Mapeo y estimacion del potencial de difusion y la oxidacion potencial de CH4 en los suelos de la Pcia de Buenos Aires

Vista previa del material en texto

1 
 
Universidad Nacional del Centro de la 
Provincia de Buenos Aires 
Facultad de Ciencias Exactas 
 
 
Trabajo Final 
Licenciatura en Tecnología Ambiental 
 
 
Mapeo y estimación del potencial de 
difusión y la oxidación potencial de CH4 
en los suelos de la Pcia. de Buenos Aires 
 
 
Jorge Francisco Diez 
 
 
Directora: Dra. María De Bernardi 
Co-director: Dr. Gabriel Gatica 
 
 
 
 
 
Tandil, 2023 
 
 
 
2 
 
 
 
 
3 
 
 
 
Índice 
Resumen .............................................................................................................................. 8 
Capítulo 1: Introducción ...................................................................................................... 10 
1.1. Efecto invernadero, GEI y metano (CH4) ................................................................. 10 
1.2 Flujo de CH4 en la interfase suelo-atmósfera (ISA) .................................................... 12 
1.2.1. Difusión del CH4 (Ds) ......................................................................................... 14 
1.3 Argentina y los GEI .................................................................................................... 15 
1.4 Sistemas de Información Geográfica (SIG) ................................................................ 16 
Capítulo 2: Objetivos ........................................................................................................... 18 
2.1 Objetivos generales: .................................................................................................. 18 
2.2 Tareas a realizar: ....................................................................................................... 18 
Capítulo 3: Metodología ...................................................................................................... 20 
3.1. Sitio de estudio: Provincia de Buenos Aires, Argentina ............................................. 20 
3.2. Estimación del coeficiente de difusión potencial de CH4 en suelos ........................... 24 
3.3 Estimación del potencial de oxidación de CH4 en suelos ........................................... 26 
3.4. Obtención de datos .................................................................................................. 27 
3.4.1. Temperatura ...................................................................................................... 28 
3.4.2. Contenido volumétrico de agua en el suelo ........................................................ 28 
3.4.3. Densidad aparente del suelo y otros parámetros ............................................... 29 
3.4.4. Máscaras y recortes ........................................................................................... 29 
3.5. Integración de datos en el SIG ................................................................................. 30 
3.5.1. Entradas de datos .............................................................................................. 30 
3.5.2. Procesamiento de datos ..................................................................................... 30 
3.5.3. Salida de datos .................................................................................................. 32 
3.5.4. Situación n°2 ...................................................................................................... 32 
3.6. Análisis estadísticos ................................................................................................. 32 
Capítulo 4: Resultados y Discusión ..................................................................................... 34 
4.1. Coeficientes potenciales de difusión de CH4 (Ds) ..................................................... 34 
4.1.2. Análisis espacial................................................................................................. 38 
4.1.3. Análisis temporal ................................................................................................ 40 
4 
 
4.2 Estimación de los flujos de CH4 potenciales para la provincia de Buenos Aires (fCH4p)
 ........................................................................................................................................ 42 
4.2.1. Situación n°1: Potencial de oxidación del CH4 para la provincia de Buenos Aires
 .................................................................................................................................... 42 
4.2.2. Situación n°2: Validación de fCH4p para 4 sitios de las localidades de Tandil y 
Balcarce ....................................................................................................................... 47 
Capítulo 5: Conclusión ........................................................................................................ 49 
Bibliografía .......................................................................................................................... 50 
ANEXO 1: Ds/Do ................................................................................................................ 56 
ANEXO 2: Variables del suelo ............................................................................................ 57 
ANEXO 3: Tablas de correlaciones ..................................................................................... 59 
ANEXO 4: Gráficas ............................................................................................................. 63 
ANEXO 5: Temperatura y características del suelo. ........................................................... 68 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
5 
 
Índice de Figuras 
 
Figura 1.1: Crecimiento de la concentración del metano atmosférico desde el año 1008 hasta 
el 2001. [Derechos de imagen: Michael Pidwirny, Fuente de información: Etheridge et al. 
(2002)]. ............................................................................................................................... 11 
 
Figura 1.2: Distribución de las emisiones de GEI, en diferentes sectores productivos del país. 
Fuente: https://inventariogei.ambiente.gob.ar/resultados .................................................... 15 
 
Figura 3. 1: Mapa político de la Provincia de Buenos Aires y su ubicación en la Argentina. 20 
 
Figura 3. 2: Mapa satelital de la Provincia de Buenos Aires. Fuente: Instituto Geográfico 
Nacional. ............................................................................................................................. 21 
 
Figura 3. 3: Mapa de climas de la Provincia de Buenos Aires. Fuente: Ministerio de Educación 
de la Nación. ....................................................................................................................... 23 
 
Figura 4. 1: Modelo Marshall: Mapas de Ds potencial (cm2/s.) para los meses estudiados: 
mayo 2018, agosto 2018, octubre 2018 y enero 2019. ........................................................ 36 
 
Figura 4. 2: Modelo Buckingham: Mapas de Ds potencial (cm2/s.) para los meses estudiados: 
mayo 2018, agosto 2018, octubre 2018 y enero 2019. ........................................................ 37 
 
Figura 4. 3: Modelo Price: Mapas de Ds potencial (cm2/s) para los meses estudiados: mayo 
2018, agosto 2018, octubre 2018 y enero 2019. ................................................................. 38 
 
Figura 4. 4: Evolución temporal de los valores promedios de Ds (cm2s) y de Hv (cm3/cm3), 
para la provincia de Buenos Aires. ...................................................................................... 41 
 
Figura 4. 5: Modelo Marshall: Mapas de fCH4p (ng CH4/ m
2/s) para los meses estudiados: 
mayo 2018, agosto 2018, octubre 2018 y enero 2019. ........................................................ 44 
 
Figura 4. 6: Figura 4.6: Modelo Buckingham: Mapas de fCH4p (ng CH4/m
2/s.) para los meses 
estudiados: mayo 2018, agosto 2018, octubre 2018 y enero2019...................................... 45 
 
Figura 4. 7: Modelo Price: Mapas de fCH4p (ng CH4/m
2/s.) para los meses estudiados: mayo 
2018, agosto 2018, octubre 2018 y enero 2019. ................................................................. 46 
 
Figura 4. 8: Regresión lineal realizada entre los promedios anuales estimados de fCH4p para 
cada modelo, con respecto a los promedios anuales de las mediciones in situ realizadas por 
De Bernardi (2020), para los 4 sitios de estudio. También se muestran las líneas de tendencia 
de cada modelo. ................................................................................................................. 47 
 
6 
 
Índice de Tablas 
 
Tabla 3. 1: Situación n°2: valores promedios de dc/dz a 5 cm de profundidad ± desvío 
estándar, para los diferentes sitios de muestreo (De Bernardi, 2020-T. Doctoral). N: números 
de muestras. ESS: Estancia San Souci. SG: Estancia San Gabriel; B: Balcarce; NG: Pastizal 
naturalizado. A: Área dedicada a la agricultura. P1 y P2: Plantaciones de Pinus Radiata con 
distinta densidad arbórea y manejo. E1, E2 y E3: Plantaciones de Eucaliptus con distinta 
densidad arbórea. SSP: sistema silvopastoril en plantación de Eucaliptus. ........................ 27 
 
Tabla 4. 1: Resumen estadístico de los coeficientes de difusión, Ds (cm2/s), para los distintos 
modelos y períodos analizados. .......................................................................................... 35 
 
Tabla 4. 2: Resumen estadístico de los flujos de CH4, fCH4p (ng CH4/m2/s) para los distintos 
modelos y meses analizados calculados para la situación 1. .............................................. 43 
 
Tabla 4. 3: valores de fCH4p (ng CH4/m2/s) en los 4 sitios de estudio de la situación n°2, para 
los modelos Buckingham, Marshall y Price, y valores promedio in situ para los sitio estudiados 
en De Bernardi (2020). ESS: Estancia Sans Souci. SG: Estancia San Gabriel. B: Estación 
Experimental Agropecuaria INTA, Balcarce. SS: Áreas de producción silvopastoril Estancia 
San Gabriel. ........................................................................................................................ 48 
 
 
 
 
 
 
 
 
 
 
 
 
7 
 
Para mi familia, amigos y docentes que me acompañaron a lo largo de la carrera. Este logro 
es también de ustedes. Gracias por tanto amor, espero ser digno de ello. 
 
Los quiero mucho, 
Pancho 
 
 
 
 
 
 
 
 
8 
 
Resumen 
El metano (CH4) es un gas de efecto invernadero que posee un potencial de 
calentamiento global, a 100 años, 32 veces superior al dióxido de carbono. El suelo es un 
sumidero de importancia de este gas ya que se eliminan entre el 10 y el 15% del metano 
atmosférico debido a la acción de las bacterias metanótrofas presentes en suelos aireados y 
a que el hombre lo modifica según sus necesidades. En la Argentina el sector de Agricultura, 
Ganadería y Cambios de Uso de Suelo y Silvicultura emite el 37% de las emisiones de gases 
de efecto invernadero a nivel nacional, de las cuales el 25,78% corresponde a emisiones de 
CH4. Debido a esto, son importantes los estudios relacionados a la obtención de datos propios 
de los flujos de CH4 en la Interfaz Suelo-Atmósfera. Estos flujos están limitados principalmente 
por los procesos difusivos, ya que la difusión del CH4 es un proceso más lento que su 
oxidación en el suelo. Este trabajo tiene por objetivo estimar el coeficiente potencial de 
difusión y la oxidación potencial del CH4 en los suelos de la Provincia de Buenos Aires, 
Argentina, para los periodos de mayo 2018, agosto 2018, octubre 2018 y enero 2019. 
Para los cálculos del coeficiente de difusión potencial del CH4 en los suelos (Ds) se 
utilizaron tres modelos empíricos propuestos por Buckingham (1904), Marshall (1957) y Price 
(2003). Para ello se integraron datos satelitales y georreferenciados de las variables físicas y 
climáticas necesarias: temperatura (T), contenido volumétrico de agua en el suelo (Hv) y 
densidad aparente (𝜌b). Posteriormente, estas capas se obtuvieron a partir de los productos 
SMOSL3SSM, SoilGrids y MODIS LST. La integración de dichos datos se realizó mediante el 
software QGIS. 
Mediante el presente trabajo se pudo visualizar que los mayores potenciales de 
difusión y oxidación potencial en las regiones del sur, costa-sur y centro-oeste de la Pcia. de 
Bs. As. El resto del territorio analizado tiene valores intermedios, correspondiendo con zonas 
altamente agroproductivas. Dichos patrones se observan en todos los periodos analizados. 
Por otro parte, en enero de 2019 se presentaron los mayores valores de potencial de difusión 
y oxidación, para toda la provincia, respecto de los otros meses analizados. Por otra parte, 
se encontró que los patrones espaciales y temporales están fuertemente influenciados por el 
contenido de agua del suelo (r < -0.86, N > 6.106; r~ - 0.97, p<0.03, N=4). Es decir, se concluye 
que dicho parámetro es el que mayor peso tiene en los modelos, respecto a la temperatura y 
a la densidad aparente. Este estudio muestra que el mapeo “potencial” de la difusión y el 
secuestro de CH4 en suelos es posible usando diferentes objetos geográficos. Esta premisa 
fue validada tanto por la coherencia de los valores de difusión y secuestro de CH4 predichos 
por los modelos generados en este estudio y los valores reportados en numerosos estudios; 
como también por la relación lineal encontrada entre los valores de CH4 predichos por el 
9 
 
