Rev. FCA UNCUYO.

Escenarios 2014. 46(2):

de contaminación 83-96.enISSN
biológica impreso
la Pampa 0370-4661.
Ondulada ISSN (en línea) 1853-8665.
de Argentina

Estimación de escenarios de contaminación

por coliformes fecales en una microcuenca de
la Pampa Ondulada de Argentina mediante el
empleo de un modelo predictivo
Estimation of fecal coliforms contamination scenarios in
a microbasin of the Rolling Pampa of Argentina by using a
predictive model
Filipe Behrends Kraemer 1, Celio Ignacio Chagas 1, Gabriel Vázquez-Amábile 2,
Marta Paz 3, Juan Agustín Moretton 3
Originales: Recepción: 13/11/2013 - Aceptación: 30/07/2014

RESUMEN ABSTRACT

Se evaluó la dinámica de contaminación Biological contamination dynamic was

biológica en una microcuenca con uso ganadero assessed in a microbasin of the Rolling Pampa
de la Pampa Ondulada de Argentina, mediante el of Argentina trough the study of the bacterial
coeficiente de partición bacteriano (BactKdQ) del partition coefficient (BactKdQ) of SWAT model
modelo SWAT (Soil and Water Assessment Tool). (Soil and Water Assessment Tool). Biological
Se simularon escenarios de contaminación para contamination sceneries were estimated for
dos cargas ganaderas (0,5 y 1 equivalente vaca two stocking rates (0.5 and 1 Animal Units)
por ha), utilizando dos valores de BactKdQ: el using two values of BactKdQ: the value set
propuesto por el SWAT (175 m3 Mg-1) y uno real by default in SWAT model (175 m3 Mg-1) and
medido in situ (10 m3 Mg-1). Para el escenario a real value measured in situ (10 m3 Mg-1).
real se corroboró la íntima relación entre los For the real scenery, a close relationship
eventos de precipitaciones - escurrimientos y la between rainfall and runoff events and biological
contaminación biológica de los cursos de agua. contamination of water courses was confirmed.
Los valores reales de BactKdQ, aún siendo bajos, Real BactKdQ values, yet still low, significantly
incidieron de forma significativa en la dinámica influenced the dynamics of transport of fecal
de transporte de coliformes fecales. Por ende, coliforms. Therefore it is of interest to include
es de interés la inclusión de parámetros como el parameters such as BactKdQ measured locally
BactKdQ medidos localmente y no de aquellos instead of those that the SWAT sets as default.
que el modelo SWAT incluye por defecto. In addition, we observed a high concentration
Además, se pudo observar una importante of fecal coliforms in the microbasin, pointing it
concentración de coliformes fecales en la as an environment with high risk of biological
microcuenca, señalándola como un ambiente contamination, since for this application of
de alto riesgo de contaminación biológica, SWAT model all the guidelines were exceeded.
ya que para esta aplicación del SWAT todos This work highlights the importance of using
los niveles guías fueron sobrepasados. Este computational models to support both production
trabajo destaca la relevancia de la utilización and environmental decisions.

1 Cátedra de Manejo y Conservación de Suelos. Facultad de Agronomía UBA. Av. San Martín 4453.
Buenos Aires. Argentina. C. P. 1417. filipebk@agro.uba.ar
2 Facultad de Ciencias Agrarias y Forestales, Universidad de La Plata. Diagonal 113. N° 469. 3er Piso.
C. P. 1900. La Plata. Buenos Aires. Argentina.
3 Cátedra de Higiene y Seguridad. Facultad de Farmacia y Bioquímica UBA. Junín 954.
Buenos Aires. Argentina.

Tomo 46 • N° 2 • 2014 83
 F. B. Kraemer, C. I. Chagas, G. Vázquez-Amábile, M. Paz, J. A. Moretton

de modelos computacionales como soporte de Keywords

decisiones productivas y ambientales.
biological contamination • water
quality • modeling

INTRODUCCIÓN Palabras clave

contaminación biológica • calidad de
Si bien se ha dedicado mucho aguas • modelización
esfuerzo en estudiar la relación entre la
cadena alimenticia y el movimiento de
patógenos y su epidemiología, mucha menos atención han recibido los factores
hidrológicos y edáficos que controlan la transferencia de patógenos en sistemas
agropecuarios, los cuales conforman rutas alternativas de transmisión de enfermedades
hídricas (14). Ongley, 1997, destaca la necesidad de estudiar la contaminación
agropecuaria del agua a escala de cuenca ya que a partir de su comportamiento
hidrológico es posible predecir su capacidad de generación y exportación de
contaminantes. Esto permitiría diseñar estrategias de atenuación de dicha fuente de
contaminación (27). En relación con la contaminación biológica, existe un importante
riesgo referido al agua superficial asociado con la actividad ganadera.

