
Las ponderaciones son aceptadas cuando el CR es menor a 0,1, el mismo que se obtiene de la siguiente fórmula (Ec. 3) (Abdel et al., 2017):
Donde R1 es el promedio del índice de consistencia resultante del ordenamiento de la matriz, que corresponde al grado de consistencia que surge en una matriz recíproca aleatoria de valores nominales con nueve categorías. Es el índice de consistencia obtenido de (Massawe et al., 2019), expresado en la (Ec. 4):
Donde es el valor propio más alto de la matriz, y es el orden de la matriz. La asignación de pesos estuvo en función de la fuerza explicativa de cada variable, dada por los valores de V de Cramer, y estos fueron calculados mediante la herramienta Weight del software Idrisi Selva, con un CR de 0,06. En la Tabla 3 se muestran los pesos obtenidos mediante AHP.
Con los pesos establecidos, WLC se puede expresar matemáticamente de la siguiente forma (Ec. 5):
Donde son los pesos normalizados de cada variable, y es el puntaje de criterio del factor. Los ráster de entrada correspondieron a distancias euclidianas que fueron normalizados mediante la Lógica Fuzzy.
Promedio ponderado ordenado (OWA): OWA (del inglés ordered weighted averaging), es un método involucra tanto factores como restricciones, al igual que WLC, pero al contrario del método anterior, además de los pesos de factor, OWA utiliza los pesos de orden que permiten un control directo sobre los niveles de compensación y riesgo (Viccaro et al., 2018). En cuanto al grado de compensación global, corresponde al grado de la relación de pesos factores/compensaciones aplicados en el procedimiento de combinación (Yager, 1996). La importancia de estas ponderaciones, de ninguno a completo, se rige por el conjunto de pesos de orden. El grado de riesgo está basado en la posición del procedimiento de combinación entre el mínimo (operador AND) y máximo (operador OR) de las áreas que se considerarán adecuadas (Zabihi et al., 2019).
Los pesos de orden se definen no en función de los factores en sí mismos, sino que se debe a la posición del orden de rango de los valores de factor para una ubicación determinada. Además, estas ponderaciones ordenadas influyen a cada factor según su clasificación desde el valor mínimo hasta el máximo para cada ubicación (Karimi et al., 2018b). El sesgo relativo hacia el mínimo o el máximo de las ponderaciones de orden controla el nivel de riesgo, mientras que el grado en que las ponderaciones de orden se distribuyen uniformemente en todas las posiciones, controla el nivel de compensación general (Gorsevski et al., 2012). OWA brinda una gran flexibilidad para tomar la decisión adecuada gracias a que presenta diferentes resultados basados en distintos niveles de riesgo (Al-Anbari et al., 2018). Al combinar el operador OWA con AHP ofrece un análisis multicriterio muy robusto para solventar problemas de decisión espacial. Según Yager (1993), el operador OWA se define por la siguiente ecuación (Ec. 6):
Donde es la dimensión del operador, el cual es definido como una función que posee un vector de pesos ordenado cuya sumatoria es la unidad. Además, es el orden que se encuentra al reordenar los valores de los criterios. En este estudio se ponderó en orden de prioridad a la variable cangahua, asentamiento humano, pendiente, bosque, camino y río.
Delimitación de las parcelas óptimas para la recuperación
Una vez aplicadas los tres métodos de evaluación multicriterio (MCE), se realizaron visitas de campo a las cuatro comunas en conjunto con los comuneros, quienes conocen más de cerca el área de estudio. Se procedió a seleccionar 10 posibles zonas para los huertos agrícolas, a manera de muestras dispersas aleatorias, con un total de 40 puntos georreferenciados mediante un GPS navegador Magellan para posteriormente sobreponerlos a los tres modelos generados, y así verificar la exactitud de cada uno de los métodos mediante la construcción de matrices de confusión para cada comuna.
Un primer filtro para la selección de las parcelas óptimas resultantes de los tres modelos fue desde el punto de vista geométrico (Yang et al., 2019), mediante la aplicación de un índice de compacidad, el cual es una relación del área del polígono con el perímetro del mismo (Paegelow et al., 2017). El coeficiente de compacidad o Cratio se calcula con la ecuación (Ec. 7) (Palacios, 2018):
Donde corresponde al área del polígono, es el perímetro y C el grado de compacidad (Cratio). Mientras mayor sea el valor de éste coeficiente, más regular será el polígono, y viceversa (Handayanto et al., 2018).
RESULTADOS
De la aplicación de las metodologías multicriterio se obtuvieron tres modelos que representan la realidad del terreno bajo las condiciones establecidas, según cada uno de los métodos, BIM, WCL y OWA los cuales muestran en la Figura 5, donde se observan las posibles zonas para la recuperación de cangahuas.
En las Tablas 4, 5, 6, 7 se muestran las matrices para las distintas comunidades, con sus respectivas exactitudes calculadas.
