POTENCIAL FITORREMEDIADOR DE DOS ESPECIES
ORNAMENTALES COMO ALTERNATIVA DE
TRATAMIENTO DE SUELOS CONTAMINADOS CON
METALES PESADOS
Herney Mauricio Pajoy Muñoz
Universidad Nacional de Colombia Sede Medellín
Facultad de Minas, Departamento de Medio Ambiente
Medellín, Colombia
2017
POTENCIAL FITORREMEDIADOR DE DOS ESPECIES ORNAMENTALES
COMO ALTERNATIVA DE TRATAMIENTO DE SUELOS CONTAMINADOS
CON METALES PESADOS.
Herney Mauricio Pajoy Muñoz
Tesis presentada como requisito parcial para optar al título de:
Magíster en Recursos Hidráulicos
Director:
Ph.D. Carlos Alberto Peláez Jaramillo
Codirector:
Ph.D. Santiago Cardona Gallo
Línea de Investigación:
Biorremediación
Grupo de Investigación:
Grupo Interdisciplinarios de Estudio Moleculares (GIEM)
Universidad de Antioquia
Universidad Nacional de Colombia Sede Medellín
Facultad de Minas, Departamento de Medio Ambiente
Medellín, Colombia
2017
A Dios, por sus promesas cumplidas, por ser el pilar de mi vida…
A mi padre, Alfredo José Pajoy Méndez,
quien ha sido mi ejemplo de dedicación,
rectitud, disciplina, ejemplo de sacrificio y
de amor por sus hijos, además sus valiosos
consejos y apoyo incondicional no me han
dejado desfallecer…
A mi Madre, Jeham Alida Muñoz
Legarda, quien me ha brindado la
comprensión y el apoyo en cada instante
de mi vida, quien me ha demostrado la
humildad para hacer las labores diarias…
A mis hermanos, Carlos Alfredo, Luis
David y Luisa Fernanda, por darme valor
en los momentos difíciles…
Y al futuro de la familia, Isabela, Sara
Sofía, Alfredo José y Angie Natalia, para
que sea este un argumento de superación
y cambio de pensamiento generacional…
Agradecimientos
Doy gracias a Dios, por haberme permitido estudiar en una de las mejores Universidades del país, y en la cual he
mejorado en lo personal y profesional; al Ph.D. Carlos Alberto Peláez Jaramillo y Ph.D. Santiago Cardona Gallo, quienes
desde su conocimiento me han guiado en el transcurso del presente trabajo, al Especialista Leonardo Valderrama
Ocampo quien me ha dado la oportunidad de estar en su equipo de trabajo, y aprender desde su experiencia y
conocimiento.
Al Ingeniero Carlos Andrés Uribe, por su guía incansable, apoyo incondicional, tanto personal, profesional e
investigativo, sin sus consejos y direccionamiento no hubiese podido alcanzar esta meta.
Agradezco a la Alcaldía de Medellín, a la Secretaria del Medio Ambiente, en especial al líder de proyectos, Ingeniero
Sanitario Tomás Felipe Tintinago, al Grupo Interdisciplinario de Estudios Moleculares GIEM, la Universidad de
Antioquia, por la apuesta del presente trabajo de investigación en el Morro de Moravia, permitiendo desde lo
institucional generar recursos para la investigación de este pasivo ambiental.
Agradezco al grupo de Jardineros del proyecto del Morro de Moravia, en especial al señor Francisco Ramírez, por su
ardua colaboración en el proceso de instauración y mantenimiento de las parcelas de investigación.
Y agradezco a cada uno de mis compañeros y amigos, que han sido mi segunda familia en Medellín, quienes con sus
palabras de aliento me apoyaron en cada instante, en especial a Joe Sánchez, Evelyn Figueroa y Emmanuel Ortega…
a ustedes mil gracias.
V
CONTENIDO
Pág RESUMEN .................................................................................................... 9
INTRODUCCIÓN ................................................................................................ 12
ANTECEDENTES ........................................................................................ 15
Planteamiento del Problema ......................................................................... 19
JUSTIFICACIÓN .......................................................................................... 21
OBJETIVOS ................................................................................................. 23
Objetivo General ................................................................................. 23
Objetivos Específicos .......................................................................... 23
EL MORRO DE MORAVIA ........................................................................... 24
METALES PESADOS .................................................................................. 26
Cadmio (Cd) ....................................................................................... 27
Cromo (Cr) .......................................................................................... 28
Níquel (Ni) .......................................................................................... 28
Plomo (Pb) .......................................................................................... 29
SUSTRATO Y CARACTERÍSTICAS ............................................................ 30
Capacidad de intercambio catiónico (CIC) .......................................... 30
Materia Orgánica (MO) ....................................................................... 31
pH ....................................................................................................... 32
Textura ............................................................................................... 32
FITORREMEDIACIÓN.................................................................................. 33
FITOEXTRACCIÓN ............................................................................ 34
Mecanismos de Absorción de metales pesados en las plantas ........... 35
Plantas utilizadas en la fitorremediación ............................................. 37
Especies vegetales utilizadas en la fitorremediación........................... 37 Plantas a sembrar en parcelas in situ Tradescantia pallida ................. 38
Plantas a sembrar en parcelas in situ Pennisetum setaceum ............. 39
METODOLOGÍA ........................................................................................... 40
Selección del sitio para instaurar las parcelas del Morro de Moravia .. 40
Características fisicoquímicas del sustrato del Morro de Moravia ....... 41
Siembra y Mantenimiento de las especies vegetales .......................... 42
Recolección de Muestras vegetales .................................................... 44
Cálculo de Factores para determinar hiperacumulación ..................... 46
Metodología Para Análisis de Datos ................................................... 46
RESULTADOS .......................................................................................... 48
VI
Descripción del sustrato de Parcelas del Morro de Moravia ................ 48
Concentraciones de raíces y parte aérea de las muestras vegetales . 48
ANÁLISIS DE RESULTADOS .................................................................... 54
Descripción de sustratos en las parcelas investigativas del Morro de Moravia. ........................................................................................................... 54
ANÁLISIS DE CONCENTRACIONES DE METALES PESADOS EN RAÍZ DE Pennisetum setaceum y Tradescantia pallida ................................... 58
Cálculo de FBC y TF .......................................................................... 59
Generación de Modelo de regresión ................................................... 67
Seguimiento Visual ............................................................................. 76
CONCLUSIONES ...................................................................................... 78
RECOMENDACIONES .............................................................................. 83
BIBLIOGRAFÍA 84
Anexo: Imágenes de seguimiento a las parcelas sembradas en el Morro de Moravia. 97
Anexo: Resultados de Laboratorio ..................................................................... 101
VII
LISTA DE GRÁFICOS
Gráfico 1.Caracterización de metales pesados en el Morro de Moravia. .............................................................................................................. 54
Gráfico 2.Parámetros fisicoquímicos de los sustratos en las 3 parcelas Morro Moravia. .............................................................................................................. 57
Gráfico 3.Comparación de datos registrados Vs Modelo de regresión para Cd Parcela B Pennisetum setaceum ........................................................................ 70
Gráfico 4.Comparación de datos registrados Vs Modelo de regresión para Cd Parcela B Tradescantia pallida ............................................................................ 73
Gráfico 5.Comparación de datos registrados Vs Modelo de regresión para Pb Parcela B Tradescantia pallida ............................................................................ 75
LISTA DE TABLAS
Tabla 1. Concentración de metales pesados en Pennisetum setaceum Morro
de Moravia 2013 .............................................................................. 15
Tabla 2. Concentración de metales pesados en el sustrato del Morro de Moravia ........................................................................................... 25
Tabla 3. Modelos de regresión ...................................................................... 47
Tabla 4. Resultados de caracterización de sustratos de las 3 parcelas en el Morro de Moravia ............................................................................ 48
Tabla 5. Resultados de concentración de metales pesados totales en las 3 parcelas en el Morro de Moravia...................................................... 48
Tabla 6. Concentración de Cd para Pennisetum setaceum ........................... 49
Tabla 7. Concentración de Cr para Pennisetum setaceum ............................ 49
Tabla 8. Concentración de Ni para Pennisetum setaceum ............................ 49
Tabla 9. Concentración de Pb para Pennisetum setaceum ........................... 50
Tabla 10. Concentración de Cd para Tradescantia pallida .............................. 50
Tabla 11. Concentración de Cr para Tradescantia pallida ............................... 50
Tabla 12. Concentración de Ni para Tradescantia pallida ............................... 51
Tabla 13. Concentración de Pb para Tradescantia pallida............................... 51
Tabla 14. Concentración de Cd para Parte aérea de Pennisetum setaceum ... 51
Tabla 15. Concentración de Cr para Parte aérea de Pennisetum setaceum ... 52
Tabla 16. Concentración de Ni para Parte aérea de Pennisetum setaceum .... 52
Tabla 17. Concentración de Pb para Parte aérea de Pennisetum setaceum ... 52
Tabla 18. Concentración de Cd para Parte aérea de Tradescantia pallida ...... 53
Tabla 19. Concentración de Cr para Parte aérea de Tradescantia pallida ....... 53
Tabla 20. Concentración de Ni para Parte aérea de Tradescantia pallida ....... 53
VI
II
Tabla 21. Concentración de Pb para Parte aérea de Tradescantia pallida ....... 53
Tabla 22. Metales pesados en sustratos de sitios de disposición final en España ............................................................................................. 55
Tabla 23. Sumatoria de Metales Pesados en Pennisetum setaceum ............... 58
Tabla 24. Sumatoria de Metales Pesados en Tradescantia pallida .................. 58
Tabla 25. FBC Raíz de Penisetum para Cd...................................................... 59
Tabla 26. FBC Raíz de Penisetum para Cr ...................................................... 59
Tabla 27. FBC Raíz de Penisetum para Ni ....................................................... 59
Tabla 28. FBC Raíz de Penisetum para Pb ...................................................... 60
Tabla 29. FT Penisetum para Cd ..................................................................... 60
Tabla 30. FT Penisetum para Cr ...................................................................... 60
Tabla 31. FT Penisetum para Ni ....................................................................... 61
Tabla 32. TF Penisetum para Pb ...................................................................... 61
Tabla 33. FBC Raíz de Tradescantia pallida para Cd ....................................... 61
Tabla 34. FBC Raíz de Tradescantia pallida para Cr ....................................... 61 Tabla 35. FBC Raíz de Tradescantia pallida para Ni ........................................ 62
Tabla 36. FBC Raíz de Tradescantia pallida para Pb ....................................... 62
Tabla 37. TF Tradescantia pallida para Cd....................................................... 62
Tabla 38. TF Tradescantia pallida para Cr ....................................................... 62
Tabla 39. TF Tradescantia pallida para Ni ........................................................ 63
Tabla 40. TF Tradescantia pallida para Pb ....................................................... 63
Tabla 41. Comparación de Modelos Alternos ................................................... 67
Tabla 42. Coeficientes...................................................................................... 68
Tabla 43. Análisis de Varianza ......................................................................... 68 Tabla 44. Datos comparativos de Cd en parcela B para Pennisetum
setaceum .......................................................................................... 69
Tabla 45. Comparación de Modelos Alternos ................................................... 70
Tabla 46. Coeficientes...................................................................................... 71
Tabla 47. Análisis de Varianza ......................................................................... 71 Tabla 48. Datos comparativos para Cd Tradescantia pallida ............................ 72
Tabla 49. Comparación de modelos ................................................................. 73
Tabla 50. Coeficientes...................................................................................... 74
Tabla 51. Análisis de Varianza ......................................................................... 74
9
RESUMEN
La gestión ambiental de los residuos sólidos es un problema complejo, el cual se
presenta desde la recolección hasta la disposición final, debido al incremento de la
población, la vida útil de los productos comerciales, el elevado consumo, y las
concentraciones de contaminantes persistentes como metales pesados en los
residuos. Uno de los sistemas más utilizados en la disposición final de residuos
sólidos es el relleno sanitario y botadero a cielo abierto, siendo los dos sistemas
más utilizados en Colombia, generando impactos ambientales negativos como la
contaminación del suelo y del recurso hídrico, debido a la presencia de metales
pesados y alta carga orgánica en sustratos y lixiviados. Los metales pesados son
contaminantes persistentes que pueden ingresar a la cadena trófica y
biomagnificarse en los seres vivos. Este tipo de contaminantes en altas
concentraciones en el ambiente son tóxicos para los seres vivos, y son catalogados
como carcinógenos. Uno de los métodos utilizados para el tratamiento de sitios
contaminados con presencia de metales pesados es la fitorremediación, la cual
utiliza especies vegetales para lograr un tratamiento de estos contaminantes.
Algunas especies vegetales pueden concentrar metales pesados esenciales y no
esenciales en sus raíces y parte aérea a niveles superiores en el suelo. El interés
en los mecanismos de absorber y adsorber este tipo de contaminantes ha llevado
a cabo el desarrollo de la tecnología de uso de plantas para limpiar el suelo y agua
contaminado con metales pesados.
En Medellín, Antioquia, se encuentra el Morro de Moravia, una muestra de sitios
contaminados por metales pesados asociados a la disposición de residuos sólidos,
en el cual se han realizado procesos de mejoramiento y habilitación ambiental, para
mitigación de problemáticas ambientales y sociales del sector. Uno de los procesos
de mejoramiento ambiental y paisajístico fue el sembrado de Tradescantia pallida
y Pennisetum setaceum como planta ornamental. Estas plantas presentan
tolerancia de las condiciones de sustrato que presenta el sector del Morro de
Moravia. La Secretaría de Medio Ambiente de la ciudad de Medellín y la
Universidad de Antioquia realizaron muestreos para determinar las
concentraciones de metales pesados en estas especies, registrando la presencia
de acumulación de Cadmio (Cd), Cromo (Cr), Níquel (Ni) y Plomo (Pb) en la
fisiología de las dos especies nombradas, pero sin determinar el potencial de
fitorremediación que podrían ofrecer estas especies vegetales para sustratos
contaminados con metales pesados como lo presentado en el Morro de Moravia.
10
El presente trabajo de investigación plantea como objetivo evaluar el potencial
fitorremediador de la especie vegetal Tradescantia pallida y Pennisetum setaceum,
por medio de la instauración de parcelas in situ en el Morro de Moravia, mediante
los factores de bioconcentración (BFC), Factor de Translocación (TF) y seguimiento
visual para observar la tolerancia de estas dos especies en tres parcelas de
investigación en el Morro de Moravia. Para ello se instauraron 3 parcelas en el
Morro de Moravia, con diferente pendiente, sentido cardinal y altitud. Se realizaron
los registros de Cd, Cr, Ni, Pb, pH, Materia Orgánica (MO), textura, Capacidad de
Intercambio Catiónico (CIC), nitrógeno y fósforo disponible de los sustratos antes
de la siembra de los individuos de las dos especies. Observando que los sustratos
de las tres parcelas poseen un pH básico cercano a 8. Posterior se realiza el
muestreo de concentraciones de Cd, Cr, Ni y Pb en la parte aérea y raíz de las dos
especies en las tres parcelas instauradas a 1.5, 5, 10 y 12 meses, obteniendo
registros de concentraciones de Cd, Cr, Ni y Pb en raíces y parte aérea de las dos
especies vegetales.
El potencial fitorremediador de la Tradescantia pallida y el Pennisetum setaceum
han sido evaluados desde 4 métodos. La tolerancia a las condiciones fisicoquímica
y del ambiente in situ en el Morro de Moravia, además del BFC, TF y tiempos de
acumulación, concluyendo que las especies Pennisetum setaceum y Tradescantia
pallida poseen tolerancia a las características básicas presentes en el sustrato de
las tres parcelas instauradas en el Morro de Moravia, además de las
concentraciones de metales pesados de Cd, Cr, Ni y Pb, lo anterior soportado en
el seguimiento visual, ya que presentan colores característicos de las especies y
alturas adecuadas a las reseñas bibliográficas.
Los muestreos llevados en los sustratos de las tres parcelas instauradas en el
Morro de Moravia, muestran un orden de abundancia descendiente de metales
totales. La parcela A registra Pb>Ni>Cr>Cd, para la Parcela B es Ni>Cr>Pb>Cd y
para la parcela C es Pb>Cr>Ni>Cd. Lo anterior permite concluir que los sustratos
muestreados de las diferentes parcelas son diferentes cualitativamente y
cuantitativamente en las configuraciones de presencia de metales pesados en el
Morro de Moravia, además de la confirmación de la heterogeneidad del sustrato en
espacialidad del Morro de Moravia.
El pH es el factor determinante en la bioconcentración de metales pesados en las
especies vegetales, ya que a menor pH se presenta mayor movilidad de los metales
pesados, siendo mayor su biodisponibilidad para el ingreso a las plantas, además
en casos de pH básico se puede presentar la liberación de ácidos de bajo peso
molecular, los cuales alteran el pH en áreas circundantes a los pelos radicales,
11
permitiendo la bioacumulación de los metales pesados (Bruemmer et al., 1986;
Tandy et al., 2004).
Según el análisis de los factores de bioconcentración de cadmio y plomo mayores
a 1 encontrados en la parcela B, sumado a la tolerancia a las condiciones
fisicoquímicas del sustrato, y el tiempo de entre 10 y 12 meses de mayor
biacumulación de cadmio y plomo en las raíces, se concluye que la especie
Tradescantia pallida posee un alto potencial de Fitoextracción para Cd y Pb en
parcelas con características similares a la parcela B, es decir, con concentraciones
de Cd de 0.77 ppm y de Pb de 236.39 ppm a pH básico, por otra parte sus procesos
de extracción o cosecha de la planta se debe realizar retirando todo el individuo de
la parcela o sitio contaminado, dado que la bioacumulación de cadmio y plomo se
presenta en las raíces de la planta.
Según el análisis de los factores de bioconcentración de cadmio y Níquel mayores
a 1 sumado a la tolerancia a las condiciones fisicoquímicas del sustrato, y el tiempo
de entre 10 y 12 meses de mayor biacumulación de cadmio y plomo en las raíces,
se concluye que la especie Pennisetum setaceum posee un alto potencial de
Fitoextracción presente en la raíz de Cd y Ni en parcelas con características
similares a la parcela B, es decir, con concentraciones de Cd de 0.77 ppm y de Ni
de 474.87 ppm a pH básico, por otra parte sus procesos de extracción o cosecha
de la planta se debe realizar retirando todo el individuo de la parcela o sitio
contaminado, dado que la bioacumulación de cadmio y plomo se presenta en las
raíces de la planta.
12
INTRODUCCIÓN
La gestión ambiental de los residuos sólidos urbanos es un reto que se posterga a
través del tiempo en las diferentes poblaciones, debido a factores que
constantemente están variando, dentro de ellos se destacan, el incremento de la
población, la baja vida útil de los productos comerciales, el elevado consumo, y la
tecnología con que se realice el proceso de recepción final la cual a diferencia de
la incineración requiere gran cantidad de área, disponibilidad y ubicación, la cual
suele verse contrarrestada por los moradores aledaños, sumado al costo monetario
que genera una correcta disposición. En el 2012 se generaban alrededor de 1.3
billones de toneladas por año en el mundo de residuos sólidos por año, y se
proyectó que para el 2025 la generación sería del 2.2 billones de toneladas
(Hoornweg & Perinaz, 2012) . Sin procesos eficaces de gestión de los residuos
sólidos se procede a generar impactos ambientales negativos, de muy difícil
mitigación, compensación o restauración a corto plazo. Los residuos sólidos son
tratados con diferentes tecnologías para su disposición final, dentro de las cuales
las mayores usadas son los rellenos sanitarios y la incineración, lo anterior para
países desarrollados, y para los países en vía de desarrollo se han observado
rellenos sanitarios con mala operación, y botaderos a cielo abierto es la práctica
común (Vitorino de Souza Melaré, Montenegro González, Faceli, & Casadei,
2017).
Colombia generó 26.528 ton/día de residuos, este valor se generó únicamente de
los datos reportados a la Superintendencia de Servicios Públicos Domiciliarios. 886
municipios de los 1102 depositan los residuos sólidos en rellenos sanitarios y 115
municipios disponen sus residuos en botaderos de cielo abierto
(SUPERSERVICIOS, 2015), observando que existe un alto riesgo de generación
de impactos ambientales en el territorio colombiano, y con presencia de metales
pesados como contaminante principal de suelos y del recurso hídrico. Los impactos
del relleno sanitario y/o botadero a cielo abierto radica en la producción de gases
efecto invernadero como el metano (Kormi, Ali, Abichou, & Green, 2016), ácido
sulfhídrico gaseoso (Xu, Powell, Jain, & Townsend, 2014), y la presencia de
metales pesados o metales pesados, los cuales son persistentes, pasan a la
cadena trófica y se bioacumulan en flora y fauna (Yang, Zhu, Shan, Shao, & Tian,
2017). La contaminación por Metales pesados (MP) aumenta con el crecimiento de
la industrialización al igual que la alteración de los ciclos biogeoquímicos naturales,
los MP son esencialmente no biodegradables, se acumulan en los tejidos de
organismos vivos (bioacumulación) y sus concentraciones aumentan a medida que
pasan de los niveles tróficos inferiores a los niveles tróficos superiores
13
(biomagnificación) (H. Ali, Khan, & Sajad, 2013). En cuanto al riesgo en la salud
humana, los MP se han relacionado con la probabilidad de contraer cirrosis
hepática, perdida del cabello y anemia crónica (Salem et al., 2000), algunos
metales pesados se catalogan como carcinógenos, mutagénicos, teratogénicos,
endocrinos, mientras que otros causan cambios neurológicos y de comportamiento,
especialmente en los niños (H. Ali et al., 2013). Una de las poblaciones más
vulnerables son los recién nacidos, debido a que por medio de la placenta pueden
tener contacto con el mercurio y causar efectos en el sistema nervioso central
(Poulin, Gibb, Prüss-Üstïm, & Organización Mundial de la Salud, 2013), además se
encuentran registros de concentraciones de metales pesados en la leche materna,
la cual fue asociada a la dieta y el tabaquismo (García-Esquinas et al., 2011; Örün
et al., 2011).
Uno de los métodos utilizados para el tratamiento de sitios contaminados con
presencia de metales pesados es la fitorremediación, la cual utiliza especies
vegetales para lograr un tratamiento de estos contaminantes. Algunas especies
vegetales pueden concentrar metales pesados esenciales y no esenciales en sus
raíces y parte aérea a niveles superiores en el suelo. El interés de entender los
mecanismos mediante los cuales planta es capaz de absorber y adsorber este tipo
de contaminantes ha llevado a cabo el desarrollo de la tecnología de uso de plantas
para limpiar el suelo y agua contaminado con metales pesados (Raskin, Kumar,
Dushenkov, & Salt, 1994).
La fitorremediación plantea una solución de bajo costo para contaminación por
metales pesados en suelos o en sustratos (en comparación con los métodos
fisicoquímicos), de forma no invasiva y con potencial para mejorar el paisaje
(Cunningham & Berti, 1993; Enviromental Protection Agency, 2000; Schnoor, Licht,
McCutcheon, Wolfe, & Carreira, 1995). Esta tecnología no requiere de personal
especializado y equipos costosos (Henry, 2000), además permite la generación de
plantas con características de metales pesados reciclables (P. Kumar, Dushenkov,
Motto, & Raskin, 1995). Por otra parte, el uso de plantas en asocio con
microorganismos reduce las concentraciones y efectos tóxicos de los
contaminantes en el ambiente. Nuevas especies hiperacumuladoras eficientes de
metales pesados están siendo exploradas para aplicaciones en la fitorremediación
(Ali, Khan, and Sajad, 2013; Wan, Lei, and Chen, 2016).
Aunque se han realizado varios estudios piloto y aplicaciones a escala de campo
de procesos de remediación con especies vegetales, se hace necesario realizar
investigación para explotar la diversidad metabólica de las plantas, al igual que
registrar sus interacciones con los contaminantes del suelo, con las raíces,
microorganismos y la rizósfera (Domy C. Adriano, 2001), dentro de estas especies
14
se encuentran las plantas ornamentales, las cuales poseen ciclos de vida cortos y
que sean representativas para una población pueden generar resultados
prometedores, además las plantas ornamentales tienen ventajas ya que la mayoría
no son comestibles y se reduce el riesgo de entrada en la cadena trófica. Estas
especies vegetales tienen la ventaja de mejorar la estética del entorno, además de
limpiar el medio ambiente y en algunos casos la generación de ingresos
adicionales. En consecuencia, las plantas ornamentales agregarán una nueva
dimensión al campo de la fitorremediación de medios terrestres (Nakbanpote &
Meesungnoen, 2016). Con lo anterior, se observa la necesidad de realizar estudios
del potencial fitorremediador de nuevas especies vegetales, en especial las
ornamentales, además de su utilización aplicada en sitios contaminados por
metales pesados, que permitan realizar procesos de mejora del paisaje y
tratamiento a sustratos con presencia de metales pesados.
En Medellín, Antioquia, se encuentra una muestra de sitios contaminados por
metales pesados asociados a la disposición de residuos sólidos. La matriz de
residuos del Morro de Moravia presenta un alto contenido de plástico no
degradados, tuberías de aguas limpias y residuales, vidrios, prendas de vestir,
tapetes, fragmentos en concreto y residuos hospitalarios. Presenta además un bajo
porcentaje de sustrato depositado como cubierta temporal al momento de llenado
del botadero a cielo abierto. El orden de abundancia de metales pesados se
estableció en el siguiente orden Plomo > Níquel > Cromo > Mercurio > Cadmio
(Sánchez, 2010). En este sitio con presencia de metales pesados, se han realizado
actividades de recuperación paisajística y ambiental, sembrando Tradescantia
pallida y Pennisetum setaceum como parte de la habilitación ambiental,
observando que posee tolerancia a las condiciones del terreno y acumulaciones de
metales pesados. Por ello es importante realizar un estudio detallado de la relación
entre las características del sustrato y de la capacidad de bioacumulación de las
dos especies vegetales, generando nuevas referencias para ampliar las especies
vegetales aptas para procesos de fitorremediación en sitios contaminados con
metales pesados, y permitiendo observar la eficiencia de las mismas a condiciones
reales, permitiendo acercarse a la recomendación de tiempos de cosecha y así
evaluar la eficiencia de medidas de manejo para los impactos ambientales en un
sitio icónico para la ciudad de Medellín, y de alto grado de impacto ambiental para
la comunidad del Barrio Moravia.
15
ANTECEDENTES
Dentro de las labores de investigación en los diferentes convenios para la
Habilitación del Morro de Moravia por parte de la Secretaría del Medio Ambiente
de Medellín, se han realizado siembra de las dos especies vegetales a estudiar,
con la claridad que se han sembrado bajo el criterio de plantas ornamentales, y
parte de estos hallazgos motivaron a la realización de la presente investigación. A
continuación, se reportan los datos obtenidos por la Secretaría de Medio Ambiente,
para la concentración de metales pesados en Tradescantia pallida y Pennisetum
setaceum reportados en el convenio de asociación 4600057513 de 2014 (Alcaldía
de Medellín, 2014) y contrato interadministrativo 4600049453 de 2013 (Alcaldía de
Medellín, 2013), los cuales hacen parte de los proyectos realizados para la
habilitación ambiental del Morro de Moravia, estos datos no corresponden a los
sitios en los cuales se generaron las parcelas de investigación.
Tabla 1. Concentración de metales pesados en Pennisetum setaceum Morro de Moravia 2013
Descripción muestra Cromo Total
(mg/kg)
Cadmio Total
(mg/kg)
Plomo Total
(mg/kg)
Níquel Total
(mg/kg)
Mercurio Total
(mg/kg)
Arsénico Total
(mg/kg)
RAIZ Pennisetum setaceum 2013
69.2 N.D N.D 73.7 < 0.1 3.04
TALLO Pennisetum setaceum 2013
19.69 N.D N.D 33.21 < 0.1 0.72
FLOR Pennisetum setaceum 2013
< 0.02 N.D N.D < 0.003 < 0.1 1.82
Pennisetum 2014 N.D. 91,56 55,08 41,42 <0,01 2,245
Tradescantia pallida 2014
N.D. 111 76 82,9 2,4313 4,013
Fuente Informes Contratos interadministrativos 4600049453 de 2013 y 4600057513 de 2014 Tecnológico de
Antioquia.
En el Morro de Moravia, se desarrolló una caracterización florística, permitiendo
observar especies vegetales colonizadoras, en cada lote se desarrolló la
clasificación taxonómica y determinó la concentración de plomo, cromo cadmio y
níquel. Se realizaron los cálculos de factores de bioconcentración. En total se
identificaron alrededor de 60 especies, 28 familias botánicas. Se realizaron 14
muestreos del sustrato proveniente de 10 lotes. Se obtuvieron concentraciones de
121.3 ppm para Mercurio, 476.7 ppm para cromo, 153 ppm de Ni. Según lo anterior,
las características del sustrato en concentraciones de metales pesados se dieron
en decreciente Pb > Ni > Cr > Hg > Cd. Para las especies vegetales las
concentraciones en mercurio no fueron mayores a 1 ppm; en plomo el valor máximo
fue de 123.7 ppm, en Cr el valor máximo de concentración encontrada fue de 263.7
16
ppm; para la bioacumulación de metales pesados en las especies vegetales fue Cr
> Pb > Hg > Cd > Ni (Sánchez, 2010).
Diferentes estudios de fitorremediación se han realizado considerando los factores
de bioconcentración, translocación además de utilizar y caracterizar diferentes
especies vegetales, desde las respuestas morfológicas, fisiológicas y bioquímicas
de diferentes especies vegetales; una de ellas es la Alternanthera Bettzickiana
planta (Regel) sometida a diferentes niveles de cadmio (Cd) y plomo (Pb) (0, 0,5,
1,0 y 2,0 mM) de estrés. La planta A. bettzickiana pudo acumular Cd y Pb en
diferentes partes de la planta y la absorción total de ambos metales en los brotes
fue mayor que en las raíces. El crecimiento de las plantas, la biomasa y los
pigmentos fotosintéticos se incrementaron con el aumento de las concentraciones
de metales, hasta 1,0 mM, en el suelo y luego disminuyó con niveles más altos de
metales pesados. El estudio representó, el potencial de A. bettzickiana planta hacia
Cd y Pb tolerancia y acumulación de metales especialmente en los niveles más
bajos (S. Ali et al., 2016).
En Colombia se han realizado diferentes estudios de fitorremediación, tanto in situ,
como en condiciones de invernadero. En el departamento de Córdoba, se han
realizado dos estudios en el cual, se han tomado diferentes muestras de raíz, tallo,
y hojas de especies vegetales nativas en una zona de antecedentes mineros. Se
identificaron 24 especies de plantas nativas y se analizaron la concentración de
mercurio total, determinando los factores de bioacumulación y translocación de las
raíces a brotes. Los resultados dados muestran en orden decreciente la
bioacumulación de mercurio en la parte de la especie vegetal de la siguiente forma,
raíces > tallos > hojas. Los valores de translocación variaron entre 0.33 a 1.73,
mientras lo valores del factor de bioconcentración variaron de 0.28 a 0.99
observando la especie Jatropha curcas, como especie prometedora para procesos
de fitorremediación en suelos contaminados con mercurio (Marrugo-Negrete,
Marrugo-Madrid, Pinedo-Hernández, Durango-Hernández, & Díez, 2016)
Por otra parte, se ha realizado el estudio del potencial fitorremediador de la especie
Jatropha curcas, en suelos contaminados con mercurio. La especie vegetal se
sembró en sustrato extraído de una zona minera del departamento de Córdoba,
Colombia. Este estudio se llevó a cabo en 4 niveles de concentraciones de
mercurio, el contenido total de mercurio se determinó durante cuatro meses de
exposición, registrando el comportamiento de crecimiento, acumulación de
mercurio, translocación y factor de bioconcentración. La acumulación de mercurio
en la planta en orden decreciente es raíces>hojas>tallos. La absorción acumulativa
más alta se produjo entre el segundo y tercer mes de exposición. Los factores
máximos de translocación fluctuaron entre 0.79 y 1,04, mientras que el factor de
17
Bioconcentración estuvo entre 0.21 y 1.43 (Marrugo-Negrete, Durango-Hernández,
Pinedo-Hernández, Olivero-Verbel, & Díez, 2015).