modelo y los reportados in situ en 4 localidades del centro-sur de la provincia. Si bien, es 
necesario contar con más datos de mediciones a campo de CH4, los resultados generales 
obtenidos aquí indican que las herramientas aplicadas en este estudio permiten conocer el 
patrón espacial de variaciones en la difusión y en el secuestro de metano a escala regional, 
particularmente para la provincia de Bs As. 
La metodología aplicada, también ayudó a identificar las posibles variables (e 
indirectamente los mecanismos detrás del patrón observado) que determinan la variación 
espacial en la difusión, y por consecuencia, en el secuestro de metano. Este tipo de 
herramientas pueden ser de utilidad para acciones de ordenamiento territorial, ya que 
ayudaría a ordenar los usos del suelo en función de conservar la capacidad de secuestro de 
CH4. También de promover actividades antrópicas que promuevan el secuestro en zonas con 
limitado potencial de difusión. 
 
10 
 
Capítulo 1: Introducción 
1.1. Efecto invernadero, GEI y metano (CH4) 
El planeta tierra posee un sistema climático que funciona mediante la absorción de 
radiación solar de onda corta. Los océanos, los hielos y la superficie terrestre se calientan de 
forma directa al absorber el 50% de la energía recibida. Por otra parte, el 30% de dicha 
energía se refleja nuevamente al espacio debido a la acción de gases, aerosoles, nubes y de 
ciertas superficies terrestres reflectantes. Finalmente, un 20% de la energía incidente es 
absorbida por la atmósfera (Cubasch et al., 2013). Una proporción de la energía absorbida 
por la superficie terrestre es remitida hacia la atmósfera como radiación de onda larga, es 
decir energía infrarroja. Esta es absorbida por el vapor de agua (nubes) y otros componentes 
gaseosos de la atmósfera que remiten esta energía en todas direcciones. Parte de esta 
energía reemitida calienta las capas inferiores de la atmósfera y la superficie terrestre, dando 
origen al proceso conocido como efecto invernadero. Los gases que contribuyen a dicho 
fenómeno se denominan gases de efecto invernadero (GEI). Los tres principales GEI, a parte 
del vapor de agua, son el dióxido de carbono (CO2), el metano (CH4) y el óxido nitroso (N2O), 
debido a su capacidad de absorción en el infrarrojo (IR) y a su concentración y tiempo de 
residencia en la atmósfera (Tremblay et al., 2005; Hofmann et al., 2006). El efecto invernaderomantiene la temperatura media de la superficie terrestre alrededor de los 15°C y permite el 
desarrollo de la vida tal como la conocemos. La variación de las concentraciones de los GEI 
y aerosoles en la atmósfera, así como las variaciones de la cubierta terrestre y de la radiación 
solar, alteran el equilibrio energético del sistema climático, causando un efecto invernadero 
aumentado que contribuye al cambio climático global (Myhre et al., 2013). Las emisiones 
mundiales de GEI han aumentado en los últimos 200 años principalmente por efecto de las 
actividades humanas, y el impacto neto ha sido un aumento de la temperatura media terrestre 
(Hartmann et al., 2013). Las principales actividades antropogénicas que contribuyen al 
aumento de la concentración de GEIs en la atmósfera, y por ende con el calentamiento global, 
son la generación de energía con quema de combustibles fósiles, la generación de residuos 
urbanos, la agricultura, la ganadería y la deforestación. 
En particular, el gas CH4 posee un potencial de calentamiento global a 100 años 
(GWP100, global warming power por sus siglas en inglés) 32 veces superior al dióxido de 
carbono (CO2) (Neubauer y Megonigal, 2019). A su vez, es el principal hidrocarburo presente 
en la atmósfera con una concentración promedio global de 1.8 ppm (Hartmann et al., 2013). 
Resultados obtenidos a partir de muestras de aire atrapado en hielos y nieves polares reflejan 
que la concentración de CH4 actual es 2,5 veces mayor a la época preindustrial (~ 1750 d.C) 
11 
 
(Etheridge et al., 1998) y nunca antes registrada durante los últimos 800.000 años (Loulergue 
et al., 2008; Spahni et al., 2005). El crecimiento exponencial de la concentración del CH4 en 
la atmósfera en los últimos siglos se puede visualizar en la Figura 1. 
 
 
Figura 1.1: Crecimiento de la concentración del metano atmosférico desde el año 
1008 hasta el 2001. [Derechos de imagen: Michael Pidwirny, Fuente de información: 
Etheridge et al. (2002)]. 
 
El principal sumidero del CH4 es la atmósfera donde su eliminación se produce por 
oxidación química en la troposfera (85-90% de las emisiones anuales; Curry, 2007). El otro 
sumidero de CH4 son los suelos aireados donde se eliminan entre el 10 y el 15% del metano 
atmosférico debido a la acción de las bacterias metanótrofas, las cuales están presentes en 
suelos aireados o en zonas aerobias de suelos metanogénicos (Curry, 2007; Le Mer y Roger, 
2001). Es importante considerar a los suelos como un sumidero de importancia de este gas 
ya que el hombre tiene incidencia sobre los suelos aireados a través del uso y del cambio en 
el uso del suelo, pudiendo planificar y controlar aquellas actividades que lo afecten (Le Mer y 
Roger, 2001), y de esta forma, favorecer o reducir la oxidación (secuestro) de CH4 por los 
suelos. Ante esto último, se vuelve importante el estudio, medición y análisis del CH4 en la 
interfase suelo-atmósfera (ISA), para poder recomendar la adopción de medidas efectivas 
12 
 
para reducir la emisión de CH4, y, por lo tanto, minimizar el efecto neto en el calentamiento 
global. 
1.2 Flujo de CH4 en la interfase suelo-atmósfera (ISA) 
El flujo de CH4 en la ISA es el intercambio de este gas entre ambos sistemas (suelo-
atmósfera). Este fenómeno se ve afectado por una combinación de factores físicos, químicos 
y biológicos. Los dos factores principales que inciden sobre el flujo de este gas en los suelos 
son la difusión del CH4 hacia las capas inferiores del suelo, y el nivel de actividad de las 
bacterias que oxidan el CH4 en los suelos (bacterias metanótrofas) (Curry, 2007). Si los flujos 
son positivos (del suelo hacia la atmósfera), se está frente a un suelo con generación o 
emisión neta de CH4. En caso contrario, si los flujos son negativos (de la atmósfera al suelo), 
se tiene un sumidero neto de CH4, es decir se produce la oxidación neta de CH4 en el suelo, 
y se dice que este suelo secuestra CH4 (Priano et al.,2014). 
El balance entre las comunidades bacterianas metanógenas y metanótrofas presentes 
en los suelos determinará si existe un flujo de CH4 desde la atmósfera hacia el suelo (flujo 
negativo; cuando la actividad de las bacterias metanótrofas es mayor que la de las 
metanógenas) o desde el suelo a la atmósfera (flujo positivo; cuando la actividad de 
metanógenas es mayor que la de las metanótrofas) (Le Mer y Roger, 2001). En condiciones 
de anaerobiosis estricta y de reducción, las bacterias metanógenas mineralizan la materia 
orgánica (MO) produciendo CH4 y CO2 (Le Mer y Roger, 2001). Las distintas especies de 
metanógenas tienen el consumo limitado a determinados sustratos específicos como el CO2, 
compuestos metilados y acetatos (Feng et al., 2020). Por otra parte, en condiciones 
aeróbicas, las bacterias metanótrofas oxidan el CH4, utilizando este gas como única fuente 
de carbono y energía (Le Mer y Roger, 2001). Estas bacterias poseen un rol fundamental en 
el consumo del CH4 atmosférico, y del CH4 generado biológica o geotérmicamente en el suelo. 
Cabe resaltar que la mayor actividad de estas bacterias se da en los primeros centímetros 
del suelo. Diversos factores ambientales afectan a la actividad de las metanótrofas, 
destacándose la temperatura del suelo, el pH, la salinidad y la materia orgánica (Dalal et al., 
2008). 
La difusión del CH4 en el suelo es un proceso más lento que su oxidación en el suelo, 
y por lo tanto este proceso regula el flujo de dicho gas en los primeros centímetros de suelo, 
siendo determinante en el secuestro de este gas (Del Grosso et al. 2000; Hiltbrunner et al., 
2012). La difusión está limitada por factores físicos como la textura, la porosidad y el contenido 
de agua en el suelo. Por ende, la variabilidad de oxidación de CH4 dependerá de los cambios 
espaciales y temporales de estos principales parámetros físicos del suelo y también, en 
menor medida, de otros como la temperatura, el pH, el tipo y la concentración de las fuentes 
13 
 
de N, que afectan la actividad y composición de la comunidad metanotrofía (De Bernardi et.al., 
2019; Gatica et al., 2020). Distintos trabajos muestran una correlación negativa entre el 
contenido de agua y el secuestro de CH4 en los suelos (De Bernardi et al., 2019; Priano et 
al., 2014), indicando además que hay un valor óptimo de este parámetro donde ocurre el 
mayor secuestro de CH4 (Curry, 2007). Se ha observado también que a medida que aumenta 
el contenido de agua, el secuestro de CH4 en los suelos decrece, pero también que valores 
muy bajos de agua suprimen este secuestro (Curry, 2007), debido a que dicha situación no 
permite el crecimiento adecuado de la comunidad bacteriana. 
A partir de varios estudios se ha demostrado que el uso de la tierra tiene incidencia 
sobre el flujo de CH4 en la ISA, al afectar la difusividad del CH4 y la actividad bacteriana. En 
suelos aireados, los flujos de CH4 son generalmente negativos, siendo más intensos en áreas 
boscosas y más bajos en tierras agrícolas y en pastizales (De Bernardi et al., 2022; Gatica et 
al., 2022; McDaniel et al., 2019; Wu et al., 2020). Estas diferencias entre los usos del suelo 
son consecuencia de la compactación del suelo en las tierras agrícolas, lo que resulta en una 
menor porosidad, que limita la difusión de gases y por ende la oxidación de CH4. En cambio, 
los suelos forestales, es decir las áreas boscosas y pastizales, presentan una alta porosidad 
y generalmente están bien oxigenados, por lo cual el proceso de difusión y oxidación de CH4 
se ve favorecido (Feng et al., 2020; Fest et al., 2015 Priano et al., 2014; Savi et al., 2016). 
El flujo de CH4 en la ISA (fCH4) se puede describir a partir de la primera ley de Fick, 
la cual dice que el flujo difusivo de un gas en una dirección (F), a través de una sección 
transversal unitaria, por unidad de tiempo, es proporcional al gradiente de concentración 
(dC/dz), que es la fuerza impulsora del flujo, y al coeficientede difusión (D) que caracteriza 
la movilidad del gas en el medio (Stepniewski y Rozej, 2011). Dicha relación queda definida 
a través de la siguiente ecuación (1): 
 
