1
ISSN-e: 2683-3360
TECNOCIENCIA CHIHUAHUA, Vol. XIX (2025): enero-diciembre, e2020
https://revistascientificas.uach.mx/index.php/tecnociencia/index
Artículo Científico
Métodos de clasificación de datos en SIG para
estimar recarga de agua subterránea en México
Data classification methods in GIS for groundwater recharge
estimation in Mexico
*Correspondencia: Correo electrónico: manunez@uach.mx (Miguel Ángel González Núñez)
DOI: https://doi.org/10.54167/tch.v19iEspecial.2020
Recibido: 21 de julio de 2025; Aceptado: 12 de septiembre de 2025
Publicado por la Universidad Autónoma de Chihuahua, a través de la Dirección de Investigación y Posgrado.
Editora de Sección: Mélida Gutiérrez Ph.D.
Resumen
Este estudio evaluó cinco métodos de clasificación de datos en ArcMap 10.5 para analizar la recarga
media anual de agua subterránea en trece regiones hidrológico-administrativas de México. Los datos
de recarga (hm³/año) fueron obtenidos del Geoportal de CONABIO (2008) y normalizados mediante
recarga específica (mm/año) para permitir comparaciones entre regiones de diferente tamaño. El
análisis se basó en intervalo, clase y rango. Se generaron mapas coropléticos aplicando intervalos
iguales, frecuencias iguales/cuantiles, clasificación manual, intervalos naturales/Jenks e intervalos
geométricos, con un máximo de cinco clases. Los resultados evidenciaron diferencias en la
representación espacial: los intervalos iguales simplificaron la interpretación (cada clase abarca 4,816
hm³/año), pero no reflejaron la concentración de datos bajos; los cuantiles distribuyeron
uniformemente los valores, aunque agruparon datos heterogéneos (e.g. 7,566 y 25,316 hm³/año); la
clasificación manual, sacrificó el detalle intermedio y muestra solo dos intervalos grandes (8,000 y
18,000 hm³/año); los intervalos naturales/Jenks y geométricos representaron con mayor precisión la
variabilidad y datos sesgados. Se identificaron zonas de alta recarga (Península de Yucatán: 213.2
mm/año) y baja (Baja California: 8.4 mm/año). El trabajo concluye que no existe un método ideal
único; la elección depende de los objetivos, la naturaleza de los datos y la audiencia. La aplicación
combinada de varios métodos mejora la interpretación y apoya una gestión hídrica más informada.
Palabras clave: métodos de clasificación; ArcGIS; clasificación cartográfica; recarga de agua
subterránea; México.
Miguel Ángel González-Núñez1*, Alejandro Villalobos-Aragón1, Álvaro Enrique
Fernández-Escalante2, Nuria Naranjo-Fernández3
1Facultad de Ingeniería, Universidad Autónoma de Chihuahua (UACH). Circuito Universitario, Campus 2. C. P. 31125.
Chihuahua, Chihuahua, México.
2Grupo Tragsa, Subdirección de Innovación, 28006 Madrid, España
2Instituto Geológico y Minero de España (IGME-CSIC). C/Ríos Rosas 23, 28003 Madrid, España.
2
González-Núñez et.al
TECNOCIENCIA CHIHUAHUA, Vol. XIX (2025): enero-diciembre, e2020
Abstract
This study evaluated five data classification methods in ArcMap 10.5 to analyze the mean annual
groundwater recharge in thirteen hydrologic-administrative regions of Mexico. Recharge data
(hm³/year) were obtained from CONABIO’s Geoportal (2008) and normalized using specific
recharge (mm/year) to allow comparisons among regions of different sizes. The analysis was based
on interval, class, and range. Choropleth maps were generated using equal intervals, equal
frequency/quantiles, manual classification, natural breaks/Jenks, and geometric intervals, with a
maximum of five classes. The results revealed differences in spatial representation: equal intervals
simplified interpretation (each class covering 4,816hm3/year) but did not reflect the concentration of
low values; quantiles distributed values evenly, although they grouped heterogeneous data (e.g.,
7,566 and 25,316 hm3/year) ; manual classification sacrificed intermediate detail and displayed only
two broad intervals (8,000 and 18,000 hm3/year); natural breaks/Jenks and geometric intervals
represented variability and skewed data with greater accuracy. Areas of high recharge (Yucatán
Peninsula: 213.2 mm/year) and low recharge (Baja California: 8.4 mm/year) were identified. The
study concludes that no single ideal method exists; the choice depends on the objectives, the nature
of the data, and the target audience. The combined application of multiple methods enhances
interpretation and supports more informed groundwater management.