Se ha determinado el potencial de acumulación de metales pesados de doce
especies de malezas nativas Calotropis procera, Croton bonplandianum, Cyperus
rotundus, Datura stramonium, Euphorbia hirta, Parthenium hysterophorus,
Phyllanthus amarus, Sida cordifolia, Solanum nigrum, Solanum xanthocarpum,
Spinacia oleracea y Tridax procumbens creciendo de forma natural en el campo en
Lucknow UP, India. Entre las diferentes especies de plantas del factor de
transposición (TF) osciló entre 0,453 a 1,938 para Cr, 0,136 a 3,236 para Cu, 0,346
a 2,065 para Ni, 0,277 a 3,857 para Pb y 0,119 a 3,314 para Cd. Se consideró que
todas las plantas tienen un coeficiente de enriquecimiento > 1 en transposición, lo
que refleja su potencial de acumulación alta de metal. Los resultados sugieren que
las especies de arvenses estudiadas se pueden utilizar para la fitorremediación y
restauración de suelos contaminados con los metales estudiados (N. Kumar et al.,
2013).
La abundancia de crecimiento natural Azolla caroliana (helecho de agua) sobre la
superficie de lodos contaminados con metales pesados (cobre, plomo, manganeso,
níquel, zinc, cromo, hierro y cadmio) se estudió, donde se refleja sus características
toxitolerantes. Los resultados indicaron la eficacia de A. caroliniana para la
fitorremediación de este tipo de sustratos debido a su alto factor de
bioconcentración. La concentración de metales varió de 175 a la 538 y 86 a 753
mg/kg en raíces y hojas, respectivamente. Valores de Factor de bioconcentración
(FBC) en raíz y parte aérea varió de 1,7 a 18.6 y 1,8 a 11,0, respectivamente, que
fueron mayores que uno e indica el potencial de acumulación de metales
de A. caroliniana. Factor de transposición (TF) osciló desde 0,37 hasta 1,4 por
diferentes metales pesados. El resultado de campo demostró que A. caroliniana es
un planta hiperacumuladora potencial para los metales pesados examinados y se
puede utilizar para la fitorremediación de estanques contaminados (Pandey, 2012).
Las respuestas de crecimiento y la posible capacidad de fitorremediación de tres
plantas ornamentales seleccionadas se examinaron para cadmio y estrés cadmio
(Cd)-plomo(Pb). Los resultados mostraron que Calendula officinalis y rosea
Althaea poseen características de hiperacumuladoras, para C. officinalis , creció
normalmente en suelos que contienen 100 mg kg -1 Cd sin sufrir fitotoxicidad (Liu,
Zhou, Sun, Ma, & Wang, 2008). La canola (Brassica napus L.) fue relacionada en
un estudio de fitorremediación la cual se cultiva en suelos contaminados. La
bioconcentración fue medida en diferentes partes de la biomasa en crecimiento.
Casi 95 mg de zinc / Kg de suelo fue registrado para las raíces. Además, este
18
compuesto pudo ser reutilizado para la generación de bioetanol (Dhiman et al.,
2016).
Diferentes valores de bioconcentración de cadmio, cobre, hierro, manganeso, zinc
y plomo asociados a diferentes valores de pH en sustrato se obtuvieron sembrando
Helianthus tuberus. Los experimentos se realizaron para la preparación de la
remediación de un sitio minero contaminado con baja presencia de metales
pesados. Los valores del pH están entre 4 y 6, y una combinación de los
contaminantes. Esta combinación se desarrolló en tres grupos de concentraciones,
ligero, mediano y alto. Como resultado, el pH del suelo y las concentraciones de
metales pesados fueron identificados como factores cruciales para el crecimiento
de la planta. El factor de translocación para Ni, Zn, y Mn estuvieron entre 11 y 15;
en contraste, las concentraciones en raíces. Se refleja una baja acumulación de
plomo de 58 mg/Kg; lo anterior debido a la reducida movilidad del metal en el suelo.
La planta muestra buena absorción de metales pesados (Willscher, Jablonski,
Fona, Rahmi, & Wittig, 2016).
19
Planteamiento del Problema
La contaminación de suelos por metales pesados (MP) genera impactos negativos,
problemáticas ambientales y riesgos en la salud humana. El problema de la
contaminación por metales pesados aumenta con el crecimiento de la
industrialización y, por ende, la alteración de los ciclos biogeoquímicos naturales.
Estos elementos se acumulan en los tejidos de organismos vivos (bioacumulación)
y sus concentraciones aumentan a medida que pasan de los niveles tróficos
inferiores a los niveles tróficos superiores (biomagnificación) (H. Ali, Khan, & Sajad,
2013).
Existen diferentes fuentes de metales pesados en el ambiente, tanto
antropogénicas como naturales. Para la industria comercializadora de productos
con presencia de metales pesados se generan como residuos desde el inicio de
producción hasta la disposición del producto. Las actividades principales para el
vertimiento de metales pesados en el suelo son las agricultura, donde son utilizadas
grandes cantidades de agroquímicos, los cuales registran concentraciones de
metales pesados; la metalurgia que incluye minería, fundición, acabados de
metales; quema de carbón y combustibles fósiles, sitios de disposición final de
residuos sólidos y producción y transporte de productos electrónicos (Bradl, 2005),
por otra parte se han registrado la recuperación informal de elementos electrónicos
por medio de técnicas no convencionales, como la incineración no controlada como
fuente de metales pesados en el Ambiente (Zeng, Xu, Boezen, & Huo, 2016).
Se ha relacionado a los metales pesados con enfermedades como cirrosis
hepática, perdida del cabello y anemia crónica (Salem et al., 2000), algunos
metales pesados son considerados, mutacarcinogénicos, teratogénicos
endocrinos, mientras que otros causan cambios neurológicos y de comportamiento,
especialmente en los niños (H. Ali et al., 2013). Una de las poblaciones más
vulnerables son los recién nacidos, debido a que por medio de la placenta pueden
tener contacto con el mercurio y causar efectos en el sistema nervioso central
(Poulin et al., 2013), además se encuentran registros de concentraciones de
metales pesados en la leche materna, la cual fue asociada a la dieta y el
tabaquismo (García-Esquinas et al., 2011; Örün et al., 2011). En Colombia se han
encontrado registros de población vulnerable a las biomagnificación de los metales
pesados por dieta de peces y crustáceos. En la cuenca del Río San Jorge (Sucre)
se realizó un estudio de concentración de mercurio en el cual se encontraron
concentraciones en el cabello de la población, 4,31 μg/g en una población alejada
de 50 km de una mina de oro, sus concentraciones fueron relacionadas a la ingesta
de pescados capturados en sitios de influencia de la mina (Jesús Olivero-Verbel,
20
Johnson-Restrepo, & Arguello, 2002); en la costa caribe se han realizado estudios
para determinar la concentración de metales pesados en la población, registrando
presencia en muestras de cabello, sus registros se relacionan con la dieta a base
de crustáceos y peces de mar (Verbel et al. 2008) . Por otra parte, en el
departamento de Antioquia se han registrado 245 casos de intoxicaciones por
metales pesados desde el 2010 hasta el 2016 (Orozco Cardona & Ceballos Alarca,
2016).
En Medellín Antioquia, se encuentra El Morro de Moravia está ubicado a los
6°13´de latitud norte y a los 75° 34´ de longitud oeste, en el sector nororiental de la
ciudad. Este sitio fue el antiguo botadero a cielo abierto, donde se depositaron
alrededor de 1,5 millones de toneladas de residuos sólidos entre 1977 y 1984,
conformando un cerro antropogénico. Este sitio propició que miles de familias
desplazadas se instalaran en Moravia, haciendo del reciclaje de residuos su medio
de subsistencia. En 1984 habitaban alrededor de 17.000 mil personas, y
comenzaban la ocupación de sus laderas. Para el año de 2004 alrededor de 2.224
familias (Montoya et al. 2011; Sánchez 2010). La matriz de residuos del Morro de
Moravia presenta un alto contenido de plástico no degradados, tuberías de aguas
limpias y residuales de las viviendas allí ubicada, vidrios, prendas de vestir, tapetes,
fragmentos en concreto y residuos hospitalarios. Presenta además un bajo
porcentaje de sustrato depositado como cubierta temporal al momento de llenado
del botadero a cielo abierto. El orden de abundancia se estableció en el siguiente
orden Plomo > Níquel > Cromo > Mercurio > Cadmio (Sánchez, 2010), siendo un
riesgo la ingestión de las partículas del suelo, o por las especies vegetales
contaminadas por los animales que están presentes en la zona o la exposición por
vía oral para niños pequeños que aún habitan en el sector.
Como se observó anteriormente las actividades de minería y residuos sólidos son
actividades principales que emiten metales pesados en el ambiente. Colombia es
un país que tiene por herramienta de desarrollo económico la actividad minera
contando con 33 distritos mineros, además se suma las minas ilegales que no
cuentan con las licencias ambientales, lo cual genera descargas de estos
contaminantes al ambiente sin tratamiento, solamente en el 2014 se intervino por
parte del Ministerio del Ambiente y Desarrollo Social (MADS) 656 minas ilegales
(Duque, 2006). En lo que respecta a la generación de residuos sólidos, Colombia
generó 26.528 ton/día de residuos, este dato se generó únicamente de los datos
reportados a la Superintendencia de Servicios Públicos Domiciliarios. 886
municipios de los 1102, es decir el de los municipios de Colombia dispone sus
residuos sólidos en rellenos sanitarios, 115 municipios disponen sus residuos en
botaderos (SUPERSERVICIOS 2015).
21
JUSTIFICACIÓN
Los metales son contaminantes comunes en todo el mundo su presencia en los
suelos puede conducir a la acumulación, transporte y biotoxicidad causada por la
movilidad y la biodisponibilidad. Por otra parte, la biodisponibilidad a menudo se
supone que es de naturaleza estática donde la mayoría de las decisiones sobre el
riesgo y remediación se basan en estimaciones de laboratorio de la fracción
biodisponible, que pueden variar con el tiempo, la naturaleza de las especies
vegetales, así como con la variación temporal y ambientales son factores que no
son estáticos en los sitios de aplicación y que se deben tener en cuenta para la
aplicación de técnicas de remediación o mitigación de suelos con presencia de
metales pesados en altas concentraciones como lo es la fitorremediación. Debido
a su naturaleza persistente en el ambiente, los procesos de atenuación natural por
sí sola no puede ser suficiente en la mitigación de los riesgos de exposición de
metales. Sin embargo, la aceleración de estos procesos con interferencia humana
(es decir, la recuperación natural asistida) que inmoviliza eficazmente los metales
podría ser una opción viable. El uso de las plantas verdes como una herramienta
de remediación en la limpieza del medio ambiente también ha ofrecido algunas
posibilidades. Las plantas pueden absorción y bioacumulación (fitoextracción), así
como inmovilizar (fitoinmobilización) ciertos elementos traza, junto con sus
procesos rizosféricos (D. C Adriano, Wenzel, Vangronsveld, & Bolan, 2004).
Uno de los métodos utilizados para el tratamiento de sitios contaminados es la
fitorremediación, la cual utiliza especies vegetales para lograr un tratamiento de
contaminantes como los metales pesados. Algunas especies vegetales pueden
concentrar metales pesados esenciales y no esenciales en sus raíces y parte aérea
a niveles superiores en el suelo. El interés en los mecanismos que la planta es
capaz de absorber y adsorber este tipo de contaminantes ha llevado a cabo el
desarrollo de la tecnología de uso de plantas para limpiar el suelo y agua
contaminado con metales pesados (Raskin et al., 1994)
La fitorremediación plantea una solución de bajo costo para contaminación por
metales pesados en suelos o en sustratos (en comparación con los métodos
fisicoquímicos), de forma no invasiva y con potencial para mejorar el paisaje
(Cunningham & Berti, 1993; Enviromental Protection Agency, 2000; Schnoor et al.,
1995) Esta tecnología no requiere de personal especializado y equipos costosos
(Henry, 2000), además permite la generación de plantas con características de
metales pesados reciclables (P. Kumar et al., 1995). Este método, mediante el uso
de plantas en asocio con microorganismos reduce las concentraciones y efectos
tóxicos de los contaminantes en el ambiente. Nuevas especies hiperacumuladoras
22
eficientes de metales pesados están siendo exploradas para aplicaciones en la
fitorremediación (Ali, Khan, and Sajad 2013; Wan, Lei, and Chen 2016).
Aunque se ha realizado varios estudios piloto y aplicaciones a escala de campo de
procesos de remediación con especies vegetales, se hace necesario realizar
investigación para explotar la diversidad metabólica de las plantas, al igual que
registrar sus interacciones con los contaminantes del suelo, con las raíces,
microorganismos y la rizósfera (Domy C. Adriano, 2001), dentro de estas especies
se encuentran las plantas ornamentales. La realización de procesos de
fitorremediación con plantas ornamentales con ciclos de vida cortos y que sean
representativas para una población pueden generar resultados prometedores,
además las plantas ornamentales tienen ventajas ya que la mayoría no son
comestibles y se reduce el riesgo de entrada en la cadena alimentaria. Estas
especies vegetales tienen la ventaja de mejorar la estética del entorno, además de
limpiar el medio ambiente y en algunos casos la generación de ingresos
adicionales. En consecuencia, las plantas ornamentales agregarán una nueva
dimensión al campo de la fitorremediación de medios terrestres (Nakbanpote &
Meesungnoen, 2016)
Con lo anterior se puede observar que el estudio del potencial fitorremediador de
nuevas especies es necesario en esta línea de investigación, además de su
utilización aplicada en sitios contaminados por metales pesados. En el Morro de
Moravia en la ciudad de Medellín, Colombia se sembró Tradescantia pallida y
Pennisetum setaceum como parte de la habilitación ambiental, observando que
posee tolerancia a las condiciones del terreno y acumulaciones de metales
pesados, por ello es importante realizar un estudio detallado de la relación entre
las características del sustrato y de la capacidad de bioacumulación de las dos
especies vegetales, generando nuevas referencias para ampliar las especies
vegetales aptas para procesos de fitorremediación en sitios contaminados con
metales pesados, y permitiendo observar si las especies mencionadas son aptas
para ser utilizada en procesos de fitorremediación en sitios contaminados con
metales pesados como el Morro de Moravia.
23
OBJETIVOS
Objetivo General
Evaluar el potencial fitorremediador de dos especies ornamentales (Tradescantia
pallida y Pennisetum setaceum) como alternativa para descontaminación de suelos
con presencia de Cromo, Cadmio, Níquel y Plomo; mediante parcelas in situ en el
Morro de Moravia, Medellín, Colombia.
Objetivos Específicos
Determinar el pH, capacidad de intercambio catiónico, textura, materia
orgánica, y concentraciones de Cadmio, Cromo, Níquel y Plomo del sustrato
en las tres parcelas del Morro de Moravia.
Establecer las bioconcentraciones de Cadmio, Cromo, Níquel y Plomo en
Barquito Morado (Tradescantia pallida) y Pennisetum (Pennisetum
setaceum) en raíz y parte aérea de las especies vegetales.
Calcular el factor de Bioconcentración y Translocación de la Tradescantia
pallida y Pennisetum setaceum.
Relacionar las condiciones fisicoquímicas del sustrato de las parcelas en la
capacidad de bioconcentración las especies ornamentales a estudiar.
24
EL MORRO DE MORAVIA
El Morro de basuras está localizado a los 6° 13´ de latitud norte y a los 75° 34 de
longitud oeste en el sector nororiental de la ciudad de Medellín, en el departamento
de Antioquia. En la actualidad, el Morro de basuras de Moravia se extiende a un
área de 7.6 ha y presenta una altura de 35 m. Sus laderas presentan pendientes
máximas entre 8-10° en sentido norte-sur, y entre 20-25° en sentido oriente-
occidente (Sánchez, 2010), este lugar fue utilizado como botadero a cielo abierto
entre los años 1977 y 1984, depositando alrededor de 1.5 millones de toneladas,
generando esta elevación antropogénica (Montoya et al., 2011).
La historia del sitio de estudio, tiene como rasgo característico la falta de planeación
y ordenamiento del territorio, al disponer el sector como área de recepción de los
residuos sólidos de la ciudad, la cual generó la problemática ambiental y social que
aún tiene rezagos con viviendas habitadas y con la presencia de contaminantes
como los metales pesados en el sustrato, lixiviados, flora y fauna. En la actualidad
El Morro de Moravia tiene una transformación paisajística y ambiental, en la cual
se realizan procesos de implementación de plantas ornamentales, las cuales tienen
como objetivo el cambio en el paisaje y la fitoextracción de metales pesados. Estas
plantas se deben adaptar a un sustrato con características especiales en sus
parámetros fisicoquímicos, así como las condiciones climáticas locales.
Imagen 1. Morro de Moravia
Fuente Secretaría del Medio Ambiente, Alcaldía de Medellín
El sustrato encontrado en Moravia se clasifica como antroposuelo (suelo
antropogénico), por lo cual no es un suelo naturalmente constituido. La
permeabilidad del sustrato es baja, comparable a la de un suelo arcilloso (Sánchez,
2010). La composición del sustrato en su perfil estratigráfico es heterogénea y
25
contiene residuos domésticos, hospitalarios e industriales, generando riesgos de
exposición y contacto a contaminantes químicos, riesgos biológicos y físicos, como
se puede observar en la siguiente imagen (Alcaldía de Medellín, 2014).
Imagen 2. Perfil estratigráfico del antroposuelo en el Morro de Moravia.
Fuente Plan de Habilitación Ambiental Morro de Moravia. Alcaldía de Medellín.
Dentro de los antecedentes para la determinación de concentraciones de metales
pesados en el sustrato del Morro de Moravia, se han registrado los siguientes
resultados en información secundaria, los cuales son análisis de sustrato en la capa
superior en diferentes puntos y tiempo, observando la variabilidad debido a
procesos como la precipitación, transporte de contaminantes y lixiviación.
Tabla 2. Concentración de metales pesados en el sustrato del Morro de Moravia
AUTOR AÑO Pb mg/Kg
Hg mg/Kg
Cr mg/Kg
Cd mg/Kg
Ni mg/Kg As mg/Kg
(Sánchez, 2010)
2010 2339,5 16,63 160,6 5,32 322,4 No realizado
(Viadé Andavert,
2012)
2012 458,2 No realizado
193,8 No realizado
No realizado
No realizado
(Tecnológico de Antioquia,
2014)
2013 605,5 2,6 234,5 14,6 236,1 9,6
26
METALES PESADOS
En las dos últimas décadas, el término "metales pesados" ha sido ampliamente
usado. A menudo se utiliza como nombre de grupo para metales y semimetales
(metaloides) que se han asociado con contaminación y potencial toxicidad o
ecotoxicidad. Al mismo tiempo, las normas legales a menudo especifican una lista
de "metales pesados", las cuales difieren de un conjunto de reglamentos a otro y
el término es utilizado sin siquiera especificar qué "metales pesados" están
cubiertos, por otra parte, se habla de metales tóxicos referentes a elementos que
en altas concentraciones infieren daños a la biota, lo anterior sin tener unificación
de contexto (Duffus, 2002; Hodson, 2004).
Uno de los conceptos que se tiene de los metales pesados, hace referencia a sus
pesos atómicos entre 63,5 y 200,6, y densidad mayor que 5,0. Los organismos
vivos requieren cantidades de trazas de algunos metales pesados, incluyendo
cobalto, cobre, hierro, manganeso, molibdeno, vanadio, estroncio y zinc. Los
niveles excesivos de metales esenciales, pueden ser perjudiciales para los seres
vivos. Los metales pesados que son relativamente abundantes en la corteza
terrestre y se utilizan con frecuencia en procesos industriales o de la agricultura
son tóxicos para los seres humanos. (Baudo, 1987; Srivastava & Majumder, 2008).
Todos los suelos contienen aproximadamente toda la gama de metales, pero las
concentraciones varían ampliamente y algunos pueden estar por debajo del límite
de detección para ciertos procedimientos analíticos, por otra parte, los metales se
pueden clasificar como esenciales y no esenciales, dentro de los esenciales se
encuentran cobre, zinc, manganeso, níquel y hierro, cumplen funciones
reguladoras de una serie de procesos biológicos, como transferencia de electrones
en proteínas y cofactor de numerosas enzimas; mientras que los metales no
esenciales son los que tienen ninguna de las funciones biológicas conocidas como
el cadmio (Cd), mercurio (Hg) y plomo (Pb) (Fageria, Filho, Moreira, & Guimarães,
2009; Sarwar et al., 2016). Además poseen condición de no biodegradabilidad,
alta toxicidad en pequeñas concentraciones y su paso a la cadena trófica (Järup,
2003), generando procesos de bioacumulación (H. Ali et al., 2013), riesgos a
enfermedades (Zeng et al., 2016) e impacto negativo en el ambiente (Chen, Qin,
Zeng, & Li, 2016).
Las concentraciones de metales en el suelo pueden dividirse en total y disponible
(Choppala et al., 2014). El metal disponible es la fracción del total de este contenido
que es potencialmente útil para las plantas, la cual es una estimación de la fracción
de ese elemento que está presente ya sea como iones libres, complejos solubles
o en formas fácilmente absorbibles. La disponibilidad es afectada por muchos
27
factores incluyendo, la concentración de metales pesados, la humedad, pH, el
estado rédox, los niveles de macronutrientes, aguas disponibles el contenido, la
temperatura y la presencia de microflora liberadora del suelo (Alloway, 1995; Sanità
Di Toppi & Gabbrielli, 1999). Se puede considerar las concentraciones de los
metales pesados en metal total, el cual hace referencia a la suma de las
concentraciones naturales de origen geológico más las agregadas por acciones
antropogénicas, contacto con sistemas líquidos y deposición de contaminantes
atmosféricos, menos las pérdidas relacionadas por lixiviación, pastoreo, partículas
emitidas a la atmósfera por volatilización y por extracción de las plantas y su
posterior cosecha y pastoreo (Alloway, 1995). Las plantas expuestas a metales
pesados sufren estrés mediante la alteración de los mecanismos celulares. Estos
contaminantes presentes en el suelo pueden generar toxicidad grave en las plantas
mediante la perturbación de enzimas esenciales, destrucción de biomoléculas
importantes, la modificación de algunas macromoléculas, la sustitución de los iones
metálicos esenciales de las fórmulas estructurales de biomoléculas, y la
modificación de los mecanismos de defensa antioxidantes como resultado de la
producción de especies reactivas con oxígeno (Choppala et al., 2014; Sarwar et
al., 2016).
Cadmio (Cd)
El cadmio es un metal no esencial que está presente naturalmente en todos los
suelos como un catión divalente (Cd2+), es fácilmente disponible para su absorción
por los cultivos de alimentos y la cadena alimentaria. Las fuentes antropogénicas
de cadmio incluyen la producción de metales no ferrosos, la quema de combustible
fósil, la incineración de residuos, la producción de hierro, acero, cemento, la
utilización de fertilizantes de fosfatos y la utilización de lodos de plantas de
tratamientos de agua municipal como fertilizantes.(World Health Organization,
2007), posee MAK: H absorción dérmica, Cancerígeno: categoría 1; Mutágeno:
categoría 3A (INTERNATIONAL PROGRAMME ON CHEMICAL SAFETY, 1994a).
La exposición humana ocurre principalmente al consumo de alimentos
contaminados, inhalación activa y pasiva del humo del tabaco y la inhalación de
residuos en la industria metalúrgica (World Health Organization, 2010a). En los
seres humanos el cadmio tiene una vida media de 11,6 años aproximadamente
(Amzal et al., 2009), la exposición a cadmio puede conducir a un mayor riesgo de
cáncer de mama (Lin, Zhang, & Lei, 2016) además de problemas de riñón, el
sistema óseo y respiratorio (Ke et al., 2015; Wallin et al., 2016; World Health
Organization, 2010a)
28
La retención del cadmio en un sustrato se puede controlar mediante reacciones de
sorción y el pH es un determinante principal (Alloway, 1995).En plantas superiores
el cadmio produce una contractura en las hojas, además de reducir el crecimiento
de raíces y tallos, debido a la elongación de células, especialmente en el tallo
debido a una inhibición irreversible ejercida sobre el protón bomba responsable de
esta función. Este compuesto ingresa a la planta por las raíces, las cuales son las
primeras en ser afectadas, además reduce la absorción del nitrato y/o hierro y su
transporte de las raíces hasta los brotes, generando deficiencias de estos
elementos en la planta, el Cd afecta el aparato fotosintético, las aperturas
estomáticas y genera estrés oxidativo en las plantas (Sanità Di Toppi & Gabbrielli,
1999).
Cromo (Cr)
Es un elemento que en concentraciones bajas son esenciales para los seres vivos,
incluyendo los seres humanos, siendo tóxicos en concentraciones elevadas. Su
número atómico es 24, y posee una masa de 52.0 g/mol. Es resistente a la
oxidación y a ácidos por lo cual es utilizado en compuestos resistentes a la
corrosión. Sus fuentes antropogénicas están asociadas principalmente a la
fabricación de los compuestos “inoxidables”, así como al uso de lodos de plantas
de tratamiento de agua residual municipal como fertilizante en suelos agrícolas. Cr
(III) trivalente y Cr (VI) hexavalente son las especies estables formadas de este
elemento, otros estados de oxidación pueden transitoriamente existir en los
organismos vivos. Los problemas de salud por la exposición al cromo se han
registrado en cáncer de pulmón, y afecciones al aparato respiratorio (Domy C.
Adriano, 2001; Alloway, 1995).
Níquel (Ni)
Su número atómico es 28, posee diez isótopos de Ni existen en la naturaleza y el
más estable y abundante es el isotopo 28, su peso molecular es 58.71 g/mol, es
insoluble en agua y soluble en ácido nítrico, sus principales usos están en la
industria de la galvanoplastia, fabricación de baterías, componentes electrónicos y
preparación de catalizadores de hidrogenación de grasas. Los efectos en la salud
por exposiciones a altas concentraciones de este elemento se pueden asociar a
dermatitis (Isnardo, Vidal, Panyella, & Vilaplana, 2015), problemas en
agrandamiento gingival (Gómez Arcila, Mercado Camargo, Herrera Herrera, Fang
Mercado, & Díaz Caballero, 2014), asma, e incremento en enfermedades
29
respiratorias. (Domy C. Adriano, 2001; Alloway, 1995). Cancerígeno: categoría 1
(INTERNATIONAL PROGRAMME ON CHEMICAL SAFETY, 1994b)
Plomo (Pb)
Su número atómico es el 82, y su peso molecular es 207.2 g/mol, en la mayoría de
compuestos inorgánicos su estado de oxidación es 11. El plomo de origen
antropogénico generalmente posee patrones de acumulación en las capas
superficiales, pero también puede migrar a las capas más profundas del suelo en
algunos casos (Domy C. Adriano, 2001). Sus fuentes de emisión al ambiente están
asociado a la minería, fundición de metal y a la quema de combustible fósil. Está
asociado fuertemente a la materia orgánica en suelos ricos en humus y óxidos de
hierro, es bastante inmóvil en concentraciones bajas (Alloway, 1995), afecta
principalmente los sistemas múltiples del cuerpo, especialmente el neurológico,
hematológico, gastrointestinal, cardiovascular y renal. Sus vías de exposición son
ingesta de alimentos con presencia de este elemento traza y la exposición activa o
pasiva al humo del cigarrillo (World Health Organization, 2010b) Los límites de
exposición son TLV: (como TWA) 0.05 mg/m³; A3; BEI establecido (ACGIH 2004).
MAK: Cancerígeno: categoría 2; Mutágeno: categoría 3A; (DFG 2006). CE OEL:
(INTERNATIONAL PROGRAMME ON CHEMICAL SAFETY, 2003).
30
SUSTRATO Y CARACTERÍSTICAS
Los iones metálicos pueden ser retenidos en el suelo por las reacciones de sorción,
precipitación y complejación. La sorción se define como la acumulación de materia
en la interfaz entre el adsorbente sólido y la fase acuosa. Esto puede incluir
intercambio iónico, formación de complejos de superficie, la precipitación, y la
difusión en el sólido. Cuanto menor sea la concentración de la solución de metal y
más sitios están disponibles para la adsorción, es probable que el proceso de
adsorción determinará la concentración de la solución del suelo. Una vez
depositado en los suelos, metales traza interactúan con los minerales del suelo y
constituyentes orgánicos. Sin embargo, el destino de los metales en el ambiente
del suelo es dependiente de las propiedades del suelo y los factores ambientales
(Adriano, et al., 2004).
Dentro de las propiedades del sustrato se encuentra la forma química presente de
los metales pesados en el suelo, el pH, el intercambio catiónico, la cantidad de
arcilla y la materia orgánica. (Alloway, 1995; Heil & Sposito, 1997; M. M. J.
Vangronsveld, Didier, & Clijsters, 1994), por eso es importante la determinación de
estos parámetros dentro de los cuales se tienen, la capacidad de Intercambio
catiónico, materia orgánica, pH y textura
Capacidad de intercambio catiónico (CIC)
Se le nombra a la medida que posee el suelo de absorber cationes, y es equivalente
a la carga negativa del suelo. Se asocia a la propiedad para almacenar los cationes
en el suelo, aquellos cationes que están sometidos a esta retención son protegidos
contra procesos como lixiviación, evitando que sean transportados. Por otra parte,
esta retención se realiza superficialmente por medio de diferencias electrostáticas,
pudiendo ser intercambiados por otros presentes en el suelo, poseen una relación
directamente proporcional con el pH, ya que al aumentar el pH esta propiedad
genera el mismo cambio (Jaramillo Jaramillo, 2014b), se mide como el número total
de cationes equivalentes desplazados por una unidad de masa del suelo, por una
solución de la extracción que posee una concentración alta. (Heil & Sposito, 1997).
Por otra parte, este parámetro sirve para estimar la capacidad que tiene un suelo
de suministrar nutrientes a la planta, aunque este valor sea relativo y no refleje la
reserva del elemento en el suelo o sustrato. El CIC se considera un proceso rápido,
estequiométrico y reversible, además depende del tipo de coloides de la superficie
específica, del tipo de ion y de la concentración de los iones en la solución de suelo.
Los iones retenidos por adsorción selectiva no participan en los procesos de
31
intercambio y son causantes de pérdidas de nutrientes, para las plantas, por
fijación, y de la acumulación tóxica de iones metálicos pesados en el suelo, el caso
más importante de fijación es el fósforo (Jaramillo Jaramillo, 2014b).