Además de la forma regular de la parcela, fueron considerados los límites legales de los predios. En base a estos dos criterios fueron propuestos a cada comunidad cuatro parcelas que servirían para recuperar el suelo. Finalmente, para el establecimiento definitivo de los huertos comunales a utilizar, se socializó con los habitantes de cada sector los resultados del modelamiento y las parcelas propuestas, en un cronograma de ocho días, dos días por comunidad, esto permitió obtener la autorización por parte de los propietarios y construir perfiles y calicatas de 60 cm a 70 cm de profundidad al interior de las parcelas seleccionadas para así garantizar una profundidad de al menos 60 cm de cangahua lo que asegura que la roturación del suelo pueda ser llevada a cabo por maquinaria pesada sin llegar a encontrarse con roca madre. En la Figura 6 se muestra parte del trabajo realizado en campo.
En total fueron construidas dieciséis calicatas, en las cuales se verificó la presencia de cangahua en las comunas de Alangasí, Angamarca, San Francisco de Baños y La Toglla, donde Angamarca fue la comuna con la mayor área disponible para huertos comunales (Figura 7). Además, se comprobó en todas, una profundidad de cangahua de al menos 60 cm.
DISCUSIÓN
Tras la aplicación de los tres métodos de evaluación multicriterio, los modelos espaciales obtenidos mostraron que una gran parte de la superficie del volcán Ilaló es apta para llevar a cabo procesos de recuperación, especialmente aquellas que poseen pendientes poco pronunciadas. El modelo BIM fue el que mostró menos superficie para la recuperación ya que clasifica las zonas únicamente entre aptas y no aptas, por lo cual las áreas fueron más reducidas, mientras los modelos OWA y WLC muestran la superficie a manera de un mapa de probabilidad dependiendo de qué tan óptima es una determinada zona, con valores de 0 a 1, lo que permite considerar sitios adicionales al momento de la selección de las parcelas.
De las matrices de confusión, las exactitudes globales obtenidas del muestreo aleatorio realizado, mostraron que el método WLC alcanzó los mejores resultados en las cuatro comunidades, y, por consiguiente, fue el modelo más idóneo para ser aplicado en el presente trabajo. Sin embargo, no implica que este método sea superior a los otros al momento de realizar un análisis multicriterio ya que esto dependerá de las variables utilizadas y las características particulares de cada estudio.
La selección final de las parcelas con la participación de los habitantes de las diferentes localidades permitió el empoderamiento del proyecto, al comprender que los beneficios están alineados con sus propias necesidades, íntimamente relacionadas al deterioro de la calidad ambiental por la creciente erosión de los suelos en el volcán Ilaló. La participación de los habitantes no solo fue indispensable durante la selección de las parcelas, sino que lo será durante todo el proceso de recuperación del suelo, ya que la finalidad de este proyecto fue la generación de suelos fértiles que puedan ser aprovechados en la creación de huertos comunales que ayudarán a mejorar la alimentación y economía de las personas de la localidad, a la vez que evita la pérdida del mismo suelo.
La profundidad de al menos 60 cm de cangahua en las parcelas seleccionadas no solo garantiza el trabajo adecuado de la maquinaria pesada durante la roturación del suelo, sino que es la profundidad requerida para que los diferentes cultivos propios de la región puedan desarrollarse con éxito. Productos como maíz, haba y fréjol necesitan una profundidad efectiva de cangahua recuperada no menor a 40 cm, mientras cereales como el trigo, cebada y avena de 30 cm (Trujillo & Zebrowski, 1998). A nivel del Ecuador están registrados casos de éxito como el de la provincia de Imbabura donde más de 500 hectáreas de suelos de cangahua fueron recuperados y utilizados en la producción de tomate, lo que demuestra el potencial uso agrícola que pueden llegar a tener los suelos recuperados, a través de procesos de roturación e incorporación de abonos verdes (Hidrobo et al., 2015; Brown et al., 2017), riego adecuado (Almeida, 2016), y buenas prácticas agrícolas como por ejemplo, terrazas manuales y progresivas, cercas verdes, entre otros (Trujillo & Zebrowski, 1998).
CONCLUSIONES
La utilización de datos espaciales y técnicas multicriterio dentro de un SIG, permitió optimizar tiempos y recursos en la determinación de suelos degradados con presencia de cangahuas y en la delimitación de zonas aptas para realizar procesos de recuperación como se lo demostró en las comunidades del volcán Ilaló.
De los tres métodos MCE utilizados, la WLC fue el que mejores resultados mostró en la matriz de confusión, seguida del OWA y en muy poca medida el BIM. Estos resultados muestran la gran ventaja de las técnicas que integran funciones y restricciones para su modelamiento, y más aún al usar AHP para la ponderación de las variables.
El uso de la V de Cramer fue clave para dar indicios de la importancia de las variables en el objetivo del modelo a generar, además de que puede ser considerado como indicador para la asignación de pesos dentro del método AHP.
Un total de cuatro zonas propuestas para la recuperación de suelo degradado por cangahua fueron seleccionadas en cada comunidad, en las que se realizó un total de 16 calicatas para comprobar que la profundidad de la cangahua sea de mínimo 60 cm y así garantizar la roturación del suelo mediante maquinaria pesada y la posterior implantación de cultivos propios del área de estudio.