Keywords: classification methods; GIS; thematic maps; groundwater recharge; Mexico.
1. Introducción
La recarga de acuíferos forma parte del ciclo hidrológico y ocurre desde hace millones de
años en zonas de montaña, regiones fracturadas, ríos, arroyos, sitios granulares y homogéneos. Sin
embargo, este fenómeno se ha modificado por factores como el cambio climático, alteraciones del
ciclo hidrológico, riego agrícola, disposición de aguas residuales tratadas en cuerpos de agua, e
impermeabilización de suelos en zonas urbanas (Roger et al., 2011; Moukoko et al., 2023; Asaka et
al., 2024; Saraf y Regulwar, 2024). Como resultado de esto, se ha documentado la disminución del
nivel estático con efectos indeseables, tales como: incremento del costo de bombeo, subsidencia de
terreno, desecación de humedales, pérdida de flujo base, disminución de la calidad del agua
subterránea, entre otros (Scanlon et al., 2016). Estos problemas se agravan en zonas áridas, donde el
porcentaje de recarga natural de agua subterránea es bajo.
En este contexto, se han realizado estudios que determinan valores de recarga natural considerando
factores como tiempo, espacio, clima y geología. Estos estudios demuestran porcentajes de recarga
basados en la precipitación: al sur de EUA del 6 al 22 % (Hogan et al., 2004), en Etiopía 20 %
(Andualem et al., 2021), en India 17 % (Mohan & Pramada, 2023), en rocas ígneas del 4 al 19 % con
altas tasas de infiltración en rocas fracturadas (Cai y Ofterdinger, 2016), en climas húmedos del 30 al
50 %, en climas mediterráneos del 10 al 20 % y en climas secos del 0 a 2 % (Bouwer, 2002), en
sedimentos, arenas y gravas del 5.6 % al 8.3 %, en calizas y dolomías 34.3 %, en margas, yesos, limos
y arcillas 3.3 %, y en rocas duras 1.3 % (Sanz et al., 2011). De estos valores, se desprende que el
conocimiento cuantitativo de los valores de recarga forma las bases para la evaluación, desarrollo y
utilización óptima del agua subterránea, por lo que se requieren herramientas emergentes para
mejorar el entendimiento de los procesos de recarga. Así mismo, los procesos y mecanismos de
recarga, factores que los afectan, técnicas precisas y adecuadas para estimar la recarga en tiempo y
3
González-Núñez et.al
TECNOCIENCIA CHIHUAHUA, Vol. XIX (2025): enero-diciembre, e2020
espacio, y áreas prioritarias para futuras investigaciones, deben estudiarse con prioridad (Healy y
Scanlon, 2010). Dentro de las herramientas emergentes para la gestión y entendimiento de la recarga
de agua subterránea se encuentran vuelos con dron, inteligencia artificial, análisis de imágenes
satelitales y los Sistemas de Información Geográfica (en lo sucesivo, SIG).
Un SIG puede definirse como “un sistema computacional que maneja, almacena, analiza y muestra
datos geoespaciales” (Chang, 2022). Los SIG, pese a considerarse una herramienta novedosa, tienen
más de 50 años en el mercado (Chang, 2022) y factores como internet, GPS y la mejora de rendimiento
de los ordenadores han permitido su aplicación a nivel global, incluso por usuarios no especializados
fuera del campo de la cartografía (Snyman et al., 2024). Pese a sus múltiples ventajas, los SIG
presentan retos, tales como datos inexactos, estructura de datos vectoriales compleja, diferencia de
sistemas de coordenadas nativos, datos desactualizados, alto costo del software y falta de
estandarización de datos, por mencionar algunos (Paramasivam, 2019). Así, algunos de los
principales retos de los SIG se asocian a los datos de entrada y salida que los programas de cómputo
proporcionan (Flores-Garnica y Flores-Rodríguez, 2020).