Materia Orgánica (MO)
Se considera el principal componente sólidos que posee el suelo o sustrato, se
considera que es la fracción orgánica que posee el suelo. Es también llamado
humus, el cual está compuesto por una mezcla de sustancias amorfas originadas
en la descomposición de los materiales orgánicos y de la síntesis microbiana, con
moléculas de carácter ácido, de alto peso molecular y naturaleza coloidal, con una
gran superficie específica interna y externa. La producción de sustancias húmicas
es el resultados de muchos eventos de oxidación e hidrólisis que crean materiales
con un mayor contenido de C e H, y menor de O, que el de los materiales originales
(Jaramillo Jaramillo, 2014b).
En este compuesto se encuentra la fuente de nutrientes para las plantas, la
descomposición por microorganismos permite la disponibilidad para la planta. El
humus posee gran porcentaje de materia orgánica en descomposición que puede
contener los reactivos o grupos funcionales del suelo. Esta característica influye
directamente al intercambio catiónico.(Heil & Sposito, 1997). Tiene como
características el aumento de fertilidad del suelo, además de mejorar las
propiedades químicas como el pH, la disponibilidad de nutrientes de origen vegetal
en las plantas. Por otra parte, pose el efecto de influenciar en la disponibilidad de
Níquel y otros metales dependiendo de las concentraciones presentes en el suelo.
Se han observado casos en los cuales al adicionar compost o humus se han
observado la disminución de metales disponibles, es decir en algunos casos es
capaz de secuestrar el metal, no permitiendo el transporte por el suelo (Sabir & Zia-
ur-rehman, 2015)
Por otra parte, los efectos que pueden generar la materia orgánica en el suelo están
dados en la porosidad, dado que aumenta la cantidad de macroporos; en la
infiltración, aumenta la filtración; drenaje, dado que aumenta la filtración por los
macroporos, aumenta la capacidad de retención de agua, sobre todo a bajas
tensiones o si el suelo es arenoso; influye en la capacidad Buffer de los sustratos,
aporta nutrientes durante la mineralización y puede almacenar o secuestrar
metales pesados (Jaramillo Jaramillo, 2014b).
32
pH
El pH establece el grado de acidez o de alcalinidad que presenta el sustrato o suelo,
es una relación entre los contenidos de protones y de iones OH- por lo que se
cumple en agua pura que pH + pOH = 14, esta relación entonces implica que un
sustrato tendrá una condición neutra con el pH = 7. Las clasificaciones de los suelos
por este parámetro se dividen en 3 grandes grupos, los suelos ácidos con pH menor
a 6.5, suelos neutros que son pH entre 6.5 y 7.3 y suelos básicos aquellos que son
mayores a 7.3 (Jaramillo Jaramillo, 2014b)
Los procesos de disolución de minerales o elementos traza dependen del pH, este
factor está ligado directamente al a la capacidad de Intercambio catiónico. Los
suelos ácidos a menudo son asociados con deficiencias de nutrientes (calcio,
magnesio y potasio), así como la deficiencia de elementos traza y fósforo. Los
suelos alcalinos están asociados con las deficiencias principalmente de hierro y
zinc (Heil & Sposito, 1997). El pH juega un papel importante en la absorción de
metales pesados en la planta, se ha evidenciado que a pH ácidos se puede dar la
acumulación de metales pesados (Sahuquillo, Rigol, & Rauret, 2003), por otra parte
en pruebas de ecotoxicología se ha encontrado que el pH es un factor que
determina el efecto entre la concentración del metal y los efectos que causa sobre
la biota, es común encontrar que la toxicidad del metal para las plantas disminuye
con el aumento del pH. Por ejemplo, para el Níquel existe una relación de mayor
acumulación con aumentos de pH. (Weng, Lexmond, Wolthoorn, Temminghoff, &
van Riemsdijk, 2003).
Textura
Es la propiedad que establece las cantidades relativas por peso, en que se
encuentran las partículas de diámetro menor a 2 mm (tierra fina) en el suelo. Estos
separados, se agrupan en tres clases por tamaño, arena, limo y arcilla. El tamaño
de las partículas que predominan determina el tipo de textura del suelo, es decir, si
es de textura gruesa o fina. La textura tiene un especial significado en Aireación,
movimiento de agua, retención de humedad, retención y liberación de iones,
disponibilidad de nutrientes, y con ellos la productividad, erodabilidad, uso y manejo
del suelo (Jaramillo Jaramillo, 2014b).
La textura representa el porcentaje en que se encuentran los elementos que
constituyen el suelo; arena gruesa, arena media, arena fina, limo, arcilla, las
anteriores van en función del diámetro de partícula. Se dice que un suelo tiene una
buena textura cuando la proporción de los elementos que lo constituyen le dan la
33
posibilidad de ser un soporte capaz de favorecer la fijación del sistema radicular de
las plantas y su nutrición. En esta fracción se encuentran generalmente diversos
minerales secundarios. Convencionalmente se pueden clasificar en silicatos y no
silicatos. Los silicatos incluyen la caolinita, illita, vermiculita y alofán, entre otros. La
variación que existe entre estos grupos de arcillas en plasticidad, cohesión,
adhesión, capacidad de intercambio catiónico y otras propiedades es muy grande.
Por eso, es un dato de considerable importancia el saber qué tipo de arcilla domina
en un suelo o cuáles coexisten (Sandoval, 1994).
FITORREMEDIACIÓN
Las plantas adoptan diferentes estrategias para hacer frente a la toxicidad de
metales que contribuyen a ciertos mecanismos de tolerancia tales como el
secuestro, la compartimentación en ciertos orgánulos celulares, la exclusión y la
inactivación por exudación de ligandos orgánicos (Choppala et al., 2014),
permitiendo el proceso de fitorremediación, el cual ha sido reconocido como
método rentable para la remediación de suelos contaminados con presencia de
estos elementos en altas concentraciones. En la actualidad se discuten brevemente
las fuentes y los efectos de los metales pesados en el agroecosistema, los factores
que afectan a los metales biodisponibilidad, las recientes técnicas de
fitorremediación, con especial referencia a sus ventajas, desventajas, los
mecanismos y las perspectivas de futuro, y cómo estas técnicas son útiles y
económica para recuperación de suelos contaminados con metales pesados, y el
alcance de las herramientas de ingeniería genética para desarrollar plantas
transgénicas hiperacumuladoras eficaces que producen gran cantidad de biomasa
por encima del suelo para la fitorremediación de metales nocivos (Sarwar et al.,
2016) .
La fitorremediación se define como el uso de especies vegetales en suelo, agua
subterránea o superficial, y/o sedimentos; para extraer, transportar, fijar y
neutralizar contaminantes ambientales, aprovechando la capacidad de las plantas
para concentrar y metabolizar diversas moléculas en sus tejidos a partir de las
interacciones entre la biología, física, química dentro del suelo, específicamente
dentro de la rizósfera (Dietz & Schnoor, 2001; ITRC Interstate Technology and
Regulatory Cooperation Work Group, 2001; Salt, Smith, & Raskin, 1998), estas
plantas son consideradas como sistemas de bombeo y filtración a base de energía
solar, en los cuales se puede medir la carga inicial, degradación y capacidad de
transporte de elementos y componentes. El primer contacto de las plantas se
realiza por medio de las raíces, específicamente los pelos radicales, los cuales se
34
determinan como exploradores y extractores de compuestos que pueden
encontrar, alterar y translocar de la fase líquida los elementos y compuestos
químicos, la superficie de las raíces mantienen biopelículas microbianas activas,
estas micorrizas suelen aumentar el contacto de la superficie del suelo y aumentan
la capacidad metabólica de las plantas para remediar los contaminantes del suelo
(Cunningham & Berti, 1993; Raskin et al., 1994), el exceso de metales y metaloides
no esenciales representan una amenaza para la salud de las plantas y del
ambiente, después de la absorción de metales por la planta, hacen uso de
diferentes estrategias para mantener la homeóstasis del metal y limitar el daño
celular (Alloway, 1995). La fitorremediación contiene las siguientes áreas de
aplicabilidad, la fitoextracción, la fitoestabilización, rizofiltración y fitovolatización
(Henry, 2000), para el presente caso se realizará énfasis en la fitoextracción, que
es el proceso que se pretende determinar que ocurre en las parcelas sembradas
en el Morro de Moravia.
FITOEXTRACCIÓN
Se denomina así al proceso de extracción y acumulación de contaminantes en
especies vegetales. La eliminación del contaminante se realiza por el retiro del
individuo sembrado. Se realiza generalmente en suelos contaminados por metales
pesados, sedimentos y lodos. Dentro de las ventajas de esta tecnología, está la
posibilidad de utilizar las plantas cosechadas como un recurso; las desventajas
radican que son de crecimiento lento, con pequeña biomasa y está limitada a la
profundidad y área de las raíces, además se requiere de una correcta disposición
de la biomasa ya que por contener metales pesados se trata como un residuo
peligroso, los metales pesados pueden tener un efecto fitotóxico no permitiendo el
crecimiento de la planta. El argón, cadmio, cobalto, cromo, cobre, mercurio,
manganeso, Molibdeno, níquel, plomo y zinc presentes en el suelo son susceptibles
de aplicabilidad de Fitoextracción (Enviromental Protection Agency, 2000). La
Fitoextracción continua, hace referencia a los procesos de acumulación de
contaminantes durante el ciclo completo de crecimiento de las plantas. Este
proceso aduce a las plantas hiperacumuladoras (Brooks, 1994), que crecen en
suelos con alta presencia de metales pesados (Salt et al., 1998).
En general, la tecnología de la fitorremediación consiste en la absorción de
nutrientes, si el sistema de raíces de una planta está en contacto con agua
contaminada, la planta será capaz de eliminar los nutrientes del agua, lo que resulta
en más rápido crecimiento de las plantas. Se ha demostrado que las plantas
35
pueden incorporar metales y compuestos orgánicos no esenciales en sus tejidos y
se pueden utilizar para eliminar los metales y compuestos orgánicos de las aguas
subterráneas y el suelo. La creación de un entorno de diversa población
microbiana, permitiendo realizar consorcios que favorecen la disponibilidad de
metales pesados. (Chaney et al., 1997; Gerhardt, Huang, Glick, & Greenberg, 2009;
Ouyang, 2002).
El éxito de la fitoextracción como tecnología potencial de mitigación de impactos
ambientales depende de factores como la disponibilidad del metal para la
absorción, así como la capacidad de las plantas para absorber y acumular metales
en las partes aéreas. La absorción de metales por las plantas es selectiva. Muchos
metales pesados como el níquel (Ni), cobre (Cu), manganeso (Mn) y zinc (Zn) son
micronutrientes esenciales y requerido por las plantas para crecer y completar el
ciclo de la vida (Bhargava, Carmona, Bhargava, & Srivastava, 2012). El primer
parámetro importante para la absorción de nutrientes y por ende de los metales
pesados es el sistema radicular, dado que es quien explora el suelo, es la primera
fuente de contacto e interacción de los metales pesados presentes en el sustrato y
la planta. Otro factor que determina la absorción del metal en la planta es la
biodisponibilidad del elemento, y está definido por las propiedades químicas de los
cationes metálicos y por las características fisicoquímicas del suelo. Los metales
pesados se encuentran dentro de las partículas del suelo como proceso de
adsorción en forma insoluble. Las raíces de las plantas contribuyen a hacer los
iones metálicos más biodisponibles para la absorción por medio de procesos de
acidificación de la rizósfera (Alloway, 1995; Bhargava et al., 2012)
Mecanismos de Absorción de metales pesados en las plantas
El sistema de fitoextracción de los metales pesados se inicia con la absorción de
los metales por parte del sistema radicular de la planta, luego se transporta de las
raíces con la formación de quelantes y se alojan las moléculas en las vacuolas
(Bhargava et al., 2012; Hall, 2002; McGrath & Zhao, 2003). Unos de los
mecanismos para absorber está dado en las raíces por medio de la acidificación
de la rizósfera, con la generación de protones H+-ATPasas, esto crea un mayor
potencial de membrana, la cual es la principal fuerza impulsadora para la absorción
de cationes. Además, los protones pueden participar en el intercambio de cationes,
liberando iones metálicos divalentes que están unidos estrechamente a las
partículas del suelo, y la acidificación resultante de la rizósfera puede liberar
metales a partir de sus hidróxidos. (Palmgren, 2001; Palmgren et al., 2008),
después de que las plantas absorben los metales, es importante para la planta
mantener la concentración del metal libre bajo estricto control para prevenir los
36
daños. Este paso a través de la membrana plasmática de los metales pesados se
ve reforzada por la unión intracelular y el secuestro del metal, es decir el metal
queda unido a chaperonas o quelantes. Los quelantes contribuyen a la
desintoxicación de metales amortiguando las concentraciones de metales libres
citosólicas, y las chaperonas entregan específicamente los iones metálicos y
proteínas a orgánulos (Alloway, 1995).
La quelación de metales específica puede ser de gran relevancia para la
descontaminación de suelo que tiene un alto contenido de metal. Aunque se han
descubierto algunos aspectos de la desintoxicación de metal por moléculas
capaces de ser reconocidas ante otra provocando una respuesta biológica, no hay
ninguna imagen completa de las diferentes quelantes involucrados en diferentes
etapas del transporte interno de los metales en la planta y el almacenamiento en
los acumuladores. No hay evidencia concluyente sobre quelantes específicos que
exudan las plantas en la rizósfera para mejorar la absorción de metales (Bhargava
et al., 2012; Farkas, Szabó, Parajdi-Losonczi, Balla, & Pócsi, 2014).
Los metales pesados se encuentran en formas insolubles en sustratos con pH altos
como fosfatos minerales y carbonatos metálicos (Tak, Ahmad, & Olubukola, 2013).
En la rizósfera el pH tiende a ser menor debido a los ácidos orgánicos,
biosurfactantes, quelantes y protones de los exudados generados en los procesos
metabólicos de plantas y microorganismos, los cuales aumentan la
biodisponibilidad de los metales, ya que son capaces de formar especies iónicas
libres. Los quelantes se unen a los iones metálicos, y estos complejos son de mejor
absorción y paso a través de membranas celulares en comparación con los iones
metálicos (Gerhardt et al., 2009; Jiang et al., 2010)
EL proceso principal en la fitorremediación es la absorción y translocación del metal
tóxico desde la raíz a los tejidos de la parte aérea, este proceso se comporta de
igual forma que la captación de nutrientes. Los contaminantes poseen varias rutas
dentro de la planta, el cual es apoplástico (por medio de las paredes celulares),
Simplástico ( a través del citoplasma por medio de los plasmodesmos) y a través
de la membrana (por medio de portadores); el metal tóxico puede ser secuestrado
en uno de estos tres lugares en la planta: paredes celulares, vacuolas y aparato de
Golgi (Gerhardt et al., 2009; Mench et al., 2010; Tak et al., 2013; J. Vangronsveld
et al., 2009).
37
Plantas utilizadas en la fitorremediación
Las plantas que colonizan sitios contaminados han generado mecanismos de
indicación, exclusión o acumulación de los contaminantes presentes en el lugar.
Las acumuladoras hacen alusión a la concentración en las partes de las plantas en
un suelo con concentraciones altas o bajas de contaminantes; las indicadoras
consumen y transportan metales pero su concentración interna es regulada y esta
refleja la concentración del suelo; y las excluyentes mantienen concentraciones
más bajas que el rango de concentraciones del suelo (Baker 1981) .
Especies vegetales utilizadas en la fitorremediación
Algunas especies vegetales poseen la capacidad de crecer en suelos
contaminados con metales pesados y acumulan altas concentraciones de metales
pesados en los órganos aéreos, muy por encima de los niveles que se encuentran
en el sustrato, sin sufrir efectos fitotóxicos. La alta tolerancia a niveles altos de
contaminantes, una tasa fuertemente mejorada de absorción de metales pesados,
una translocación rápida de raíz-brote y una mayor capacidad para desintoxicar y
secuestrar los metales pesados en las hojas son propiedades que permiten afirmar
que una planta genera procesos eficientes en la Fitorremediación (Chaney et al.,
1997; Rascio & Navari-Izzo, 2011).
El potencial de la planta para la fitoextracción puede ser estimado por el factor de
bioconcentración (FBC) y el Factor de translocación (TF) (Ahlawat Sainger,
Dhankhar, Sainger, Kaushik, & Pratap Singh, 2011; H. Ali et al., 2013; Pandey,
2012).
𝐹𝐵𝐶 =Cr
𝐶𝑠 Ec. 1 Factor de Bioconcentración
Donde Cr es la concentración del metal objetivo en el tejido recogido en la raíz de
la especie vegetal en ppm y Cs es la concentración del metal objetivo en el sustrato
en ppm, este es un número adimensional (H. Ali et al., 2013; Ladislas et al., 2012;
Padmavathiamma & Li, 2007).
𝑇𝐹 =𝐶𝑝
𝐶𝑟 Ec. 2 Factor de Translocación
Donde Cp es la concentración del metal objetivo en la raíz en ppm y Cr es la
concentración del metal objetivo en el sistema radicular en ppm, este es un número
adimensional (H. Ali et al., 2013; Ladislas et al., 2012; Padmavathiamma & Li, 2007;
Pandey, 2012).
38
Plantas a sembrar en parcelas in situ Tradescantia pallida
Nombre científico: Tradescantia pallida
Nombre Común: Barquito Morado
Familia: Commelinaceae
Imagen 3. Tradescantia pallida
Fuente: Autor
Descripción: Especie vegetal ornamental, originaria de México, es una herbácea
rastrera de color púrpura o vino tinto con una altura máxima de 30 cm; posee hojas
en “V” y el tallo es frágil, sus flores poseen tres pétalos rosados, pequeñas y
terminales. Su reproducción es por estaca terminal. Esta planta es agresiva frente
a otras plantas dado que coloniza rápidamente. Se adapta bien a suelos bien
drenados y su color es más intenso si está expuesta al sol, tiene buena respuesta
a la sequía (Jardín Botanico de Medellín, 2013), aunque no se han encontrados
registros de la utilización de esta especie vegetal para fitorremediación hasta el
momento, se ha utilizado para bioensayos de efectos de genotoxicidad de
insecticidas (Rodríguez et al., 2015; Souza et al., 2015), por contaminantes en el
aire e inducida por ozono (de Souza Lima, de Souza, & Domingos, 2009; Guimares
et al., 2000), contaminación vehicular (Meireles, Rocha, Neto, & Cerqueira, 2009),
lodos de plantas de tratamiento (Mielli, Matta, Nersesyan, Saldiva, & Umbuzeiro,
2009) y riesgos de exposición a naftaleno en lugares de trabajo (Alves, de Souza,
Pedroso, & Domingos, 2008)
39
Plantas a sembrar en parcelas in situ Pennisetum setaceum
Nombre científico: Pennisetum setaceum
Nombre Común: Peniseto
Familia: Poaceae
Imagen 4. Pennisetum setaceum
Fuente: Autor.
Descripción: Planta ornamental que puede alcanzar de 15 a 50 cm de altura,
originaria de África, sus hojas pueden ser de color verde claro o vino tinto con una
flor grisácea y en espiga, plumosa en su parte inferior. Puede soportar sequías
leves siendo resistente a pleno sol, debiéndose hacer un riego periódico. Esta
planta es utilizada para la protección de suelos, evitando la erosión y dando
estabilidad, su reproducción se genera por partición del rizoma y por semilla
(Jardín Botanico de Medellín, 2013), esta planta ha sido utilizada para un estudio
de la relación de péptidos metálicos inducidos en gramíneas generando una
correlación entre estas y su acumulación de cadmio (Klapheck, Fliegner, & Zimmer,
1994).
40
METODOLOGÍA
El presente estudio realiza el siguiente diagrama de flujo, para alcanzar los
objetivos propuestos anteriormente:
Selección del sitio para instaurar las parcelas del Morro de Moravia
El Morro de Moravia al ser un sitio intervenido para su recuperación ambiental y
paisajística, posee zonas en las cuales se han agregado materiales compostados
y se han realizado siembras de parcelas de fitorremediación y paisajísticas, siendo
estas un límite para instaurar las parcelas in situ de la presente investigación. Por
otra parte, debido a la heterogeneidad fisicoquímica del sustrato se requieren áreas
en las cuales sea representativa la pendiente y altura debido a los procesos de
arrastre de sedimentos y erosión, además de transporte de contaminantes. Por lo
anterior, se decide instaurar tres parcelas anteriores en la zona sur oriental,
occidental parte alta y centro occidental parte media, permitiendo generar una
representación espacial del Morro de Moravia. Es importante mencionar que, en la
cima del Morro, no se tuvo en cuenta debido a que la parte más alta posee un
sector cubierto por concreto en el sector occidental y en la parte superior fue
rellenado por material orgánico en procesos anteriores. A continuación, se observa
los sitios dispuestos para la instalación de las parcelas en el Morro de Moravia. La
parcela A tiene como coordenadas 437140.74 m E, 694041.88 m N; la altura
registrada es 1454 msnm. Las coordenadas de la parcela B 437129.58 m E;
693972.64 m N. y está a una altura de 1464 msnm. La parcela C está ubicada en
Selección del sitio para instaurar parcelas en el
Morro de Moravia
Determinación de las características fisicoquímicas del
sustrato del Morro de Moravia
Siembra y Mantenimiento de
Barquito y Penisetum
Recolección de Muestras vegetales
Cálculo de Factores para determinar
hiperacumulación
Seguimiento Organoléptico
41
437343.83 m E; 693808.02 m N, y posee una altura de 1460 msnm. El sistema de
coordenadas es UTM zone 18N.
Imagen 5. Ubicación de las parcelas del Morro de Moravia
Características fisicoquímicas del sustrato del Morro de Moravia
Para el muestreo del sustrato en las parcelas se adoptó la metodología empleada
por (Osorio, 2002). Cada parcela es una unidad en la cual se tomaron 3
submuestras para generar una muestra compuesta representativa del sector. Se
realizó en zig-zag la determinación de los 3 puntos de recolección de sustrato, en
que el cambio de vértice será un punto a muestrear. En cada sitio se removieron
las plantas, hojarascas secas, además de residuos presentes. La profundidad fue
de aproximadamente 20 cm, se procede a la recolección de la muestra con un
palín. Se tomaron aproximadamente 1 Kg de suelo en una bolsa plástica limpia y
rotulada para ser trasladada a las instalaciones del Laboratorio del Grupo
Interdisciplinario de Estudios Moleculares GIEM de la Universidad de Antioquia
para la determinación de Arsénico, Cadmio, Cromo, Níquel, Plomo, materia
orgánica, potencial de Intercambio catiónico, pH y textura. El tiempo máximo de
entrega al laboratorio fue de 2 horas. El método empleado en la determinación de
Cd, Cr, Pb y Ni es la Absorción atómica, según el Standad Methods 3111B, los
reactivos utilizados (HNO3, HCl y estándar de los metales son marca Merck, grado
analítico. El equipo utilizado es el SensAA BGBC, el cual es para los métodos de
absorción atómica.
42
Por otra parte, se realizaron pruebas de textura, pH, porcentaje de Materia
Orgánica, Capacidad de intercambio catiónico, fósforo y nitrógeno amoniacal y
nítrico en las tres parcelas. Las muestras fueron tomadas bajo el mismo
procedimiento anteriormente descrito y fueron llevadas al Laboratorio de suelos de
la Universidad Nacional de Colombia Sede Medellín. La textura fue determinada
por el Método de Boyoucos, el pH por medio de la NTC-5264, el fósforo disponible
según NTC5350, el CIC por la NTC-5268, el Nitrógeno Amoniacal por medio del
Análisis de inyección de Flujo según la FOS, y el nitrógeno nítrico por medio del
Methods of Siembra y
Siembra y Mantenimiento de las especies vegetales
Los individuos de Tradescantia pallida y Pennisetum setaceum fueron aportados
por la Secretaría del Medio Ambiente dentro del convenio 4600060447, estos
fueron sembrados de la siguiente manera:
Se realizó un retiro de arvenses y residuos de plástico, textiles y materiales de
construcción de las tres parcelas, generando un proceso de eliminación de
individuos vegetales que pudiesen competir por nutrientes en el sustrato y de
materiales que no permitieran el desarrollo de la raíz. El sembrado fue de 33
individuos por cada especie en cada una de las parcelas, el número de individuos
se determinó debido a razones de recolección de muestras y previniendo que en
caso de que las plantas no se puedan adaptar en su totalidad se tenga un número
razonable de ellas para obtener las muestras de material vegetal. La separación
entre planta y planta fue de 15 a 20 cm con un arreglo de siembra triangular
denominada tres bolillos. Las especies vegetales se siembran con
aproximadamente 30 cm de distancia en cada una de las parcelas, para diferenciar
las dos especies sembradas. Posterior a la siembra se le realizó un riego para evitar
estrés hídrico en las plantas. El mantenimiento de las parcelas consistió en el retiro
de arvenses o malezas, además del riego, el cual fue determinado por la cantidad
de lluvia que se pueda presentar en el tiempo de la investigación.
43
Imagen 6. Preparación del terreno parcela C
Imagen 7. Siembra de Tradescantia pallida en parcela B
44
Imagen 8. Siembra de Pennisetum setaceum en parcela C
Recolección de Muestras vegetales
El muestreo se realizó dentro de los 1.5, 5, 10 y 12 meses siguientes a la siembra.
Se tomaron al azar dos individuos por cada especie y parcela. Estas muestras
serán lavaron con agua de grifo, y después con agua destilada permitiendo retirar
residuos de sustrato presentes. Posterior a ello se realizó el procedimiento a dividir
la raíz de la parte aérea por medio de tijeras de poda. Estas herramientas fueron
limpiadas previamente y se corroboró que no tuviese presencia de óxidos. Se
llevaron a bolsas plásticas rotuladas, no se sellaron las bolsas debido al riesgo de
descomposición de la muestra. Posteriormente fueron llevadas inmediatamente al
Laboratorio del Grupo Interdisciplinario de Estudios Moleculares GIEM de la
Universidad de Antioquia para la determinación de Cadmio, Cromo, Níquel y Plomo
en partes aéreas y raíz, bajo los mismos métodos anteriormente mencionados.
45
Imagen 9. Resumen del proceso de recolección de la muestra
Imagen 10. Muestra de Tradescantia pallida
46
Imagen 11. Muestra de Pennisetum setaceum
Cálculo de Factores para determinar hiperacumulación
Con las anteriores concentraciones de Cadmio, Cromo, Níquel y Plomo en el
sustrato y en las partes de la planta se podrán calcular el Factor de
Bioconcentración FBC y TF.
𝐹𝐵𝐶 =𝐶𝑝
𝐶𝑠 Ecuación 1
𝑇𝐹 =𝐶𝑝
𝐶𝑟 Ecuación 2
Metodología Para Análisis de Datos
Para cada una de las series de datos en Parcela, Especie, Concentración en Raíz
(Y), Parte aérea y tiempo (x) se realizará una regresión simple, esta metodología
está diseñada para construir un modelo estadístico que describa el impacto de un
solo factor cuantitativo X, que para el presente caso es el tiempo medido en meses
47
sobre una variable dependiente Y, que para el presente caso es la concentración
de metales pesados en la raíz. Cualquiera de los 27 modelos lineales y no lineales
usados (ver tabla 3) pueden ser ajustados usando ya sea el procedimiento de
mínimos cuadrados o el procedimiento de estimación resistente. Las pruebas se
realizan para determinar la significancia estadística del modelo. El modelo ajustado
puede ser graficado con límites de confianza y/ o límites de predicción. El software
utilizado es STATGRAPHICS®, bajo licencia de la Universidad de Antioquia, y
facilitada por el Grupo Interdisciplinario de Estudios Moleculares GIEM. Los
modelos utilizados son los registrados en la siguiente tabla.
Tabla 3. Modelos de regresión
Modelo
Raíz Cuadrada-Y Inversa de X
Curva S
Doble Inverso
Logaritmo de X
Inversa de X
Raíz Cuadrada-Y Log-X
Raíz Cuadrada deX
Cuadrado-Y Raíz Cuadrada-X
Cuadrado-Y Log-X
Multiplicativa
Raíz Cuadrada Doble
Cuadrado de Y
Lineal
Cuadrado-Y Inversa de X
Logarítmico-Y Raíz Cuadrada-X
Raíz Cuadrada de Y
Cuadrado Doble
Cuadrado de X
Exponencial
Raíz Cuadrada-X Cuadrado-X
Log-Y Cuadrado-X
Inversa-Y Cuadrado-X
Inversa de Y
Inversa-Y Raíz Cuadrada-X
Inversa-Y Log-X
Logístico
Log probit
Observando el valor de R2, con lo cual se realizará el modelo aproximado del
comportamiento del metal pesado en la especie vegetal y planta.
48
RESULTADOS
Descripción del sustrato de Parcelas del Morro de Moravia
En la siguiente tabla se observa los resultados obtenidos, según el muestreo
realizado en el mes de febrero del 2016 para los sustratos de las tres parcelas del
Morro de Moravia.
Tabla 4. Resultados de caracterización de sustratos de las 3 parcelas en el Morro de Moravia
Metales pesados A% L% AR% pH CICE P N-NO3% N-NH4% M.O %
Sustrato parcela A 64 28 8 7.8 31.3 155 15 14 9
Sustrato parcela B 68 22 10 8 30.7 125 21 14 8.7
Sustrato parcela C 56 30 14 7.9 24.3 56 25 14 5.8
Tabla 5. Resultados de concentración de metales pesados totales en las 3 parcelas en el Morro de Moravia
Metales pesados Cd ppm Cr ppm Ni ppm Pb ppm
Sustrato parcela A 2.92 371.05 396.91 414.8
Sustrato parcela B 0.77 335.35 474.87 236.39
Sustrato parcela C 109.89 512.37 414.48 726.75
Concentraciones de raíces y parte aérea de las muestras vegetales
Las siguientes tablas permite observar, las concentraciones de metales pesados
de la parte aérea, raíz del Pennisetum setaceum, y Tradescantia pallida en los tres
tiempos de muestreo (1.5, 3.5 y 9 meses). Para los procedimientos matemáticos
realizados los valores que poseen el mínimo para detección del equipo (<0.02,
<0.002 y <0.003) se tomaron como (0.02, 0.002 y 0.003) para la facilidad del
tratamiento matemático.
10.2.1. Concentración de Metales pesados en Raíz Pennisetum setaceum
Para el Pennisetum setaceum, la mayor concentración de Cd en la raíz se observó
en la parcela B, en los 4 tiempos muestreados, el máximo valor registrado se obtuvo
en el mes 12 (9.7 ppm) y la menor en esta parcela de 2.4 ppm en el mes 1.5 para
esta parcela. La parcela A obtuvo su mayor concentración en la raíz en el mes 10
(0.520 ppm), al igual que la parcela C (0.810); como se muestra en la siguiente
Tabla:
49
Tabla 6. Concentración de Cd para Pennisetum setaceum tiempo
(meses) parcela A Cd
(ppm) parcela B Cd
(ppm) parcela C Cd
(ppm)
1.5 0.000 2.4 0.000
5 0.003 6.8 0.003
10 0.520 6.5 0.810
12 0.003 9.7 0.003
Para las concentraciones de Cr en la raíz del Pennisetum setaceum, en la parcela
B se observa la mayor concentración (103.3 ppm) en el mes 12, la mayor
concentración en la parcela A y C se registró en el mes 10 con valores de 44.03
ppm y 85.10 ppm respectivamente.