En las últimas décadas la Región Pampeana (Argentina), ha visto incrementada la

superficie dedicada a cultivos anuales, principalmente soja. Paralelamente, los suelos
que poseen una aptitud marginal para el desarrollo de cultivos anuales han sufrido una
continua concentración de ganado bovino (6). Ello habría provocado un incremento de
la degradación de estas frágiles tierras y un aumento de la contaminación química y
biológica del sistema hídrico principalmente debido a las deyecciones animales. Esta
situación se vio agravada por el hecho que los animales presentes en dichas tierras
tienen acceso directo a los cursos de agua y a sus cárcavas asociadas (9), por lo que
los patógenos eliminados a través de las deyecciones y orinas animales pueden ser
transportados por el escurrimiento o vertidos en forma directa a los cauces de agua.

Los patógenos asociados a las deyecciones ganaderas son muy variados e

incluyen bacterias, protozoos, virus y algunos metazoarios (11, 20, 35), algunos de
los cuales también pueden ocasionar enfermedades en humanos. Por tales motivos
para estimar la contaminación se utilizan microorganismos indicadores de presencia
de heces, dentro de los cuales los más comúnmente utilizados son las bacterias del
grupo coliformes.

Estudios previos han demostrado que cuando la lluvia genera escurrimiento en

áreas ganaderas, se pueden transferir altas concentraciones de microorganismos
indicadores de contaminación fecal a las aguas superficiales (14, 30). En cuanto a la
intensidad de los eventos hidrológicos, estos pueden afectar en gran medida la calidad
de aguas, habida cuenta que las lluvias de gran intensidad son capaces de aumentar
en 100 veces la concentración bacteriana en los ríos (25). Curriero et al., 2001
encontraron que más de la mitad de las enfermedades producidas por organismos
relacionados con el agua en los Estados Unidos en los últimos 50 años estaban
asociadas a lluvias intensas. En este sentido, se ha estudiado que un incremento
84 Revista de la Facultad de Ciencias Agrarias
Escenarios de contaminación biológica en la Pampa Ondulada de Argentina

en la frecuencia y severidad de precipitaciones extremas, aumenta el riesgo de los

eventos de contaminación, acrecentando de esta forma la probabilidad de aparición
de enfermedades relacionadas con el agua (26).

Por otro lado, numerosos autores concluyeron que la dinámica del transporte
bacteriano depende de la asociación microbiana al suelo y sedimento (14, 32).
Este aspecto resulta destacable debido a que la interacción con el medio sólido
incrementaría la supervivencia bacteriana (29).

Estudios realizados en la cuenca del arroyo del Tala (Prov. Buenos Aires) mostraron
que existe una estrecha afinidad entre la concentración de algunos microorganismos
indicadores de contaminación fecal, como la Escherichia coli, presentes en el
escurrimiento y la fase sólida de dicho flujo hídrico (7, 16, 17). Esta interrelación
depende de las características del contaminante biológico y de las propiedades físicas
y químicas de los suelos y sedimentos cuya resultante es el coeficiente de partición
o distribución bacteriana (Kd). Por ello, la dinámica de transporte biológico debe
analizarse contemplando la variabilidad física, química y biológica de cada ambiente.

Tanto la erosión y el escurrimiento, como la dinámica de los contaminantes

químicos y biológicos pueden ser cuantificados mediante modelos hidrológicos de
base física.

Un modelo matemático para simulación de variables hidráulicas e hidrológicas,

brinda la posibilidad de analizar escenarios en una cuenca hidrográfica, que afectarían
a uno o varios de los procesos físicos, químicos y biológicos de forma integrada.

El modelado hidrológico es a menudo el primer paso en el desarrollo de

sistemas de decisión que permiten identificar áreas vulnerables a la contaminación
por nutrientes, pesticidas (21) como también contaminantes biológicos. En este
sentido, el modelo SWAT (Soil and Water Assessment Tool) (2) fue desarrollado para
predecir impactos de las prácticas de manejo del suelo sobre el agua, sedimentos
y agroquímicos en cuencas hidrográficas con diferentes suelos, usos y prácticas en
largos períodos de tiempo.

Actualmente se está llevando a cabo una cantidad considerable de estudios de

simulación hidrológica mediante el modelo SWAT, principalmente porque permite
incluir las numerosas variables necesarias para realizar predicciones hidrológicas
precisas. Por ejemplo, la subrutina de calidad de agua, fue aplicada y validada para
escurrimientos, producción de sedimentos y pérdidas de nutrientes en cuencas de
diversas regiones del mundo y con diferentes manejos y condiciones (15, 28, 34).

En el año 2000, una subrutina microbiológica fue añadida al modelo SWAT para
evaluar el destino y transporte de bacterias persistentes y no persistentes. Cabe
destacar que el modelado con subrutina microbiológica ha sido escasamente empleado
y, al menos en nuestro conocimiento, no existen reportes de su uso en Argentina.

Tomo 46 • N° 2 • 2014 85
 F. B. Kraemer, C. I. Chagas, G. Vázquez-Amábile, M. Paz, J. A. Moretton

Baffaut y Benson, 2003, calibraron el modelo SWAT a partir de rendimientos

agrícolas, caudales e información de calidad de aguas. Dichos autores efectuaron
predicciones de la cantidad de bacterias coliformes fecales en un curso de agua
las cuales resultaron acordes al rango y frecuencia de los valores medidos. Ello les
permitió efectuar recomendaciones razonables para el manejo de la cuenca estudiada.