En el caso de México, se han identificado inconsistencias en la información geoespacial utilizada para
la gestión de los acuíferos, lo que muestra la necesidad de evaluar y optimizar datos y métodos de
clasificación en SIG (Carrera-Hernández y Gaskin, 2007). También, diversos estudios han reportado
las diferencias que arrojan los métodos de clasificación de datos en diversas partes del mundo, aun
considerando los mismos archivos de entrada (Chang, 2022; Slocum et al., 2023). Por todo lo anterior,
el objetivo de esta investigación fue aplicar cinco métodos de clasificación de datos en el software
ArcGIS 10.5 (intervalos iguales, frecuencias iguales/cuantiles, clasificación manual, intervalos
naturales/Jenks e intervalos geométricos), utilizando los mismos datos (valores de recarga de agua
subterránea en México en hm3/año), y comparar resultados.
2. Descripción de la zona de estudio
2.1 Ubicación
México se localiza al sur de Norteamérica, entre las coordenadas 32° y 14° Norte y 86° y 118°
Oeste. Al norte tiene una frontera de 3,152 km con los Estados Unidos de América, al sur una frontera
de 278 km con Belice y de 962 km con Guatemala, extendiéndose al sureste en la región de la
Península de Yucatán. La superficie de México es de 1,964,000 km², por lo tanto, a nivel mundial,
ocupa el puesto número 13 en cuanto a su extensión territorial. Al este, el país está bordeado por el
Golfo de México y el Mar Caribe, mientras que al oeste y al sur se encuentra el Océano Pacífico. El
país se divide en 32 entidades federativas.
2.2 Clima
Diversos factores determinan el clima de México. En primer lugar, por su ubicación
geográfica, el sur del país se encuentra en la zona intertropical, en tanto que el norte se localiza en la
zona templada (México se encuentra a la misma latitud que los desiertos del Sahara y el Arábigo).
En segundo lugar, los accidentes geográficos caracterizan el relieve de México. Así, los climas áridos
y semidesérticos se encuentran en el norte, con temperaturas superiores a 40 °C en verano, mientras
4
González-Núñez et.al
TECNOCIENCIA CHIHUAHUA, Vol. XIX (2025): enero-diciembre, e2020
que, en las zonas altas del centro del país, el clima es templado, con temperaturas promedio de 15
°C (Lutgens et al., 2018). En zonas costeras del Golfo de México y del Pacífico, predomina el clima
cálido-húmedo con altas temperaturas, y en el sureste, el clima es tropical con temperaturas
promedio de 24 °C.
En general, en el país prevalecen los climas secos y semisecos, con lluvias de 200 a 500 mm/año
(Lutgens et al., 2018). En contraste, el sureste del país tiene un clima tropical húmedo, con lluvias de
más de 2,000 mm/año. Las zonas montañosas presentan climas templados con lluvias moderadas y
temperaturas frescas durante gran parte del año. En la mayor parte del territorio la lluvia es
torrencial en verano, con una media de 740 mm/año, mientras que el 68 % de la precipitación normal
mensual es de junio a septiembre (CONAGUA, 2023). En las regiones áridas del norte, la
evapotranspiración es alta debido a elevadas temperaturas con tasas superiores a 2,000 mm/año
(CONAGUA, 2023). En zonas tropicales y costeras, la evapotranspiración también es elevada debido
a la alta humedad y las temperaturas cálidas, aunque las lluvias regulares compensan esta pérdida
de agua. En las áreas montañosas, la evapotranspiración es baja debido a las temperaturas
moderadas y la presencia de bosques, que actúan como reservorios de agua y contribuyen a la
conservación del recurso hídrico. La radiación solar tiene promedios anuales que van de 4 a 6
kWh/m² al día, siendo más intensa en los desiertos del norte debido a la falta de nubosidad, mientras
que las regiones tropicales del sur y las áreas montañosas experimentan una radiación solar más
moderada debido a la mayor cobertura de nubes y lluvias frecuentes (CONAGUA, 2023).