Tabla 7. Concentración de Cr para Pennisetum setaceum tiempo
(meses) parcela A Cr
(ppm) parcela B Cr
(ppm) parcela C Cr
(ppm)
1.5 0.002 35.10 14.90
5 41.10 63.90 61.02
10 44.03 67.20 85.10
12 35.34 103.30 15.50
Para las concentraciones de Ni registradas en la raíz del Pennisetum setaceum se
observa que el mayor valor fue registrado en la parcela B en el mes 12 con un valor
de 821.60 ppm, mientras que para la parcela A y C se observó en el mes 10 con
valores de 30.7 y 105.16 ppm respectivamente.
Tabla 8. Concentración de Ni para Pennisetum setaceum tiempo
(meses) parcela A Ni
(ppm) parcela B Ni
(ppm) parcela C Ni
(ppm)
1.5 0.003 18.30 6.70
5 14.20 36.90 76.61
10 30.70 51.50 105.16
12 11.50 821.60 4.10
Para las concentraciones de Pb obtenidas en la raíz de Pennisetum setaceum se
observa la mayor concentración en los individuos sembrados en la parcela B en el
mes 12 (164.6 ppm) y para la parcela A y C las mayores concentraciones
observadas en el mes 10 con 30.1 y 56.63 ppm respectivamente.
50
Tabla 9. Concentración de Pb para Pennisetum setaceum tiempo
(meses) parcela A Pb
(ppm) parcela B Pb
(ppm) parcela C Pb
(ppm)
1.5 0.010 19.80 0.010
5 54.70 113.70 43.90
10 67.70 80.35 56.63
12 30.10 164.60 19.90
10.2.2. Concentración de Metales pesados en Raíz Tradescantia pallida
Para la Tradescantia pallida, las muestras de la raíz en la parcela B, se observa la
mayor concentración en el Mes 10 con valor de 16.6 ppm, mientras que para la
parcela A y C se registra en el mismo mes valores máximos de 1.82 y 0.85 ppm
respectivamente.
Tabla 10. Concentración de Cd para Tradescantia pallida tiempo
(meses) parcela A Cd
(ppm) parcela B Cd
(ppm) parcela C Cd
(ppm)
1.5 0.002 0.002 0
5 NR 12.05 0.003
10 1.820 19.60 0.850
12 0.700 17.03 0.003
Para las concentraciones de Cr encontradas en la raíz de la Tradescantia pallida,
se observa que los registros de la Parcea B en el mes 5 está el valor máximo (177.7
ppm), mientras que para la parcela A en el mes 10 registra su máxima
concentración (128.8 ppm), y para la parcela C en el mes 10 con 127.9 ppm como
valor máximo.
Tabla 11. Concentración de Cr para Tradescantia pallida tiempo
(meses) parcela A Cr
(ppm) parcela B Cr
(ppm) parcela C Cr
(ppm)
1.5 105.00 29.70 44.00
5 NR 177.70 92.10
10 128.80 162.50 127.90
12 116.00 131.10 123.00
Las concentraciones de Ni en las raíces de la especie Tradescantia pallida,
registran el mayor valor en la parcela B en el mes 5 (214.9 ppm), para las parcelas
A y C los mayores valores encontrados fueron registrados en el mes 10 con valores
de 165.2 y de 197.5 ppm respectivamente.
51
Tabla 12. Concentración de Ni para Tradescantia pallida tiempo
(meses) parcela A Ni
(ppm) parcela B Ni
(ppm) parcela C Ni
(ppm)
1.5 59.50 4.680 31.79
5 NR 214.90 137.30
10 165.20 146.60 197.50
12 88.60 78.60 136.50
La concentración de Pb de mayor valor en las raíces de Tradescantia pallida fue
registrada en la parcela B en el mes 5 (457.62 ppm), mientras que para la parcela
A y C fue en el mes 10 con valores de 245.22 y 129.32 ppm respectivamente.
Tabla 13. Concentración de Pb para Tradescantia pallida tiempo
(meses) parcela A Pb
(ppm) parcela B Pb
(ppm) parcela C Pb
(ppm)
1.5 134.70 19.80 13.28
5 Nr 457.62 51.00
10 245.22 291.50 129.32
12 193.20 216.80 37.90
10.2.3. Concentraciones en parte aérea Pennisetum setaceum
Para la parte aérea de la presente especie vegetal, en las muestras de la parcela
B se observa el valor máximo registrado (0.003 ppm) de concentración de Cd en la
parte aérea del Pennisetum, aunque es válido aclarar que este valor es menor que
el valor mínimo detectado por el equipo.
Tabla 14. Concentración de Cd para Parte aérea de Pennisetum setaceum
tiempo (meses)
parcela A Cd (ppm)
parcela B Cd (ppm)
parcela C Cd (ppm)
1.5 0 0.002 0
5 0 0.003 0
10 0 0.003 0
12 0 0.003 0
Para los registros de Cr en la parte aérea del Pennisetum setaceum, el valor
máximo registrado fue en la parcela A (22 ppm) en el tiempo 1.5 meses, igual
tiempo para la parcela B con concentración de 14.8 ppm, y para la parcela C en el
mes 10 con valor de 17.9 ppm.
52
Tabla 15. Concentración de Cr para Parte aérea de Pennisetum setaceum tiempo
(meses) parcela A Cr (ppm) parcela B Cr
(ppm) parcela C Cr
(ppm)
1.5 22.00 14.80 10.70
5 0.02 0.02 0.02
10 0.02 0.02 17.90
12 10.00 4.22 0.02
La parte aérea de la muestra del Pennisetum setaceum en la parcela C registró la
mayor concentración (25.03 ppm) en el mes 10, mientras que para las parcelas A
y B se encontraron las mayores concentraciones en el mes 1.5 (7.61 ppm y 4.77
ppm respectivamente).
Tabla 16. Concentración de Ni para Parte aérea de Pennisetum setaceum
tiempo (meses)
parcela A Ni (ppm) parcela B Ni (ppm)
parcela C Ni (ppm)
1.5 7.61 4.77 5.69
5 0.00 0.00 0.00
10 0.00 0.00 25.03
12 1.40 0.00 0.00
Para el Pb en las muestras de Pennisetum setaceum, registra en el mes 12 de la
parcela B el mayor valor (9.8) mientras que para las parcelas A y C en el mismo
mes registran como el valor más alto (9.55 y 3.20 ppm respectivamente).
Tabla 17. Concentración de Pb para Parte aérea de Pennisetum setaceum
tiempo (meses)
parcela A Pb (ppm)
parcela B Pb (ppm)
parcela C Pb (ppm)
1.5 4.78 1.68 0.01
5 4.47 0.01 0.01
10 0.01 0.01 2.01
12 9.55 9.80 3.20
10.2.4. Parte aérea Tradescantia pallida
Para la parte aérea de la Tradescantia pallida, se observa la mayor concentración
en las muestras de la parcela B en el mes 5 (6.29 ppm), para la parcela C no
presenta concentración en la parte aérea, mientras que para la parcela A presenta
en el mes 5 y 10 valores menores al valor mínimo detectado el cual es 0.003 ppm.
53
Tabla 18. Concentración de Cd para Parte aérea de Tradescantia pallida tiempo
(meses) parcela A Cd
(ppm) parcela B Cd
(ppm) parcela C Cd
(ppm)
1.5 0 0.00 0
5 0.003 6.29 0
10 0.003 3.93 0
12 0 4.20 0
Para las concentraciones registradas en la parte aérea de la Tradescantia pallida,
se encuentra el valor máximo en la parcela B (33.70) en el mes 12, mientras que
para la parcela A se registra en el mes 12 (11.92 ppm) y para la parcela C se da en
el mes 5 (46.10 ppm).
Tabla 19. Concentración de Cr para Parte aérea de Tradescantia pallida tiempo
(meses) parcela A Cr (ppm) parcela B Cr
(ppm) parcela C Cr
(ppm)
1.5 10.80 12.10 15.60
5 8.70 34.70 46.10
10 7.30 22.60 17.90
12 11.92 33.70 5.40
En las muestras de la parte aérea de la Tradescantia pallida se observa el mayor
valor en la parcela C (79.9 ppm) en el mes 5 mientras que para la parcela A en el
mes 12 (5.9 ppm) y para la parcela B en el mes 5 (73.08 ppm)
Tabla 20. Concentración de Ni para Parte aérea de Tradescantia pallida tiempo
(meses) parcela A Ni (ppm) parcela B Ni
(ppm) parcela C Ni
(ppm)
1.5 0.003 0.640 5.300
5 0.003 73.080 79.900
10 0.003 43.500 25.030
12 5.900 36.300 0.003
Para las concentraciones de Pb en las muestras de la parte aérea de la
Tradescantia pallida, se observa en la parcela B en el mes 5 el mayor valor
registrado (169.9 ppm), mientras que para la parcela A en el mes 12 de 53 ppm y
para la parcela C un valor de 41.30 ppm para el mes 5.
Tabla 21. Concentración de Pb para Parte aérea de Tradescantia pallida tiempo
(meses) parcela A Pb
(ppm) parcela B Pb
(ppm) parcela C Pb
(ppm)
1.5 0.0100 0.0100 0.01
54
5 10.3000 169.9 41.30
10 0.0100 75.4 2.01
12 53.0000 114.1 8.90
ANÁLISIS DE RESULTADOS
Descripción de sustratos en las parcelas investigativas del Morro de Moravia.
Como se observa en el siguiente gráfico, realizado a partir de la tabla No 5, el orden
de abundancia descendiente de metales totales registrados para la parcela A es
Pb>Ni>Cr>Cd, para la Parcela B es Ni>Cr>Pb>Cd y para la parcela C es
Pb>Cr>Ni>Cd.
Gráfico 1. Caracterización de metales pesados en el Morro de Moravia.
La concentración más alta de Cadmio se encuentra en la Parcela C (109.89 ppm),
mientras que la mínima se encuentra en la Parcela B (0.77 ppm). Para el Cromo la
parcela C posee la mayor presencia de este metal con una concentración de 512.37
ppm y la parcela B presenta la menor concentración de Cromo. La parcela B posee
la mayor concentración de Níquel (474.87 ppm) mientras que la parcela A posee la
menor concentración (396.91 ppm) y para el plomo la parcela C posee la
concentración mayor (726.75 ppm), mientras que la parcela B es la que presenta
menor concentración en el sustrato (236.39 ppm).
2.92
0.77
109.89
371.05
335.35
512.37
396.91
474.87
414.48
414.8
236.39
726.75
0 100 200 300 400 500 600 700 800
Sustrato parcela A
Sustrato parcela B
Sustrato parcela C
METALES PESADOS EN SUST RATOS DE PARCELAS MORRO MORAVIA
Plomo (ppm) Níquel (ppm) Cromo (ppm) Cadmio (ppm)
55
En comparación con sustratos registrados en Colombia, específicamente en zonas
agrícola del Meta se observa que los registros de las 3 parcelas son más altos que
los encontrados el valor medio para Cd (Valores menores por el límite de
detección), Cr (11.9 ppm), Ni (7.5 ppm), Pb (16.7 ppm) (Mahecha Pulido, Trujillo
González, & Torres Mora, 2015).
Aunque las dinámicas de residuos sólidos en España difieren a la de Colombia, en
cuanto tipo de residuos, consumo y cultura de reciclaje, pero sumado a la carencia
de datos de los sustratos en sitios de disposición final de residuos sólidos, se realiza
la comparación entre los datos obtenidos en el presente estudio y los datos
registrados en la tabla , los cuales registran Cd, Cr, Ni y Pb en 15 vertederos de
España (Pastor & Hernández, 2012).
Tabla 22. Metales pesados en sustratos de sitios de disposición final en España
vertedero pH Cd(ppm) Cr (ppm) Ni (ppm) Pb (ppm)
Colmenar Viejo 6.3 0 3.7 5.6 13.9
San Lorenzo 7.3 0 12 6 223
El Escorial 7.2 0 23 13 182
Móstoles 5.7 0 2.7 3.1 9.4
Villaviciosa 7.5 0 1.3 2.9 24.8
Navalcarnero 6.5 0 1.6 1.1 2.7
El Álamo 7.2 0 1.9 1.5 4.4
Pinto 1 7.3 0 0.3 3.4 7
Pinto 2 7.6 0 0.4 3.4 4.7
Pinto 3 7.9 0 40 5 51
La Poveda 7.6 0 2.8 9.1 13.4
Arganda 8 0 5.9 7.4 60
Mejorada del campo 7.7 0 8.1 15 20
Alcalá 7.6 0 12 15 13.4
Aranjuez 7.7 0 2.2 15 11.6
Fuente (Pastor & Hernández, 2012)
Las concentraciones registradas en las tres parcelas en comparación con los
valores de la anterior tabla, muestran que a diferencia de los vertederos en España
el Morro de Moravia presenta concentraciones de Cd, en cuanto a Cr, Ni y Pb, las
concentraciones del sustrato de las 3 parcelas in situ, son mayores que a los datos
registrados en los sustratos de diferente vertedero.
La concentración de Cr en la parcela A supera en 9.27 veces el máximo valor
encontrado en la anterior tabla (Pinto 3, 40 ppm); para la parcela B se supera en
8.38 veces y en la Parcela C en 12.80 veces.
56
La concentración de Ni, en la parcela A se supera en 26.46 veces el máximo valor
encontrado en la tabla anterior (Mejorada del campo, Alcalá, Aranjuez, 15 ppm)
para la parcela B en 31.68 veces, y en la parcela C 27.63 veces.
La concentración de Pb y en comparación a lo que corresponde al máximo de los
15 vertederos registrados (San Lorenzo, 223 ppm), supera en 1.86 veces para la
parcela A, para la parcela B en 1.06 veces, aunque este valor es cercano al
comparado, y en 3.25 veces para la parcela C. Con lo anterior se observa una
mayor concentración de todos los metales pesados estudiados en las parcelas in
situ del Morro de Moravia en comparación con las capas de cobertura de los 15
vertederos registrados y los datos registrados en zonas agrícolas del Meta.
En cuanto a la textura, los valores porcentuales de Arcilla (AR%), Limo (L%) y
Arena (AR%) no generan ninguna variabilidad (véase Gráfico No 2). Si el sustrato
fuese formado pedogenéticamente, sería catalogado según los tres parámetros
anteriores como un suelo de clase Franco Arenosa, según la clasificación del
Departamento de Agricultura de los Estados Unidos (USDA) (Jaramillo Jaramillo,
2014a), por otra parte el contenido de arcillas no es elevado, esto nos permite
suponer que existe poca presencia de cargas negativas y por ende poca área
superficial para retener elementos como los metales pesados estudiados.
Como se observa en el siguiente gráfico, el sustrato es considerado como básico
por su pH que se encuentra entre 7.8 y 8. El pH posee un papel importante en el
secuestro del metal en las plantas, a pH bajo se ha encontrado mayor capacidad
de absorción en diferentes especies vegetales (Tandy et al., 2004). Las
acumulaciones de metales pesados en las plantas utilizadas en la fitorremediación
son relacionadas con las concentraciones que se encuentran en el sustrato, dada
la biodisponibilidad del elemento influenciado por el pH, dado que el metal pesado
es más soluble a pH bajos, permitiendo la movilización de estos elementos dentro
del sustrato y permitiendo una mejor captura y secuestro de los metales pesados
en las plantas (Bruemmer, Gerth, & Herms, 1986). AL observar que el pH del
sustrato es básico, se puede intuir los mecanismos para ingresar los metales
pesados a la planta está dado en las raíces por medio de la acidificación de la
rizósfera, con la generación de protones H+-ATPasas, esto crea un mayor potencial
de membrana, la cual es la principal fuerza impulsadora para la absorción de
cationes como lo es el Cd, Cr, Ni y Pb. Además, los protones pueden participar en
el intercambio de cationes, liberando iones metálicos divalentes que están unidos
estrechamente a las partículas del sustrato, y la acidificación resultante de la
rizósfera puede liberar metales a partir de sus hidróxidos. (Palmgren, 2001;
Palmgren et al., 2008), la cual podría ser una posibilidad de las concentraciones en
las raíces.
57
Gráfico 2. Parámetros fisicoquímicos de los sustratos en las 3 parcelas Morro
Moravia.
La materia orgánica se encuentra entre el 5.8% y el 9%. La parcela C la cual posee
un 5.8% de materia orgánica se encuentra dentro del intervalo de un sustrato de
laboreo (1 – 6%), mientras que las parcelas A y B posee un mayor porcentaje (9 y
8.7% respectivamente. Por otra parte, se puede catalogar como un sustrato
mineral, ya que no supera el 20% de materia orgánica. El porcentaje de MO,
permite observar el sitio de acumulación de los metales pesados, ya que el humus
puede unirse a coloides inorgánicos, formando complejos, estos materiales
involucrados en los complejos tienen una menor tasa de alteración que aquella que
tendrían, si estuvieran independientes en el sustrato (Jaramillo, 2002; Realpe,
Andr, Pardo, & Jos, 2014; Reyes & Barreto, 2011). la CIC está entre el 24.3 y 31.3,
siendo estos datos registrados altos, en comparación de un suelo
pedogeneticamente formado, ya que su valor se encuentra entre 1 y 5 cmol/Kg, el
Nitrógeno Amoniacal está en 14% para las 3 parcelas, mientras que el fósforo
disponible es el valor que cualitativamente está variando entre parcelas de
investigación, ya que su valor mínimo es 56 ppm y su máximo es de 155 ppm,
observando que este suelo contiene una gran cantidad de Nitrógeno y fósforo y el
cual no va a ser una limitante para el crecimiento y desarrollo de las especies
sembradas .
A% L% AR% pH CICE P (ppm)N-NO3(ppm)
N-NH4(ppm)
MO%
Sustrato parcela A 64 28 8 7.8 31.3 155 15 14 9
Sustrato parcela B 68 22 10 8 30.7 125 21 14 8.7
Sustrato parcela C 56 30 14 7.9 24.3 56 25 14 5.8
0
20
40
60
80
100
120
140
160
180TÍ
TULO
DEL
EJE
Parámetros Fisicoquímicos del sustrato en las parcelas de investigación Morro Moravia
58
ANÁLISIS DE CONCENTRACIONES DE METALES PESADOS EN RAÍZ DE Pennisetum setaceum y Tradescantia pallida
Los registros de metales pesados para la raíz del Pennisetum setaceum registran
la mayor bioacumulación de Cd, Cr, Ni y Pb en la Parcela B, además se observa el
registro descendente de metales pesados en los registros de esta parcela el cual
es Ni (821.6 ppm)> Pb (164.6 ppm)>Cr (103.3)> Cd (9.7). En la raíz de la
Tradescantia pallida, en el mes 5 no se observan registros realizados, ya que la
muestra tuvo un proceso de descomposición en el laboratorio. Los datos obtenidos
muestran a la Parcela B como el sitio donde se da el mayor proceso de
biacumulación para el Cd con un valor de 19.6 ppm, el Cr presenta una
concentración en la raíz de esta especie vegetal con valor de 177.7 ppm, el Ni
214.9 ppm y el Pb con un valor de 457.62 ppm. El orden descendente es
Pb>Ni>Cr>Cd.
A continuación, se realizó la sumatoria de todas las concentraciones por Parcela
en cada uno de los metales, permitiendo observar que la mayor concentración en
sumatoria de todos los registros se encuentra en la Parcela B para las dos especies
(observar Tabla 23). La configuración descendente de la sumatoria de todos los
metales pesados por cada parcela en la raíz del Pennisetum setaceum es la
siguiente Parcela B > Parcela C > Parcela A, y para la Tradescantia pallida
(Observar tabla 24) la sumatoria de las concentraciones de metales pesados
muestra de raíz se observa que el orden descendente es parcela B > Parcela C >
parcela A.
Tabla 23. Sumatoria de Metales Pesados en Pennisetum setaceum Tiempo meses) parcela A SMP (ppm) parcela B SMP (ppm) parcela C SMP (ppm)
1.5 0.015 75.56 21.61
5 110.003 221.28 181.533
10 142.95 205.54 247.7
12 76.943 1099.24 39.503
Total 329.911 1601.62 490.346
Tabla 24. Sumatoria de Metales Pesados en Tradescantia pallida Tiempo(meses) parcela A SMP(ppm) parcela B SMP (ppm) parcela C SMP (ppm)
1.5 299.202 54.182 89.07
5 NR 862.27 280.403
10 541.04 620.2 455.57
12 398.5 443.53 297.403
Total 1238.742 1980.182 1122.446
59
Cálculo de FBC y TF
Como se mencionó anteriormente, el FBC es una relación la cual nos permite
observar el número de veces que la raíz es capaz de acumular las concentraciones
del sustrato, mientras que el TF es las concentraciones que son capaces de
acumular en la parte aérea en relación con las concentraciones de la raíz. A
continuación, Se realiza el cálculo del FBC y TF utilizando la Ecuación 1 y 2.
Cálculo del Factor de Bioconcentración Pennisetum setaceum
Como se observa en las siguientes tablas, se observa un FBC mayor a 1, para el
Cd obteniendo un máximo valor de 12.6 en el mes 12. Este valor se interpreta que
es capaz de bioacumular 12.6 veces la concentración de Cd del sustrato de la
parcela B (0.77 ppm). Para el Cr, el valor máximo es de 0.31 en las muestras de
la Parcela B, para el Ni el valor registrado es de 1.73 y de 0.7 para el Pb.
Tabla 25. FBC Raíz de Penisetum para Cd
Tiempo (meses)
parcela A Cd
parcela B Cd
parcela C Cd
1.5 0.0 3.1 0.000
5 0.0 8.8 0.000
10 0.2 8.4 0.007
12 0.0 12.6 0.000
Tabla 26. FBC Raíz de Penisetum para Cr
tiempo (meses)
parcela A Cr
parcela B Cr
parcela C Cr
1.5 0.00 0.10 0.029
5 0.11 0.19 0.119
10 0.12 0.20 0.166
12 0.10 0.31 0.030
Tabla 27. FBC Raíz de Penisetum para Ni tiempo
(meses) parcela A
Ni parcela B
Ni parcela C Ni
1.5 0.00 0.04 0.016
5 0.04 0.08 0.185
10 0.08 0.11 0.254
12 0.03 1.73 0.010
60
Tabla 28. FBC Raíz de Penisetum para Pb tiempo (meses)
parcela A Pb
parcela B Pb
parcela C Pb
1.5 0.00 0.08 0.000
5 0.13 0.48 0.060
10 0.16 0.34 0.078
12 0.07 0.70 0.027
Calculo del Factor de Translocación (FT) para Pennisetum setaceum
En cuanto al FT, los valores según el FBC no son relevantes en cuanto a la Parcela
B para Cd, mientras que los valores de FT para Cr, Ni y Pb en la parcela A, en el
registro de 1.5 meses no refejan un dato importante dado que son valores los
cuales están con concentraciones en la raíz de 0.002 ppm para Cr 0.003 ppm para
Ni y 0.01 ppm para Pb. Los anteriores datos no son relativos para observar un
proceso de fitoextracción dado que sus valores son muy bajos, y excepto a los
relacionados anteriormente son menores a 1.
Tabla 29. FT Penisetum para Cd tiempo
(meses) parcela A Cd
parcela B Cd
parcela C Cd
1.5 NR 0.0 NR
5 1.0 0.0 1.0
10 0.0 0.0 0.0
12 0.0 0.0 0.0
No realizado = división por cero
Tabla 30. FT Penisetum para Cr Tiempo (meses)
parcela A Cr
parcela B Cr
parcela C Cr
1.5 11000.0 0.4 0.7
5 0.0 0.0 0.0
10 0.0 0.0 0.2
12 0.3 0.0 0.0
61
Tabla 31. FT Penisetum para Ni
tiempo (meses)
parcela A Ni
parcela B Ni (ppm)
parcela C Ni (ppm)
1.5 2536.7 0.3 0.8
5 0.0 0.0 0.0
10 0.0 0.0 0.2
12 0.1 0.0 0.0
Tabla 32. TF Penisetum para Pb
tiempo (meses)
parcela A Pb (ppm)
parcela B Pb (ppm)
parcela C Pb (ppm)
1.5 478.0 0.1 1.0
5 0.1 0.0 0.0
10 0.0 0.0 0.0
12 0.3 0.1 0.2
Cálculo del factor de bioconcentración (FBC) Tradescantia pallida
Como se observa en las siguientes tablas, se observa un FBC mayor a 1, para el
Cd obteniendo un máximo valor en el mes 22.1. Este valor se interpreta que es
capaz de bioacumular 22.1 veces la concentración de Cd del sustrato de la parcela
B (0.77 ppm). Para el FBC de plomo, es 0.92 el cual es un valor cercano a 1 con
lo cual se hace la suma de las concentraciones de raíz y parte aérea, ya que la
concentración de la parte aérea puede permitir que su FBC de esta suma sea igual
o superior a 1.
Tabla 33. FBC Raíz de Tradescantia pallida para Cd tiempo
(meses) parcela A Cd
(ppm) parcela B Cd
(ppm) parcela C Cd
(ppm)
1.5 0.0 0.0 0.000
5 NR 15.6 0.000
10 0.6 25.5 0.008
12 0.2 22.1 0.000
Tabla 34. FBC Raíz de Tradescantia pallida para Cr
tiempo (meses)
parcela A Cr (ppm)
parcela B Cr (ppm)
parcela C Cr (ppm)
1.5 0.28 0.09 0.086
5 NR 0.53 0.180
10 0.35 0.48 0.250
62
12 0.31 0.39 0.240
Tabla 35. FBC Raíz de Tradescantia pallida para Ni
tiempo (meses)
parcela A Ni (ppm)
parcela B Ni (ppm)
parcela C Ni (ppm)
1.5 0.15 0.01 0.077
5 NR 0.45 0.331
10 0.42 0.31 0.477
12 0.22 0.17 0.329
Tabla 36. FBC Raíz de Tradescantia pallida para Pb
tiempo (meses)
parcela A Pb (ppm)
parcela B Pb (ppm)
parcela C Pb (ppm)
1.5 0.32 0.08 0.018
5 NR 1.94 0.070
10 0.59 1.23 0.178
12 0.47 0.92 0.052
FT Tradescantia pallida
Como se observa en las siguientes tablas, los valores de TF no son mayores a 1,
observando que los procesos de translocación no se llevan a cabo en esta especie
vegetal.
Tabla 37. TF Tradescantia pallida para Cd
tiempo (meses)
parcela A Cd (ppm)
parcela B Cd (ppm)
parcela C Cd (ppm)
1.5 0.0 0.0 NR
5 Muestra dañada 0.5 1.0
10 0.0 0.2 0.0
12 0.0 0.2 0.0
NR = División por cero
Tabla 38. TF Tradescantia pallida para Cr
tiempo (meses) parcela A Cr (ppm) parcela B Cr (ppm) parcela C Cr (ppm)
1.5 0.10 0.41 0.35
5 Muestra dañada 0.20 0.50
10 0.06 0.14 0.14
63
12 0.10 0.26 0.04
Tabla 39. TF Tradescantia pallida para Ni
tiempo (meses) parcela A Ni (ppm) parcela B Ni (ppm) parcela C Ni (ppm)
1.5 0.00 0.14 0.17
5 Muestra dañada 0.34 0.58
10 0.00 0.30 0.13
12 0.07 0.46 0.00
Tabla 40. TF Tradescantia pallida para Pb
tiempo (meses) parcela A Pb (ppm) parcela B Pb (ppm) parcela C Pb (ppm)
1.5 0.00 0.00 0.00
5 NR 0.37 0.81
10 0.00 0.26 0.02
12 0.27 0.53 0.23
NR, realizado por división por cero
Tanto BCF y TF son importantes en la selección de especies vegetales para
fitoextracción de metales pesados. La evaluación y selección de plantas para fines
de fitorremediación dependen en gran parte de los valores del FBC y TF. El BCF
es una medida más importante que la concentración de metal disparar al considerar
el potencial de una especie candidata para procesos de fitoextracción, dado que
refleja la capacidad de concentrar en su fisiología (Wu et al., 2011). Valor del factor
de translocación mayor que 1 indica la translocación del metal de la raíz a la parte
por encima del suelo, además las especies vegetales con registros de BCF y TF
mayor que 1 tienen el potencial de ser utilizados para la fitoextracción (D. C Adriano
et al., 2004; Yoon, Cao, Zhou, & Ma, 2006).
Bioacumulación de Cr
La especie vegetal Pennisetum setaceum, no posee BFC mayores a 1, reflejando
que no existen procesos eficientes de fitorremediación en las tres parcelas
instauradas en el Morro de Moravia. El BFC más alto encontrado está en la parcela
B con valor de 0.31 en el mes 12. En cuanto al FT registrado, se observa el máximo
valor de 11000 en la parcela A en el mes 1.5, siendo este un dato no relevante
dado que la relación está dada por el valor de la parte aérea de 22 ppm y el valor
encontrado en la raíz (0.002 ppm), y sumado a que no hay un proceso de
acumulación alto según la concentración del sustrato en esta parcela, el cual es de
371.05 ppm. La especie vegetal Tradescantia pallida no poseen BFC mayores a 1
64
en las muestras obtenidas de las tres parcelas instauradas en el Morro de Moravia.
El BFC más alto encontrado está en la Parcela B con valor de 0.484 en el mes 10.
Los Factores de translocación son menores a 1. El máximo valor encontrado está
ubicado en la parcela C en el mes 5, con un valor de 0.5.
Aunque con las presentes mediciones no se obtiene la determinación de las causas
de no bioacumulación alta de Cr en las dos especies estudiadas, se entiende que
el cromo está presente diferentes formas químicas Cr (III) y Cr (VI) en el sustrato,
los cuales varían notablemente en términos de su comportamiento biogeoquímicos,
en especial el pH. La transferencia suelo-planta y la acumulación en diferentes
partes de la planta varía con sus propiedades según la forma química, el tipo de
planta y las propiedades fisicoquímicas del suelo. Este metal pesado no tiene
ningún transportador específico para su absorción por las plantas y entra
principalmente a través de canales específicos y no específicos de iones
esenciales. Su acumulación se da en tejidos de la raíz con una translocación
limitada a brotes. Las plantas toleran la toxicidad Cr a través de diversos
mecanismos de defensa tales como complejación por ligandos orgánicos,
compartimentación en la vacuola, y a través de las enzimas antioxidantes (Salt,
Prince, Pickering, & Raskin, 1995). Por otra parte se puede presentar competencia
entre los diferentes metales que se encuentran en el sustrato, generando inhibición
de la acumulación, dado que este compuesto no tiene ninguna función biológica en
las plantas (Reale et al., 2016).