No obstante, todavía son muchos los parámetros utilizados por este modelo que
necesitan ser estudiados y validados con el fin de obtener resultados más ajustados (5).
Este es el caso del Kd, denominado BactKdQ en el modelo SWAT, el cual representa
la relación entre bacterias adsorbidas (m-3) con respecto a la solución o fase analizada
(Mg-1) (23). Esta relación indica cuánto de la carga bacteriana presente en un suelo
se movilizará con el escurrimiento. Por ejemplo, a mayores Kd, una mayor cantidad
de bacterias estarán adsorbidas, en este caso al suelo, y la concentración bacteriana
en el escurrimiento será menor. Parajuli et al., 2009, encontraron importantes efectos
en la eficiencia del modelo al calibrar este parámetro. Debido a que prácticamente
no existen datos sobre el mismo, a menudo se lo selecciona para calibrar el
modelo (5). Es por ello que resulta necesario generar información adicional sobre
este parámetro tan significativo.

Así Kraemer, 2011, encontró valores de Kd que oscilaron entre 0,5 y 30,6 m3 Mg-1,
mientras que Kraemer et al., 2010, en un rango más acotado de tipos de suelo, hallaron
valores de entre 1,51 y 20,8 m3 Mg-1. Sin embargo, todavía resta saber la influencia
de este parámetro en el movimiento bacteriano a escala de cuenca y la influencia del
mismo en el modelado con SWAT.

Objetivos

• Evaluar la sensibilidad del coeficiente de partición (BactKdQ) medido in situ y

con el valor que el SWAT provee como defecto.

• Determinar la dinámica en el tiempo de la contaminación por coliformes fecales

utilizando estos dos valores de BactKdQ para dos cargas animales habitualmente
empleadas en el área de estudio.

• Correlacionar la concentración bacteriana del escurrimiento con el caudal de

escorrentía para todos los escenarios mencionados.

MATERIALES Y MÉTODOS

Sitio de estudio
Se trabajó en una microcuenca ubicada en la vertiente norte de la cuenca media
del Arroyo del Tala (33°50' S y 60°00' O), en la localidad de San Pedro, provincia de
Buenos Aires (figura 1, pág. 87). Esta microcuenca llamada "Los Patricios" posee una
superficie de 300 ha y está incluida en un sector del campo experimental del mismo
nombre perteneciente a la Universidad de Buenos Aires.

86 Revista de la Facultad de Ciencias Agrarias

Escenarios de contaminación biológica en la Pampa Ondulada de Argentina

Figura 1. Ubicación de la microcuenca "Los Patricios".

Figure 1. Location of "Los Patricios" microbasin.

Los suelos dominantes en la microcuenca corresponden a fases por erosión y

sedimentación de la serie Ramallo (Argiudol vértico).

El horizonte superficial del suelo es de textura franco arcillo limosa con un

promedio de 15% de arena, 60% de limo y 25% de arcilla.

En las áreas con pendiente los gradientes de 0-0,5%; 0,5-1%; 1-2% ocupan
una superficie del 22%; 35% y 34% respectivamente, mientras que los sectores de
vaguada abarcan el 9% de la superficie total de la microcuenca. Las vaguadas están
ocupadas por fases ligeramente erosionadas y engrosadas de la serie Ramallo (13).

La dinámica hidrológica de las vaguadas se compone de pulsos de escurrimiento

relacionados con eventos de precipitación de intensidad media a moderada (8).

El uso de la tierra durante el período de análisis (2000-2005) fue predominantemente

agrícola con alta presencia de cultivos de verano (principalmente soja y maíz) y en menor
medida de invierno (trigo). Previo al año 1999 dichos cultivos se implantaban mayormente
en forma convencional (arado de reja y vertedera, rastra de discos y rastra de dientes),
mientras que a partir del 1999 el sistema de labranza empleado fue la siembra directa.

Modelado hidrológico y biológico

Se utilizó el modelo Soil and Water Assessment Tool (SWAT) diseñado por el
Departamento de Agricultura de los Estados Unidos junto con la Universidad de
Texas (2).

Tomo 46 • N° 2 • 2014 87
 F. B. Kraemer, C. I. Chagas, G. Vázquez-Amábile, M. Paz, J. A. Moretton

El ciclo hidrológico simulado por el SWAT está basado en la ecuación del

balance hídrico:

SWt  SW  ∑ ( Ri − Qi − ETi − Pi − QRi )

donde:
SWt = cantidad final de agua en el suelo (mm)
SW = cantidad inicial de agua en el suelo (mm)
t = tiempo en días
Ri = cantidad de lluvia caída en el período de análisis (mm)
Qi = cantidad de escorrentía (mm)
ETi = evapotranspiración (mm)
Pi = percolación (mm)
QRi = flujo de retorno (mm)

Los datos de escurrimientos fueron tomados del trabajo de Chagas, 2008 y

Kraemer, 2011, en los cuales se midió el caudal (m3 s-1), en forma automática mediante
un limnígrafo piezo-resistivo a intervalos de 30 minutos. Los datos fueron expresados
por día.