2.3 Hidrografía
Los ríos y arroyos de México constituyen una red hidrográfica de 633,000 km de longitud,
en la que destacan 51 ríos por los que fluye el 87 % del escurrimiento superficial del país y cuyas
cuencas cubren el 65 % de la superficie territorial (CONAGUA, 2023). Por su superficie, destacan las
cuencas de los ríos Bravo y Balsas, y por longitud destacan los ríos Bravo y Grijalva-Usumacinta. Los
ríos Lerma y Nazas-Aguanaval pertenecen a la vertiente interior. México comparte ocho cuencas
transfronterizas: tres con Estados Unidos (Bravo, Colorado y Tijuana), cuatro con Guatemala
(Grijalva-Usumacinta, Suchiate, Coatán y Candelaria) y una con Belice y Guatemala (río Hondo).
El país se divide en tres regiones hidrológicas: la vertiente del Pacífico, la vertiente del Golfo y el
interior sin salida al mar, con más de 700 cuencas hidrológicas en todo el territorio (CONAGUA,
2023). Dentro de estas cuencas, las más importantes incluyen la Cuenca del Río Bravo (188,459 km2),
la Cuenca del Grijalva-Usumacinta (100,000 km²) y la Cuenca Lerma-Chapala-Santiago (190,366
km2). Por su longitud, destaca el Río Bravo con 3,034 km, actuando como frontera entre México y
Estados Unidos. Otros ríos importantes son el Lerma, que recorre 750 km desde el centro del país
hasta desembocar en el Océano Pacífico a través del Río Santiago, así como el Río Grijalva y el
Usumacinta, claves en el sureste y conforman una de las zonas más ricas en recursos hídricos de
México (CONAGUA, 2023).
En cuanto a los cuerpos de agua dulce, el Lago de Chapala es el lago natural más grande de México
(1,100 km²), mientras otros lagos importantes son Pátzcuaro y Cuitzeo, ambos en Michoacán.
También destacan lagunas costeras, como la Laguna de Términos en Campeche, de gran importancia
ecológica. La gestión de los recursos hídricos en México es un desafío ya que el 60 % del agua se
encuentra en el sureste y el 70 % de la población vive en el centro y norte, donde los recursos hídricos
son escasos.
5
González-Núñez et.al
TECNOCIENCIA CHIHUAHUA, Vol. XIX (2025): enero-diciembre, e2020
2.4 Uso de suelo y vegetación
En México, las actividades urbanas, agrícolas, ganaderas e industriales dominan el 26 % de
territorio (INEGI, 2017). La vegetación de zonas áridas y semiáridas ocupa el 29 % del país y es el
ecosistema menos alterado, en zonas como el altiplano, y se compone de pastizales, cactáceas y
matorrales semiáridos, donde la vegetación es escasa. El 20 % del territorio nacional está cubierto
por bosque de pino y encino, principalmente en áreas montañosas, como la Sierra Madre y el Eje
Neovolcánico (INEGI, 2017). Finalmente, el 25 % de la superficie consta de manglares, selvas
húmedas y tropicales, como la selva Lacandona, las regiones costeras y el Golfo de México. Los
principales desafíos para la conservación de estos ecosistemas son la deforestación y el cambio de
uso de suelo para agricultura y urbanización.
2.5 Geología
La geología de México es diversa debido a procesos geológicos que han afectado la región
durante millones de años, y el país abarca rocas que datan del Precámbrico al Cuaternario (Tarbuck
et al., 2013). En México se encuentran secuencias de rocas sedimentarias marinas y continentales del
Mesozoico, testimonio de la existencia de mares que cubrieron grandes partes del país. Durante el
Cretácico, el país estaba sumergido en un mar que depositó calizas, lutitas y areniscas en áreas como
la Sierra Madre Oriental y la península de Yucatán. Las formaciones volcánicas más jóvenes
(Cenozoico), predominan en el Eje Neovolcánico, mientras que el noroeste está compuesto por
basamentos rocosos más antiguos del Precámbrico (INEGI, 1999; Tarbuck et al., 2013; SGM, 2019;
CONAGUA, 2024).