Bioacumulación de Ni
La especie vegetal Pennisetum setaceum posee un registro mayor a 1, en la
parcela B en el mes 12, el cual es 1.73 reflejando que existen un proceso eficiente
de fitorremediación en esta parcela instaurada en el Morro de Moravia. En cuanto
al FT registrado, se observa el máximo valor de 2536.7 en la parcela A en el mes
1.5, siendo este un dato no relevante dado que la relación está dada por el valor
de la parte aérea de 7.61 ppm y el valor encontrado en la raíz (0.003 ppm), y
sumado a que no hay un proceso de acumulación alto según la concentración del
sustrato en esta parcela, el cual es de 396.91 ppm, por otra parte en la parcela C,
se observa en el mes 1.5 el valor es 0.8 el cual posee la misma interpretación
anterior, dado que la concentración es muy baja comparada con la concentración
del sustrato de la parcela el cual es de 414.48 ppm. La especie vegetal
Tradescantia pallida no poseen BFC mayores a 1 en las muestras obtenidas de las
tres parcelas instauradas en el Morro de Moravia. El BFC más alto encontrado está
en la Parcela C con valor de 0.477 en el mes 5. Los Factores de translocación son
65
menores a 1. El máximo valor encontrado está ubicado en la parcela C en el mes
5, con un valor de 0.58.
La captación del Ni, no es igual a las de los otros metales, para el Ni realizan
principalmente por las raíces a través de una difusión pasiva y / o transporte activo.
La absorción de Ni depende de la concentración de metal, el suelo o solución
nutritiva acidez y la composición de la materia orgánica, por otra parte, a pH altos
no permite la movilidad de este metal pesado, por otra parte, el transporte de este
metal está estrechamente regulada por diversos quelantes. (Amari, Ghnaya, &
Abdelly, 2017; Seregin & Kozhevnikova, 2006).
Bioacumulación de Cd
La especie vegetal Pennisetum setaceum, posee BFC mayores a 1, reflejando que
procesos eficientes de fitorremediación en la parcela B del Morro de Moravia. El
BFC más alto encontrado es de 12.6 en el mes 12, mientras que el mínimo es de
3.1 en el mes 1.5. Estos valores muestran que la raíz es capaz de asimilar 12.6
veces la concentración de Cadmio presente en el sustrato (0.77 ppm). En cuanto
al FT registrado, se observa el máximo valor de 1en las parcelas A y C en el mes
5. La especie vegetal Tradescantia pallida posee BFC mayores a 1 en las muestras
obtenidas de la parcela B instaurada en el Morro de Moravia. El BFC más alto es
de 25.5 en el mes 10. Los Factores de translocación son menores a 1. El máximo
valor encontrado está ubicado en la parcela C en el mes 5, con un valor de 1. Para
la parcela B donde se encuentra valores de BFC mayores a 1, presenta en el mes
5 un FT de 0.5 es decir en la parte aérea acumula la mitad de la concentración
presente en la raíz, este dato genera un proceso de eficiencia dado que el BFC
posee un valor de 15.6, es decir la parte aérea es capaz de bioacumular 7.8 veces
la concentración de Cd en el sustrato.
En comparación con otras especies vegetales se ha encontrado que G.
pseudochina, N. tabacum, C. sumatrensis, han obtenido valores de BFC de 4,3.5 y
1.72 (Khaokaew & Landrot, 2015) las cuales están por debajo del Pennisetum
setaceum (BFC = 11.5) y del Tradescantia pallida (27.62).
A pesar de la toxicidad Cd, las dos especies vegetales, presentan alta tolerancia a
este elemento. Las plantas que presentan estas características han desarrollado
una serie de mecanismos para hacer frente a Cd, Inmovilización, síntesis de
proteínas, producción de etileno ante el estrés, exclusión del metal, la excreción
activa, distribución restringida del metal en los tejidos sensibles, la unión a la pared
66
celular de metal, la quelación por moléculas orgánicas y compartimentación en las
vacuolas (Gallego et al., 2012; Sanitá Di Toppi & Gabbrielli, 1999).
El Cd se acumula en la capa superior de los sustratos, en estrecha relación con la
fracción orgánica, y su biodisponibilidad es mayor en suelos ácidos, y la solubilidad
se incrementa con exudados de la raíz, su asimilación se da predominante como
Cd+2 y en quelatos de cadmio. Su ingreso se da primordialmente por necesidades
fisiológicas, debido a su alta movilidad y solubilidad en agua. El Cd entra fácilmente
las raíces a través del tejido cortical, y puede alcanzar el xilema a través de un
apoplástico y / o una vía simplastico, formando complejos con ácidos o
fitoquelatinas orgánicos , siendo la pared celular como el sitio predominante de
almacenamiento de metales pesados, siendo este un mecanismo importante para
la tolerancia a estos compuestos (Lux, Martinka, Vaculík, & White, 2011; Salt et al.,
1995; Tudoreanu & Phillips, 2001).
La biodisponibilidad de Cd en el suelo es controlada por el pH, la estructura del
suelo, materia orgánica del suelo (MO), y la especiación química y de la absorción
por las plantas puede ocurrir principalmente a través de Ca 2 + , Fe 2 + , Mn 2 + , y
Zn 2 +, los cuales son elementos transportadores. Mientras que la mayoría de la
acumulación Cd ocurre en las raíces, la capacidad de la translocación a brotes es
un factor de mecanismo de tolerancia por las plantas. El cadmio es uno de los más
metales pesados móviles y por lo tanto puede ser altamente tóxico para las plantas
(Seshadri et al., 2016; Verbruggen, Hermans, & Schat, 2009).
Bioacumulación de Pb
La especie vegetal Pennisetum setaceum, no posee BFC mayores a 1, reflejando
que no existen procesos eficientes de fitorremediación en las tres parcelas
instauradas en el Morro de Moravia. El BFC más alto encontrado está en la parcela
B con valor de 0.7 en el mes 12. En cuanto al FT registrado, se observa el máximo
valor de 478 en la parcela A en el mes 1.5, siendo este un dato no relevante dado
que la relación está dada por el valor de la parte aérea de 4.78 ppm y el valor
encontrado en la raíz (0.010 ppm), y sumado a que no hay un proceso de
acumulación alto según la concentración del sustrato en esta parcela, el cual es de
414.8 ppm. La especie vegetal Tradescantia pallida posee en el mes 5 de la parcela
B un valor de BFC de 1.94, para el FT se encuentra como valor máximo 0.53 en la
parcela B en el mes 12. La bioacumulación de Pb en las especies vegetales, no
dependen únicamente de la concentración del metal pesado en el suelo, están
sujetas a las propiedades del suelo como el pH, y la presencia de la Materia
Orgánica. Las bioacumulaciones son típicamente bajas en la mayoría de las
67
plantas, excepto en sustratos donde el pH es ácido (Kawasaki, Kimura, & Arai,
2000; Sauvé, Hendershot, & Allen, 2000; Verma & Dubey, 2003).
Generación de Modelo de regresión
Se realiza la comparación simple de comparación de modelos alternos de
generación como se observa en la tabla 44 para todos los resultados de las tres
parcelas de investigación para las dos especies sembradas. Los valores que son
de importancia en el presente estudio son las concentraciones de Cd para el
Pennisetum setaceum y Cd y Pb para Tradescantia pallida, los cuales se muestran
a continuación, para los demás resultados se adjuntan en el Anexo C.
Modelo de regresión para concentración de Cd (Y) en raíz Pennisetum
setaceum en el tiempo (t).
Tabla 41. Comparación de Modelos Alternos Modelo Correlaci
ón R-Cuadrada
Doble Inverso 0.9850 97.02%
Curva S -0.9669 93.48%
Raíz Cuadrada-Y Inversa de X
-0.9443 89.18%
Multiplicativa 0.9440 89.11%
Raíz Cuadrada-Y Log-X 0.9360 87.61%
Logaritmo de X 0.9181 84.29%
Raíz Cuadrada Doble 0.9131 83.38%
Logarítmico-Y Raíz Cuadrada-X
0.9113 83.05%
Inversa de X -0.9101 82.84%
Raíz Cuadrada deX 0.9062 82.12%
Lineal 0.8854 78.39%
Raíz Cuadrada de Y 0.8812 77.66%
Exponencial 0.8697 75.63%
Cuadrado de Y 0.8671 75.18%
Cuadrado-Y Raíz Cuadrada-X
0.8651 74.84%
Cuadrado Doble 0.8631 74.49%
Cuadrado-Y Log-X 0.8546 73.03%
Cuadrado de X 0.8437 71.18%
Inversa de Y -0.8380 70.23%
Raíz Cuadrada-X Cuadrado-X
0.8212 67.44%
Cuadrado-Y Inversa de X -0.8141 66.28%
Log-Y Cuadrado-X 0.7936 62.98%
68
Inversa-Y Cuadrado-X -0.7387 54.57%
Inversa-Y Raíz Cuadrada-X
<sin ajuste>
Inversa-Y Log-X <sin ajuste>
Logístico <sin ajuste>
Log probit <sin ajuste>
Esta tabla muestra los resultados de ajustar varios modelos curvilíneos a los datos.
De los modelos ajustados, el modelo doble inverso es el que arroja el valor más
alto de R-Cuadrada con 97.0151%.
Resumen de regresión
Variable dependiente: parcela B Cd (ppm)
Variable independiente: Tiempo en meses
Recíproco Doble: Y = 1/ (a + b/X)
Tabla 42. Coeficientes Mínimos Cuadrados Estándar Estadístico
Parámetro Estimado Error T Valor-P
Intercepto 0.070592 0.0225122 3.13572 0.0884
Pendiente 0.512663 0.0635859 8.06252 0.0150
Tabla 43. Análisis de Varianza
Fuente Suma de Cuadrados Gl Cuadrado Medio Razón-F Valor-P
Modelo 0.059336 1 0.059336 65.00 0.0150
Residuo 0.0018256 2 0.000912802
Total (Corr.) 0.0611616 3
Coeficiente de Correlación = 0.984963
R-cuadrada = 97.0151 porciento
R-cuadrado (ajustado para g.l.) = 95.5227 porciento
Error estándar del est. = 0.0302126
Error absoluto medio = 0.0181435
Estadístico Durbin-Watson = 3.32704 (P=0.9284)
Autocorrelación de residuos en retraso 1 = -0.697197
La salida muestra los resultados de ajustar un modelo doble inverso para describir
la relación entre parcela B Cd (ppm) y Tiempo en meses. La ecuación del modelo
ajustado es
69
Parcela B Cd (ppm) =1
0.0700592 +0.512663t (meses)
Puesto que el valor-P en la tabla ANOVA es menor que 0.05, existe una relación
estadísticamente significativa entre parcela B Cd (ppm) y Tiempo en meses con un
nivel de confianza del 95.0%.
El estadístico R-Cuadrada indica que el modelo ajustado explica 97.0151% de la
variabilidad en parcela B Cd (ppm). El coeficiente de correlación es igual a
0.984963, indicando una relación relativamente fuerte entre las variables. El error
estándar del estimado indica que la desviación estándar de los residuos es
0.0302126. El error absoluto medio (MAE) de 0.0181435 es el valor promedio de
los residuos. El estadístico de Durbin-Watson (DW) examina los residuos para
determinar si hay alguna correlación significativa basada en el orden en el que se
presentan en el archivo de datos. Puesto que el valor-P es mayor que 0.05, no hay
indicación de una autocorrelación serial en los residuos con un nivel de confianza
del 95.0%.
A continuación, se realiza una comparación gráfica de los valores experimentales,
versus los arrojados por el modelo.
Tabla 44. Datos comparativos de Cd en parcela B para Pennisetum setaceum
tiempo (meses)
parcela B Cd (ppm)
parcela A Cd (ppm) modelo de regresión
1.5 2.4 2.4
5.0 6.8 5.8
10.0 6.5 8.2
12.0 9.7 8.8
70
Gráfico 3. Comparación de datos registrados Vs Modelo de regresión para Cd
Parcela B Pennisetum setaceum
Modelo de regresión para Tradescantia pallida
Para Cadmio
Se realiza la comparación de los modelos:
Tabla 45. Comparación de Modelos Alternos Modelo Correlación R-Cuadrada
Raíz Cuadrada-Y Inversa de X -0.9963 99.27%
Curva S -0.9890 97.81%
Doble Inverso 0.9822 96.47%
Logaritmo de X 0.9785 95.75%
Inversa de X -0.9764 95.34%
Raíz Cuadrada-Y Log-X 0.9673 93.56%
Raíz Cuadrada deX 0.9543 91.07%
Cuadrado-Y Raíz Cuadrada-X 0.9370 87.80%
Cuadrado-Y Log-X 0.9367 87.74%
Multiplicativa 0.9316 86.78%
2.4
6.86.5
9.7
2.4
5.8
8.28.8
0.0
2.0
4.0
6.0
8.0
10.0
12.0
0.0 2.0 4.0 6.0 8.0 10.0 12.0 14.0
[CD
] P
PM
TIEMPO (MESES)
COMPARACIÓN DE DATOS REGISTRADOS VS MODELO DE REGRESIÓN
PARA CD PARCELA B PENNISETUM SETACEUM
parcela B Cd (ppm) parcela B Cd (ppm) modelo
71
Raíz Cuadrada Doble 0.9261 85.76%
Cuadrado de Y 0.9183 84.32%
Lineal 0.9145 83.64%
Cuadrado-Y Inversa de X -0.8916 79.50%
Logarítmico-Y Raíz Cuadrada-X 0.8754 76.63%
Raíz Cuadrada de Y 0.8722 76.07%
Cuadrado Doble 0.8510 72.41%
Cuadrado de X 0.8232 67.77%
Exponencial 0.8095 65.52%
Raíz Cuadrada-X Cuadrado-X 0.7657 58.63%
Log-Y Cuadrado-X 0.6909 47.73%
Inversa-Y Cuadrado-X -0.6647 44.19%
Inversa de Y <sin ajuste>
Inversa-Y Raíz Cuadrada-X <sin ajuste>
Inversa-Y Log-X <sin ajuste>
Logístico <sin ajuste>
Log probit <sin ajuste>
Esta tabla muestra los resultados de ajustar varios modelos curvilíneos a los datos.
De los modelos ajustados, el modelo raíz cuadrada-Y X-inversa es el que arroja el
valor más alto de R-Cuadrada con 99.270.
Resumen de regresión
Variable dependiente: parcela b Cd (ppm)
Variable independiente: Tiempo ( meses)
Raíz Cuadrada-Y Inversa de X: Y = (a + b/X)^2
Tabla 46. Coeficientes Mínimos Cuadrados Estándar Estadístico Parámetro Estimado Error T Valor-P
Intercepto 4.9449 0.157621 31.3722 0.0010
Pendiente -7.34252 0.445201 -16.4926 0.0037
Tabla 47. Análisis de Varianza Fuente Suma de Cuadrados Gl Cuadrado Medio Razón-F Valor-P
Modelo 12.1715 1 12.1715 272.01 0.0037
Residuo 0.0894944 2 0.0447472
Total (Corr.) 12.261 3
Coeficiente de Correlación = -0.996344 R-cuadrada = 99.2701 porciento R-cuadrado (ajustado para g.l.) = 98.9051 porciento Error estándar del est. = 0.211535 Error absoluto medio = 0.10827 Estadístico Durbin-Watson = 2.54649 (P=0.5106)
72
Autocorrelación de residuos en retraso 1 = -0.511133 La salida muestra los resultados de ajustar un modelo raíz cuadrada-Y X-inversa para describir la relación entre parcela b Cd (ppm) y Tiempo ( meses). La ecuación del modelo ajustado es
𝑃𝑎𝑟𝑐𝑒𝑙𝑎 𝐵 𝐶𝑑 (𝑝𝑝𝑚) = (4.9449 −7.34252
𝑡(𝑚𝑒𝑠𝑒𝑠))
2
Puesto que el valor-P en la tabla ANOVA es menor que 0.05, existe una relación estadísticamente significativa entre parcela b Cd (ppm) y Tiempo ( meses) con un nivel de confianza del 95.0%. El estadístico R-Cuadrada indica que el modelo ajustado explica 99.2701% de la variabilidad en parcela b Cd (ppm). El coeficiente de correlación es igual a -0.996344, indicando una relación relativamente fuerte entre las variables. El error estándar del estimado indica que la desviación estándar de los residuos es 0.211535. El error absoluto medio (MAE) de 0.10827 es el valor promedio de los residuos. El estadístico de Durbin-Watson (DW) examina los residuos para determinar si hay alguna correlación significativa basada en el orden en el que se presentan en el archivo de datos. Puesto que el valor-P es mayor que 0.05, no hay indicación de una autocorrelación serial en los residuos con un nivel de confianza del 95.0%. A continuación, se realiza una comparación gráfica de los valores experimentales,
versus los arrojados por el modelo.
Tabla 48. Datos comparativos para Cd Tradescantia pallida
tiempo (meses)
parcela B Cd (ppm)
parcela A Cd (ppm) modelo de regresión
1.5 0.002 0.002
5.0 12.050 12.085
10.0 19.600 17.730
12.0 17.030 18.775
73
Gráfico 4. Comparación de datos registrados Vs Modelo de regresión para Cd
Parcela B Tradescantia pallida
Regresión Plomo sumatoria de concentraciones de raíz y parte aérea
Tabla 49. Comparación de modelos Modelo Correlación R-Cuadrada
Doble Inverso 0.9980 99.59%
Raíz Cuadrada Doble 0.9951 99.02%
Raíz Cuadrada-Y Log-X 0.9918 98.36%
Logaritmo de X 0.9898 97.98%
Logarítmico-Y Raíz Cuadrada-X 0.9838 96.79%
Raíz Cuadrada de Y 0.9835 96.73%
Lineal 0.9824 96.52%
Raíz Cuadrada deX 0.9728 94.63%
Cuadrado-Y Log-X 0.9685 93.80%
Cuadrado de X 0.9613 92.42%
Cuadrado de Y 0.9577 91.73%
Raíz Cuadrada-X Cuadrado-X 0.9546 91.13%
Multiplicativa 0.9519 90.62%
Cuadrado-Y Raíz Cuadrada-X 0.9430 88.92%
Exponencial 0.9408 88.52%
Cuadrado Doble 0.9338 87.19%
Log-Y Cuadrado-X 0.8988 80.79%
Curva S 0.5798 33.62%
0.002
12.050
19.600
17.030
0.002
12.085
17.73018.775
0.000
5.000
10.000
15.000
20.000
25.000
0.0 2.0 4.0 6.0 8.0 10.0 12.0 14.0
[CD
] P
PM
TIEMPO (MESES)
COMPARACIÓN DE DATOS REGISTRADOS VS MODELO DE REGRESIÓN
PARA CD PARCELA B TRADESCANTIA PALLIDA
parcela B Cd (ppm) Parcela B Cd modelado (ppm)
74
Raíz Cuadrada-Y Inversa de X 0.3969 15.75%
Inversa-Y Raíz Cuadrada-X 0.3818 14.58%
Inversa de X 0.2572 6.62%
Inversa-Y Log-X 0.2526 6.38%
Inversa de Y 0.2301 5.30%
Cuadrado-Y Inversa de X 0.1969 3.88%
Inversa-Y Cuadrado-X 0.1483 2.20%
Logístico <sin ajuste>
Log probit <sin ajuste>
Esta tabla muestra los resultados de ajustar varios modelos curvilíneos a los datos.
De los modelos ajustados, el modelo doble inverso es el que arroja el valore más
alto de R-Cuadrada con 99.5931%. Este es el modelo actualmente seleccionado.
Resumen de regresión
Variable dependiente: parcela B Pb Tradescantia(ppm)
Variable independiente: tiempo en meses
Recíproco Doble: Y = 1/(b/X)
Tabla 50. Coeficientes
Mínimos Cuadrados Estándar Estadístico Parámetro Estimado Error T Valor-P
Pendiente 0.0221567 0.00100149 22.1239 0.0020
Tabla 51. Análisis de Varianza
Fuente Suma de Cuadrados Gl Cuadrado Medio Razón-F Valor-P
Modelo 0.000226505 1 0.000226505 489.46 0.0020
Residuo 9.25521E-7 2 4.6276E-7
Total 0.000227431 3
Coeficiente de Correlación = 0.997963
R-cuadrada = 99.5931 porciento
R-cuadrado (ajustado para g.l.) = 99.5931 porciento
Error estándar del est. = 0.000680265
Error absoluto medio = 0.000447547
Estadístico Durbin-Watson = 1.70853
Autocorrelación de residuos en retraso 1 = 0.0926675
Número de filas excluídas: 1
La salida muestra los resultados de ajustar un modelo doble inverso para describir la relación entre parcela B Pb Tradescantia(ppm) y tiempo en meses. La ecuación del modelo ajustado es
75
𝑃𝑎𝑟𝑐𝑒𝑙𝑎 𝐵 𝑇𝑟𝑎𝑑𝑒𝑠𝑐𝑎𝑛𝑡𝑖𝑎 𝑝𝑎𝑙𝑙𝑖𝑑𝑎 𝑃𝑏 (𝑝𝑝𝑚) = 1
0.0221567𝑡(𝑚𝑒𝑠𝑒𝑠)
Puesto que el valor-P en la tabla ANOVA es menor que 0.05, existe una relación estadísticamente significativa entre parcela B Pb Tradescantia(ppm) y tiempo en meses con un nivel de confianza del 95.0%. El estadístico R-Cuadrada indica que el modelo ajustado explica 99.5931% de la variabilidad en parcela B Pb Tradescantia(ppm). El coeficiente de correlación es igual a 0.997963, indicando una relación relativamente fuerte entre las variables. El error estándar del estimado indica que la desviación estándar de los residuos es 0.000680265. Este valor puede usarse para construir límites de predicción para nuevas observaciones, seleccionando la opción de Pronósticos del menú de texto. El error absoluto medio (MAE) de 0.000447547 es el valor promedio de los residuos. El estadístico de Durbin-Watson (DW) examina los residuos para determinar si hay alguna correlación significativa basada en el orden en el que se presentan en el archivo de datos. A continuación, se realiza una comparación gráfica de los valores experimentales, versus los arrojados por el modelo.
Gráfico 5. Comparación de datos registrados Vs Modelo de regresión para Pb
Parcela B Tradescantia pallida
Los tiempos en que la planta alcanza el máximo valor de acumulación de los
metales pesados son importantes para determinar el potencial fitorremediador de
las plantas, debido a la expectativa de tiempo de cosecha de las dos especies
sembradas en las parcelas, permitiendo la planificación de procesos eficientes en
la fitorremediación.
19.81
627.52
366.9330.9
67.70
225.67
451.33
541.60
0
100
200
300
400
500
600
700
0.0 2.0 4.0 6.0 8.0 10.0 12.0 14.0
[CD
] P
PM
TIEMPO (MESES)
CO M P AR ACIÓ N D E D AT O S R EG IS T R AD O S V S M O D EL O D E R EG R ES IÓ N P AR A P B P AR CEL A B T R AD ES CAN T IA P AL L ID A
parcela B Pb(ppm) Parcela B Pb modelado (ppm)
76
Seguimiento Visual
El Morro de Moravia, es un pasivo ambiental en el cual se encuentran metales
pesados en su sustrato y en el cual se ha apostado por la implementación de la
fitorremediación como alternativa de mitigación a los impactos ambientales y de
salud que puede generar. Las especies vegetales que se siembran en esta área
deben ser tolerantes a las condiciones fisicoquímicas del sector, además de las
condiciones ambientales que presenta en su entorno, permitiendo generar
procesos de bioacumulación de metales pesados y generando métodos de
mejoramiento del paisaje, enfocados en las formas y contrastes de color.
Por lo anterior, se presenta las siguientes imágenes las cuales muestran la
tolerancia de las dos especies ornamentales estudiadas en el sustrato del Morro
de Moravia, permitiendo observar que sus colores muestran la tolerancia a los
parámetros fisicoquímicos del área de estudio, y concluyendo que las especies
vegetales son adecuadas para el proceso de paisajismo. Por otra parte, las plantas
de Pennisetum setaceum se siembran con una altura en promedio de 20 cm, y de
Tradescantia pallida en promedio de 12 cm en las 3 parcelas instauradas del Morro
de Moravia. Las alturas registradas en promedio del Pennisetum setaceum en la
parcela A es de 110 cm, en la parcela B de 150 cm, y en la parcela C de 130 cm;
para la Tradescantia pallida se registró en promedio la altura en la Parcela A de 47
cm, en la parcela B de 59 cm, en la parcela C de 52 cm. En las siguientes imágenes
se contrastan las imágenes de siembra y estado final a los 12 meses, observando
los cambios en tamaño y como la planta no presenta síntomas de clorosis.
Imagen 12. Desarrollo del Pennisetum setaceum en la Parcela B
77
Imagen 13. Desarrollo del Tradescantia pallida en la Parcela B
Imagen 14. Desarrollo e Pennisetum setaceum en la Parcela C
78
CONCLUSIONES
El potencial fitorremediador de la Tradescantia pallida y el Pennisetum setaceum
han sido evaluados desde 4 perspectivas. La tolerancia a las condiciones
fisicoquímica y del ambiente in situ en el Morro de Moravia, además del factor de
bioconcentración, factor de translocación y tiempos de acumulación.
El seguimiento visual como aproximación organoléptica permite establecer que las
especies vegetales Pennisetum setaceum y Tradescantia pallida son tolerantes a
las características identificadas en el sustrato de las tres parcelas instauradas en
el Morro de Moravia, como niveles de pH, porcentaje de materia orgánica,
Capacidad de Intercambio Catiónica, Textura, concentraciones de cadmio, cromo,
níquel y plomo; toda vez que las plantas monitoreadas presentan colores
característicos y alturas adecuadas de acuerdo a las reseñas bibliográficas
consultadas.
Las especies Pennisetum setaceum y Tradescantia pallida se clasifican como
metalofitas, las cuales son especies vegetales capaces de tolerar y adaptarse a
sitios que presentan altas concentraciones de metales pesados.
Los muestreos llevados en los sustratos de las tres parcelas instauradas en el
Morro de Moravia, exponen un orden de abundancia descendiente de metales
totales. La parcela A registra Pb>Ni>Cr>Cd, para la Parcela B es Ni>Cr>Pb>Cd y
para la parcela C es Pb>Cr>Ni>Cd.
El registro de la concentración de metales pesados en los sustratos indica que la
concentración más alta de cadmio se encuentra en la Parcela C (109.89 ppm)
El registro de la concentración de metales pesados en los sustratos indica que la
concentración más alta de cromo se presenta en la parcela C con 512.37 ppm.
El análisis de la concentración de metales pesados en los sustratos indica que la
concentración más alta de Níquel se reporta en la parcela B con una concentración
de 474.87 ppm
El análisis de la concentración de metales pesados en los sustratos indica que la
concentración más alta de plomo se reporta en la parcela C con una concentración
de 726.75 ppm.
El análisis de la concentración de metales pesados en los sustratos permite concluir
que los sustratos muestreados de las diferentes parcelas son diferentes
79
cualitativamente y cuantitativamente en las configuraciones de presencia de
metales pesados en el Morro de Moravia,
El análisis del sustrato en las parcelas estudiadas evidencia la heterogeneidad del
mismo en los diferentes sitios seleccionados del Morro de Moravia.
Comparando los resultados del análisis elemental del sustrato de las parcelas
seleccionadas en el morro Moravia con las concentraciones de metales pesados
reportados para otros sustratos de vertederos, las concentraciones presentes en el
sustrato del morro Moravia son altas.
En cuanto a la correlación de los parámetros fisicoquímicos del sustrato en la
acumulación de metales pesados en la raíz de las especies vegetales evaluadas
se tiene que a niveles de pH ácidos se presenta mayor movilidad de los metales
pesados, siendo mayor su biodisponibilidad para el ingreso a las plantas, además
en casos de pH básico se puede presentar la liberación de ácidos de bajo peso
molecular por parte de las especies vegetales, los cuales disminuyen el pH en
áreas circundantes a los pelos radicales, permitiendo la bioacumulación de los
metales pesados (Bruemmer et al., 1986; Tandy et al., 2004), por lo tanto se
concluye que el pH es el factor determinante en la bioconcentración de metales
pesados en las especies vegetales
El pH de las tres parcelas, permiten catalogar al sustrato como básico, sin embargo,
se presentan registros de concentraciones de metales pesados en sus raíces, y en
la parte aérea ´por lo tanto el mecanismo de liberación de ácidos de bajo peso
molecular por parte de Pennisetum setaceum y Tradescantia pallida parece estar
presente en las parcelas estudiadas.
La evaluación de los parámetros fisicoquímicos del sustrato a la luz de los
requerimientos para el crecimiento de las especies Pennisetum setaceum y
Tradescantia pallida como la textura, los porcentajes de materia orgánica y los
valores de nitrógeno y fósforo permite concluir que estos factores no son una
limitante para el crecimiento de los individuos sembrados de las dos especies
vegetales en las tres parcelas del Morro de Moravia.
La Tradescantia pallida presenta concentraciones máximas en su raíz de Cd a los
9 meses en la parcela B (19.6 ppm), Cr a los 3.5 meses en la parcela B (177 ppm),
de Ni a los 3.5 meses en la parcela B (214.9 ppm) y de Pb a los 9 meses en la
parcela B (457.62 ppm),
La Tradescantia pallida presenta concentraciones máximas en su parte aérea de
Cd a los 5 meses en la parcela B (6.29), de Cr a los 5 meses en la parcela C (46.10),
80
de Ni a los 5 meses en la parcela C (79.9) y de Pb a los 5 meses en la parcela C
(114.1).
El Pennisetum setaceum presenta concentraciones máximas en su raíz de Cd a
los 12 meses en la parcela B (9.7 ppm), de Cr a los 12 meses en la parcela B (103.3
ppm), de Ni a los 12 meses en la parcela B (821.6 ppm) y de Pb a los 12 meses en
la parcela B (164.6 ppm),
El Pennisetum setaceum presenta concentraciones menores a 0.003 ppm en los
registros realizados de Cd, de Cr a los 1.5 meses en la parcela A (22 ppm), de Ni
a los 1.5 meses en la parcela A (7.61) y de Pb a los 5 meses en la parcela A (4.78).
Las dos especies vegetales presentaron una mayor bioacumulación de todos los
metales pesados en la Parcela B, como se observó en la sumatoria de las
concentraciones registradas en el apartado 11.2.
La especie Pennisetum setaceum presenta en total 1601 ppm de la sumatoria de
los metales pesados evaluados en su raíz, mientras que la especie vegetal
Tradescantia pallida un total de 1980 ppm en su raíz.
Los tiempos para las bioacumulaciones más altas en la Tradescantia pallida y
Pennisetum setaceum, se registraron entre los meses 10 y 12, siendo este un
parámetro de tiempo mínimo para esperar procesos eficientes de fitoextracción.
Para la bioacumulación de Cd en la parcela B por parte de la Pennisetum setaceum,
se estableció un modelo de recíproco doble del tipo 𝑌 = 1/(𝑎 + 𝑏
𝑥), la ecuación
del modelo es 𝑝𝑎𝑟𝑐𝑒𝑙𝑎 𝐵 𝐶𝑑 (𝑝𝑝𝑚) = 1/(0.070592 + 0.512663
𝑡 (𝑚𝑒𝑠𝑒𝑠)), existe una relación
estadísticamente significativa entre parcela B Cd (ppm) y tiempo en meses con un
nivel de confianza del 95.0%,
Para la bioacumulación de Cd en la Parcela B por parte del Tradescantia Pallida,
se observa un modelo raíz cuadrada de Y, Inversa de X. La ecuación para este
modelo es 𝑝𝑎𝑟𝑐𝑒𝑙𝑎 𝑏 𝐶𝑑 (𝑝𝑝𝑚) = (4.9449 − 7.34252
𝑡 (𝑚𝑒𝑠𝑒𝑠))2, existe una relación
significativa entre parcela b Cd (ppm) y t ( meses) con un nivel de confianza del
95.0%.