Para simular el transporte bacteriano de la superficie del suelo se utilizó una ecuación
que es función del volumen de escurrimiento y de la interacción suelo/bacteria (5):

bacteriasolución*Qsup
bacteriasup 
pb*profundidad*BactKdQ

donde:
bacteriasup = cantidad de bacterias transportadas por m2 de escurrimiento
bacteriasolución = cantidad de bacterias en la solución de un m2 de suelo en los primeros 10 mm
Qsup = volumen del escurrimiento superficial (mm)
ρb = densidad aparente del suelo (Mg m-3)
profundidad = espesor del suelo (10 mm)
BackKdQ = coeficiente de partición bacteriana (m3 Mg-1)

Los datos de cantidad de bacterias de la solución del suelo se calcularon a partir

de información disponible sobre producción de heces en la zona y la concentración de
bacterias coliformes fecales en las heces del ganado bovino. La producción de heces
frescas por día se estimó en kg por unidad de equivalente vaca (EV), considerando
un consumo de 7-8 kg de materia seca de forraje por EV, una digestibilidad del forraje
del 60% y una pérdida diaria de forraje por pisoteo del 20%.

Para la concentración de bacterias coliformes en las heces frescas se tomó

el valor propuesto por ASAE, 2000, de 13x1010 g-1, el que fue transformado a peso
seco considerando una humedad de las heces del 86%. Asumiendo una distribución
homogénea de las heces, los datos fueron expresados por m2 de suelo.

88 Revista de la Facultad de Ciencias Agrarias

Escenarios de contaminación biológica en la Pampa Ondulada de Argentina

El coeficiente de partición fue estimado asumiendo que el 90% de las bacterias

se encontraba en suspensión (32), que la vida media para los coliformes fecales en
suspensión es de 3 días, y que la mortalidad por adsorción en las partículas del suelo
fue de 0,04 día-1 (4).

Escenarios de Contaminación
Se simularon 4 escenarios de contaminación según la carga animal (0,5 y 1 EV ha-1),
bajo dos valores de coeficiente de partición:

a) el generado por defecto por el SWAT (175 m3 Mg-1).

b) el valor promedio evaluado para la cuenca por Kraemer, 2011, de 10 m3 Mg-1.

Este valor fue medido para una concentración 1x107 ml-1 de bacterias coliformes
fecales, mediante técnicas de centrifugado lento, principalmente en suelos franco arcillo
limosos (16, 19). Bajo estos 4 escenarios se calculó la cantidad diaria de bacterias en
el suelo de escorrentía y se analizó, a través de regresiones lineales (31), la vinculación
entre el caudal diario de la microcuenca y la concentración de coliformes fecales.

En este trabajo se utilizaron los resultados de los eventos de escurrimiento,

medidos como caudal (m3 s-1). La producción de sedimentos se calculó mediante
el modelo MUSLE, que toma en cuenta entre otros parámetros, la erodabilidad del
suelo, factores de cobertura y manejo del suelo y un factor topográfico, además de
la erosividad de las lluvias, disponibles en Kraemer et al., 2011.

RESULTADOS

Los escenarios de contaminación evaluados mostraron importantes diferencias

en la cantidad de bacterias coliformes en el agua de escorrentía (figura 2, pág. 90).
El escenario con mayor carga animal (1 EV ha-1) y mayor BactKdQ (175) presentó las
concentraciones mayores, mientras que el escenario con la menor carga (0,5 EV ha-1)
y menor BactKdQ (10) los valores fueron un 50% menores.

El incremento de la carga animal de 0,5 EV a 1 EV elevó la concentración

bacteriana en 99,9% para el BactKdQ 10 y 98,4% para el BactKdQ 175 mientras que
con el aumento del BactKdQ, de 10 a 175 m3 Mg-1 se incrementó la concentración
bacteriana un 16,8% con la carga de 0,5 EV y un 15,3% para la carga de 1 EV
(figura 2, pág. 90).

En síntesis, cuando la carga se duplicó, la concentración bacteriana aumentó

de forma lineal, con un incremento promedio de 99% mientras que el aumento
de 17,5 veces en el BactKdQ elevó la concentración de coliformes fecales en tan
solo un 16%.

Tomo 46 • N° 2 • 2014 89
 F. B. Kraemer, C. I. Chagas, G. Vázquez-Amábile, M. Paz, J. A. Moretton

250
Coliformes fecales (bacterias 100 ml -1 )

200

150

100

50

0
C 0,5 BactKdQ 10 C 1 BactKdQ 10 C 0,5 BactKdQ 175 C 1 BactKdQ 175

Escenarios de contaminación

Figura 2. Valores medios de coliformes fecales (bacterias 100 ml-1) en agua de

escorrentía para el año 2000 según los escenarios de contaminación
evaluados. C: carga animal en EV; BactKdQ: coeficiente de partición
bacteriana (m3 Mg-1).
Figure 2. Average of fecal coliforms (bacteria 100 ml-1) in runoff for the year 2000
according to the contamination sceneries assessed. C: stock rate in AU;
BactKdQ: bacterial partition coefficient (m3 Mg-1).