México está moldeado por la interacción de las placas tectónicas de Norteamérica, Cocos y el
Pacífico, lo que genera estructuras geológicas complejas y una intensa actividad sísmica y volcánica.
El país está atravesado por sistemas de fallas, como la Falla de San Andrés en Baja California, y
grandes cadenas montañosas formadas por plegamientos y fallamientos, como las sierras Madre
Occidental y Oriental. Estas estructuras son fundamentales en la formación del relieve del país,
además de influir en los patrones de drenaje y en la formación de cuencas sedimentarias. La
subducción de la Placa de Cocos bajo la Placa de Norteamérica también ha generado el Eje
Neovolcánico, una zona activa de vulcanismo que incluye volcanes como el Popocatépetl y el
Iztaccíhuatl (Tarbuck et al., 2013). Respecto a la litología, las montañas del país están formadas por
rocas volcánicas como basaltos, andesitas y riolitas, mientras que las regiones costeras y llanuras
contienen rocas sedimentarias como areniscas y calizas. En la península de Yucatán, las formaciones
carbonatadas son predominantes y están asociadas con sistemas de cuevas y cenotes. En el norte y
noreste del país se encuentran extensiones de rocas sedimentarias, que registran los ciclos de avance
y retroceso oceánicos (Tarbuck et al., 2013).
En términos de hidrogeología, las formaciones geológicas permiten el almacenamiento y el flujo de
agua subterránea. Los acuíferos más importantes del país se encuentran en áreas de rocas
sedimentarias, como las calizas kársticas de la península de Yucatán, donde se han formado extensos
sistemas subterráneos de agua. Los acuíferos volcánicos, comunes en el Eje Neovolcánico y en las
zonas de montaña, están compuestos por rocas fracturadas que permiten el almacenamiento y
movimiento del agua subterránea. En términos de recarga total media anual, se estima en 78,594
hm³/año (Tarbuck et al., 2013; CONAGUA, 2023).
6
González-Núñez et.al
TECNOCIENCIA CHIHUAHUA, Vol. XIX (2025): enero-diciembre, e2020
3. Materiales y métodos
3.1 Datos por clasificar
Se generaron cinco mapas de recarga media anual de agua subterránea en México a partir
de archivos Shape de descarga gratuita obtenidos del Geoportal de la Comisión Nacional para la
Biodiversidad (en lo sucesivo, CONABIO). Los datos disponibles más recientes datan de 2008 y
fueron descargados en 2025 de la URL http://www.conabio.gob.mx/informacion/gis/.
Tabla 1 | Recarga media por región hidrológico-administrativa en México (CONABIO, 2008).
Table 1 | Average recharge by hydrological-administrative region in Mexico (CONABIO, 2008).
Recarga media (hm3/año)
Área (km2)
Recarga
específica
(mm/año)
1.233
146.804
8,4
1.392
138.360
10,1
1.696
91.547
18,5
1.835
15.206
120,7
2.297
243.081
9,4
2.870
197.235
14,6
3.194
155.646
20,5
3.849
113.748
33,8
4.220
174.743
24,1
5.081
319.288
15,9
7.566
132.718
57,0
18.015
102.797
175,2
25.316
118.735
213,2
Para el análisis, se empleó un sistema de coordenadas proyectadas en unidades métricas con el
datum horizontal y el elipsoide WGS84. Los valores de recarga de acuíferos (ordenados de menor a
7
González-Núñez et.al
TECNOCIENCIA CHIHUAHUA, Vol. XIX (2025): enero-diciembre, e2020
mayor) y el área de cada región hidrológico-administrativa (RHA) se presentan en la Tabla 1. A partir
de esos datos se calculó la recarga específica como cociente entre recarga media anual y área de cada
RHA (mm/año), lo que permitió una comparación más justa entre regiones de distinto tamaño y
facilitó la clasificación de datos en ArcMap. Finalmente, la simbología adaptó el modelo de color
CMYK con una gradación azul.