𝐹 = −𝐷 . (
𝑑𝐶
𝑑𝑧
) (1) 
 
En el caso particular del flujo difusivo de CH4 en el suelo, la ecuación 1 puede ser 
expresada de la siguiente forma: 
 
𝑓𝐶𝐻4 = −𝐷𝑠 . (
𝑑𝐶
𝑑𝑧
) (2) 
 
fCH4 hace referencia al flujo difusivo del CH4 en el suelo, en una única dirección (z), 
que hace alusión a la profundidad. Ds es el coeficiente de difusión del CH4 en el suelo. dC es 
la diferencia de concentración de CH4 en el aire, entre dos puntos analizados, en el eje z. Por 
otra parte, dz representa la distancia en profundidad entre los dos puntos de evaluación. Por 
14 
 
lo tanto, la relación dC/dz hace referencia a la variación de concentración de CH4 en el suelo, 
es decir representa el gradiente de concentración de CH4 en profundidad. El signo negativo 
de la ley de Fick hace alusión a que el movimiento del gas en profundidad se da en sentido 
contrario al crecimiento del gradiente de concentración. Es decir, el gas se moviliza desde las 
zonas de mayor a menor concentración. Por ello se dice que el gradiente es la fuerza 
impulsora del flujo difusivo. 
1.2.1. Difusión del CH4 (Ds) 
La difusividad de un gas en la fase gaseosa de un medio poroso (D o coeficiente de 
difusión), generalmente se expresa como el producto de dos términos, el coeficiente de 
difusión para el gas en el aire y alguna función relacionada a los espacios porosos llenos de 
aire. El coeficiente de difusión de un gas en el medio “suelo” depende tanto del tipo de gas 
transportado, de su temperatura y presión, de la cantidad de poros llenos de aire, de la 
distribución espacial de las partículas del suelo y del contenido de agua en él. 
Ds puede medirse in situ, en el laboratorio o estimarse mediante modelos empíricos. 
Las mediciones de difusividad de gases en el suelo, tanto in situ como en el laboratorio, son 
difíciles de realizar, costosas y llevan mucho tiempo, lo cual puede haber contribuido a que 
haya menos investigaciones sobre la relación entre el coeficiente de difusión de gases y otros 
procesos del suelo (Nkongolo et al. 2010). Ante esto, surge la posibilidad de estimar Ds a 
partir de la aplicación de distintos modelos empíricos, que tengan en cuenta el coeficiente de 
difusión del gas en el aire (D0) y los espacios porosos llenos de aire (ϕ). Dicha estimación se 
puede definir de forma genérica de la siguiente forma: 
 
𝐷𝑠 = 𝐷0 . 𝛾 . 𝜙
𝜇 (2) 
 
donde γ y μ son coeficientes empíricos caracterizados por la forma, el diámetro, la 
continuidad y la tortuosidad de los poros (Allaire et al., 2008; Stepniewski y Rozej, 2011). La 
bibliografía no muestra un valor óptimo de γ y μ, por lo que la elección de dichos valores 
queda definido usualmente por un par de mediciones que los apoyen en el suelo analizado. 
La relación Ds/D0 es inferior a uno, porque la tortuosidad se supone constante para todos los 
gases que no reaccionan en los suelos, y depende únicamente de las propiedades del 
espacio lleno de aire, más que de las propiedades del gas (Allaire et al., 2008). El valor más 
alto posible de la tasa de difusión de CH4 es el valor del coeficiente de difusión de CH4 en el 
aire (0,195 cm2/seg, a 273 K y 1 atm; Striegl, 1993). 
Por lo mencionado anteriormente, Ds está limitado por distintas características físicas 
del suelo como la textura, la porosidad y el contenido de agua, tal que se ve afectado fCH4 
15 
 
hacia las capas del suelo donde se encuentran las bacterias metanótrofas, y por ende la tasa 
de oxidación neta de este gas en el suelo (Curry, 2007; De Bernardi et al., 2019; Priano et al., 
2017). Uno de los principales factores que afectan al Ds es el contenido de agua, y la cantidad 
de poros llenos de agua, debido a que el CH4 difunde aproximadamente 104 veces más rápido 
en aire que en agua (Whalen et al., 1992). A partir de estudios de campo se encontraron 
correlaciones lineales negativas significativas entre el contenido de agua del suelo y el Ds, y 
entre la densidad aparente y el Ds. Por otra parte, también se han encontrado fuertes 
relaciones positivas entre Ds y los espacios porosos llenos de aire (De Bernardi et al., 2019; 
Prajapati y Jacinthe, 2014). 
1.3 Argentina y los GEI 
En Argentina, los estudios sobre el secuestro y emisión de metano son escasos, tal 
como puede verse en el bajo número de artículos de Argentina incluidos en diferentes meta-
análisis a escala global. Es importante el estudio de esta temática debido a que la Argentina 
es un país agroexportador; el sector de Agricultura, Ganadería y Cambios de Uso de Suelo y 
Silvicultura (AGSOUT) emite el 37% de las emisiones de GEI en Argentina, de las cuales el 
25,78% corresponde a las emisiones de CH4. En la provincia de Buenos Aires, al 2019, el 
sector AGSOUT produjo el 30,5% de las emisiones de GEI de la provincia (SGAyDS, 2019). 
Figura 1.2: Distribución de las emisiones de GEI, en diferentes sectores productivos del 
país. Fuente: https://inventariogei.ambiente.gob.ar/resultados 
 
https://inventariogei.ambiente.gob.ar/resultados
16 
 
La agricultura argentina se encuentra en etapa de desarrollo con el desafío de proveer 
alimentos a un mundo fuertemente influenciado por el cambio climático. A nivel nacional, la 
actividad agrícola-ganadera es la principal actividad socioeconómica, debido a que las 
condiciones geológicas y climáticas de Argentina son particularmente favorables para su 
desarrollo. Prueba de esto es que, en el año 2012, la Argentina ocupó el 11vo lugar en el 
mundo como exportador de ganado vacuno. Además, la agricultura ha experimentado en las 
últimas décadas un marcado crecimiento, tanto en toneladas producidas como en superficie 
cultivada. Si bien la producción se concentra en la llanura pampeana (centro - este de 
Argentina), se está extendiendo notablemente hacia el noreste y noroeste del país (República 
Argentina, 2015). 
En el contexto de sostenido crecimiento poblacional y ante una creciente 
preocupación por la sustentabilidad ambiental y social de la agricultura, la Provincia de 
Buenos Aires (Bs.As.) se consolida como una de las principales zonas productoras y 
exportadores de alimentos, capaz de incrementar su producción de forma sustentable y 
competitiva (Inventario de emisiones de GEI Provincia de Buenos Aires, 2014). 
Con respecto a la Provincia de Buenos Aires, hacia el 2018, su participación en la 
actividad ganadera1 fue de 34.6% de las cabezas de ganado bovino de carne del país, 24.1% 
de porcinos y 14.1% de ovinos. Además, el sector ganadero en dicha temporada se constituyó 
de 22157697 cabezas de ganado, de las cuales el 85.05% correspondió a cabezas de ganado 
bovino (18845516 animales), el 5.83% a cabezas de ganado porcino (1292107 animales) y 
el 9.12% a cabezas de ganado ovino (2020014 animales). Por otra parte, la actividad agrícola2 
de la Pcia., para el 2018, representó alrededor de un 33% de la producción de los principales 
cultivos y forrajes del país, mediante la siembra de 13,3 millones de hectáreas. Según datos 
oficiales del gobierno de la Provincia de Buenos Aires, alrededor del 41,5% de esa superficie 
fue sembrada con soja, un 17.6% con trigo, un 18,1% con maíz, alrededor de un 7% con 
especies forrajeras, un 8,9% con cebada cervecera y un 6,1% con girasol. 
1.4 Sistemas de Información Geográfica (SIG) 
Los SIG son sistemas que permiten combinar, guardar, transformar y manipular datos 
espaciales y atributos asociados (información espacial georreferenciada), de tal forma que el 
 