Los valores registrados de FBC en el Pennisetum setaceum, permiten observar que
para el Cd se encuentra en el mes 12 y parcela B (12.6) en la parcela B; para Cr
se presenta un valor máximo en la parcela B de 0.31 en el mes 12, de Ni presenta
un valor máximo de 1.73 en el mes 12 en la parcela B, de Pb, se presenta un
máximo de 0.7 en el mes 12 en la parcela B. Para los valores de FT calculados se
81
observa que los datos son menores a 1; por tanto se concluye que la especie
Pennisetum setaceum posee un potencial aceptable de Fitoextracción presente en
la raíz de Cd y Ni en parcelas con características similares a la parcela B, es decir,
con concentraciones de Cd de 0.77 ppm y Ni de 474.87 ppm y pH básicos cercanos
a 8, además los procesos de extracción o cosecha de la planta se debe realizar
retirando todo el individuo de la parcela o sitio contaminado.
La especie vegetal Pennisetum setaceum posee potencial fitorremediador en
sustratos con presencia de concentraciones de cadmio y níquel, lo anterior
argumentado en los factores de bioconcentración mayores a 1 encontrados en los
registros de la parcela B.
La especieTradescantia pallida poseen potencial fitorremediador en sustratos con
presencia de concentraciones de cadmio y plomo, lo anterior argumentado en los
factores de bioconcentración mayores a 1 encontrados en los registros de la
parcela B.
El factor de bioconcentración más alto para cadmio de la especie vegetal
Tradescantia pallida se encuentra en la parcela B en el mes 10 (25.5), mientras
que en la parcela A y C son menores a 1.
El factor de bioconcentración más alto para cromo de la especie vegetal
Tradescantia pallida se encuentra en la parcela B en el mes 5 (0.53).
El factor de bioconcentración más alto para níquel de la especie vegetal
Tradescantia pallida se encuentra en la parcela B en el mes 10 (0.47).
El factor de bioconcentración más alto para plomo de la especie vegetal
Tradescantia pallida se encuentra en la parcela B en el mes 12 (1.94), mientras
que en la parcela A y C son menores a 1.
Para los valores de translocación calculados en la especie vegetal Tradescantia
pallida se observa que los datos registrados para cadmio, cromo, níquel y plomo
son menores a 1
El factor de bioconcentración más alto para cadmio de la especie vegetal
Pennisetum setaceum se encuentra en la parcela B en el mes 12 (12.6), mientras
que en la parcela A y C son menores a 1.
El factor de bioconcentración más alto para cromo de la especie vegetal
Pennisetum setaceum se encuentra en la parcela B en el mes 12 (0.31).
El factor de bioconcentración más alto para níquel de la especie vegetal
Pennisetum setaceum se encuentra en la parcela B en el mes 12 (1.73).
82
El factor de bioconcentración más alto para plomo de la especie vegetal
Pennisetum setaceum se encuentra en la parcela B en el mes 12 (0.7), mientras
que en la parcela A y C son menores a 1.
Para los valores de translocación calculados en la especie vegetal Pennisetum
setaceum se observa que los datos registrados para cadmio, cromo, níquel y plomo
son menores a 1.
Según el análisis de los factores de bioconcentración de cadmio y plomo mayores
a 1 encontrados en la parcela B, sumado a la tolerancia a las condiciones
fisicoquímicas del sustrato, y el tiempo de entre 10 y 12 meses de mayor
biacumulación de cadmio y plomo en las raíces, se concluye que la especie
Tradescantia pallida posee un alto potencial de Fitoextracción para Cd y Pb en
parcelas con características similares a la parcela B, es decir, con concentraciones
de Cd de 0.77 ppm y de Pb de 236.39 ppm a pH básico, por otra parte sus procesos
de extracción o cosecha de la planta se debe realizar retirando todo el individuo de
la parcela o sitio contaminado, dado que la bioacumulación de cadmio y plomo se
presenta en las raíces de la planta, para generar procesos eficientes de
fitorremediación en sitios contaminados de cadmio y plomo como lo presenta el
Morro de Moravia.
Según el análisis de los factores de bioconcentración de cadmio y Níquel mayores
a 1 sumado a la tolerancia a las condiciones fisicoquímicas del sustrato, y el tiempo
de entre 10 y 12 meses de mayor biacumulación de cadmio y plomo en las raíces,
se concluye que la especie Pennisetum setaceum posee un alto potencial de
Fitoextracción presente en la raíz de Cd y Ni en parcelas con características
similares a la parcela B, es decir, con concentraciones de Cd de 0.77 ppm y de Ni
de 474.87 ppm a pH básico, por otra parte sus procesos de extracción o cosecha
de la planta se debe realizar retirando todo el individuo de la parcela o sitio
contaminado, dado que la bioacumulación de cadmio y plomo se presenta en las
raíces de la planta para generar procesos eficientes de fitorremediación en sitios
contaminados de cadmio y plomo como lo presenta el Morro de Moravia.
83
RECOMENDACIONES
El presente trabajo de investigación es un primer paso para generar procesos
eficientes de fitorremediación en el Morro de Moravia, por lo que se recomienda
continuar con el estudio del potencial fitorremediador del Pennisetum setaceum y
Tradescantia pallida junto con la variabilidad del pH, tratando de observar si al
disminuir pH se puede bioacumular en mayor cantidad el Cd y/o Pb o si hay mayor
bioacumulación de otros metales pesados en estas dos especies, para generar un
pH óptimo y así generar un plan de implementación en el Morro de Moravia. Por
otra parte se hace necesario, debido a que no se presenta en el estudio, el registro
de crecimiento de raíz de las dos especies, ya que este factor es importante en la
implementación de la fitoextracción, dado que es una limitante del proceso, en esta
nueva investigación se debe realizar en primera instancia en escala de laboratorio,
ex situ, debido a que en el sustrato del Morro de Moravia, las raíces se adhieren a
diferentes elementos como plástico, vidrio, textiles, y al momento de retirar las
raíces se puede presentar pérdida del material a evaluar. Por otra parte, los
parámetros de nutrición de las dos especies vegetales se podrían variar en las
diferentes parcelas y permitir un estado óptimo para aplicar la Fitorremediación en
este sitio contaminado con metales pesados.
En el Morro de Moravia se están utilizando 42 especies vegetales ornamentales,
de las cuales se recomienda continuar con los estudios de potencial fitorremediador
en estas especies dada el potencial que podrían tener tanto en la remediación
como en el paisajismo, asumiendo su tolerancia a las condiciones del sustrato
presentes al Morro de Moravia, y permitiendo generar opciones de nuevas
investigaciones donde se asocien Universidad y Estado.
Por otra parte, la incorporación de micorrizas a los procesos de fitorremediación es
un procedimiento de mejora para la bioacumulación de metales pesados y se
podría implementar en estas especies ornamentales, para observar su
comportamiento en el tiempo, estos procesos requieren de procesos de
investigación amplias que pueden generar proyectos de investigación a futuro.
84
BIBLIOGRAFÍA
Adriano, D. C. (2001). Trace Elements in Terrestrial Environments. Environmental Chemistry (Vol. 3). http://doi.org/10.1007/978-0-387-21510-5
Adriano, D. C., Wenzel, W. W., Vangronsveld, J., & Bolan, N. S. (2004). Role of assisted natural remediation in environmental cleanup. Geoderma, 122(2–4 SPEC. IIS.), 121–142. http://doi.org/10.1016/j.geoderma.2004.01.003
Ahlawat Sainger, P., Dhankhar, R., Sainger, M., Kaushik, A., & Pratap Singh, R. (2011). Assessment of heavy metal tolerance in native plant species from soils contaminated with electroplating effluent. Ecotoxicology and Environmental Safety, 74(8), 2284–2291. http://doi.org/10.1016/j.ecoenv.2011.07.028
Alcaldía de Medellín, S. de M. A. (2014). Plan de Habilitación Ambiental Morro de Moravia. Medellín.
Ali, H., Khan, E., & Sajad, M. A. (2013). Phytoremediation of heavy metals-Concepts and applications. Chemosphere, 91(7), 869–881. http://doi.org/10.1016/j.chemosphere.2013.01.075
Ali, S., Rizwan, M., Ali, Q., Saeed, R., Iftikhar, U., Ahmad, R., … Hassan, G. (2016). Ecotoxicology and Environmental Safety Phytoremediation of heavy metals by Alternanthera bettzickiana : Growth and physiological response, 126, 138–146. http://doi.org/10.1016/j.ecoenv.2015.12.031
Alloway, B. (1995). Heavy Metals in Soils Trace Metals and Metalloids in Soils and Their Bioavailability. Heavy Metals in Soils: trace metals and metalloids in soils and their bioavailability (Third Edit). Environmental Pollution 22. http://doi.org/10.1007/9789400744707
Alves, E. S., de Souza, S. R., Pedroso, A. N. V., & Domingos, M. (2008). Potential of the Trad-MCN assay applied with inflorescences of Tradescantia pallida “Purpurea” for evaluating air contamination by naphthalene. Ecotoxicology and Environmental Safety, 71(3), 717–721. http://doi.org/10.1016/j.ecoenv.2007.09.006
Amari, T., Ghnaya, T., & Abdelly, C. (2017). Nickel, cadmium and lead phytotoxicity and potential of halophytic plants in heavy metal extraction. South African Journal of Botany, 111, 99–110. http://doi.org/10.1016/j.sajb.2017.03.011
Amzal, B., Julin, B., Vahter, M., Wolk, A., Johanson, G., & Akesson, A. (2009). Population toxicokinetic modeling of cadmium for health risk assessment. Environmental Health Perspectives, 117(8), 1293–1301. http://doi.org/10.1289/ehp.0800317
Baker, A. (1981). Accumulators and Excluders - Strategies in the Response of Plants To Heavy-Metals. Journal of Plant Nutrition, 3(1–4), 643–654. http://doi.org/10.1080/01904168109362867
85
Baudo, R. (1987). Heavy Metal Pollution and Ecosystem Recovery. Ecological Assessment of Environmental Degradation, Pollution and Recovery. ECSC, EEC, EAEC, Brussels and Luxembourh. http://doi.org/10.1016/B978-0-444-87361-3.50020-1
Bhargava, A., Carmona, F. F., Bhargava, M., & Srivastava, S. (2012). Approaches for enhanced phytoextraction of heavy metals. Journal of Environmental Management, 105, 103–120. http://doi.org/10.1016/j.jenvman.2012.04.002
Bothe, H. (2011). Detoxification of Heavy Metals, 30, 35–58. http://doi.org/10.1007/978-3-642-21408-0
Bradl, H. B. (2005). Sources and Origins of Heavy Metals. In Heavy Metals in the Environment; origin, interaction and remediation, ((ed. H. B. Bradl).), 1–27.
Brooks, R. (1994). Plants and the Chemical Elements, Biochemistry, Uptake, Tolerance and Toxicity. (M. E. Farago, Ed.).
Bruemmer, G. W., Gerth, J., & Herms, U. (1986). Heavy metal species, mobility and availability in soils. Zeitschrift F??r Pflanzenern??hrung Und Bodenkunde, 149(4), 382–398. http://doi.org/10.1002/jpln.19861490404
Chaney, R. L., Malik, M., Li, Y. M., Brown, S. L., Brewer, E. P., Angle, J. S., & Baker, A. J. M. (1997). Phytoremediation of soil metals. Current Opinion in Biotechnology, 8(3), 279–284. http://doi.org/10.1016/S0958-1669(97)80004-3
Chen, M., Qin, X., Zeng, G., & Li, J. (2016). Impacts of human activity modes and climate on heavy metal “spread” in groundwater are biased. Chemosphere, 152, 439–445. http://doi.org/10.1016/j.chemosphere.2016.03.046
Choppala, G., Bolan, N., Bibi, S., Iqbal, M., Rengel, Z., Kunhikrishnan, A., … Ok, Y. S. (2014). Cellular Mechanisms in Higher Plants Governing Tolerance to Cadmium Toxicity. Critical Reviews in Plant Sciences, 33(5), 374–391. http://doi.org/10.1080/07352689.2014.903747
Cunningham, S. D., & Berti, W. R. (1993). Remediation of contaminated soils with green plants - An overview. In Vitro Cellular & Developmental Biology-Plant, 29(4), 207–212. http://doi.org/10.1007/BF02632036
de Souza Lima, E., de Souza, S. R., & Domingos, M. (2009). Sensitivity of Tradescantia pallida (Rose) Hunt. “Purpurea” Boom to genotoxicity induced by ozone. Mutation Research - Genetic Toxicology and Environmental Mutagenesis, 675(1–2), 41–45. http://doi.org/10.1016/j.mrgentox.2009.02.007
Dhiman, S. S., Selvaraj, C., Li, J., Singh, R., Zhao, X., Kim, D., … Lee, J.-K. (2016). Phytoremediation of metal-contaminated soils by the hyperaccumulator canola (Brassica napus L.) and the use of its biomass for ethanol production. Fuel, 183, 107–114. http://doi.org/http://dx.doi.org/10.1016/j.fuel.2016.06.025
86
Dietz, A. C., & Schnoor, J. L. (2001). Advances in phytoremediation. Environmental Health Perspectives, 109(SUPPL. 1), 163–168. http://doi.org/10.2307/3434854
Duffus, J. H. (2002). " HEAVY METALS " —A MEANINGLESS TERM? (IUPAC Technical Report). Pure Appl. Chem. National Representatives: Z. Bardodej (Czech Republic J. Park (Korea F. J. R. Paumgartten (Brazil, 74(5), 793–807. http://doi.org/10.1351/pac200274050793
Enviromental Protection Agency. (2000). Introduction to Phytoremediation. U.S. Environmental Protection Agency, (February), 1–72. http://doi.org/EPA/600/R-99/107
Fageria, N. K., Filho, M. P. B., Moreira, A., & Guimarães, C. M. (2009). Foliar fertilization of crop plants. Journal of Plant Nutrition, 32(6), 1044–1064. http://doi.org/10.1080/01904160902872826
Farkas, E., Szabó, O., Parajdi-Losonczi, P. L., Balla, G., & Pócsi, I. (2014). Mn(II)/Mn(III) and Fe(III) binding capability of two Aspergillus fumigatus siderophores, desferricrocin and N’, N″, N‴-triacetylfusarinine C. triacetylfusarinine C. Journal of Inorganic Biochemistry, 139, 30–37. http://doi.org/10.1016/j.jinorgbio.2014.06.005
Fox, J. (2005). The R Commander: A Basic-Statistics Graphical User Interface to R. Journal of Statistical Software, 14(9), 1–42. http://doi.org/10.1234/12345678
Gallego, S. M., Pena, L. B., Barcia, R. A., Azpilicueta, C. E., Iannone, M. F., Rosales, E. P., … Benavides, M. P. (2012). Unravelling cadmium toxicity and tolerance in plants: Insight into regulatory mechanisms. Environmental and Experimental Botany, 83, 33–46. http://doi.org/10.1016/j.envexpbot.2012.04.006
García-Esquinas, E., Pérez-Gómez, B., Fernández, M. A., Pérez-Meixeira, A. M., Gil, E., Paz, C. de, … Aragonés, N. (2011). Mercury, lead and cadmium in human milk in relation to diet, lifestyle habits and sociodemographic variables in Madrid (Spain). Chemosphere, 85(2), 268–276. http://doi.org/10.1016/j.chemosphere.2011.05.029
Gerhardt, K. E., Huang, X. D., Glick, B. R., & Greenberg, B. M. (2009). Phytoremediation and rhizoremediation of organic soil contaminants: Potential and challenges. Plant Science, 176(1), 20–30. http://doi.org/10.1016/j.plantsci.2008.09.014
Gómez Arcila, V., Mercado Camargo, J., Herrera Herrera, A., Fang Mercado, L., & Díaz Caballero, A. (2014). Níquel en cavidad oral de individuos con agrandamiento gingival inducido por tratamiento ortodóncico. Revista Clínica de Periodoncia, Implantología Y Rehabilitación Oral, 7(3), 136–141. http://doi.org/10.1016/j.piro.2014.06.002
Guimares, E. T., Domingos, M., Alves, E. S., Caldini, N., Lobo, D. J. A., Lichtenfels,
87
A. J. F. C., & Saldiva, P. H. N. (2000). Detection of the genotoxicity of air pollutants in and around the city of Sao Paulo (Brazil) with the Tradescantia-micronucleus (Trad-MCN) assay. Environmental and Experimental Botany, 44(1), 1–8. http://doi.org/10.1016/S0098-8472(00)00050-2
Hall, J. L. (2002). Cellular mechanisms for heavy metal detoxification and tolerance. Journal of Experimental Botany, 53(366), 1–11. http://doi.org/10.1093/jexbot/53.366.1
Heil, D., & Sposito, G. (1997). Chapter 3 Chemical attributes and processes affecting soil quality. Developments in Soil Science, 25(C), 59–79. http://doi.org/10.1016/S0166-2481(97)80030-X
Henry, J. R. (2000). An Overview of the Phytoremediation of Lead and Mercury Prepared By Technology Innovation office, (August), 1–31.
Hodson, M. E. (2004). Heavy metals - Geochemical bogey men? Environmental Pollution, 129(3), 341–343. http://doi.org/10.1016/j.envpol.2003.11.003
Hoornweg, D., & Perinaz, B.-T. (2012). WHAT A WASTE A Global Review of Solid Waste Management. Urban Development Series Knowledge Papers, World Bank. Retrieved from http://siteresources.worldbank.org/INTURBANDEVELOPMENT/Resources/336387-1334852610766/What_a_Waste2012_Final.pdf
INTERNATIONAL PROGRAMME ON CHEMICAL SAFETY. (1994a). Cadmio. Retrieved October 20, 2016, from http://www.insht.es/InshtWeb/Contenidos/Documentacion/FichasTecnicas/FISQ/Ficheros/0a100/nspn0020.pdf
INTERNATIONAL PROGRAMME ON CHEMICAL SAFETY. (1994b). Níquel. Retrieved October 20, 2016, from http://www.insht.es/InshtWeb/Contenidos/Documentacion/FichasTecnicas/FISQ/Ficheros/0a100/nspn0062.pdf
INTERNATIONAL PROGRAMME ON CHEMICAL SAFETY. (2003). Plomo metálico. Retrieved October 20, 2016, from http://www.insht.es/InshtWeb/Contenidos/Documentacion/FichasTecnicas/FISQ/Ficheros/0a100/nspn0052.pdf
Isnardo, D., Vidal, J., Panyella, D., & Vilaplana, J. (2015). Nickel Transfer by Fingers. Actas Dermo-Sifiliográficas (English Edition), 106(5), e23–e26. http://doi.org/10.1016/j.adengl.2015.04.011
ITRC Interstate Technology and Regulatory Cooperation Work Group, P. W. T. (2001). Technical and Regulatory Guidance Document Phytotechnology. Environmental Research.
Jaramillo, D. (2002). Introducción a la ciencia del suelo. Facultad de Ciencias.
88
Universidad Nacional de Colombia, 619. http://doi.org/10.1017/CBO9781107415324.004
Jaramillo Jaramillo, D. F. (2014a). El Suelo: Origen, Propiedades, Espacialidad. (Universidad Nacional de Colombia Sede Medellín - Facultad de Ciencias Escuela de Geociencias, Ed.) (Segunda Ed). Medellin.
Jaramillo Jaramillo, D. F. (2014b). El suelo: Origen, Propiedades, Espacialidad. (Segunda Ed). Medellin: Universidad Nacional de Colombia, Sede Medellín.
Jardín Botanico de Medellín. (2013). Manual para jardineros. (F. E. J. B. de Medellín, Ed.), 2013. Medellín. http://doi.org/10.1007/s13398-014-0173-7.2
Järup, L. (2003). Hazards of heavy metal contamination. British Medical Bulletin, 68, 167–182. http://doi.org/10.1093/bmb/ldg032
Jiang, C. ai, Wu, Q. T., Sterckeman, T., Schwartz, C., Sirguey, C., Ouvrard, S., … Morel, J. L. (2010). Co-planting can phytoextract similar amounts of cadmium and zinc to mono-cropping from contaminated soils. Ecological Engineering, 36(4), 391–395. http://doi.org/10.1016/j.ecoleng.2009.11.005
Kawasaki, A., Kimura, R., & Arai, S. (2000). Applications in food quality and environmental contamination. Communications in Soil Science and Plant Analysis, 31(11–14), 2413–2423. http://doi.org/10.1080/00103620009370595
Ke, S., Cheng, X.-Y., Zhang, J.-Y., Jia, W.-J., Li, H., Luo, H.-F., … Chen, Z.-N. (2015). Estimation of the benchmark dose of urinary cadmium as the reference level for renal dysfunction: a large sample study in five cadmium polluted areas in China. BMC Public Health, 15(1), 656. http://doi.org/10.1186/s12889-015-2021-x
Khaokaew, S., & Landrot, G. (2015). A field-scale study of cadmium phytoremediation in a contaminated agricultural soil at Mae Sot District, Tak Province, Thailand: (1) Determination of Cd-hyperaccumulating plants. Chemosphere, 138, 883–887. http://doi.org/10.1016/j.chemosphere.2014.09.108
Klapheck, S., Fliegner, W., & Zimmer, I. (1994). Are Metal-lnduced Peptides of the Poaceae ’. Plant Physiology, 104, 1325–1332.
Kormi, T., Ali, N. B. H., Abichou, T., & Green, R. (2016). Estimation of landfill methane emissions using stochastic search methods. Atmospheric Pollution Research. http://doi.org/10.1016/j.apr.2016.12.020
Krämer, U. (2010). Metal Hyperaccumulation in Plants. Annual Review of Plant Biology, 61(1), 517–534. http://doi.org/10.1146/annurev-arplant-042809-112156
Kumar, N., Bauddh, K., Kumar, S., Dwivedi, N., Singh, D. P., & Barman, S. C.
89
(2013). Accumulation of metals in weed species grown on the soil contaminated with industrial waste and their phytoremediation potential. Ecological Engineering, 61, 491–495. http://doi.org/10.1016/j.ecoleng.2013.10.004
Kumar, P., Dushenkov, V., Motto, H., & Raskin, I. (1995). Phytoextraction: The use of plants to remove heavy-metals from soils. Environmental Science & Technology, 29(5), 1232–1238. http://doi.org/10.1021/es00005a015
Ladislas, S., El-Mufleh, A., Gerente, C., Chazarenc, F., Andres, Y., Bechet, B., … Béchet, B. (2012). Potential of aquatic macrophytes as bioindicators of heavy metal pollution in urban stormwater runoff. Water, Air & Soil Pollution, 223(2), 877–888. http://doi.org/10.1007/s11270-011-0909-3
Lin, J., Zhang, F., & Lei, Y. (2016). Dietary intake and urinary level of cadmium and breast cancer risk: A meta-analysis. Cancer Epidemiology, 42, 101–107. http://doi.org/10.1016/j.canep.2016.04.002
Liu, J. nv, Zhou, Q. xing, Sun, T., Ma, L. Q., & Wang, S. (2008). Growth responses of three ornamental plants to Cd and Cd-Pb stress and their metal accumulation characteristics. Journal of Hazardous Materials, 151(1), 261–267. http://doi.org/10.1016/j.jhazmat.2007.08.016
Lux, A., Martinka, M., Vaculík, M., & White, P. J. (2011). Root responses to cadmium in the rhizosphere: A review. Journal of Experimental Botany, 62(1), 21–37. http://doi.org/10.1093/jxb/erq281
Mahecha Pulido, J., Trujillo González, J., & Torres Mora, M. (2015). Contenido de metales pesados en suelos agrícolas de la región Ariari, Departamento de Meta. Orinoquia, 19(1), 108–122. Retrieved from http://www.scielo.org.co/pdf/rori/v19n1/v19n1a11.pdf
Marrugo-Negrete, J., Durango-Hernández, J., Pinedo-Hernández, J., Olivero-Verbel, J., & Díez, S. (2015). Phytoremediation of mercury-contaminated soils by Jatropha curcas. Chemosphere, 127, 58–63. http://doi.org/10.1016/j.chemosphere.2014.12.073
Marrugo-Negrete, J., Marrugo-Madrid, S., Pinedo-Hernández, J., Durango-Hernández, J., & Díez, S. (2016). Screening of native plant species for phytoremediation potential at a Hg-contaminated mining site. Science of the Total Environment, 542, 809–816. http://doi.org/10.1016/j.scitotenv.2015.10.117
McGrath, S. P., & Zhao, F. J. (2003). Phytoextraction of metals and metalloids from contaminated soils. Current Opinion in Biotechnology, 14(3), 277–282. http://doi.org/10.1016/S0958-1669(03)00060-0
Meireles, J., Rocha, R., Neto, A. C., & Cerqueira, E. (2009). Genotoxic effects of vehicle traffic pollution as evaluated by micronuclei test in tradescantia (Trad-
90
MCN). Mutation Research - Genetic Toxicology and Environmental Mutagenesis, 675(1–2), 46–50. http://doi.org/10.1016/j.mrgentox.2009.02.005
Mench, M., Lepp, N., Bert, V., Schwitzgu??bel, J. P., Gawronski, S. W., Schr??der, P., & Vangronsveld, J. (2010). Successes and limitations of phytotechnologies at field scale: Outcomes, assessment and outlook from COST Action 859. Journal of Soils and Sediments, 10(6), 1039–1070. http://doi.org/10.1007/s11368-010-0190-x
Mielli, A. C., Matta, M. E. M., Nersesyan, A., Saldiva, P. H. N., & Umbuzeiro, G. A. (2009). Evaluation of the genotoxicity of treated urban sludge in the Tradescantia micronucleus assay. Mutation Research - Genetic Toxicology and Environmental Mutagenesis, 672(1), 51–54. http://doi.org/10.1016/j.mrgentox.2008.09.007
Ministerio de Minas y Energía. (2006). Politica de promoción país minero. http://doi.org/10.1017/CBO9781107415324.004
Montoya, Gómez, O., Andavert, D. V., Dávalos, Á. G., & Morató, J. (2011). Moravia como ejemplo de transformación de áreas urbanas degradadas : tecnologías apropiadas para la restauración integral de cuencas hidrográficas. Nova, 9(15), 38–49.
Nakbanpote, W., & Meesungnoen, O. (2016). Bioremediation and Bioeconomy. Bioremediation and Bioeconomy. Elsevier. http://doi.org/10.1016/B978-0-12-802830-8.00009-5
Olivero-Verbel, J., Johnson-Restrepo, B., & Arguello, E. (2002). Human exposure to mercury in San Jorge river basin, Colombia (South America). Science of The Total Environment, 289(1–3), 41–47. http://doi.org/10.1016/S0048-9697(01)01018-X
Olivero-Verbel, J., Johnson-Restrepo, B., Baldiris-Avila, R., Güette-Fernández, J., Magallanes-Carreazo, E., Vanegas-Ramírez, L., & Kunihiko, N. (2008). Human and crab exposure to mercury in the Caribbean coastal shoreline of Colombia: Impact from an abandoned chlor-alkali plant. Environment International, 34(4), 476–482. http://doi.org/10.1016/j.envint.2007.10.009
Orozco Cardona, R. E., & Ceballos Alarca, C. C. (2016). EVALUACIÓN DE LOS EVENTOS DE INTERÉS EN SALUD PÚBLICA DEL DEPARTAMENTO DE ANTIOQUIA. PRIMER SEMESTRE 2016. Medellín: Secretaría Seccional de Salud y Protección Social. Gobernación de Antioquia. Retrieved from https://www.dssa.gov.co/index.php/descargas/1006-antioquia-informe-de-intoxicaciones-por-sustancias-quimicas-1ersemestre2014/file
Örün, E., Yalçin, S. S., Aykut, O., Orhan, G., Morgil, G. K., Yurdak??k, K., & Uzun, R. (2011). Breast milk lead and cadmium levels from suburban areas of Ankara. Science of the Total Environment, 409(13), 2467–2472.
91
http://doi.org/10.1016/j.scitotenv.2011.02.035
Osorio, N. W. (2002). Muestreo de suelos. Manual de Laboratorio de Suelos, 1–4.
Ouyang, Y. (2002). Phytoremediation: Modeling plant uptake and contaminant transport in the soil-plant-atmosphere continuum. Journal of Hydrology, 266(1–2), 66–82. http://doi.org/10.1016/S0022-1694(02)00116-6
Padmavathiamma, P. K., & Li, L. Y. (2007). Phytoremediation technology: Hyper-accumulation metals in plants. Water, Air, and Soil Pollution, 184(1–4), 105–126. http://doi.org/10.1007/s11270-007-9401-5
Palmgren, M. G. (2001). PLANT PLASMA MEMBRANE H + -ATPases. Evolution, 52, 817–845. http://doi.org/10.1146/annurev.arplant.52.1.817
Palmgren, M. G., Clemens, S., Williams, L. E., Krämer, U., Borg, S., Schjørring, J. K., & Sanders, D. (2008). Zinc biofortification of cereals: problems and solutions. Trends in Plant Science, 13(9), 464–473. http://doi.org/10.1016/j.tplants.2008.06.005
Pandey, V. C. (2012). Phytoremediation of heavy metals from fly ash pond by Azolla caroliniana. Ecotoxicology and Environmental Safety, 82, 8–12. http://doi.org/10.1016/j.ecoenv.2012.05.002
Pastor, J., & Hernández, A. J. (2012). Heavy metals, salts and organic residues in old solid urban waste landfills and surface waters in their discharge areas: Determinants for restoring their impact. Journal of Environmental Management, 95(SUPPL.), S42–S49. http://doi.org/10.1016/j.jenvman.2011.06.048
Poulin, J., Gibb, H., Prüss-Üstïm, A., & Organización Mundial de la Salud. (2013). Mercurio: evaluación de la carga de morbilidad ambiental a nivel nacional y local / editado por Annette Prüss-Üstün, Serie Carg.
Públicos, S. de S. (2015). Disposición Final de Residuos Sólidos.
Rascio, N., & Navari-Izzo, F. (2011). Heavy metal hyperaccumulating plants: How and why do they do it? And what makes them so interesting? Plant Science, 180(2), 169–181. http://doi.org/10.1016/j.plantsci.2010.08.016
Raskin, I., Kumar, P. N., Dushenkov, S., & Salt, D. E. (1994). Bioconcentration of heavy metals by plants. Current Opinion in Biotechnology, 5(3), 285–290. http://doi.org/10.1016/0958-1669(94)90030-2
Reale, L., Ferranti, F., Mantilacci, S., Corboli, M., Aversa, S., Landucci, F., … Venanzoni, R. (2016). Cyto-histological and morpho-physiological responses of common duckweed (Lemna minor L.) to chromium. Chemosphere, 145, 98–105. http://doi.org/10.1016/j.chemosphere.2015.11.047
Realpe, S. B., Andr, C., Pardo, A., & Jos, F. (2014). Efecto de la calidad de la
92
materia orgánica asociada con el uso y manejo de suelos en la retención de cadmio , en sistemas altoandinos de Colombia. Acta Agronomica, 63(2), 164–174. http://doi.org/10.15446/acag.v63n2.39569
Reyes, M., & Barreto, L. (2011). Efecto de la materia orgánica del suelo en la retención de contaminantes. Revista Épsilon, 16, 31–45.