Antes de analizar los métodos de clasificación de datos, se definieron conceptos elementales según
la literatura (Slocum et al., 2023): a) Intervalo: conjunto de valores que toma una magnitud entre dos
límites (al dividir de 1 a 100 en 4 clases, los intervalos serían de 25); b) Clase: conjunto de elementos
con caracteres comunes (al dividir de 1 a 100 en cuatro clases, estas serían 0-25, 26-50, 51-75, 75-100);
c) Rango: variación de un fenómeno entre el límite menor y mayor (volumen mayor de recarga
25,316, menos volumen menor de recarga 1,233, igual a rango de 24,083 hm3/año).
Una vez definidos estos conceptos, se seleccionó un número apropiado de clases para cada método
de clasificación de datos. En este trabajo se usaron diferentes cantidades de clases dependiendo del
método utilizado, y se consideró como límite cinco, teniendo en cuenta la dificultad que supondría
distinguir entre la luminosidad del azul usando más clases. Otra consideración fue determinar el
nivel de precisión de los datos que mostró cada método. Dicho nivel fue función de los datos iniciales
disponibles, la calidad de dichos datos y la facilidad con la que se cree que los lectores pueden
interpretar los valores numéricos proporcionados.
También se consideró qué tipo de mapa cuantitativo se utilizaría (puntos, coropletas, símbolos
graduados, gráficos, flujo o isarítmico). A continuación, se definen estos conceptos:
1. Mapa de puntos. Utiliza puntos para mostrar datos geoespaciales, y cada punto
representa un valor unitario. Es un mapeo de puntos de uno a muchos y el valor unitario
es mayor que uno (Slocum et al., 2023).
2. Mapa de coropletas. Simboliza con sombreado datos basados en unidades
administrativas. Los datos se agrupan en clases antes de la cartografía y se simbolizan
utilizando un esquema de colores para datos cuantitativos; así, la apariencia se ve
afectada por la clasificación de datos y se genera un mapa clasificado. Los cartógrafos
crean varios mapas de coropletas a partir de los mismos datos y, eligen uno con una
buena organización espacial de clases para la versión final (Slocum et al., 2023).
3. Mapa de símbolos graduados. Cubre mapas coropléticos y dasimétricos, porque ambos
tipos utilizan un esquema de colores graduados para mostrar variación en datos
espaciales. Utilizan símbolos como círculos o triángulos para representar diferentes
clases de valores (Slocum et al., 2023).
4. Mapa de gráficos. Utiliza gráficos circulares (muestra dos conjuntos de datos
cuantitativos) o de barras (comparan datos uno contra otro, y utilizan la altura de las
barras verticales para representar datos cuantitativos) (Slocum et al., 2023).
5. Mapa de flujo. Muestra datos de interacción espacial, como tráfico y migración. Uno de
los métodos para realizar mapas de flujo consiste en representar clases de valores
variando el ancho de la línea (Slocum et al., 2023).
6. Mapa isarítmico. Utiliza isolíneas para representar una superficie, donde cada isolínea
conecta puntos de igual valor. Estos mapas muestran el terreno y la superficie estadística
creada mediante interpolación espacial (Slocum et al., 2023).
8
González-Núñez et.al
TECNOCIENCIA CHIHUAHUA, Vol. XIX (2025): enero-diciembre, e2020
En este trabajo se utilizaron mapas de coropletas debido a la naturaleza de los datos (valores
numéricos de recarga natural asociados a polígonos de regiones hidrológico-administrativas) y
porque estos mapas son fáciles de interpretar debido al número limitado de colores, además de la
facilidad con la que se pueden relacionar con los colores de leyenda apropiados. Pese a sus ventajas,
los mapas de coropletas presentan algunos problemas, tales como:
1. Elección de colores y patrones de sombreado. Los colores y patrones de sombreado
influyen en la lectura del mapa por el usuario. Es normal utilizar la convención "cuanto
más oscuro, mayor" al especificar patrones. Sin embargo, surge confusión entre mapas
en los que un valor alto es negativo (desempleo, contaminación) y aquellos en los que
un valor alto es positivo (empleo, alfabetización) (Chang, 2022). En este trabajo, el azul
más oscuro se asoció a mayores volúmenes de recarga y viceversa.