1 Sitio web: http://www.estadistica.ec.gba.gov.ar/dpe/index.php/economia/agricultura-ganaderia-y-
pesca/estadisticas-ganaderas 
2 Sitio web: http://www.estadistica.ec.gba.gov.ar/dpe/index.php/economia/agricultura-ganaderia-y-
pesca/estadisticas-agricolas 
 
http://www.estadistica.ec.gba.gov.ar/dpe/index.php/economia/agricultura-ganaderia-y-pesca/estadisticas-ganaderashttp://www.estadistica.ec.gba.gov.ar/dpe/index.php/economia/agricultura-ganaderia-y-pesca/estadisticas-ganaderas
http://www.estadistica.ec.gba.gov.ar/dpe/index.php/economia/agricultura-ganaderia-y-pesca/estadisticas-agricolas
http://www.estadistica.ec.gba.gov.ar/dpe/index.php/economia/agricultura-ganaderia-y-pesca/estadisticas-agricolas
17 
 
usuario pueda indagar sobre cuestiones geográficas que solo pueden ser resueltas al integrar 
información proveniente de distintas fuentes. Estos sistemas crean un entorno de análisis 
muy poderoso que permiten la extracción de información y conocimiento, siempre 
dependiendo de la claridad de las preguntas formuladas y de los marcos conceptuales usados 
por los usuarios (Paruelo, 2012). En conclusión, la finalidad de un SIG es el análisis. Mediante 
los SIG se puede tener una representación de la variación geográfica de variables climáticas, 
edáficas, biofísicas, políticas, sociales, por nombrar algunos ejemplos, en diferentes capas 
de información. De esta forma se aborda de manera aproximada la complejidad de la realidad, 
lo que es esencial para la toma de decisiones en el ámbito social, económico y ambiental, 
tres pilares del desarrollo global sostenible (Paruelo, 2012). 
En los SIG, las capas se pueden presentar en dos formatos distintivos: formato raster 
y formato vectorial. En este trabajo, se usan ambos formatos. En el formato raster, la 
información espacial se representa por medio de una matriz, en donde cada elemento de ella 
se denomina “píxel” o “celda”. Cada píxel está determinado por sus coordenadas en el mapa 
y por el valor de variable que representa. El tamaño del píxel (resolución espacial) está 
principalmente relacionado con el objetivo de cada misión satelital, siendo de mayor tamaño 
(baja resolución espacial) en satélites dedicados a la cuantificación de fenómenos 
meteorológicos (por ejemplo, MODIS) que los destinados a mapear la cobertura y/o uso de la 
tierra (ejemplo: Landsat y Sentinel). Por otro lado, la resolución espacial de las capas raster 
también está determinada por la mínima unidad del fenómeno que se pretende mapear, por 
ejemplos aquellas que contienen variables edáficas o topográficas. De esta forma los archivos 
raster permiten describir variables que se distribuyen de forma continua en el espacio. En el 
formato vectorial, los datos espaciales se representan por medio de puntos, líneas o 
polígonos. Cada uno de estos elementos, en general, tiene asociado un atributo mediante 
una base de datos anexa. Los archivos vectoriales describen datos que se distribuyen de 
forma discreta en el espacio. La utilización de un formato u otro, estará relacionada a los 
procesos o estructuras que quieran representarse y por ende a los objetivos del trabajo 
(Paruelo, 2012). 
 
18 
 
Capítulo 2: Objetivos 
 
Las estimaciones directas, en campo, proporcionan las mediciones más precisas del 
flujo de CH4 en los suelos. A pesar de ello, el tiempo y el costo de este enfoque, limita la 
posibilidad de estimaciones espacialmente continuas a escala regional. Ante esto, la 
integración de información espacialmente explícita (imágenes satelitales, mapas de suelos, 
etc.) en un entorno de Sistemas de Información Geográfica (SIG) surge como una forma de 
superar estas dificultades (Castaldi et al., 2007). Combinando distintos objetos geográficos 
que proveen cuantificaciones de variables que determinan la difusión de gases en el suelo, 
se puede mapear el potencial de oxidación (secuestro) de CH4 de los suelos, a diferentes 
escalas espaciales y temporales. 
 
2.1 Objetivos generales: 
1. Obtener experiencia en el uso de distintos modelos de estimación de los coeficientes 
de difusión potenciales de metano en suelos. 
 
2. Adquirir experiencia en el uso de herramientas de información geográfica y en la 
búsqueda de información (satelital y georreferenciada) para estimar los coeficientes 
de difusión potenciales de metano en suelos (Ds). 
 
3. Estimar el potencial de oxidación de CH4 (fCH4p) en los suelos de la Pcia. de 
Buenos Aires. 
 
4. Realizar distintos análisis observacionales y estadísticos de relación entre modelos, 
estudios espaciales y temporales de los datos obtenidos. 
 
2.2 Tareas a realizar: 
1. Definir qué variables son necesarias para aplicar los modelos propuestos 
para la estimación de los Ds. 
 
19 
 
2. Obtener información satelital y georreferenciada de la temperatura del suelo 
en superficie y de la humedad de suelo real para mayo, agosto y octubre de 
2018 y para enero de 2019. 
 
3. Obtener información georreferenciada de las variables del suelo necesarias. 
 
4. Aplicar los modelos para la estimación de los Ds. 
 
5. Mapear los Ds obtenidos para cada modelo y fecha propuesta. 
 
6. Realizar un análisis de coherencia espacial entre los Ds estimados por los 
diferentes modelos. 
 
7. Realizar un análisis espacial estadístico de las variables del suelo que 
afectan a los Ds estimados. 
 
8. Estimar los fCH4p a partir de los Ds estimados y los gradientes de 
concentración en profundidad. 
 
20 
 
Capítulo 3: Metodología 
3.1. Sitio de estudio: Provincia de Buenos Aires, Argentina 
El área de estudio de este trabajo corresponde a la Provincia de Buenos Aires (Bs. 
As.), Argentina, que se encuentra en el cuadrante comprendido entre 32.642° y 41.967° S y 
entre 55.700° y 64.567°O (Fig. 3.1). Esta provincia alcanza una extensión de 307571 km2, 
11% de la superficie del país. 
 
 
Figura 3. 1: Mapa político de la Provincia de Buenos Aires y su ubicación en la Argentina. 
 
. 
 
21 
 
 
Figura 3. 2: Mapa satelital de la Provincia de Buenos Aires. Fuente: Instituto Geográfico 
Nacional. 
 
Debido a su gran extensión, la provincia de Bs. As. posee un amplio rango de tipos de 
suelos y condiciones climáticas. Según los investigadores del espacio de cartografía del 
Instituto Nacional de Tecnología Agropecuaria (INTA), la carta de la provincia de Buenos Aires 
presenta la existencia de seis órdenes de suelo3 en el territorio provincial: molisoles, alfisoles, 
entisoles, aridisoles, inceptisoles y vertisoles. 
 
 
3Sitio web: https://intainforma.inta.gob.ar/el-inta-digitaliza-las-cartas-de-suelos-de-la-provincia-de-
buenos-aires/ 
https://intainforma.inta.gob.ar/el-inta-digitaliza-las-cartas-de-suelos-de-la-provincia-de-buenos-aires/
https://intainforma.inta.gob.ar/el-inta-digitaliza-las-cartas-de-suelos-de-la-provincia-de-buenos-aires/
22 
 
El clima4 varía de templado húmedo a subhúmedo/seco (Fig. 3.3). Específicamente 
se pueden divisar cuatro tipos: Clima templado pampeano, Clima templado de transición, 
Clima templado oceánico y Clima árido de la estepa. 
Se registra el clima templado oceánico en la costa atlántica, en una línea que va desde 
aproximadamente el Mar del Tuyú hasta Punta Alta, extendiéndose por zonas de interior. En 
el extremo sur de la provincia, desde más al sur de su límite con el Río Negro hasta las 
proximidades del Río Colorado, se identifica un clima árido de estepa. Todavía al sur de la 
Pcia., al norte del Río Colorado se da un clima templado de transición entre el árido de estepa 
y el pampeano, hasta aproximadamente unos pocos kilómetros al sur de Bahía Blanca, 
trazando desde ahí una línea en diagonal imaginaria hacia la Provincia de La Pampa. Esta 
línea imaginaria también marca el límite de 500 mm de precipitación medio anual, los cuales 
incrementan hacia el norte y el este y disminuye hacia el sur y el oeste. En el resto de la 
provincia, el clima es templado pampeano, aunque con variaciones de región a región, por lo 
cual no es uniforme en precipitaciones, ni en temperaturas medias anuales. Existen dos 
isotermas que atraviesan el territorio, una marcando los 15 °C de temperatura media anual 
(isoterma al sur de la provincia) y otra los 16 °C (isoterma al norte de la provincia), como se 
observa en la Figura 4.3. Al sur de esas líneas la mediaanual va decreciendo, y al norte van 
incrementando. Por último, dentro del área metropolitana, en cercanías a la Ciudad Autónoma 
de Buenos Aires, se dan medias anuales de alrededor de 18 °C, debido al efecto “isla de calor 
urbana”. A muy grandes rasgos, los veranos son calurosos en toda la provincia, aunque las 
temperaturas disminuyen hacia la costa. En cuanto al invierno, en general es fresco, pero 
más frío hacia el centro, el oeste y el sur del interior provincial con temperaturas bajo cero y 
heladas frecuentes. Las temperaturas disminuyen de norte a sur, las amplitudes térmicas 
aumentan de este a oeste, y los vientos predominantes son del este y del noreste. Las áreas 
orientales son más húmedas porque se producen las mayores precipitaciones (entre 1.100 y 
1.200 mm anuales), concentradas de octubre a marzo. Hacia el oeste, si bien también hay 
precipitaciones a lo largo de todo el año, el clima es menos húmedo (las precipitaciones 
oscilan entre los 600 y 700 mm anuales). 
 
 
 
 
4 Sitio web: 
http://www.estadistica.ec.gba.gov.ar/dpe/Estadistica/DPEANU2020/GENERALIDADES/1.2.%20Clima
/definiciones.html 
 
 
http://www.estadistica.ec.gba.gov.ar/dpe/Estadistica/DPEANU2020/GENERALIDADES/1.2.%20Clima/definiciones.html
http://www.estadistica.ec.gba.gov.ar/dpe/Estadistica/DPEANU2020/GENERALIDADES/1.2.%20Clima/definiciones.html
23 
 
 
 
 
 
Figura 3. 3: Mapa de climas de la Provincia de Buenos Aires. Fuente: Ministerio de 
Educación de la Nación. 
 