Rodríguez, Y. A., Christofoletti, C. A., Pedro, J., Bueno, O. C., Malaspina, O., Ferreira, R. A. C., & Fontanetti, C. S. (2015). Allium cepa and Tradescantia pallida bioassays to evaluate effects of the insecticide imidacloprid. Chemosphere, 120, 438–442. http://doi.org/10.1016/j.chemosphere.2014.08.022
Sabir, M., & Zia-ur-rehman, M. (2015). Phytoremediation of Metal- Contaminated Soils Using Organic Amendments : Prospects and Challenges. Soil Remediation and Plants. Elsevier Inc. http://doi.org/10.1016/B978-0-12-799937-1.00017-6
Sahuquillo, A., Rigol, A., & Rauret, G. (2003). Overview of the use of leaching/extraction tests for risk assessment of trace metals in contaminated soils and sediments. TrAC - Trends in Analytical Chemistry, 22(3), 152–159. http://doi.org/10.1016/S0165-9936(03)00303-0
Salem et al. (2000). Heavy Metals in Drinking Water and Their Environmental Impact on Human Health. Icehm, 542–556.
Salt, D. E., Prince, R. C., Pickering, I. J., & Raskin, I. (1995). Mechanisms of Cadmium Mobility and Accumulation in Indian Mustard. Plant Physiology, 109(4), 1427–1433. http://doi.org/10.1104/pp.109.4.1427
Salt, D. E., Smith, R. D., & Raskin, I. (1998). Phytoremediation. Annual Review of Plant Physiology and Plant Molecular Biology, 49, 643–668. http://doi.org/10.1146/annurev.arplant.49.1.643
Sánchez, M. (2010). Contaminacion Por Metales Pesados En El Botadero De Basuras De Moravia En Medellin: Transferencia a Flora Y Fauna Y Evaluacion Del Potencial Fitorremediador De Especies Nativas E Introducidas. Vasa, 164. Retrieved from http://medcontent.metapress.com/index/A65RM03P4874243N.pdf
Sandoval, J. (1994). Propiedades físicas del suelo. Los Análisis de Suelos Y Su Aplicación En La …, 68. Retrieved from http://orton.catie.ac.cr/cgi-bin/wxis.exe/?IsisScript=BAC.xis&method=post&formato=2&cantidad=1&expresion=mfn=020674
Sanitá Di Toppi, L., & Gabbrielli, R. (1999). Response to cadmium in higher plants. Environmental and Experimental Botany, 41(2), 105–130. http://doi.org/10.1016/S0098-8472(98)00058-6
93
Sanità Di Toppi, L., & Gabbrielli, R. (1999). Response to cadmium in higher plants. Environmental and Experimental Botany, 41(2), 105–130. http://doi.org/10.1016/S0098-8472(98)00058-6
Sarwar, N., Imran, M., Shaheen, M. R., Ishaq, W., Kamran, A., Matloob, A., … Hussain, S. (2016). Phytoremediation strategies for soils contaminated with heavy metals: modifications and future perspectives. Chemosphere, 171, 710–721. http://doi.org/10.1016/j.chemosphere.2016.12.116
Sauvé, S., Hendershot, W., & Allen, H. E. (2000). Solid-solution partitioning of metals in contaminated soils: Dependence on pH, total metal burden, and organic matter. Environmental Science and Technology, 34(7), 1125–1131. http://doi.org/10.1021/es9907764
Schnoor, J. L., Licht, L. a., McCutcheon, S. C., Wolfe, N. L., & Carreira, L. H. (1995). Phytoremediation of organic and nutrient contaminants. Environmental Science & Technology, 29(7), 318–323. http://doi.org/10.1021/es00007a747
Seregin, I. V., & Kozhevnikova, a. D. (2006). Physiological role of nickel and its toxic effects on higher plants. Russian Journal of Plant Physiology, 53(2), 257–277. http://doi.org/10.1134/S1021443706020178
Seshadri, B., Bolan, N. S., Wijesekara, H., Kunhikrishnan, A., Thangarajan, R., Qi, F., … Naidu, R. (2016). Phosphorus-cadmium interactions in paddy soils. Geoderma, 270, 43–59. http://doi.org/10.1016/j.geoderma.2015.11.029
Souza, R., Gastaldi, V., Rodríguez, Y., Pereira, C., Fernades, J., Carlos, R. M., … Fontanetti, C. (2015). Genotoxic action of a metallic-insecticide using Tradescantia pallida as test organism. Toxicology Letters, 238(2), S118. http://doi.org/10.1016/j.toxlet.2015.08.379
Srivastava, N. K., & Majumder, C. B. (2008). Novel biofiltration methods for the treatment of heavy metals from industrial wastewater. Journal of Hazardous Materials, 151(1), 1–8. http://doi.org/10.1016/j.jhazmat.2007.09.101
Tak, H. I., Ahmad, F., & Olubukola, O. B. (2013). Advances in the Application of Plant Growth-Promoting Rhizobacteria in Phytoremediation of Heavy Metals (Vol. 223). Reviews of Enviromental Contamination and Toxicology.
Tandy, S., Bossart, K., Mueller, R., Ritschel, J., Hauser, L., Schulin, R., & Nowack, B. (2004). Extraction of heavy metals from soils using biodegradable chelating agents. Environmental Science & Technology, 38(3), 937–944. http://doi.org/10.1021/es0348750
Tudoreanu, L., & Phillips, C. J. C. (2001). Modeling Cadmium Uptake and Accumulation in Plants. Advances in Agronomy, 84(4), 121–157. http://doi.org/10.1016/S0065-2113(04)84003-3
Vangronsveld, J., Herzig, R., Weyens, N., Boulet, J., Adriaensen, K., Ruttens, A.,
94
… Mench, M. (2009). Phytoremediation of contaminated soils and groundwater: Lessons from the field. Environmental Science and Pollution Research, 16(7), 765–794. http://doi.org/10.1007/s11356-009-0213-6
Vangronsveld, M. M. J., Didier, V., & Clijsters, H. (1994). Evaluation of Metal Mobility , Plant Availability a N D Immobilization By Chemical Agents in a Limed-Silty Soil, 86, 279–286.
Verbruggen, N., Hermans, C., & Schat, H. (2009). Mechanisms to cope with arsenic or cadmium excess in plants. Current Opinion in Plant Biology, 12(3), 364–372. http://doi.org/10.1016/j.pbi.2009.05.001
Verma, S., & Dubey, R. S. (2003). Lead toxicity induces lipid peroxidation and alters the activities of antioxidant enzymes in growing rice plants. Plant Science, 164(4), 645–655. http://doi.org/10.1016/S0168-9452(03)00022-0
Viadé Andavert, D. (2012). RESTAURACIÓ SOCIO-AMBIENTAL DEL MORRO DE MORAVIA: ESTUDI DE LÉFECTE DELS BUFFER-STRIPS SOBRE LÉSCOLAMENT SUPERFICIAL, ELS LIXIVIATS I LA DESCONTAMINACIÓ DE SÓLS URBANS DEGRADATS EN UN ABOCADOR CLAUSURAT A MEDELLÍN. Universitat Politécnica de Catalunya.
Vitorino de Souza Melaré, A., Montenegro González, S., Faceli, K., & Casadei, V. (2017). Technologies and decision support systems to aid solid-waste management: a systematic review. Waste Management, 59, 567–584. http://doi.org/10.1016/j.wasman.2016.10.045
Wallin, M., Barregard, L., Sallsten, G., Lundh, T., Karlsson, M. K., Lorentzon, M., … Mellström, D. (2016). Low-Level Cadmium Exposure Is Associated with Decreased Bone Mineral Density and Increased Risk of Incident Fractures in Elderly Men: The MrOS Sweden Study. Journal of Bone and Mineral Research, 31(4), 732–741. http://doi.org/10.1002/jbmr.2743
Weng, L., Lexmond, T. M., Wolthoorn, A., Temminghoff, E. J. M., & van Riemsdijk, W. H. (2003). Phytotoxicity and Bioavailability of Nickel: Chemical Speciation and Bioaccumulation. Environmental Toxicology and Chemistry, 22(9), 2180. http://doi.org/10.1897/02-116
Willscher, S., Jablonski, L., Fona, Z., Rahmi, R., & Wittig, J. (2016). Phytoremediation experiments with Helianthus tuberosus under different pH and heavy metal soil concentrations. Hydrometallurgy, 168, 153–158. http://doi.org/10.1016/j.hydromet.2016.10.016
World Health Organization. (2007). Health risks of heavy metals from long-range transboundary air poluution. Joint WHO L Convention Task Force on Health Aspects of Air Pollution, 2–144. http://doi.org/10.1002/em
World Health Organization. (2010a). Exposure to cadmium: a major public health concern. Preventing Disease Through Healthy Environments, 3–6. Retrieved
95
from http://www.who.int/ipcs/features/cadmium.pdf
World Health Organization. (2010b). Exposure to Lead: A major public health concern. World Healh Organization, 6.
Wu, Q., Wang, S., Thangavel, P., Li, Q., Zheng, H., Bai, J., & Qiu, R. (2011). Phytostabilization Potential of Jatropha Curcas L. in Polymetallic Acid Mine Tailings. International Journal of Phytoremediation, 13(8), 788–804. http://doi.org/10.1080/15226514.2010.525562
Xu, Q., Powell, J., Jain, P., & Townsend, T. (2014). Modeling of H2S migration through landfill cover materials. Journal of Hazardous Materials, 264, 254–260. http://doi.org/10.1016/j.jhazmat.2013.11.005
Yang, K., Zhu, Y., Shan, R., Shao, Y., & Tian, C. (2017). Heavy metals in sludge during anaerobic sanitary landfill: Speciation transformation and phytotoxicity. Journal of Environmental Management, 189, 58–66. http://doi.org/10.1016/j.jenvman.2016.12.019
Yoon, J., Cao, X., Zhou, Q., & Ma, L. Q. (2006). Accumulation of Pb, Cu, and Zn in native plants growing on a contaminated Florida site. Science of the Total Environment, 368(2–3), 456–464. http://doi.org/10.1016/j.scitotenv.2006.01.016
Zeng, X., Xu, X., Boezen, H. M., & Huo, X. (2016). Children with health impairments by heavy metals in an e-waste recycling area. Chemosphere, 148, 408–415. http://doi.org/10.1016/j.chemosphere.2015.10.078
Anexo: Imágenes de seguimiento a las parcelas sembradas en el Morro de Moravia.
98
99
10
0
Anexo: Resultados de Laboratorio
104
105
106
107
108
109
110
Anexo: Resultados de modelos de regresión simples concentraciones metales pesados en raíz de Pennisetum setaceum
Regresión Simple - parcela A Cd (ppm) vs. Tiempo en meses Variable dependiente: parcela A Cd (ppm) Variable independiente: Tiempo en meses Cuadrado de X: Y = a + b*X^2 Coeficientes
Mínimos Cuadrados
Estándar Estadístico
Parámetro
Estimado Error T Valor-P
Intercepto
-0.0679734 0.0757735 -0.89706 0.5345
Pendiente
0.00571254 0.00127295
4.48765 0.1396
Análisis de Varianza
Fuente Suma de Cuadrados
Gl Cuadrado Medio
Razón-F
Valor-P
Modelo 0.170754 1 0.170754 20.14 0.1396
Residuo 0.00847877 1 0.00847877
111
Total (Corr.)
0.179233 2
Coeficiente de Correlación = 0.97606 R-cuadrada = 95.2694 porciento R-cuadrado (ajustado para g.l.) = 90.5388 porciento Error estándar del est. = 0.0920803 Error absoluto medio = 0.0478933 Estadístico Durbin-Watson = 2.82608 (P=) Autocorrelación de residuos en retraso 1 = -0.608695 Número de filas excluídas: 1 El StatAdvisor La salida muestra los resultados de ajustar un modelo X-cuadrada para describir la relación entre parcela A Cd (ppm) y Tiempo en meses. La ecuación del modelo ajustado es parcela A Cd (ppm) = -0.0679734 + 0.00571254*Tiempo en meses^2 Puesto que el valor-P en la tabla ANOVA es mayor o igual a 0.05, no hay una relación estadísticamente significativa entre parcela A Cd (ppm) y Tiempo en meses con un nivel de confianza del 95.0% ó más. El estadístico R-Cuadrada indica que el modelo ajustado explica 95.2694% de la variabilidad en parcela A Cd (ppm). El coeficiente de correlación es igual a 0.97606, indicando una relación relativamente fuerte entre las variables. El error estándar del estimado indica que la desviación estándar de los residuos es 0.0920803. Este valor puede usarse para construir límites de predicción para nuevas observaciones, seleccionando la opción de Pronósticos del menú de texto. El error absoluto medio (MAE) de 0.0478933 es el valor promedio de los residuos. El estadístico de Durbin-Watson (DW) examina los residuos para determinar si hay alguna correlación significativa basada en el orden en el que se presentan en el archivo de datos. Comparación de Modelos Alternos
Modelo Correlación
R-Cuadrada
Cuadrado de X 0.9761 95.27%
Cuadrado Doble 0.9750 95.06%
Lineal 0.9143 83.59%
Cuadrado de Y 0.9123 83.22%
Raíz Cuadrada deX 0.8557 73.22%
Cuadrado-Y Raíz Cuadrada-X
0.8531 72.78%
Raíz Cuadrada-Y Log-X 0.8199 67.22%
Logaritmo de X 0.7821 61.16%
112
Cuadrado-Y Log-X 0.7790 60.68%
Raíz Cuadrada-Y Inversa de X
-0.6874 47.26%
Inversa de X -0.6401 40.98%
Cuadrado-Y Inversa de X -0.6363 40.49%
Raíz Cuadrada de Y <sin ajuste>
Exponencial <sin ajuste>
Inversa de Y <sin ajuste>
Raíz Cuadrada Doble <sin ajuste>
Logarítmico-Y Raíz Cuadrada-X
<sin ajuste>
Inversa-Y Raíz Cuadrada-X
<sin ajuste>
Multiplicativa <sin ajuste>
Inversa-Y Log-X <sin ajuste>
Curva S <sin ajuste>
Doble Inverso <sin ajuste>
Raíz Cuadrada-X Cuadrado-X
<sin ajuste>
Log-Y Cuadrado-X <sin ajuste>
Inversa-Y Cuadrado-X <sin ajuste>
Logístico <sin ajuste>
Log probit <sin ajuste>
El StatAdvisor Esta tabla muestra los resultados de ajustar varios modelos curvilíneos a los datos. De los modelos ajustados, el modelo X-cuadrada es el que arroja el valore más alto de R-Cuadrada con 95.2694%. Este es el modelo actualmente seleccionado.
113
Regresión Simple - parcela B Cd (ppm) vs. Tiempo en meses Variable dependiente: parcela B Cd (ppm) Variable independiente: Tiempo en meses Recíproco Doble: Y = 1/(a + b/X) Coeficientes
Mínimos Cuadrados
Estándar Estadístico
Parámetro
Estimado Error T Valor-P
Intercepto
0.070592 0.0225122
3.13572 0.0884
Pendiente
0.512663 0.0635859
8.06252 0.0150
Análisis de Varianza
Fuente Suma de Cuadrados
Gl Cuadrado Medio
Razón-F
Valor-P
Modelo 0.059336 1 0.059336 65.00 0.0150
Residuo 0.0018256 2 0.000912802
Total (Corr.)
0.0611616 3
Coeficiente de Correlación = 0.984963 R-cuadrada = 97.0151 porciento R-cuadrado (ajustado para g.l.) = 95.5227 porciento Error estándar del est. = 0.0302126 Error absoluto medio = 0.0181435 Estadístico Durbin-Watson = 3.32704 (P=0.9284) Autocorrelación de residuos en retraso 1 = -0.697197 El StatAdvisor
La salida muestra los resultados de ajustar un modelo doble inverso para describir la relación entre parcela B Cd (ppm) y Tiempo en meses. La ecuación del modelo ajustado es parcela B Cd (ppm) = 1/(0.070592 + 0.512663/Tiempo en meses) Puesto que el valor-P en la tabla ANOVA es menor que 0.05, existe una relación estadísticamente significativa entre parcela B Cd (ppm) y Tiempo en meses con un nivel de confianza del 95.0%. El estadístico R-Cuadrada indica que el modelo ajustado explica 97.0151% de la variabilidad en parcela B Cd (ppm). El coeficiente de correlación es igual a 0.984963, indicando una relación relativamente fuerte entre las variables. El error estándar del estimado indica que la desviación estándar de los residuos es 0.0302126. Este valor
114
puede usarse para construir límites de predicción para nuevas observaciones, seleccionando la opción de Pronósticos del menú de texto. El error absoluto medio (MAE) de 0.0181435 es el valor promedio de los residuos. El estadístico de Durbin-Watson (DW) examina los residuos para determinar si hay alguna correlación significativa basada en el orden en el que se presentan en el archivo de datos. Puesto que el valor-P es mayor que 0.05, no hay indicación de una autocorrelación serial en los residuos con un nivel de confianza del 95.0%. Comparación de Modelos Alternos
Modelo Correlación
R-Cuadrada
Doble Inverso 0.9850 97.02%
Curva S -0.9669 93.48%
Raíz Cuadrada-Y Inversa de X
-0.9443 89.18%
Multiplicativa 0.9440 89.11%
Raíz Cuadrada-Y Log-X 0.9360 87.61%
Logaritmo de X 0.9181 84.29%
Raíz Cuadrada Doble 0.9131 83.38%
Logarítmico-Y Raíz Cuadrada-X
0.9113 83.05%
Inversa de X -0.9101 82.84%
Raíz Cuadrada deX 0.9062 82.12%
Lineal 0.8854 78.39%
Raíz Cuadrada de Y 0.8812 77.66%
Exponencial 0.8697 75.63%
Cuadrado de Y 0.8671 75.18%
Cuadrado-Y Raíz Cuadrada-X
0.8651 74.84%
Cuadrado Doble 0.8631 74.49%
Cuadrado-Y Log-X 0.8546 73.03%
Cuadrado de X 0.8437 71.18%
Inversa de Y -0.8380 70.23%
Raíz Cuadrada-X Cuadrado-X
0.8212 67.44%
Cuadrado-Y Inversa de X -0.8141 66.28%
Log-Y Cuadrado-X 0.7936 62.98%
Inversa-Y Cuadrado-X -0.7387 54.57%
Inversa-Y Raíz Cuadrada-X
<sin ajuste>
Inversa-Y Log-X <sin ajuste>
Logístico <sin ajuste>
115
Log probit <sin ajuste>
El StatAdvisor
Esta tabla muestra los resultados de ajustar varios modelos curvilíneos a los datos. De los modelos ajustados, el modelo doble inverso es el que arroja el valore más alto de R-Cuadrada con 97.0151%. Este es el modelo actualmente seleccionado.
Regresión Simple - parcela B Cd (ppm) vs. Tiempo en meses Variable dependiente: parcela B Cd (ppm) Variable independiente: Tiempo en meses Recíproco Doble: Y = 1/(a + b/X) Coeficientes
Mínimos Cuadrados
Estándar Estadístico
Parámetro
Estimado Error T Valor-P
Intercepto
0.070592 0.0225122
3.13572 0.0884
Pendiente
0.512663 0.0635859
8.06252 0.0150
Análisis de Varianza
Fuente Suma de Cuadrados
Gl Cuadrado Medio
Razón-F
Valor-P
Modelo 0.059336 1 0.059336 65.00 0.0150
Residuo 0.0018256 2 0.000912802
Total (Corr.)
0.0611616 3
Coeficiente de Correlación = 0.984963 R-cuadrada = 97.0151 porciento R-cuadrado (ajustado para g.l.) = 95.5227 porciento Error estándar del est. = 0.0302126 Error absoluto medio = 0.0181435 Estadístico Durbin-Watson = 3.32704 (P=0.9284) Autocorrelación de residuos en retraso 1 = -0.697197 El StatAdvisor La salida muestra los resultados de ajustar un modelo doble inverso para describir la relación entre parcela B Cd (ppm) y Tiempo en meses. La ecuación del modelo ajustado es parcela B Cd (ppm) = 1/(0.070592 + 0.512663/Tiempo en meses)
116
Puesto que el valor-P en la tabla ANOVA es menor que 0.05, existe una relación estadísticamente significativa entre parcela B Cd (ppm) y Tiempo en meses con un nivel de confianza del 95.0%. El estadístico R-Cuadrada indica que el modelo ajustado explica 97.0151% de la variabilidad en parcela B Cd (ppm). El coeficiente de correlación es igual a 0.984963, indicando una relación relativamente fuerte entre las variables. El error estándar del estimado indica que la desviación estándar de los residuos es 0.0302126. Este valor puede usarse para construir límites de predicción para nuevas observaciones, seleccionando la opción de Pronósticos del menú de texto. El error absoluto medio (MAE) de 0.0181435 es el valor promedio de los residuos. El estadístico de Durbin-Watson (DW) examina los residuos para determinar si hay alguna correlación significativa basada en el orden en el que se presentan en el archivo de datos. Puesto que el valor-P es mayor que 0.05, no hay indicación de una autocorrelación serial en los residuos con un nivel de confianza del 95.0%.
Regresión Simple - parcela C Cd (ppm) vs. Tiempo en meses Variable dependiente: parcela C Cd (ppm) Variable independiente: Tiempo en meses Raíz Cuadrada de X: Y = b*sqrt(X) Coeficientes
Mínimos Cuadrados
Estándar Estadístico
Parámetro
Estimado Error T Valor-P
Pendiente
0.155646 0.0881437
1.76582 0.2195
Análisis de Varianza
Fuente Suma de Cuadrados
Gl Cuadrado Medio
Razón-F
Valor-P
Modelo 0.399722 1 0.399722 3.12 0.2195
Residuo
0.256387 2 0.128194
Total 0.656109 3
Coeficiente de Correlación = 0.780532 R-cuadrada = 60.9231 porciento R-cuadrado (ajustado para g.l.) = 60.9231 porciento Error estándar del est. = 0.358041 Error absoluto medio = 0.284489 Estadístico Durbin-Watson = 1.80664 Autocorrelación de residuos en retraso 1 = -0.171152 Número de filas excluídas: 1
117
El StatAdvisor
La salida muestra los resultados de ajustar un modelo raíz cuadrada-X para describir la relación entre parcela C Cd (ppm) y Tiempo en meses. La ecuación del modelo ajustado es parcela C Cd (ppm) = 0.155646*sqrt(Tiempo en meses) Puesto que el valor-P en la tabla ANOVA es mayor o igual a 0.05, no hay una relación estadísticamente significativa entre parcela C Cd (ppm) y Tiempo en meses con un nivel de confianza del 95.0% ó más. El estadístico R-Cuadrada indica que el modelo ajustado explica 60.9231% de la variabilidad en parcela C Cd (ppm). El coeficiente de correlación es igual a 0.780532, indicando una relación moderadamente fuerte entre las variables. El error estándar del estimado indica que la desviación estándar de los residuos es 0.358041. Este valor puede usarse para construir límites de predicción para nuevas observaciones, seleccionando la opción de Pronósticos del menú de texto. El error absoluto medio (MAE) de 0.284489 es el valor promedio de los residuos. El estadístico de Durbin-Watson (DW) examina los residuos para determinar si hay alguna correlación significativa basada en el orden en el que se presentan en el archivo de datos.
Comparación de Modelos Alternos
Modelo Correlación
R-Cuadrada
Raíz Cuadrada-X Cuadrado-X
0.9828 96.60%
Cuadrado de X 0.9708 94.25%
Cuadrado Doble 0.9699 94.07%
Raíz Cuadrada de Y 0.9118 83.13%
Lineal 0.8881 78.88%
Cuadrado de Y 0.8865 78.59%
Raíz Cuadrada-Y Log-X 0.8442 71.26%
Logaritmo de X 0.8133 66.15%
Cuadrado-Y Log-X 0.8112 65.81%
Raíz Cuadrada Doble 0.8105 65.69%
Raíz Cuadrada deX 0.7805 60.92%
Cuadrado-Y Raíz Cuadrada-X
0.7785 60.61%
Raíz Cuadrada-Y Inversa de X
0.1592 2.54%
Inversa de X 0.1433 2.05%
Cuadrado-Y Inversa de X 0.1422 2.02%
118
Exponencial <sin ajuste>
Inversa de Y <sin ajuste>
Logarítmico-Y Raíz Cuadrada-X
<sin ajuste>
Inversa-Y Raíz Cuadrada-X
<sin ajuste>
Multiplicativa <sin ajuste>
Inversa-Y Log-X <sin ajuste>
Curva S <sin ajuste>
Doble Inverso <sin ajuste>
Log-Y Cuadrado-X <sin ajuste>
Inversa-Y Cuadrado-X <sin ajuste>
Logístico <sin ajuste>
Log probit <sin ajuste>
El StatAdvisor
Esta tabla muestra los resultados de ajustar varios modelos curvilíneos a los datos. De los modelos ajustados, el modelo raíz cuadrada-Y X-cuadrada es el que arroja el valore más alto de R-Cuadrada con 96.5994%. Este es 35.6763% mayor que el modelo raíz cuadrada-X seleccionado. Para cambiar los modelos, seleccione el cuadro de diálogo de las Opciones de Análisis.
Regresión Simple - parcela C Cd (ppm) vs. Tiempo en meses Variable dependiente: parcela C Cd (ppm) Variable independiente: Tiempo en meses Raíz Cuadrada de X: Y = b*sqrt(X) Coeficientes
Mínimos Cuadrados
Estándar Estadístico
Parámetro
Estimado Error T Valor-P
Pendiente
0.155646 0.0881437
1.76582 0.2195
119
Análisis de Varianza
Fuente Suma de Cuadrados
Gl Cuadrado Medio
Razón-F
Valor-P
Modelo 0.399722 1 0.399722 3.12 0.2195
Residuo
0.256387 2 0.128194
Total 0.656109 3
Coeficiente de Correlación = 0.780532 R-cuadrada = 60.9231 porciento R-cuadrado (ajustado para g.l.) = 60.9231 porciento Error estándar del est. = 0.358041 Error absoluto medio = 0.284489 Estadístico Durbin-Watson = 1.80664 Autocorrelación de residuos en retraso 1 = -0.171152 Número de filas excluídas: 1 El StatAdvisor
La salida muestra los resultados de ajustar un modelo raíz cuadrada-X para describir la relación entre parcela C Cd (ppm) y Tiempo en meses. La ecuación del modelo ajustado es parcela C Cd (ppm) = 0.155646*sqrt(Tiempo en meses) Puesto que el valor-P en la tabla ANOVA es mayor o igual a 0.05, no hay una relación estadísticamente significativa entre parcela C Cd (ppm) y Tiempo en meses con un nivel de confianza del 95.0% ó más. El estadístico R-Cuadrada indica que el modelo ajustado explica 60.9231% de la variabilidad en parcela C Cd (ppm). El coeficiente de correlación es igual a 0.780532, indicando una relación moderadamente fuerte entre las variables. El error estándar del estimado indica que la desviación estándar de los residuos es 0.358041. Este valor puede usarse para construir límites de predicción para nuevas observaciones, seleccionando la opción de Pronósticos del menú de texto. El error absoluto medio (MAE) de 0.284489 es el valor promedio de los residuos. El estadístico de Durbin-Watson (DW) examina los residuos para determinar si hay alguna correlación significativa basada en el orden en el que se presentan en el archivo de datos.
Comparación de Modelos Alternos
120
Modelo Correlación
R-Cuadrada
Raíz Cuadrada-X Cuadrado-X
0.9828 96.60%
Cuadrado de X 0.9708 94.25%
Cuadrado Doble 0.9699 94.07%
Raíz Cuadrada de Y 0.9118 83.13%
Lineal 0.8881 78.88%
Cuadrado de Y 0.8865 78.59%
Raíz Cuadrada-Y Log-X 0.8442 71.26%
Logaritmo de X 0.8133 66.15%
Cuadrado-Y Log-X 0.8112 65.81%
Raíz Cuadrada Doble 0.8105 65.69%
Raíz Cuadrada deX 0.7805 60.92%
Cuadrado-Y Raíz Cuadrada-X
0.7785 60.61%
Raíz Cuadrada-Y Inversa de X
0.1592 2.54%
Inversa de X 0.1433 2.05%
Cuadrado-Y Inversa de X 0.1422 2.02%
Exponencial <sin ajuste>
Inversa de Y <sin ajuste>
Logarítmico-Y Raíz Cuadrada-X
<sin ajuste>
Inversa-Y Raíz Cuadrada-X
<sin ajuste>
Multiplicativa <sin ajuste>
Inversa-Y Log-X <sin ajuste>
Curva S <sin ajuste>
Doble Inverso <sin ajuste>
Log-Y Cuadrado-X <sin ajuste>
Inversa-Y Cuadrado-X <sin ajuste>
Logístico <sin ajuste>
Log probit <sin ajuste>
El StatAdvisor
121
Esta tabla muestra los resultados de ajustar varios modelos curvilíneos a los datos. De los modelos ajustados, el modelo raíz cuadrada-Y X-cuadrada es el que arroja el valore más alto de R-Cuadrada con 96.5994%. Este es 35.6763% mayor que el modelo raíz cuadrada-X seleccionado. Para cambiar los modelos, seleccione el cuadro de diálogo de las Opciones de Análisis.
Regresión Simple - parcela A Cr (ppm) vs. Tiempo en meses Variable dependiente: parcela A Cr (ppm) Variable independiente: Tiempo en meses Raíz Cuadrada-Y Log-X: Y = (b*ln(X))^2 Coeficientes
Mínimos Cuadrados
Estándar
Estadístico
Parámetro
Estimado Error T Valor-P
Pendiente
2.8379 0.370406
7.66158 0.0046
Análisis de Varianza
Fuente Suma de Cuadrados
Gl Cuadrado Medio
Razón-F
Valor-P
Modelo 114.614 1 114.614 58.70 0.0046
Residuo
5.85766 3 1.95255
Total 120.472 4
Coeficiente de Correlación = 0.975386 R-cuadrada = 95.1377 porciento R-cuadrado (ajustado para g.l.) = 95.1377 porciento Error estándar del est. = 1.39734 Error absoluto medio = 1.03941 Estadístico Durbin-Watson = 2.25265 Autocorrelación de residuos en retraso 1 = -0.335363 El StatAdvisor La salida muestra los resultados de ajustar un modelo raíz cuadrada-Y log-X para describir la relación entre parcela A Cr (ppm) y Tiempo en meses. La ecuación del modelo ajustado es parcela A Cr (ppm) = (2.8379*ln(Tiempo en meses))^2
122
Puesto que el valor-P en la tabla ANOVA es menor que 0.05, existe una relación estadísticamente significativa entre parcela A Cr (ppm) y Tiempo en meses con un nivel de confianza del 95.0%. El estadístico R-Cuadrada indica que el modelo ajustado explica 95.1377% de la variabilidad en parcela A Cr (ppm) después de transformar a una escala normal inversa para linearizar el modelo. El coeficiente de correlación es igual a 0.975386, indicando una relación relativamente fuerte entre las variables. El error estándar del estimado indica que la desviación estándar de los residuos es 1.39734. Este valor puede usarse para construir límites de predicción para nuevas observaciones, seleccionando la opción de Pronósticos del menú de texto. El error absoluto medio (MAE) de 1.03941 es el valor promedio de los residuos. El estadístico de Durbin-Watson (DW) examina los residuos para determinar si hay alguna correlación significativa basada en el orden en el que se presentan en el archivo de datos. Comparación de Modelos Alternos
Modelo Correlación
R-Cuadrada
Raíz Cuadrada-Y Log-X 0.9754 95.14%
Logaritmo de X 0.9693 93.95%
Raíz Cuadrada Doble 0.9551 91.23%
Cuadrado-Y Log-X 0.9538 90.98%
Raíz Cuadrada deX 0.9484 89.94%
Doble Inverso 0.9415 88.65%
Raíz Cuadrada de Y 0.9394 88.24%
Cuadrado-Y Raíz Cuadrada-X
0.9327 87.00%
Lineal 0.9302 86.53%
Cuadrado de Y 0.9095 82.72%
Raíz Cuadrada-X Cuadrado-X
0.8642 74.69%
Cuadrado de X 0.8505 72.34%
Cuadrado Doble 0.8216 67.50%
Multiplicativa 0.6255 39.12%
Log-Y Cuadrado-X 0.6149 37.81%
Exponencial 0.6122 37.48%
Logarítmico-Y Raíz Cuadrada-X
0.5257 27.63%
Curva S -0.4316 18.63%
Raíz Cuadrada-Y Inversa de X
0.3179 10.11%
Inversa de X 0.3149 9.91%
Cuadrado-Y Inversa de X 0.3141 9.87%
Inversa-Y Raíz Cuadrada-X
0.2295 5.27%
123
Inversa-Y Log-X 0.1076 1.16%
Inversa de Y 0.0912 0.83%
Inversa-Y Cuadrado-X 0.0128 0.02%
Logístico <sin ajuste>
Log probit <sin ajuste>
El StatAdvisor Esta tabla muestra los resultados de ajustar varios modelos curvilíneos a los datos. De los modelos ajustados, el modelo raíz cuadrada-Y log-X es el que arroja el valore más alto de R-Cuadrada con 95.1377%. Este es el modelo actualmente seleccionado.