La evolución diaria de la concentración de coliformes fecales en el agua de

escurrimiento, para los cuatro escenarios simulados coincidió en cuanto a los momentos
en que se produjeron los picos de contaminación, pero no en cuanto a la magnitud de
dichos picos o la extensión temporal de los mismos (figura 3 a-b-c-d, pág. 91).

Los escenarios con BactKdQ=10 presentaron los picos más altos durante la
primera mitad del ciclo de lluvias evaluado. Por el contrario, los tratamientos con
BactKdQ=175 mostraron su máxima respuesta en forma mucho más tardía, dentro
de la segunda mitad del período. En todos los casos la tendencia fue que las mayores
respuestas se obtuvieron con los valores de carga y BactKdQ más elevados.

Por otro lado, el caudal de la microcuenca estimado de forma diaria se correlacionó

de forma positiva y significativa con la concentración de coliformes fecales del agua
de escurrimiento, para los escenarios con el coeficiente de partición calculado para
la cuenca (BactKdQ=10).

90 Revista de la Facultad de Ciencias Agrarias

Escenarios de contaminación biológica en la Pampa Ondulada de Argentina

Coliformes fecales (bacterias 100 ml-1) 1200 C 0,5 BactKdQ 10 C 1 BactKdQ 10 1200 C 0,5 BactKdQ 10 C 0,5 BactKdQ 175

1000 a 1000 b
800 800
600 600
400 400
200 200
0 0

30

60

90

120

150

180

210

240

270

300

330

360
2500 C 0,5 BactKdQ 175 C 1 BactKdQ 175 2500 C1 BactKdQ 10 C 1 BactKdQ 175

2000
c 2000
d

1500 1500
1000 1000
500 500
0 0

30

60

90

120

150

180

210

240

270

300

330

360
30

60

90

120

150

180

210

240

270

300

330

360

Meses (año 2000)

Figura 3. Concentración diaria de bacterias coliformes fecales (bacterias 100 ml-1)

en agua de escorrentía para el año 2000 para las comparaciones entre las
cargas animales y los valores de Kd bacterianos. a) C:0,5 BactKdQ: 10 y C:1
BactKdQ: 10; b) C:0,5 BactKdQ:10; c) C:0,5 BactKdQ: 175 y C:1 BactKdQ: 175
y C:0,5 BactKdQ:175; d) C: 1 BactKdQ:10 y C:1 BactKdQ:175. (C: carga animal
en EV; BactKdQ: coeficiente de partición bacteriana (m3 Mg-1).
Figure 3. Daily concentration of fecal coliform bacteria (bacteria 100 ml-1) for the year
2000 for stocking rates and bacterial Kd values. a) C:0.5 BactKdQ: 10 y C:1
BactKdQ: 10; b) C:0.5 BactKdQ:10; c) C:0.5 BactKdQ: 175 y C:1 BactKdQ:
175 y C:0.5 BactKdQ:175; d) C: 1 BactKdQ:10 y C:1 BactKdQ:175. (C: stock
rate in AU; BactKdQ: bacterial partition coefficient (m3 Mg-1).

Por el contrario, para los escenarios con el coeficiente de partición propuesto por
defecto en el SWAT (BactKdQ=175), presentó un coeficiente de regresión bajo y no
significativo (figura 4, pág. 92).

Al analizar la asociación entre la producción de sedimentos estimada por el SWAT

y la concentración de coliformes fecales, no se encontraron relaciones significativas
para ningún escenario (datos no presentados).

Tomo 46 • N° 2 • 2014 91
 F. B. Kraemer, C. I. Chagas, G. Vázquez-Amábile, M. Paz, J. A. Moretton

2000 C 0,5 BactKdQ 175 2000 C 1 BactKdQ 175

a b
Coliformes fecales (bacterias 100 ml-1)
y = 230,7x + 10,6 y = 449,1x + 1,6
1500 R = 0,124
2 1500 R2 = 0,124
P = 0,08 P = 0,08
1000 1000

500 500

0 0
0,0 0,5 1,0 1,5 2,0 0,0 0,5 1,0 1,5 2,0

1500 C 0,5 BactKdQ 10 1500 C 1 BactKdQ 10

c d
y = 234,7x - 4,6 y = 469,4x - 9,1
R = 0,815
2
R = 0,815
2

1000 1000
P = 0,001 P = 0,001

500 500

0 0
0,0 0,5 1,0 1,5 2,0 0,0 0,5 1,0 1,5 2,0
Caudal (m . s )
3 -1

Figura 4. Regresiones lineales entre los caudales de escorrentía simulados (m3 s-1) y la
concentración de bacterias coliformes fecales simuladas (bacterias 100 ml1)
en base diaria para los cuatro escenarios evaluados: a) C:0,5 BactKdQ: 175; b)
C:1 BactKdQ: 175; c) C:0,5 BactKdQ: 10; d) C:1 BactKdQ:10. C: carga animal
en EV; BactKdQ: coeficiente de partición bacteriana (m3 Mg-1).
Figure 4. Linear regression between simulated runoff flow (m3 s-1) and fecal coliform
bacteria concentration (bacterias100 ml-1) on a daily base for the four
assessed sceneries. a) C:0.5 BactKdQ: 175; b) C:1 BactKdQ: 175;
c) C:0.5 BactKdQ: 10; d) C:1 BactKdQ:10. C: stock rate in AU;
BactKdQ: bacterial partition coefficient (m3 Mg-1).