Los periodos elegidos para evaluar el flujo y coeficiente de difusión de CH4 en suelos 
fueron mayo de 2018, agosto de 2018, octubre de 2018, y enero de 2019. Su elección se 
debió a que cada mes corresponde al mes intermedio de cada estación del año. De esta 
forma, se obtiene un claro contraste en las condiciones ambientales entre los periodos 
seleccionados, tal que se puedan evidenciar variaciones espaciales y temporales. 
24 
 
3.2. Estimación del coeficiente de difusión potencial de CH4 en 
suelos 
En este trabajo se estimó el coeficiente de difusión potencial del CH4 (Ds) en los 
primeros 5 cm de profundidad del suelo. Se eligió esta profundidad para poder compararlo 
con las mediciones de campo realizadas en el grupo de Fisicoquímica Ambiental. Para 
estimar Ds se utilizaron los siguientes tres modelos empíricos: 
 
Modelo 1 𝐷𝑠 = 𝐷0 . 𝜙
2 (Buckingham, 1904) (3) 
 
Modelo 2 𝐷𝑠 = 𝐷0 . 𝜙
1.5 (Marshall, 1957) (4) 
 
Modelo 3 𝐷𝑠 = 𝐷0 . 𝑎 . 𝜙
𝑏 (Price et al., 2003) (5) 
 
Donde D0 corresponde al coeficiente de difusión del CH4 en el aire, corregido por la 
temperatura (cm2/s), ϕ es el espacio poroso lleno de aire (cm3/cm3), y a (0.9) y b (2.3) son 
coeficientes empíricos adimensionales. En particular, los coeficientes a y b están relacionados 
a la tortuosidad, y al tamaño y forma de los poros del suelo. Los valores utilizados en este 
trabajo, son los más comunes para estudios de flujo de CH4, y fueron probados en algunos 
suelos de la provincia de Buenos Aires (De Bernardi, 2020; Price et al., 2003). La elección de 
estos modelos se debió a la alta correlación hallada entre las mediciones in situ y los 
resultados obtenidos en dichos modelos (De Bernardi et al., 2019; Nkongolo et al., 2010). 
D0 se obtuvo utilizando la siguiente ecuación (ecuación 6) (Price et al.,2003): 
 
𝐷0 = 𝐷𝑎 . (
𝑇
273
)2 (6) 
 
Da es el coeficiente de difusión del CH4 en el aire a 273 K y 1 atm y su valor es 0.195 
cm2/s (en condiciones estándar; Striegl, 1993). T es la temperatura promedio del aire (K), a 
nivel superficial, en el periodo analizado. 
Los espacios porosos llenos de aire, ϕ, representa la relación entre el volumen de aire 
(Va) presente suelo, respecto del volumen total de dicho sistema (Vt) (ecuación 7). Esta es 
una medida del contenido relativo de aire en el suelo, y por ende un criterio importante de la 
aireación del suelo (Hillel, 1998). 
 
𝜙 =
𝑉𝑎
𝑉𝑡
 (7) 
25 
 
 
Por otra parte, cabe destacar que el suelo es un sistema heterogéneo, polifásico, 
particulado, disperso y poroso (Hillel, 1998). Dentro de este coexisten tres fases físicas: la 
fase sólida, denominada la matriz del suelo, la fase líquida conformada por el agua presente 
en el suelo que siempre contiene sustancias disueltas y que es conocida como la solución del 
suelo, y la fase gaseosa, también denominada como atmósfera del suelo. Aquellos espacios 
vacíos entre el material particulado que conforma la matriz del suelo, son los poros. En ellos 
se retienen y fluyen los componentes de la fase líquida y gaseosa. Por ende, el volumen de 
poros (Vp) se puede determinar de forma idealizada, como la suma del volumen de agua 
(Vag) y de aire en el suelo, es decir Vp = Vag + Va (Hillel, 1998). Ante esto, ϕ se puede 
representar de la siguiente forma: 
 
𝜙 =
𝑉𝑝
𝑉𝑡
 − 
𝑉𝑎𝑔
𝑉𝑡
 (8) 
 
La fracción entre el volumen de poros y el volumen total del suelo, representa la 
porosidad total (Pt). La porosidad es un índice del espacio poroso relativo en un suelo. Su 
valor generalmente oscila entre 0,3 y 0,6 (30-60%) (Hillel, 1998). Por otra parte, la relación 
entre el volumen de agua y el volumen total del suelo, hace referencia al contenido 
volumétrico de agua del suelo (𝐻𝑣). 
Entonces ϕ se puede calcular a partir de la siguiente expresión (ecuación 9) (Hillel, 
1998): 
 
𝜙 = 𝑃𝑡 − 𝐻𝑣 (9) 
 
Para el cálculo de la porosidad total, se tuvo en cuenta la relación de este parámetro 
con la densidad aparente del suelo (𝜌b) y con la densidad de sólido (𝜌s), a partir de la siguiente 
ecuación (De Bernardi, 2020): 
 
𝑃𝑡 = 1 − (
𝜌𝑏
𝜌𝑠
) (10) 
 
La densidad de sólido hace referencia al cociente entre la masa del material sólido del 
suelo y el volumen de sólido de dicho sistema. Al parámetro 𝜌s le asignamos el valor de 2.65 
g/cm3 (Livesley et al., 2011). Por otra parte, 𝜌b representa la relación entre la masa de sólido 
y el volumen total del suelo (sólidos y poros juntos). A diferencia de la densidad de sólido, 
que suele ser constante, la densidad aparente es altamente variable. El parámetro 𝜌b se ve 
afectado por la estructura del suelo, es decir, por su holgura o grado de compactación, así 
26 
 
como por sus características de dilatación y contracción. Estos últimos dependen tanto del 
contenido de arcilla como del contenido de agua. De esta forma, se tienen altos valores de 
densidad aparente en suelos con alto grados de compactación y, por lo contrario, se tienen 
bajos valores de 𝜌b para aquellos que se encuentran disgregados. Cabe recalcar que incluso 
en suelos extremadamente compactados, 𝜌b permanece considerablemente más bajo que la 
densidad de la materia sólida, porque las partículas nunca pueden entrelazar perfectamente 
(Hillel,1998). 
3.3 Estimación del potencial de oxidación de CH4 en suelos 
Se estimó el potencial de oxidación de CH4 (fCH4p) en suelos mediante la primera Ley 
de Fick (ecuación 2) para los tres modelos empíricos mencionados en el apartado 4.2. 
En la situación n°1 se realizó el cálculo de fCH4p para toda la Pcia. de Bs. As. en los 
distintos periodos estudiados. Para ello se utilizaron los Ds estimados por cada modelo y un 
valor fijo y constante de dC/dz a 5 cm de profundidad (0.027 ng CH4/cm3/cm, Ridgwell et al. 
1999), para todo el territorio provincial y todas las fechas estudiadas. 
Para la situación n°2 se validaron los valores de fCH4p de los modelos aplicados con 
mediciones in situ de flujo de CH4 realizadas en la Pcia. de Bs. As. (De Bernardi, 2020). Estas 
zonas de estudio fueron cuatro: la Estancia Sans Souci (ESS; 37° 17 '0.90 " S, 59° 7' 0.44" 
O; 184 m.s.n.m.; Tandil, Bs. As., Argentina), la Estancia San Gabriel (SG; 37° 33' 34.79" S, 
59° 7' 50.29" O; 287 m.s.n.m., Tandil, Bs. As., Argentina), la Estación Experimental 
Agropecuaria Balcarce INTA (B; 37° 45' 41'' S, 58°17' 19'' O; 378 m.s.n.m., Balcarce, Bs. As., 
Argentina) y áreas deproducción silvopastoril pertenecientes a la Estancia San Gabriel (SS; 
37° 33' 0.1" S, 59° 08' 50" O; 37° 32' 41" S, 59° 8' 43" O; Tandil, Bs. As., Argentina). Estas 
mediciones se realizaron entre el 2016 y el 2019, de forma discontinua; e incluyen distintos 
usos del suelo propios de la región (pastizal natural, agricultura, forestaciones de pinos y 
eucaliptos) (ver De Bernardi, 2020). Se estimó el fCH4p para los 4 sitios mencionados. La 
estimación se realizó sin tener en cuenta que las mediciones in situ no siempre coinciden con 
el periodo de estudio considerado para la estimación de Ds. Por ello se utilizaron los 
promedios anuales de los Ds para cada modelo empírico aplicado. Por otra parte, se 
adoptaron valores promedios de dC/dz a 5 cm de profundidad medidos en cada sitio de 
estudio (Tabla 3.1). De esta forma, los dC/dz con los cuales se trabajaron fueron: 0.104 ± 
0.038 ng CH4 cm-3 cm-1 para la Estancia Sans Souci, 0.05950 ± 0.015 ng CH4 cm-3 cm-1 para 
la Estancia San Gabriel, 0.04675 ± 0.02875 ng CH4 cm-3 cm-1 para la Estación Experimental 
Agropecuaria Balcarce INTA y 0.05850 ± 0.032 ng CH4 cm-3 cm-1 para las áreas de producción 
bovina silvopastoril pertenecientes a la Estancia San Gabriel. 
 
27 
 
Zonas de estudio Sitios de muestreo dC/dz (ng CH4/cm3/cm) 
Estancia San Souci (Tandil) ESS 0.104±0.038 (N=61) 
Estancia San Gabriel (SG; 
Tandil) 
NG-SG 0.061±0.016 (N=45) 
A-SG 0.042±0.015 (N=44) 
P1-SG 0.076±0.010 (N=49) 
P2-SG 0.059±0.019 (N=28) 
Estación Experimental 
Agropecuaria Balcarce INTA 
(B) 
NG-B 0.040±0.021 (N=42) 
A-B 0.051±0.046 (N=30) 
E1-B 0.052±0.023 (N=43) 
E2-B 0.044±0.025 (N=45) 
Áreas de producción 
silvopastoril Estancia San 
Gabriel (SS; Tandil) 
SSP 0.065±0.048 (N=11) 
E3 0.052±0.016 (N=7) 
Tabla 3. 1: Situación n°2: valores promedios de dc/dz a 5 cm de profundidad ± desvío 
estándar, para los diferentes sitios de muestreo (De Bernardi, 2020-T. Doctoral). N: números 
de muestras. ESS: Estancia San Souci. SG: Estancia San Gabriel; B: Balcarce; SS: sistema 
silvopastoril; NG: Pastizal naturalizado. A: Área dedicada a la agricultura. P1 y P2: 
Plantaciones de Pinus Radiata con distinta densidad arbórea y manejo. E1, E2 y E3: 
Plantaciones de Eucaliptus con distinta densidad arbórea. SSP: sistema silvopastoril en 
plantación de Eucaliptus. 
3.4. Obtención de datos 
Para poder estimar y mapear los modelos de Ds y fCH4p para la Pcia. de Bs. As. se 
utilizaron datos georreferenciados en formato raster y vectorial de las variables físicas y 
espaciales necesarias: temperatura (T), contenido volumétrico de agua en el suelo (Hv), 
densidad aparente (𝜌b) y otros parámetros del suelo. Las variables dinámicas (T y Hv) se 
obtuvieron para los meses analizados mientras que las variables estáticas (𝜌b, porcentaje de 
arena (%S), porcentaje de arcilla (%C) y stock de carbono orgánico a 30 cm de profundidad 
para los suelos (SCOS30)) son constantes para todo el período estudiado. Para estos últimos 
28 
 
no se consideró una variación temporal debido a que T y Hv son parámetros que presentan 
una mayor variabilidad en el tiempo respecto a un periodo anual. También fue necesario 
obtener las capas de la posición de cuerpos de agua, lagos y ríos, y ciudades de la Pcia., de 
tal forma de extraer dichas capas de los resultados. 
 