Regresión Simple - parcela B Cr (ppm) vs. Tiempo en meses
Variable dependiente: parcela B Cr (ppm) Variable independiente: Tiempo en meses Recíproco Doble: Y = 1/(a + b/X) Coeficientes
Mínimos Cuadrados
Estándar Estadístico
Parámetro
Estimado Error T Valor-P
Intercepto
0.00975239 0.00176815
5.5156 0.0313
Pendiente
0.0282775 0.00499414
5.66214 0.0298
Análisis de Varianza
Fuente Suma de Cuadrados
Gl Cuadrado Medio
Razón-F
Valor-P
Modelo 0.000180525 1 0.000180525 32.06 0.0298
Residuo 0.0000112618 2 0.00000563088
Total (Corr.)
0.000191787 3
Coeficiente de Correlación = 0.970196 R-cuadrada = 94.128 porciento R-cuadrado (ajustado para g.l.) = 91.192 porciento Error estándar del est. = 0.00237295 Error absoluto medio = 0.00127118
124
Estadístico Durbin-Watson = 2.37365 (P=0.4035) Autocorrelación de residuos en retraso 1 = -0.449206 El StatAdvisor La salida muestra los resultados de ajustar un modelo doble inverso para describir la relación entre parcela B Cr (ppm) y Tiempo en meses. La ecuación del modelo ajustado es parcela B Cr (ppm) = 1/(0.00975239 + 0.0282775/Tiempo en meses) Puesto que el valor-P en la tabla ANOVA es menor que 0.05, existe una relación estadísticamente significativa entre parcela B Cr (ppm) y Tiempo en meses con un nivel de confianza del 95.0%. El estadístico R-Cuadrada indica que el modelo ajustado explica 94.128% de la variabilidad en parcela B Cr (ppm). El coeficiente de correlación es igual a 0.970196, indicando una relación relativamente fuerte entre las variables. El error estándar del estimado indica que la desviación estándar de los residuos es 0.00237295. Este valor puede usarse para construir límites de predicción para nuevas observaciones, seleccionando la opción de Pronósticos del menú de texto. El error absoluto medio (MAE) de 0.00127118 es el valor promedio de los residuos. El estadístico de Durbin-Watson (DW) examina los residuos para determinar si hay alguna correlación significativa basada en el orden en el que se presentan en el archivo de datos. Puesto que el valor-P es mayor que 0.05, no hay indicación de una autocorrelación serial en los residuos con un nivel de confianza del 95.0%.
Comparación de Modelos Alternos
Modelo Correlación
R-Cuadrada
Doble Inverso 0.9702 94.13%
Multiplicativa 0.9429 88.91%
Logarítmico-Y Raíz Cuadrada-X
0.9381 88.00%
Raíz Cuadrada Doble 0.9252 85.59%
Exponencial 0.9225 85.10%
Curva S -0.9209 84.80%
Raíz Cuadrada de Y 0.9201 84.65%
Raíz Cuadrada-Y Log-X 0.9196 84.57%
Lineal 0.9093 82.68%
Cuadrado de X 0.9060 82.08%
Inversa de Y -0.9054 81.97%
Raíz Cuadrada deX 0.9040 81.72%
Raíz Cuadrada-X Cuadrado-X
0.8997 80.94%
Cuadrado Doble 0.8965 80.37%
125
Logaritmo de X 0.8883 78.90%
Log-Y Cuadrado-X 0.8851 78.33%
Cuadrado de Y 0.8692 75.54%
Cuadrado-Y Raíz Cuadrada-X
0.8455 71.49%
Inversa-Y Cuadrado-X -0.8377 70.18%
Inversa de X -0.8361 69.91%
Cuadrado-Y Log-X 0.8120 65.93%
Cuadrado-Y Inversa de X -0.7348 53.99%
Inversa-Y Raíz Cuadrada-X
<sin ajuste>
Inversa-Y Log-X <sin ajuste>
Raíz Cuadrada-Y Inversa de X
<sin ajuste>
Logístico <sin ajuste>
Log probit <sin ajuste>
El StatAdvisor Esta tabla muestra los resultados de ajustar varios modelos curvilíneos a los datos. De los modelos ajustados, el modelo doble inverso es el que arroja el valore más alto de R-Cuadrada con 94.128%. Este es el modelo actualmente seleccionado.
Regresión Simple - parcela C Cr (ppm) vs. Tiempo en meses Variable dependiente: parcela C Cr (ppm) Variable independiente: Tiempo en meses Curva S: Y = exp(a + b/X) Coeficientes
Mínimos Cuadrados
Estándar Estadístico
Parámetro
Estimado Error T Valor-P
Intercepto
4.73753 0.0182439
259.677 0.0025
Pendiente
-3.05815 0.0449387
-68.0517 0.0094
NOTA: intercepto = ln(a) Análisis de Varianza
Fuente Suma de Cuadrados
Gl Cuadrado Medio
Razón-F
Valor-P
Modelo 1.71112 1 1.71112 4631.03 0.0094
126
Residuo 0.000369491 1 0.000369491
Total (Corr.)
1.71149 2
Coeficiente de Correlación = -0.999892 R-cuadrada = 99.9784 porciento R-cuadrado (ajustado para g.l.) = 99.9568 porciento Error estándar del est. = 0.0192221 Error absoluto medio = 0.00980158 Estadístico Durbin-Watson = 2.75506 (P=) Autocorrelación de residuos en retraso 1 = -0.58502 Número de filas excluídas: 1 El StatAdvisor La salida muestra los resultados de ajustar un modelo modelo curva-S para describir la relación entre parcela C Cr (ppm) y Tiempo en meses. La ecuación del modelo ajustado es parcela C Cr (ppm) = exp(4.73753 - 3.05815/Tiempo en meses) Puesto que el valor-P en la tabla ANOVA es menor que 0.05, existe una relación estadísticamente significativa entre parcela C Cr (ppm) y Tiempo en meses con un nivel de confianza del 95.0%. El estadístico R-Cuadrada indica que el modelo ajustado explica 99.9784% de la variabilidad en parcela C Cr (ppm). El coeficiente de correlación es igual a -0.999892, indicando una relación relativamente fuerte entre las variables. El error estándar del estimado indica que la desviación estándar de los residuos es 0.0192221. Este valor puede usarse para construir límites de predicción para nuevas observaciones, seleccionando la opción de Pronósticos del menú de texto. El error absoluto medio (MAE) de 0.00980158 es el valor promedio de los residuos. El estadístico de Durbin-Watson (DW) examina los residuos para determinar si hay alguna correlación significativa basada en el orden en el que se presentan en el archivo de datos.
Comparación de Modelos Alternos
Modelo Correlación
R-Cuadrada
Curva S -0.9999 99.98%
Logaritmo de X 0.9997 99.94%
Cuadrado-Y Raíz Cuadrada-X
0.9996 99.93%
Doble Inverso 0.9959 99.18%
Raíz Cuadrada-Y Inversa de X
-0.9959 99.18%
Cuadrado de Y 0.9950 99.00%
127
Raíz Cuadrada-Y Log-X 0.9937 98.74%
Raíz Cuadrada deX 0.9882 97.65%
Cuadrado-Y Log-X 0.9879 97.60%
Inversa de X -0.9842 96.86%
Multiplicativa 0.9823 96.48%
Raíz Cuadrada Doble 0.9710 94.29%
Lineal 0.9608 92.32%
Cuadrado Doble 0.9559 91.38%
Logarítmico-Y Raíz Cuadrada-X
0.9500 90.26%
Cuadrado-Y Inversa de X -0.9363 87.66%
Raíz Cuadrada de Y 0.9330 87.05%
Exponencial 0.9029 81.52%
Cuadrado de X 0.8876 78.79%
Raíz Cuadrada-X Cuadrado-X
0.8441 71.25%
Log-Y Cuadrado-X 0.8008 64.13%
Inversa-Y Cuadrado-X -0.7335 53.80%
Inversa de Y <sin ajuste>
Inversa-Y Raíz Cuadrada-X
<sin ajuste>
Inversa-Y Log-X <sin ajuste>
Logístico <sin ajuste>
Log probit <sin ajuste>
El StatAdvisor Esta tabla muestra los resultados de ajustar varios modelos curvilíneos a los datos. De los modelos ajustados, el modelo modelo curva-S es el que arroja el valore más alto de R-Cuadrada con 99.9784%. Este es el modelo actualmente seleccionado. Regresión Simple - parcela A Ni (ppm) vs. Tiempo en meses
Variable dependiente: parcela A Ni (ppm) Variable independiente: Tiempo en meses Cuadrado Doble: Y = sqrt(b*X^2) Coeficientes
Mínimos Cuadrados
Estándar
Estadístico
Parámetro
Estimado Error T Valor-P
128
Pendiente
9.34049 0.268156
34.8323 0.0008
Análisis de Varianza
Fuente Suma de Cuadrados
Gl Cuadrado Medio
Razón-F
Valor-P
Modelo 927417. 1 927417. 1213.29 0.0008
Residuo
1528.77 2 764.383
Total 928946. 3
Coeficiente de Correlación = 0.999177 R-cuadrada = 99.8354 porciento R-cuadrado (ajustado para g.l.) = 99.8354 porciento Error estándar del est. = 27.6475 Error absoluto medio = 20.4431 Estadístico Durbin-Watson = 1.14014 Autocorrelación de residuos en retraso 1 = 0.262171 Número de filas excluídas: 1 El StatAdvisor La salida muestra los resultados de ajustar un modelo doble cuadrado para describir la relación entre parcela A Ni (ppm) y Tiempo en meses. La ecuación del modelo ajustado es parcela A Ni (ppm) = sqrt(9.34049*Tiempo en meses^2) Puesto que el valor-P en la tabla ANOVA es menor que 0.05, existe una relación estadísticamente significativa entre parcela A Ni (ppm) y Tiempo en meses con un nivel de confian
Comparación de Modelos Alternos
Modelo Correlación
R-Cuadrada
Curva S -0.9999 99.98%
Logaritmo de X 0.9997 99.94%
Cuadrado-Y Raíz Cuadrada-X
0.9996 99.93%
Doble Inverso 0.9959 99.18%
Raíz Cuadrada-Y Inversa de X
-0.9959 99.18%
Cuadrado de Y 0.9950 99.00%
Raíz Cuadrada-Y Log-X 0.9937 98.74%
Raíz Cuadrada deX 0.9882 97.65%
Cuadrado-Y Log-X 0.9879 97.60%
Inversa de X -0.9842 96.86%
Multiplicativa 0.9823 96.48%
129
Raíz Cuadrada Doble 0.9710 94.29%
Lineal 0.9608 92.32%
Cuadrado Doble 0.9559 91.38%
Logarítmico-Y Raíz Cuadrada-X
0.9500 90.26%
Cuadrado-Y Inversa de X -0.9363 87.66%
Raíz Cuadrada de Y 0.9330 87.05%
Exponencial 0.9029 81.52%
Cuadrado de X 0.8876 78.79%
Raíz Cuadrada-X Cuadrado-X
0.8441 71.25%
Log-Y Cuadrado-X 0.8008 64.13%
Inversa-Y Cuadrado-X -0.7335 53.80%
Inversa de Y <sin ajuste>
Inversa-Y Raíz Cuadrada-X
<sin ajuste>
Inversa-Y Log-X <sin ajuste>
Logístico <sin ajuste>
Log probit <sin ajuste>
El StatAdvisor Esta tabla muestra los resultados de ajustar varios modelos curvilíneos a los datos. De los modelos ajustados, el modelo modelo curva-S es el que arroja el valore más alto de R-Cuadrada con 99.9784%. Este es el modelo actualmente seleccionado.
Regresión Simple - parcela B Ni (ppm) vs. Tiempo en meses
Variable dependiente: parcela B Ni (ppm) Variable independiente: Tiempo en meses Logarítmico-Y Cuadrado-X: Y = exp(b*X^2) Coeficientes
Mínimos Cuadrados
Estándar Estadístico
Parámetro
Estimado Error T Valor-P
Pendiente
0.0464618 0.0123432
3.76416 0.0328
Análisis de Varianza
Fuente Suma de Cuadrados
Gl Cuadrado Medio
Razón-F
Valor-P
130
Modelo 67.71 1 67.71 14.17 0.0328
Residuo
14.3363 3 4.77877
Total 82.0463 4
Coeficiente de Correlación = 0.908441 R-cuadrada = 82.5266 porciento R-cuadrado (ajustado para g.l.) = 82.5266 porciento Error estándar del est. = 2.18604 Error absoluto medio = 1.49359 Estadístico Durbin-Watson = 0.738206 Autocorrelación de residuos en retraso 1 = 0.356989 El StatAdvisor La salida muestra los resultados de ajustar un modelo log-Y X-cuadrada para describir la relación entre parcela B Ni (ppm) y Tiempo en meses. La ecuación del modelo ajustado es parcela B Ni (ppm) = exp(0.0464618*Tiempo en meses^2) Puesto que el valor-P en la tabla ANOVA es menor que 0.05, existe una relación estadísticamente significativa entre parcela B Ni (ppm) y Tiempo en meses con un nivel de confianza del 95.0%. El estadístico R-Cuadrada indica que el modelo ajustado explica 82.5266% de la variabilidad en parcela B Ni (ppm). El coeficiente de correlación es igual a 0.908441, indicando una relación relativamente fuerte entre las variables. El error estándar del estimado indica que la desviación estándar de los residuos es 2.18604. Este valor puede usarse para construir límites de predicción para nuevas observaciones, seleccionando la opción de Pronósticos del menú de texto. El error absoluto medio (MAE) de 1.49359 es el valor promedio de los residuos. El estadístico de Durbin-Watson (DW) examina los residuos para determinar si hay alguna correlación significativa basada en el orden en el que se presentan en el archivo de datos.
Comparación de Modelos Alternos
Modelo Correlación
R-Cuadrada
Logarítmico-Y Raíz Cuadrada-X
0.9790 95.85%
Doble Inverso 0.9682 93.74%
Multiplicativa 0.9581 91.79%
Exponencial 0.9542 91.05%
Raíz Cuadrada-X Cuadrado-X
0.9278 86.09%
131
Log-Y Cuadrado-X 0.9084 82.53%
Raíz Cuadrada de Y 0.9018 81.32%
Raíz Cuadrada Doble 0.8657 74.94%
Raíz Cuadrada-Y Log-X 0.8636 74.58%
Cuadrado de X 0.8524 72.65%
Cuadrado Doble 0.8156 66.52%
Lineal 0.7798 60.81%
Cuadrado de Y 0.7316 53.53%
Logaritmo de X 0.7162 51.30%
Raíz Cuadrada deX 0.7077 50.08%
Cuadrado-Y Log-X 0.6620 43.83%
Cuadrado-Y Raíz Cuadrada-X
0.6522 42.53%
Inversa-Y Raíz Cuadrada-X
0.5651 31.93%
Curva S 0.5633 31.73%
Inversa-Y Log-X 0.4700 22.09%
Inversa de Y 0.4042 16.34%
Raíz Cuadrada-Y Inversa de X
0.3325 11.05%
Inversa-Y Cuadrado-X 0.2573 6.62%
Inversa de X 0.1597 2.55%
Cuadrado-Y Inversa de X 0.1193 1.42%
Logístico <sin ajuste>
Log probit <sin ajuste>
El StatAdvisor
Esta tabla muestra los resultados de ajustar varios modelos curvilíneos a los datos. De los modelos ajustados, el modelo log-Y raíza cuadrada-X es el que arroja el valore más alto de R-Cuadrada con 95.8464%. Este es 13.3199% mayor que el modelo log-Y X-cuadrada seleccionado. Para cambiar los modelos, seleccione el cuadro de diálogo de las Opciones de Análisis.
Regresión Simple - parcela C Ni (ppm) vs. Tiempo en meses
Variable dependiente: parcela C Ni (ppm) Variable independiente: Tiempo en meses Cuadrado-Y Raíz Cuadrada-X: Y = sqrt(a + b*sqrt(X))
132
Coeficientes
Mínimos Cuadrados
Estándar
Estadístico
Parámetro
Estimado Error T Valor-P
Intercepto
-6894.44 105.35 -65.4432 0.0097
Pendiente
5685.55 44.9214 126.567 0.0050
Análisis de Varianza
Fuente Suma de Cuadrados
Gl Cuadrado Medio
Razón-F Valor-P
Modelo 6.07145E7 1 6.07145E7 16019.15
0.0050
Residuo 3790.12 1 3790.12
Total (Corr.)
6.07183E7 2
Coeficiente de Correlación = 0.999969 R-cuadrada = 99.9938 porciento R-cuadrado (ajustado para g.l.) = 99.9875 porciento Error estándar del est. = 61.564 Error absoluto medio = 33.5004 Estadístico Durbin-Watson = 2.99871 (P=) Autocorrelación de residuos en retraso 1 = -0.666238 Número de filas excluídas: 1 El StatAdvisor La salida muestra los resultados de ajustar un modelo Y-cuadrada raíz cuadrada-X para describir la relación entre parcela C Ni (ppm) y Tiempo en meses. La ecuación del modelo ajustado es parcela C Ni (ppm) = sqrt(-6894.44 + 5685.55*sqrt(Tiempo en meses)) Puesto que el valor-P en la tabla ANOVA es menor que 0.05, existe una relación estadísticamente significativa entre parcela C Ni (ppm) y Tiempo en meses con un nivel de confianza del 95.0%. El estadístico R-Cuadrada indica que el modelo ajustado explica 99.9938% de la variabilidad en parcela C Ni (ppm) después de transformar a una escala logarítmica para linearizar el modelo. El coeficiente de correlación es igual a 0.999969, indicando una relación relativamente fuerte entre las variables. El error estándar del estimado indica que la desviación estándar de los residuos es 61.564. Este valor puede usarse para construir límites de predicción para nuevas observaciones, seleccionando la opción de Pronósticos del menú de texto.
133
El error absoluto medio (MAE) de 33.5004 es el valor promedio de los residuos. El estadístico de Durbin-Watson (DW) examina los residuos para determinar si hay alguna correlación significativa basada en el orden en el que se presentan en el archivo de datos.
Comparación de Modelos Alternos
Modelo Correlación
R-Cuadrada
Cuadrado-Y Raíz Cuadrada-X
1.0000 99.99%
Raíz Cuadrada-Y Inversa de X
-0.9998 99.96%
Curva S -0.9982 99.63%
Logaritmo de X 0.9965 99.30%
Inversa de X -0.9929 98.58%
Cuadrado-Y Log-X 0.9927 98.54%
Cuadrado de Y 0.9909 98.19%
Doble Inverso 0.9897 97.95%
Raíz Cuadrada-Y Log-X 0.9832 96.67%
Raíz Cuadrada deX 0.9775 95.55%
Multiplicativa 0.9653 93.19%
Raíz Cuadrada Doble 0.9516 90.56%
Cuadrado-Y Inversa de X -0.9479 89.85%
Cuadrado Doble 0.9452 89.34%
Lineal 0.9429 88.91%
Logarítmico-Y Raíz Cuadrada-X
0.9238 85.34%
Raíz Cuadrada de Y 0.9051 81.92%
Exponencial 0.8679 75.33%
Cuadrado de X 0.8591 73.81%
Raíz Cuadrada-X Cuadrado-X
0.8039 64.62%
Log-Y Cuadrado-X 0.7534 56.76%
Inversa-Y Cuadrado-X -0.6962 48.47%
Inversa de Y <sin ajuste>
Inversa-Y Raíz Cuadrada-X
<sin ajuste>
Inversa-Y Log-X <sin ajuste>
Logístico <sin ajuste>
Log probit <sin ajuste>
134
El StatAdvisor
Esta tabla muestra los resultados de ajustar varios modelos curvilíneos a los datos. De los modelos ajustados, el modelo Y-cuadrada raíz cuadrada-X es el que arroja el valore más alto de R-Cuadrada con 99.9938%. Este es el modelo actualmente seleccionado. Regresión Simple - parcela A Pb (ppm) vs. Tiempo en meses Variable dependiente: parcela A Pb (ppm) Variable independiente: Tiempo en meses Inversa de X: Y = a + b/X Coeficientes
Mínimos Cuadrados
Estándar
Estadístico
Parámetro
Estimado Error T Valor-P
Intercepto
79.0667 0.765655
103.267 0.0062
Pendiente
-118.748 1.88597 -62.964 0.0101
Análisis de Varianza
Fuente Suma de Cuadrados
Gl Cuadrado Medio
Razón-F
Valor-P
Modelo 2579.99 1 2579.99 3964.47 0.0101
Residuo 0.650779 1 0.650779
Total (Corr.)
2580.64 2
Coeficiente de Correlación = -0.999874 R-cuadrada = 99.9748 porciento R-cuadrado (ajustado para g.l.) = 99.9496 porciento Error estándar del est. = 0.806709 Error absoluto medio = 0.41135 Estadístico Durbin-Watson = 2.75506 (P=) Autocorrelación de residuos en retraso 1 = -0.58502 Número de filas excluídas: 1 El StatAdvisor La salida muestra los resultados de ajustar un modelo X-inversa para describir la relación entre parcela A Pb (ppm) y Tiempo en meses. La ecuación del modelo ajustado es parcela A Pb (ppm) = 79.0667 - 118.748/Tiempo en meses Puesto que el valor-P en la tabla ANOVA es menor que 0.05, existe una relación estadísticamente significativa entre parcela A Pb (ppm) y Tiempo en meses con un nivel de confianza del 95.0%.
135
El estadístico R-Cuadrada indica que el modelo ajustado explica 99.9748% de la variabilidad en parcela A Pb (ppm). El coeficiente de correlación es igual a -0.999874, indicando una relación relativamente fuerte entre las variables. El error estándar del estimado indica que la desviación estándar de los residuos es 0.806709. Este valor puede usarse para construir límites de predicción para nuevas observaciones, seleccionando la opción de Pronósticos del menú de texto. El error absoluto medio (MAE) de 0.41135 es el valor promedio de los residuos. El estadístico de Durbin-Watson (DW) examina los residuos para determinar si hay alguna correlación significativa basada en el orden en el que se presentan en el archivo de datos.
Comparación de Modelos Alternos
Modelo Correlación
R-Cuadrada
Inversa de X -0.9999 99.97%
Cuadrado-Y Log-X 0.9998 99.96%
Raíz Cuadrada-Y Inversa de X
-0.9973 99.47%
Curva S -0.9895 97.92%
Cuadrado-Y Raíz Cuadrada-X
0.9889 97.79%
Doble Inverso 0.9862 97.27%
Cuadrado-Y Inversa de X -0.9833 96.69%
Logaritmo de X 0.9825 96.53%
Cuadrado de Y 0.9621 92.56%
Raíz Cuadrada-Y Log-X 0.9621 92.56%
Raíz Cuadrada deX 0.9504 90.33%
Multiplicativa 0.9400 88.36%
Raíz Cuadrada Doble 0.9191 84.47%
Lineal 0.9034 81.61%
Cuadrado Doble 0.8897 79.16%
Logarítmico-Y Raíz Cuadrada-X
0.8884 78.92%
Raíz Cuadrada de Y 0.8618 74.27%
Exponencial 0.8231 67.75%
Cuadrado de X 0.8015 64.24%
Raíz Cuadrada-X Cuadrado-X
0.7453 55.55%
Log-Y Cuadrado-X 0.6955 48.37%
Inversa-Y Cuadrado-X -0.6801 46.25%
Inversa de Y <sin ajuste>
Inversa-Y Raíz Cuadrada-X
<sin ajuste>
136
Inversa-Y Log-X <sin ajuste>
Logístico <sin ajuste>
Log probit <sin ajuste>
El StatAdvisor Esta tabla muestra los resultados de ajustar varios modelos curvilíneos a los datos. De los modelos ajustados, el modelo X-inversa es el que arroja el valore más alto de R-Cuadrada con 99.9748%. Este es el modelo actualmente seleccionado.
Regresión Simple - parcela B Pb (ppm) vs. Tiempo en meses
Variable dependiente: parcela B Pb (ppm) Variable independiente: Tiempo en meses Recíproco Doble: Y = 1/(b/X) Coeficientes
Mínimos Cuadrados
Estándar Estadístico
Parámetro
Estimado Error T Valor-P
Pendiente
0.0741538 0.00646591
11.4684 0.0014
Análisis de Varianza
Fuente Suma de Cuadrados
Gl Cuadrado Medio
Razón-F
Valor-P
Modelo 0.00275703 1 0.00275703 131.52 0.0014
Residuo
0.0000628861 3 0.000020962
Total 0.00281991 4
Coeficiente de Correlación = 0.988787 R-cuadrada = 97.7699 porciento R-cuadrado (ajustado para g.l.) = 97.7699 porciento Error estándar del est. = 0.00457843 Error absoluto medio = 0.0030598 Estadístico Durbin-Watson = 3.16912 Autocorrelación de residuos en retraso 1 = -0.593736 El StatAdvisor La salida muestra los resultados de ajustar un modelo doble inverso para describir la relación entre parcela B Pb (ppm) y Tiempo en meses. La ecuación del modelo ajustado es
137
parcela B Pb (ppm) = 1/(0.0741538/Tiempo en meses) Puesto que el valor-P en la tabla ANOVA es menor que 0.05, existe una relación estadísticamente significativa entre parcela B Pb (ppm) y Tiempo en meses con un nivel de confianza
Comparación de Modelos Alternos
Modelo Correlación
R-Cuadrada
Doble Inverso 0.9888 97.77%
Raíz Cuadrada Doble 0.9829 96.62%
Logarítmico-Y Raíz Cuadrada-X
0.9800 96.04%
Raíz Cuadrada-Y Log-X 0.9741 94.88%
Logaritmo de X 0.9612 92.40%
Multiplicativa 0.9574 91.65%
Raíz Cuadrada deX 0.9542 91.04%
Raíz Cuadrada de Y 0.9475 89.78%
Lineal 0.9471 89.70%
Exponencial 0.9244 85.45%
Cuadrado de X 0.9030 81.55%
Cuadrado de Y 0.8995 80.90%
Cuadrado Doble 0.8957 80.22%
Cuadrado-Y Log-X 0.8905 79.29%
Raíz Cuadrada-X Cuadrado-X
0.8767 76.85%
Cuadrado-Y Raíz Cuadrada-X
0.8763 76.79%
Log-Y Cuadrado-X 0.8377 70.18%
Curva S 0.6133 37.62%
Raíz Cuadrada-Y Inversa de X
0.5129 26.30%
Inversa-Y Raíz Cuadrada-X
0.5006 25.06%
Inversa-Y Log-X 0.3913 15.31%
Inversa de X 0.3763 14.16%
Inversa de Y 0.3626 13.15%
Cuadrado-Y Inversa de X 0.2645 6.99%
Inversa-Y Cuadrado-X 0.2608 6.80%
Logístico <sin ajuste>
Log probit <sin ajuste>
138
El StatAdvisor
Esta tabla muestra los resultados de ajustar varios modelos curvilíneos a los datos. De los modelos ajustados, el modelo doble inverso es el que arroja el valore más alto de R-Cuadrada con 97.7699%. Este es el modelo actualmente seleccionado.
Regresión Simple - parcela C Pb (ppm) vs. Tiempo en meses Variable dependiente: parcela C Pb (ppm) Variable independiente: Tiempo en meses Cuadrado-Y Log-X: Y = sqrt(a + b*ln(X)) Coeficientes
Mínimos Cuadrados
Estándar
Estadístico
Parámetro
Estimado Error T Valor-P
Intercepto
-707.057 105.209 -6.72053 0.0940
Pendiente
1680.45 64.2002 26.1752 0.0243
Análisis de Varianza
Fuente Suma de Cuadrados
Gl Cuadrado Medio
Razón-F
Valor-P
Modelo 5.20456E6 1 5.20456E6 685.14 0.0243
Residuo 7596.32 1 7596.32
Total (Corr.)
5.21215E6 2
Coeficiente de Correlación = 0.999271 R-cuadrada = 99.8543 porciento R-cuadrado (ajustado para g.l.) = 99.7085 porciento Error estándar del est. = 87.1569 Error absoluto medio = 46.8791 Estadístico Durbin-Watson = 2.95281 (P=) Autocorrelación de residuos en retraso 1 = -0.650935 Número de filas excluídas: 1 El StatAdvisor La salida muestra los resultados de ajustar un modelo Y-cuadrada log-X para describir la relación entre parcela C Pb (ppm) y Tiempo en meses. La ecuación del modelo ajustado es parcela C Pb (ppm) = sqrt(-707.057 + 1680.45*ln(Tiempo en meses))
139
Puesto que el valor-P en la tabla ANOVA es menor que 0.05, existe una relación estadísticamente significativa entre parcela C Pb (ppm) y Tiempo en meses con un nivel de confianza del 95.0%. El estadístico R-Cuadrada indica que el modelo ajustado explica 99.8543% de la variabilidad en parcela C Pb (ppm). El coeficiente de correlación es igual a 0.999271, indicando una relación relativamente fuerte entre las variables. El error estándar del estimado indica que la desviación estándar de los residuos es 87.1569. Este valor puede usarse para construir límites de predicción para nuevas observaciones, seleccionando la opción de Pronósticos del menú de texto. El error absoluto medio (MAE) de 46.8791 es el valor promedio de los residuos. El estadístico de Durbin-Watson (DW) examina los residuos para determinar si hay alguna correlación significativa basada en el orden en el que se presentan en el archivo de datos.