DISCUSIÓN

La media anual de precipitaciones de los años analizados

(enero-2000 a diciembre-2005) fue de 1.103 mm, prácticamente coincidente con la
media histórica (1.074 mm). A su vez, la variabilidad inter e intraanual de las lluvias
resultó semejante a la informada por EEA-San Pedro. Por ende, el modelo SWAT fue
empleado a lo largo de un período representativo de lluvias.

En general, como fuera descripto en trabajos anteriores (16, 18) se observó

una adecuada eficiencia y un buen ajuste de los valores simulados respecto de los
observados en relación con el escurrimiento (18). Debido a que se conoce el buen
ajuste de los valores de escurrimiento observados y los simulados por el SWAT (18),

92 Revista de la Facultad de Ciencias Agrarias

Escenarios de contaminación biológica en la Pampa Ondulada de Argentina

el modelo hidrológico otorga confiabilidad al análisis de la contaminación biológica

derivado de estos procesos hidrológicos.

Para el año evaluado (2000) se registraron más de 10 episodios de alto transporte

bacteriano hacia la vaguada, donde la concentración de coliformes fecales en todos
los escenarios planteados resultó elevada.

Según USEPA, 1986, a partir de 1968 se estableció como estándar de calidad de agua
para bebida animal, una concentración de coliformes fecales de 200 bacterias 100 ml-1.

Para bebida de terneros de ganado bovino no debe contener más de 1 bacteria

100 ml-1 y para vacas el límite es de 20 bacterias 100 ml-1 (1).

Para bebida humana, la mayoría de las regulaciones en diversos países no

permite la presencia de coliformes fecales, o si lo permite, el valor está en el orden
de 1 a 2,2 bacterias 100 ml-1.

En los resultados de este trabajo, prácticamente en cada evento de

precipitación- escurrimiento se han superado estos estándares de calidad.

La carga animal y el BactKdQ fueron importantes factores en la estimación de

la concentración total de los coliformes fecales, aunque la BactKdQ resultó menos
sensible que la carga animal. Para los escenarios BactKdQ=175 se esperaba que
el transporte de contaminantes fecales estuviese acompañado por una mayor
concentración de sedimentos en la vaguada.

Sin embargo, tal como se mencionó anteriormente, no existieron relaciones

significativas entre los coliformes fecales y la cantidad de sedimentos en la vaguada.
Por eso se puede inferir que la mayor concentración bacteriana encontrada en estos
escenarios se debería principalmente al efecto de supervivencia de las bacterias en el
suelo (la supervivencia en el sólido fue 10 veces mayor a la supervivencia en la solución).

En contraposición, en los escenarios de BactKdQ=10 debido a la baja adsorción

de las bacterias al suelo, se encontraron correlaciones muy altas entre el escurrimiento
y la concentración bacteriana. Esta dinámica puede apreciarse claramente en la
respuesta temprana de la cuenca asociada a los escenarios con BactKdQ=10. A su
vez, las bajas concentraciones de contaminantes observadas hacia el final del período
evaluado con BactKdQ=10, podrían explicarse por una acumulación creciente de
bacterias asociadas al suelo.

En síntesis, la dinámica de transporte bacteriano simulada en la microcuenca

corrobora la íntima relación entre los eventos de precipitación-escurrimiento y la
contaminación biológica de los cursos de agua en escenarios caracterizados por
suelos con bajo BactKdQ como los de San Pedro. Sin embargo, esta relación no fue
corroborada para el caso de suelos con BactKdQ 175.

Tomo 46 • N° 2 • 2014 93
 F. B. Kraemer, C. I. Chagas, G. Vázquez-Amábile, M. Paz, J. A. Moretton

Los valores de BactKdQ bacteriano reportados en trabajos anteriores para la

cuenca del arroyo del Tala (18,19), aunque bajos, indicarían una incidencia significativa
en la dinámica de transporte de coliformes fecales.

Por todo lo expuesto y sobre la base de los resultados obtenidos, este trabajo
remarca la importancia de medir localmente los parámetros tales como el Kd para
su inclusión en los modelos de predicción de la contaminación biológica evitando de
esta manera utilizar los valores que el modelo SWAT incluye por defecto.

En este sentido se pudo observar una elevada concentración de coliformes

fecales en la microcuenca la cual superó todos los niveles guía. Ello se ve agravado
principalmente por la creciente intensificación productiva y la falta de estaciones de
monitoreo de la calidad de aguas a nivel local. Además, con excepción de algunos
trabajos locales, como el realizado por Rizzo et al., 2012, son muy pocos los trabajos
locales que propongan opciones técnicas de bajo costo para la remedición de la
contaminación de aguas por actividades de Feed-lots. Todos estos elementos ponen
en evidencia el alto riesgo de contaminación biológica en el ambiente estudiado que
compromete la salud animal y humana. En este marco, la utilización de modelos
computacionales se torna crucial.