3.4.1. Temperatura 
La temperatura (T; °C) se obtuvo del producto MODIS LST5 (Land Surface 
Temperature), MOD11A2, que proporciona la temperatura superficial promedio de 8 días, con 
una resolución espacial de 1 km (cada pixel). Este producto es generado a partir del 
procesamiento de información adquirida por el sensor remoto MODIS de la NASA. Este 
instrumento es un espectrorradiómetro de imágenes de resolución moderada (MODIS por sus 
siglas en inglés) que permite medir la radiación espectral o irradiancia a través de varios 
rangos espectrales. Este sensor se encuentra ubicado en los satélites Terra (EOS AM-)1 y 
Aqua (EOS PM-1) en pos de describir las características de la tierra, los océanos y la 
atmósfera. La órbita de Terra está cronometrada de modo que pasa de norte a sur a través 
del ecuador durante la mañana, mientras que Aqua pasa de sur a norte sobre el ecuador 
durante la tarde. Ambos satélites observan toda la superficie de la Tierra cada 1 o 2 días, 
adquiriendo datos en 36 bandas espectrales entre 0,405 y 14,385 µm, con un ancho de banda 
de visualización de 2330 km, y con tres resoluciones espaciales posibles: 250 m, 500 m y 
1000 m. 
3.4.2. Contenido volumétrico de agua en el suelo 
Los datos de contenido de agua volumétrico del suelo (Hv; cm3/cm3) fueron obtenidos 
a partir del catálogo de productos ofrecidos por la Comisión Nacional de Actividades 
Espaciales de Argentina (CONAE). El producto utilizado fue el SMOSL3SSM, el cual aporta 
datos de humedad promedio durante 3 días para la región de Sudamérica, en formato raster. 
Para su producción, la CONAE utiliza datos de entrada brindados por la misión SMOS (Soil 
Moisture and Ocean Salinity, Agencia Espacial Europea) a escala global. El sensor a bordo 
de dicho satélite, es un radiómetro interferométrico 2-D de microondas pasivo (MIRAS6 por 
sus siglas en inglés), que recoge las débiles emisiones de microondas emitidas por la 
superficie de la Tierra. El proceso realizado consiste en la extracción de mapas de humedad 
 
5 Sitio web: https://modis.gsfc.nasa.gov/ 
6 Sitio web: https://earth.esa.int/eogateway/instruments/miras 
 
https://modis.gsfc.nasa.gov/
https://earth.esa.int/eogateway/instruments/miras
29 
 
volumétrica del suelo, para la región sudamericana, generando un producto compuesto de 
cuatro bandas, con una resolución espacial de 25 km (previa interpolación del producto de 
entrada) y con el sistema de coordenadas geográficas WGS-84 (World Geodetic System 
1984). La banda 1, es la composición promedio de los distintos barridos durante tres días 
(banda utilizada en este trabajo), y las bandas 2, 3 y 4, representan las pasadas utilizadas 
para generar dicha composición (Cáceres J.M., 2015). 
3.4.3. Densidad aparente del suelo y otros parámetros 
Los datos de densidad aparente (𝜌b; g/cm3), porcentaje de arena del suelo (%S; %p/p), 
porcentaje de arcilla del suelo (%C; %p/p) y el contenido de carbono orgánico en los primeros 
30 cm del suelo (SCOS30; Mg/Ha) para los suelos de la Pcia. de Bs. As., fueron obtenidos 
mediante los mapas de SoilGrids7, con una resolución espacial de 250 metros. SoilGrids8 es 
un sistema para el mapeo digital global que utiliza métodos de aprendizaje automático de 
última generación para mapear la distribución espacial de las propiedades del suelo en todo 
el mundo. Los modelos de predicción de SoilGrids se ajustan utilizando más de 230000 
observaciones del perfil del suelo de la base de datos del Servicio Mundial de Información de 
Suelos (WoSIS9 por sus siglas en inglés) y una serie de covariables ambientales. Las 
covariables se seleccionan de un grupo de más de 400 capas ambientales de productos 
derivados de la observación de la Tierra y otra información ambiental, incluido el clima, la 
cobertura terrestre y la morfología del terreno. Los resultados de SoilGrids son mapas 
globales de propiedades del suelo en seis intervalos de profundidad estándar. 
3.4.4. Máscaras y recortes 
De los mapas de las variables utilizadas se les eliminó aquellas estructuras del paisaje 
que no eran de interés para el estudio de los Ds en suelos productivos de la Pcia. de Bs. As. 
Se eliminaron lagunas, lagos, embalses, arroyos, ríos, y centros urbanos. Dicha información 
geográfica se obtuvo a partir de la base de datos ofrecida por el Instituto Geográfico Nacional 
(IGN10, Argentina). 
El IGN produce, actualiza y publica información geoespacial bajo estándares y normas 
internacionales, a fin de facilitar el acceso a los diferentes usuarios, garantizando su 
interoperabilidad y difundiendo el conocimiento geográfico en la RepúblicaArgentina. 
 
7 Sitio web: https://soilgrids.org/ 
8 Sitio web: https://www.isric.org/explore/soilgrids 
9 Sitio web: https://www.isric.org/explore/wosis 
10 Sitio web: https://www.ign.gob.ar/NuestrasActividades/InformacionGeoespacial/Introduccion 
https://soilgrids.org/
https://www.isric.org/explore/soilgrids
https://www.isric.org/explore/wosis
https://www.ign.gob.ar/NuestrasActividades/InformacionGeoespacial/Introduccion
30 
 
3.5. Integración de datos en el SIG 
La integración de los distintos datos georreferenciados para la estimación y mapeo 
del flujo y del coeficiente de difusión de CH4 se hizo mediante la utilización del software 
QGIS11 (versión 3.16.10). Este programa es un Sistema de Información Geográfica (SIG) libre 
y de código abierto de Open Source Geospatial Foundation (OSGeo) que soporta numerosos 
formatos y funcionalidades de datos vector, datos ráster y bases de datos. QGIS puede 
visualizar, gestionar, editar y analizar datos, y diseñar mapas imprimibles. 
Para poder mapear y estimar Ds y fCH4p (situación n°1) para los suelos de la Pcia. de 
Bs. As., se integraron los modelos empíricos existentes (Sección 3.2 y 3.3) con la información 
espacial - satelital obtenida (Sección 3.4), a partir de las herramientas brindadas por el 
entorno de QGIS. Dicha integración se diagramó a partir de un flujo de trabajo básico que 
constó de 3 partes: entrada de datos, procesamiento de datos y salida de datos (Figura 3.4). 
Por otra parte, para la situación n°2 se realizó un tratamiento diferente a lo mencionado 
anteriormente. 
3.5.1. Entradas de datos 
Se adquirió la información satelital y georreferenciada para comenzar el proceso de 
trabajo. Los datos espaciales cargados en el QGIS fueron: 
 
➢ 1 capa raster de densidad aparente (𝜌b) para la región pampeana. 
 
➢ 16 capas raster de temperatura superficial (T) para la región pampeana. 
 
➢ 60 capas raster de humedad volumétrica del suelo (Hv) para América del sur. 
 
➢ 6 capas vectoriales utilizadas como máscaras de recorte y extracción (polígono de la 
Pcia. de Bs. As., lagunas, lagos, embalses, arroyos, ríos, y centros urbanos de la Pcia. 
de Bs. As.) 
3.5.2. Procesamiento de datos 
Una vez adquiridos los datos, se continuó con el procesamiento de la información 
adquirida, en el software QGIS. Esta sección consta de dos partes bien diferenciadas: 
 
 
11 Sitio web: https://www.qgis.org/es/site/about/index.html 
https://www.qgis.org/es/site/about/index.html
31 
 
Primera etapa: consiste en trabajar la información espacial de origen, de tal forma de 
acomodarla, para poder continuar con las operaciones algebraicas estipuladas. De esta forma 
se llevaron a cabo las siguientes acciones: 
 
1. Todas las capas fueron recortadas con el polígono de la Pcia. de Bs. As. y 
posteriormente se le aplicaron máscaras para la extracción de lagunas, lagos, 
embalses, centros urbanos, y arroyos y ríos de la Pcia. de Bs. As. Estos recortes y 
exclusión de áreas se deben a que solo se quiere obtener el Ds y fCH4p en suelos 
agroproductivos de la Pcia. de Buenos Aires. Las capas vectoriales utilizadas para 
aplicar estas máscaras fueron obtenidas del Instituto Geográfico Nacional12. 
 
2. Las capas de temperatura fueron ajustadas con un factor de corrección de 0.2, para 
conseguir la temperatura en grados Kelvin. Esto se realizó mediante la calculadora 
raster en QGIS. Para obtener los datos de temperatura de cada mes, se calculó el 
promedio de las capas raster correspondiente a cada periodo. Cabe resaltar que un 
mes está caracterizado por cuatro archivos raster, que abarcan 32 días. Los cálculos 
se realizaron mediante la aplicación de la herramienta de estadísticas de celdas. 
 
3. Las capas de humedad volumétrica del suelo fueron procesadas con el fin de obtener 
la capa de humedad del suelo promedio. Cabe destacar que, para cada mes, hay 15 
archivos raster. Para poder llevar a cabo el cálculo se utilizó la herramienta r.series 
del complemento Grass del QGIS. Con dicho instrumento se puede realizar y obtener 
la capa promedio de humedad volumétrica sin una significativa ausencia de datos. 
Esto se debe a que la herramienta en cuestión, permite solapar los píxeles y llevar a 
cabo el cálculo de la media sin tener en cuenta los píxeles que no tienen datos. 
 