En el caso particular de este estudio, la utilización del modelo SWAT permitió

estimar la dinámica de la contaminación de la microcuenca bajo estudio, sentando de
esta manera las bases para futuros estudios a otras escalas y en diferentes cuencas
de la Pampa Ondulada.

BIBLIOGRAFÍA
1. Agriculture, Food and rural Development. 2010. Manitoba Canada. Disponible en: http://www.gov.
mb.ca/agriculture/livestock/nutrition/bza01s06.html (fecha de consulta: 01/01/2011).
2. Arnold, J. G.; Williams, J. R.; Nicks, A. D.; Sammons, N. B. 1990. SWRRB: A basin scale simulation model
for soil and water resources management. Texas A&M Univ. Press; College Station, TX.142 p.
3. ASAE Standards (American Society of Agricultural Engineers). 2000. D384.1: Manure production and
characteristics. ASAE, St. Joseph, MI. 659-661.
4. Baffaut, C.; Benson, V. W. 2003. A bacterial TMDL for Shoal creek using SWAT modeling and DNA
source tracking. Conference Total Maximum Daily Load (TMDL) environmental regulations-II.
ASAE Publication No.701P1503. ASAE, St. Joseph, MI. 35-40.
5. Baffaut, C.; Sadeghi, A. 2010. Bacteria modeling with SWAT for assessment and remediation studies:
A review. Transactions of the ASABE. 53(5): 1585-1594.
6. Chagas, C. I. 2007. Calidad y contaminación del agua superficial como recurso para bebida animal en
una cuenca representativa de Pampa Ondulada. Tesis Doctoral (Área Toxicología). Facultad
de Ciencias Veterinarias, Universidad de Buenos Aires. Buenos Aires.
7. Chagas, C. I.; Moretton, J.; Santanatoglia, O. J.; Paz, M.; Muzio, H.; De Siervi, M.; Castiglioni, M. G.
2006. Indicadores de contaminación biológica asociados a la erosión hídrica en una cuenca
de Pampa Ondulada, Argentina. Cienc. Suelo (en línea). 24: 21-27.
8. Chagas, C. I.; Santanatoglia, O. J.; Castiglioni, M. G.; Massobrio, M. J.; Buján, A.; Irurtia, C. 2008.
Número de curva de escurrimiento para una microcuenca de pampa ondulada bajo labranza
convencional y siembra directa. Cienc. Suelo (en línea). 26:71-79.
9. Chagas, C. I.; Santanatoglia, O. J.; Moretton, J. A.; Paz, M.; Kraemer, F. B. 2010. Microbiological
contamination dynamics in runoff water and sediments in cattle production lands of Argentina.
Cienc. Suelo (en línea). 28:23-31.