 
Segunda etapa: una vez procesada la información y obtenidas las capas a utilizar en 
los modelos, se llevaron a cabo las operaciones para poder mapear y estimar fCH4p (ecuación 
2) y Ds (ecuaciones 3, 4 y 5). Todos los cálculos fueron realizados mediante la calculadora 
raster de QGIS. Una cuestión a destacar es que se buscó obtener resultados con la mínima 
resolución espacial posible, ya que nos permite tener información con mayor precisión. Por lo 
tanto, se forzaron los modelos a tener una resolución espacial de 250 metros (resolución de 
 
12Sitio web: https://www.ign.gob.ar/NuestrasActividades/InformacionGeoespacial/CapasSIG 
 
https://www.ign.gob.ar/NuestrasActividades/InformacionGeoespacial/CapasSIG
32 
 
la capa de densidad aparente), ya que la calculadora utilizada solicita la resolución de salida 
de la capa resultante en función de las capas entrantes en el cálculo. 
3.5.3. Salida de datos 
Se realizaron salidas cartográficas de 𝜌b, T, Hv, ϕ, %S, %C, SCOS30, Ds y fCH4p. Las 
salidas cartográficas se realizaron en el QGIS, mediante la realización de una composición 
gráfica dentro del entorno de trabajo del software. 
3.5.4. Situación n°2 
Para esta situación se creó un nuevo objeto vectorial, que contiene los sitios de 
estudio analizados por De Bernardi (2020). Esto se realizó en el QGIS, a partir de la 
confección de una capa que contiene 4 polígonos. Cada uno de estos contiene una de las 
zonas de estudio analizadas por De Bernardi (2020). Para dicha creación se utilizó como 
referencia un mapa satelital. Por otra parte, mediante la herramienta “Estadística de celdas” 
se obtuvieron tres capas de promedio anual de Ds, una para cada modelo empleado. A partir 
de esto se utilizó la capa vectorial de polígonos y las capas de Ds para generar recortes y 
extraer información de Ds para cada modelo, en los puntos de análisis, mediante la 
herramienta “estadística de zonas”. Esta herramienta calcula las estadísticas de una capa 
ráster para cada entidad de una capa vectorial de polígono superpuesta. Por lo tanto, se 
obtuvo una nueva capa vectorial, con los datos mínimo, máximo y media de los Ds promedios 
de cada modelo para las zonas de estudios. La tabla fue exportada al software Excel, de tal 
forma de poder llevar a cabo las operaciones correspondientes para el cálculo de fCH4p y por 
ende poder llevar a cabo la regresión lineal para cada modelo, con respecto a las mediciones 
in situ realizadas por De Bernardi (2020). 
3.6. Análisis estadísticos 
Se realizó un análisis estadístico básico para obtener los valores mínimo, máximo, 
media y desvío estándar de los principales parámetros utilizados en las capas de los modelos 
y relacionados a ellos (T, 𝜌b, SOCS30, S%, C%, Hv) y de los datos obtenidos en cada modelo, 
a partir de la herramienta “estadística de capa raster”, perteneciente al QGIS. Además, se 
llevaron a cabo correlaciones entre los propios modelos de Ds, entre los Ds y fCH4p, y entre 
los Ds y fCH4p, con respecto a las diferentes variables mencionadas anteriormente. Cabe 
recalcar que debido a la cantidad de datos con los cuales se está trabajando (N > 6.106) los 
análisis son significativos y se tomaronn como válidos aquellos r mayores al 80%. Además, 
para realizar parte del análisis temporal, se llevaron a cabo correlaciones temporales entre 
33 
 
los modelos de Ds, y de Ds vs T y Hv utilizando valores promedios mensuales de cada 
variable. Se consideraron válidas aquellas correlaciones con un p valor < 0.05. 
Por otra parte, para el caso particular de la estimación del flujo para la situación n°2, 
se realizaron regresiones lineales,entre los fCH4p estimados y los medidos por De Bernardi 
(2020) a partir del software Excel, de tal forma de visualizar cuál modelo se ajusta mejor a la 
realidad. 
 
34 
 
Capítulo 4: Resultados y Discusión 
4.1. Coeficientes potenciales de difusión de CH4 (Ds) 
Los valores obtenidos de Ds a partir de los tres modelos son coherentes, ya que la 
relación Ds/D0 para todos los modelos y para toda la provincia son menores a 1 (condición 
necesaria para validar los datos obtenidos ya que el valor de difusión en suelo no puede 
superar el valor de difusión en aire). El rango de valores de dicha relación oscila para el 
Modelo Buckingham entre 0 y 0.5930, para el Modelo Marshall entre 0.0001 y 0.7233, y para 
el Modelo Price entre 0 y 0.4738 (ver Tabla 1, ANEXO 1). 
Los valores promedio estimados de Ds (Tabla 4.1) para toda la provincia de Buenos 
Aires, para los tres modelos propuesto, son similares a los reportados en otros trabajos, 
teniendo en cuenta distintos usos agroproductivos, tanto para la provincia de Bs As como a 
nivel global (Allaire et al., 2008; Currie, 1960; Currie, 1960b; Nkongolo et al., 2010; Prajapati 
y Jacinthe, 2014; Priano et al., 2017). Siguiendo esta línea, los valores potenciales de Ds 
estimados para los modelos en los 4 sitios del centro-sur de la Provincia de Buenos Aires 
(tres en Tandil y uno en Balcarce) son similares a las mediciones in situ reportadas por De 
Bernardi (2020) en dichos sitios. A partir de la estadística realizada para dichas cuatro 
regiones se puede observar que los Ds modelados alcanzaron valores promedios entre 0.006 
y 0.042 cm2 /s para la Estancia Sans Souci, entre 0.007 y 0.042 cm2/s para la Estancia San 
Gabriel, entre 0.004 y 0.040 cm2/s para la Estación Experimental Agropecuaria Balcarce INTA 
y entre 0.006 y 0.039 cm2/s para las Áreas de producción silvopastoril de la Estancia San 
Gabriel (Figs. 4.1, 4.2 y 4.3). 
 
 
 
 
 
 
 
 
 
 
 
 
35 
 
Mes y año Modelos Máximos Mínimos Media+-desvío 
Mayo 2018 Buckingham 0.0989 0.0001 0.0128±0.0102 
Mayo 2018 Marshall 0.1203 0.0008 0.0248±0.0142 
Mayo 2018 Price 0.0792 0 0.0078±0.0075 
Agosto 2018 Buckingham 0.0968 0 0.0138+-0.0131 
Agosto 2018 Marshall 0.1176 0 0.0253±0.0183 
Agosto 2018 Price 0.0776 0 0.0088±0.0095 
Octubre 2018 Buckingham 0.1016 0.0002 0.019±0.0123 
Octubre 2018 Marshall 0.1243 0.0013 0.0334±0.0172 
Octubre 2018 Price 0.0810 0 0.0119±0.0089 
Enero 2019 Buckingham 0.1156 0.0001 0.0202±0.0180 
Enero 2019 Marshall 0.1410 0.0010 0.0353±0.0236 
Enero 2019 Price 0.0924 0 0.0132±0.0135 
 
Tabla 4. 1: Resumen estadístico de los coeficientes de difusión, Ds (cm2/s), para los distintos 
modelos y períodos analizados. 
 
36 
 
 
 
 
 
Figura 4. 1: Modelo Marshall: Mapas de Ds potencial (cm2/s.) para los meses estudiados: 
mayo 2018, agosto 2018, octubre 2018 y enero 2019. 
 
 
 
 
 
 
 
 
 
 
 
 
 
37 
 
 
 
 
Figura 4. 2: Modelo Buckingham: Mapas de Ds potencial (cm2/s.) para los meses estudiados: 
mayo 2018, agosto 2018, octubre 2018 y enero 2019. 
 
 
 
 
 
 
 
 
 
 
38 
 
Figura 4. 3: Modelo Price: Mapas de Ds potencial (cm2/s) para los meses estudiados: mayo 
2018, agosto 2018, octubre 2018 y enero 2019. 
4.1.2. Análisis espacial 
El Modelo Marshall presenta mayores valores promedios de Ds (Tabla 5.1), y mayores 
valores a nivel espacial (Figura 5.1) comparando cada fecha analizada. Esto se debe a que, 
en el Modelo Marshall, el parámetro ϕ (menor a 1) está elevado a una potencia menor 
(resultando un valor mayor), respecto a los modelos Buckingham y Price. Además, a nivel 
visual, el Modelo Marshall es el que mejor contraste de valores (indicados por la escala de 
colores variantes) presenta de los tres modelos, de tal forma que posibilita una observación 
más efectiva de los patrones espaciales y temporales de Ds (Figura 4.1). 
Desde el punto de vista espacial, se puede observar que los mapas de Ds potencial 
presentan un patrón espacial característico para cada fecha de estudio que se repite en los 
tres modelos. Las correlaciones de los modelos (intra-mes) reflejan una correlación lineal 
positiva (r > 0.99; N > 6.106), lo cual evidencia una alta similaridad espacial entre ellos. 
 
Los patrones observados muestran que se presentan mayores valores de Ds en las 
regiones sur, zonas costeras y centro-oeste de la provincia. (Figuras 4.1, 4.2 y 4.3). Por otro 
39 
 
lado, los menores valores se observan en la región de la pampa deprimida (del centro al 
centro-este de la provincia). Mientras que el resto del territorio analizado tiene valores 
intermedios, correspondiendo con zonas altamente agroproductivas. 
El patrón observado en las capas de Ds se asemeja a los patrones visualizados en 
las capas de ϕ y Hv, así como una correspondencia visual de los mayores Ds con los menores 
𝜌b. Dicha relación es esperable porque estas variables del suelo forman parte del modelo 
utilizado para la estimación de Ds. Esto se debe a que el camino tortuoso de la difusión se ve 
afectado por dichas variables (Dalal et al., 2008). A partir de las correlaciones lineales 
espaciales realizadas entre los Ds y las capas de ϕ, Hv y 𝜌b, se puede establecer que, 
espacialmente, un aumento de ϕ, consecuencia de una disminución en Hv y 𝜌b, implica un 
aumento de los valores potenciales de Ds (r > 0.9, r < -0.86 y r < -0.6 respectivamente, N > 
6.106). Estas correlaciones también muestran que, a nivel espacial considerando toda la 
provincia, la diferencia espacial de Hv influye en mayor medida que 𝜌b en el valor final de Ds. 
Para la región sur y la costa-sur de la provincia se puede observar valores más 
elevados de ϕ (> 0.30 cm3/cm3; ver Figura 7, ANEXO 4) con respecto al resto del territorio, en 
todos los meses estudiados. Además, en dichas zonas se observan valores más bajos de 𝜌b 
(< 1.2 g/cm3; ver Figura 1, ANEXO 4; ver Tabla, ANEXO 2) y de Hv (< 0.14 cm3/cm3; ver 
Figura 6, ANEXO 4; ver Tabla, ANEXO 2) respecto al promedio en general y al resto de las 
regiones de la provincia. Esto indica, desde el punto de vista físico, que en estas zonas se 
puede evidenciar suelos menos compactos (bajos valores de 𝜌b), por ende, se tienen suelos 
con una mayor cantidad de espacios porosos y por lo tanto, teniendo en cuenta que las 
condiciones climáticas aseguran bajos contenidos de humedad, una mayor cantidad de poros 
llenos de aire (elevados valores de ϕ), lo que resulta en condiciones favorables para el 
proceso de difusión del CH4 desde la atmósfera hacia los suelos (Allaire et al., 2008; Curry, 
2007). 
En relación a la textura y el carbono orgánico del suelo, no se hallaron relaciones 
lineales significativas entre las capas de los distintos Ds estimados y las capas del porcentaje 
de arena (%S), arcilla (%C) y stock de carbono orgánico en los primeros 30 cm de profundidad 
(SCOS30) (r < 0.45 para %S, -0.31< r < 0 para %C y - 0.55 < r < 0 para SCOS30; N > 6.106). 
Sin embargo, los signos de las correlaciones sugieren una cierta tendencia de los Ds a crecer 
a medida que crece el contenido de arena en el suelo, y a disminuir a medida que aumenta 
el contenido de arcilla y el carbono orgánico en el suelo; Dorr et al. (1993) y Curry (2007) 
establecen que la resistencia al transporte del gas es menor para suelos de textura gruesas 
y mayor para suelos de textura fina, reflejando una mayor difusividad en los primeros. Esta 
tendencia puede observarse mediante el análisis observacional de los patrones de las capas 
de %S y %C y SCOS30 (ver Figuras 2, 3 y 4, ANEXO 4), lo cual apoya la tendencia observada 
40 
 
en las correlaciones. En particular, estos patrones son más claros para la región sur y la costa 
marítima de Bs. As., donde existe una similaridad más marcada con los patrones de Ds. De 
esta forma, esta región presenta altos valores de Ds que se corresponden con altos valores 
de contenido de arena (%S > 40), bajos valores decontenido de arcilla (%C < 20%) y bajos 
valores de contenido de carbono orgánico en el suelo (SCOS30 < 29 Mg/Ha) respecto al resto 
de la provincia. A su vez, esto coincide con la existencia, en dichas áreas, de suelos de tipo13 
aridisoles y entisoles, que son suelos que se originan en climas áridos y semiáridos, 
mayormente de textura gruesa. 
La temperatura (T) varía 5.42 y 20.16 °C para mayo de 2018, entre 6.64 y 18.12 °C 
para agosto de 2018, entre 13.36 y 35.50 °C para octubre de 2018 y entre 22.43 y 48.80 °C 
para enero 2019 (ver Tabla 1, ANEXO 2; ver Figura 5, ANEXO 4). Por otra parte, no se 
visualizan correlaciones lineales significativas de T vs. Ds (r < 0.45; N > 3.105) para los meses 
de mayo de 2018, agosto de 2018 y octubre de 2018, en toda la provincia. Sin embargo, para 
el mes de enero de 2019, donde las temperaturas son mayores respecto a los demás 
periodos, se observó una cierta tendencia lineal positiva entre Ds y T (r > 0.7; N > 6.106). Esto 
remarca que T tiene cierta influencia en el proceso de difusión durante dicho periodo. Las 
correlaciones entre Hv y T, para esa fecha, indican la posibilidad de que el contenido de agua 
en el suelo está siendo afectado en mayor medida por las temperaturas estivales (r = -
0.706577; N > 400). De esta forma, se podría establecer que, a mayores temperaturas, menor 
contenido de agua en el suelo, y por ende mayores valores de Ds. Por otra parte, se podría 
inferir que la temperatura tiene una particular influencia sobre la región sur y la costa sur de 
Bs. As., favoreciendo el proceso difusivo. Un estudio futuro debería explorar estas hipótesis, 
a partir de un análisis en cada región en particular. 
4.1.3. Análisis temporal 
En las figuras 4.1, 4.2 y 4.3 se puede observar un patrón temporal característico para 
todos los modelos de Ds en la provincia, donde se muestra un aumento progresivo de los 
valores potenciales de Ds de mayo de 2018 a enero de 2019 en todo el territorio. Además, 
considerando valores promedios para la provincia (Figura 4.4.), también se observa una 
tendencia general donde Ds aumenta del otoño al verano. Al igual que lo observado en el 
análisis espacial, los tres modelos utilizados poseen una tendencia temporal similar (r>0.995, 
p<0.01). 
 
 
13 Sitio web: 
https://intainforma.inta.gob.ar/el-inta-digitaliza-las-cartas-de-suelos-de-la-provincia-de-buenos-aires/ 
 
https://intainforma.inta.gob.ar/el-inta-digitaliza-las-cartas-de-suelos-de-la-provincia-de-buenos-aires/
41 
 
 
Figura 4. 4: Evolución temporal de los valores promedios de Ds (cm2s) y de Hv (cm3/cm3), 
para la provincia de Buenos Aires. 
 
Los dos parámetros dentro de los modelos utilizados que son variables con el tiempo 
al cabo de un año son la humedad (Hv) y la temperatura del suelo (T). La evolución temporal 
de los Ds, para los distintos modelos, se puede relacionar con la variación temporal del 
contenido de agua del suelo (Hv) para los periodos analizados, donde se observa un 
comportamiento inverso entre la Hv y Ds (Figura 4.4; r~ - 0.97, p<0.03, N=4). Dicha relación 
muestra que el Ds potencial disminuye al aumentar Hv. Los valores de correlación obtenidos 
coinciden con los obtenidos por De Bernardi (2020) para el centro-sur de la Pcia. de Bs. As. 
Estas relaciones estadísticas son consistentes con el hecho de que el CH4 difunde más rápido 
en aire que en agua (Whalen et al., 1992) y, por lo tanto, el proceso de difusión se ve limitado 
en los suelos más húmedos donde la cantidad de poros llenos de aire disminuye (Curry, 2007; 
Dalal et al., 2008; Del Grosso et al. 2000). 
A partir de la gráfica 4.4 se puede observar una disminución de los valores promedios 
de Hv de otoño-invierno a primavera-verano (ver Tabla 1, ANEXO 2; Figura 4.4). Cabe 
resaltar que se visualiza un marcado descenso de Hv entre los periodos de agosto y octubre 
de 2018: Hv disminuye de 0.2747 cm3/cm3 para agosto de 2018, a 0.2397 cm3/cm3 para 
octubre de 2018 (ver Tabla 1, ANEXO 2; Figura 4.4). Esto se puede deber a las escasas 
precipitaciones que se registraron para la provincia de Buenos Aires en el mes de octubre 
(Skansi et al., 2018) sumado a un aumento gradual de la temperatura, lo que llevaría a una 
menor humedad del suelo por mayor evaporación. 
En relación a la temperatura, si bien esta variable afecta al proceso de difusión de 
gases en el aire (D0), y por lo tanto en el suelo (Price et al., 2003), no se observa visualmente 
que las diferencias en los patrones temporales de Ds se correspondan con los de 
temperatura. En distintos estudios se puede observar que la temperatura no posee una fuerte 
0,23
0,24
0,25
0,26
0,27
0,28
0,29
0
0,005
0,01
0,015
0,02
0,025
0,03
0,035
0,04
abr-18 may-18 jul-18 sep-18 oct-18 dic-18 feb-19
H
v
 (
cm
3
/c
m
3
)
D
s 
(c
m
2
/s
eg
)
Tiempo (meses)
DsBuckingham
DsMarshall
DsPrice
Humedad
42 
 
influencia sobre el proceso de difusión (Le Mer y Roger, 2001; De Bernardi et al., 2019). Sin 
embargo, pese a que el peso de T en los modelos es bajo (Buckingham, 1904; Marshall, 
1957; Price et al., 2003) se observa una correlación significativa analizando los datos 
promedios de Ds (ver Tabla 1, ANEXO 2; r>0.94, p<0.05). Dicha relación se podría deber al 
efecto directo que tiene T sobre las moléculas del gas, o al efecto indirecto que esta variable 
tiene sobre la humedad del suelo, mediante el proceso de evaporación. 
4.2 Estimación de los flujos de CH4 potenciales para la 
provincia de Buenos Aires (fCH4p) 
4.2.1. Situación n°1: Potencial de oxidación del CH4 para la provincia de 
Buenos Aires 
Los valores estimados de fCH4p para la provincia de Buenos Aires (Tabla 4.2; Figuras 
4.5,4.6 y 4.7) concuerdan con los resultados obtenidos de mediciones in situ realizados en la 
provincia de Buenos Aires (De Bernardi, 2020) y para diferentes partes del planeta abarcando 
distintos usos de suelo agroproductivos (Castaldi et al., 2007; Curry 2007; Dalal et al., 2008; 
Dorr et al., 1993; Price et al., 2003). Estas comparaciones sugieren que los valores de 
potencial de oxidación hallados en este trabajo son coherentes con los reportados en estos 
estudios. Los valores promedios mensuales de fCH4p oscilan para el Modelo Buckingham 
entre -3.459 y -5.460 ng CH4/m2 /s, para el Modelo Marshall entre -6.687 y -9.545 ng CH4/m2/s 
y para el Modelo Price entre -2.128 y -3.576 ng CH4/m2/ s. 
Los valores obtenidos de fCH4p presentan los mismos patrones espaciales y 
temporales de las capas de Ds, debido a la adopción de un único valor de dC/dz para toda la 
provincia. La relación derivada de esta operación entre Ds y fCH4p para cada mes y modelo 
en particular, expresa que a mayor valor potencial de Ds, se tiene mayor potencial de 
secuestro de CH4 (menor valor de fCH4p) (De Bernardi et al., 2019; Priano et al., 2017). 
Por lo tanto, en base a lo analizado en el apartado 4.1, las variaciones del fCH4p 
potencial va a estar relacionado directamente a las variaciones espacio-temporales de T y ϕ, 
y por ende de Hv y 𝜌b. Es decir, el potencial de oxidación de CH4 tiende a ser máximo durante 
el verano (fCH4p ~ - 9.545 ng CH4 /m2/s para el modelo de Marshall; Tabla 4.2) y mínimo 
durante invierno (fCH4p ~ - 6.842 ng CH4 /m2/s para el modelo de Marshall; Tabla 4.2), tal 
como se ha observado en diversos trabajos (Curry, 2007, De Bernardi et al., 2019; De 
Bernardi et al., 2022; Price et al., 2003). Así mismo, los patrones espaciales, dentro de cada 
mes, muestran valores mayores de secuestro en suelos de textura más gruesa, menor 𝜌b y 
menor Hv, es decir, mayor ϕ. Además, las relaciones encontradas con la textura y el carbono 
43 
 
orgánico también se mantendrán, por lo que no se analizarán nuevamente. A partir de las 
relaciones establecidas anteriormente, se puede observar que a mayor compactación del 
suelo (mayores valores de 𝜌b), se tiene menor valor de potencial de secuestro de CH4. 
 
Mes y año fCH4p Modelos