94 Revista de la Facultad de Ciencias Agrarias

Escenarios de contaminación biológica en la Pampa Ondulada de Argentina

10. Curriero, F. C.; Patz, J. A.; Rose, J. B.; Lele S. 2001. The association between extreme precipitation
and waterborne disease outbreaks in the United States, 1948-1994. Am. J. Public Health.
91(8): 1194-1199.
11. Dutra, I. S.; Dobereiner, J.; Rosa, I. V.; Souza, L. A. A.; Nonato, M. 2001. Botulism outbreaks in cattle
in Brazil associated with contaminated water. Pesq. Vet. Bras. 21: 43-48.
12. Estación Experimental Agropecuaria de San Pedro-Instituto Nacional de Tecnología Agropecuaria
(EEA San Pedro-INTA). 2010. Información agrometeorológica. Disponible en http://inta.gob.ar/
documentos/informacion-agrometeorologica-eea-san-pedro (fecha de consulta: 01/01/2011).
13. INTA. 1973. Carta de Suelos. Hoja 3360-33. Pérez Millán. E=1:50.000. 45 p.
14. Jamieson, R.; Gordon, R.; Joy, D.; Lee, H. 2004. Assessing microbial pollution of rural surface waters:
a review of current watershed scale modeling approaches. Agric. Water Manag. 70:1-17.
15. Jha, M. K.; Gassman, P. W.; Arnold, J. G. 2007. Water quality modeling for the raccoon river watershed
using SWAT. Transactions of the ASABE. 50(2): 479-493.
16. Kraemer, F. B. 2011. Transporte de microorganismos indicadores de contaminación fecal en una
cuenca de Pampa Ondulada. El rol de las propiedades físicas y químicas de los suelos y los
sedimentos. Tesis de Maestría en Ciencias del Suelo. Escuela para Graduados de la Facultad
de Agronomía, Universidad de Buenos Aires. 178 p.
17. Kraemer, F. B.; Chagas, C. I.; Irurtia, C.; Garibaldi, L. A. 2011. Bacterial retention in three soils of the
Rolling Pampa, Argentina, under simulated rainfall.J. Soil Sci. Environ. Manage. 3: 2141-2391.
18. Kraemer F. B.; Chagas, C. I.; Vázquez Amábile, G.; Palacín, E. A.; Santanatoglia, O. J.; Castiglioni,
M. G.; Massobrio, M. J. 2011. Aplicación del modelo hidrológico-SWAT en una microcuenca
agrícola de la Pampa Ondulada. Cienc Suelo (en línea). 29(1): 75-82.
19. Kraemer, F. B.; Chagas, C. I.; Morrás, H. J. M.; Moretton, J.; Paz, M.; Garibaldi, L. A. 2013. Influence
of physical and chemical soil properties on the adsorption of Escherichia coli in Mollisols and
Alfisols of Argentina. Rev. Int. Contam. Ambie. 29 (1) 7-20.
20. LeJeune, J. T.; Besser, T. E.; Merrill, N. L.; Rice, D. H.; Hancock, D. D. 2001. Livestock drinking water
microbiology and the factors influencing the quality of drinking water offered to cattle. J. Dairy
Sci. 84:1856-1862.
21. Lim, K. J.; Ángel, B.; Hetzroni, A. 2001. Incorporation and evaluation of a river quality model to NAPRA
WWW decision support system. ASAE Annual International Meeting, No. 012127, St. Joseph,
MI, United States of America.
22. Ongley, E. D. 1997. Lucha contra la contaminación agrícola de los recursos hídricos. Estudio FAO
Riego y Drenaje n° 55; FAO, Roma. 116 p.
23. Parajuli, P.; Mankin, K. R.; Barnes, P.L. 2009. Source-specific fecal bacteria modeling using soil and
water assessment tool model. Bioresource Tech. 100(2): 953-963.
24. Rizzo, P. F.; Arreghini, S.; Serafini, R. J. M.; Bres, P. A.; Crespo, D. E.; Fabrizio de Iorio, A. R. 2012.
Remediation of feedlot effluents using aquatic plants. Revista de la Facultad de Ciencias
Agrarias. Universidad Nacional de Cuyo. Mendoza. Argentina. 44(2): 47-64.
25. Rodgers, P.; Soulsby, C.; Hunter, C.; Petry, J. 2003. Spacial and temporal bacterial quality of a lowland
agricultural stream in north east Scotland. Sci. Total Environ. 314-316: 289-302.
26. Rose, J. B.; Epstein, P. R.; Lipp, E. K.; Sherman, B. H.; Bernard, S. M.; Patz, J. A. 2001. Climate
variability and change in the United States: potential impacts on water and foodborne diseases
caused by microbiologic agents. Environ. Health Perspect. 109 (suppl 2): 211-221.
27. Santanatoglia, O. J.; Iorio, A.; Chagas, C. I.; Massobrio, M.; Rendina, A.; Castiglioni, M.; Bargiela, M.
2006. Escurrimiento, sólidos totales y propiedades químicas del agua del arroyo del Tala (San
Pedro, Buenos Aires, Argentina). Rev. Facultad de Agronomía (Argentina). 26:121-131.
28. Santhi, C.; Arnold, J. G.; Williams, J. R.; Hauck, L. M.; Dugas, W. A. 2001. Application of a watershed
model to evaluate management effects on point and nonpoint source pollution. Trans. ASAE.
44(6):1559-1570.
29. Sherer, B. M.; Miner, J. R.; Moore, J. A.; Buckhouse, J. C. 1992. Indicator bacterial survival in stream
sediments. J. Environ. Qual. 21: 591-595.
30. Signor, R. S.; Roser, D. J.; Ashbolt, N. J.; Ball, J. E. 2005. Quantifying the impact of runoff events on
microbiological contaminant concentrations entering surface drinking source waters. J. Water
Health. 3: 453-468.
31. Snedecor, G. W.; Cochran, W. G. 1989. Statistical Methods 8th ed. Iowa State University Press.
32. Soupir, M. L.; Mostaghimi, S. 2006. Partitioning of E. coli and Enterococci between plantonic & sorbed
phases in surface runoff from pasturelands. ASAE Meeting Paper No. 062197 St. Joseph, MI,
United States of America.
Tomo 46 • N° 2 • 2014 95
 F. B. Kraemer, C. I. Chagas, G. Vázquez-Amábile, M. Paz, J. A. Moretton

33. USEPA. 1996. The Quality of our Nation's water. Office of Water 305 (b) Report, Washington, DC.
34. White, K. L.; Chaubey, I.; Haggard, B. E.; Matlock, M. D. 2004. Comparison of two methods for modeling
monthly TP yield from a watershed. ASABE Meeting Paper No. 042162; St. Joseph, MI. United
States of America.
35. Wing, S.; Freedman, S.; Band, L. 2002. The Potential Impact of Flooding on Confined Animal Feeding
Operations in Eastern North Carolina. Environ. Health Perspect. 110: 387-392.

Agradecimientos
Al Ing. Agr. O. J. Santanatoglia -FAUBA; Ing. Agr. A. Buján y Dra. E. Pawlac - Comisión Nacional
de Energía Atómica. (CNEA). Buenos Aires, Argentina. Dr. H. Morrás - Instituto de Suelos. Instituto
Nacional de Tecnología Agropecuaria. INTA - Castelar. Buenos Aires, Argentina.
Trabajo realizado dentro del marco de los proyectos de investigación UBACyT 01W709 y 01W937.

96 Revista de la Facultad de Ciencias Agrarias