2. Elección del sistema de clasificación. Se debe especificar el número de clases utilizadas
y los intervalos de clases asignados, ya que cuanto mayor es el número de clases, el mapa
es más confuso (a mayor cantidad de clases, mayor complejidad del mapa). Hay
métodos para especificar intervalos de clase que se basan en reglas aritméticas, o en
hacer coincidir los patrones estadísticos de los datos que se presentan (Chang, 2022). En
este trabajo, el límite máximo fue de cinco clases.
3. Elección de la unidad espacial. La fusión de datos conduce a una pérdida de
información al enmascarar variaciones y patrones internos. Este problema (denominado
MAUP en inglés) significa que los límites de las unidades espaciales ocultan patrones
subyacentes en los datos. Si se agregan datos en unidades espaciales grandes, es normal
hacerlo sobre la base de relaciones formales (ciudades que se anidan en estados o países).
Como resultado cartógrafos sin escrúpulos pueden dibujar mapas de coropletas con
patrones elegidos para representar datos mal, por lo que se debe estudiar críticamente
el mapa antes de llegar a conclusiones sobre los datos presentados (Chang, 2022). En este
trabajo, la unidad espacial fueron trece RHA definidas por CONAGUA.
3.2 Métodos de clasificación de datos
La clasificación de datos implica usar un método y una serie de clases para organizar datos
del mapa (Li y Shan, 2022). Con cambios en el método de clasificación, número de clases, o intervalos,
los mismos datos producen mapas diferentes y patrones espaciales diversos. Por ello se debe
experimentar con la clasificación de datos antes de elegir un método de clasificación final; dicha
elección debe guiarse por el propósito y los principios de comunicación del mapa (Heywood et al.,
2010; Chang, 2022; Slocum et al., 2023). Para la clasificación de datos, ArcMap 10.5 ofrece seis
métodos: intervalos iguales, frecuencias iguales/cuantiles, clasificación manual, intervalos
naturales/Jenks, intervalos geométricos, media/desviación estándar. Dentro de estos métodos, hay
criterios que pueden usarse para elegir o juzgar su utilidad: 1) Considerar la distribución de datos
en una recta numérica, 2) Facilidad de comprensión del concepto, 3) Facilidad de cálculo, 4) Facilidad
de comprensión de simbología, 5) Coincidencia de valores de simbología con rangos de datos en
cada clase y 6) Apoyo para seleccionar el número de clases (Slocum et al., 2023).
Un problema con los métodos de clasificación es que dependen del entorno informático del que
dispone el cartógrafo (que haya software disponible para aplicar los métodos de clasificación) y del
9
González-Núñez et.al
TECNOCIENCIA CHIHUAHUA, Vol. XIX (2025): enero-diciembre, e2020
conocimiento del usuario (que el cartógrafo por lo menos tenga conocimientos de la zona de estudio,
así como de cálculo y estadística).
a) Método de intervalos iguales
Este método divide los datos en un número de rangos de igual ancho especificado por el
usuario, es decir, cada clase ocupa un intervalo igual a lo largo de la recta numérica (Slocum et al.,
2023). Como desventaja, crea clases con distribución desigual de datos y/o clases que no contienen
datos. Los pasos para el cálculo de un mapa de X rangos son: 1) Determinar el intervalo que ocupa
cada clase en la recta numérica dividiendo el rango de datos por el número de clases (Ec. 1), 2)
Determinar el límite superior de cada clase sumando el intervalo de clase al valor más bajo, 3)
Determinar el límite inferior de cada clase de modo que este justo por encima del valor más alto en
una clase de menor valor, 4) Especificar los límites de clase que se muestran en la leyenda (deben
reflejar la precisión de los datos en los que se basa la clasificación) y 5) Determinar qué datos
pertenecen a cada clase comparando los valores de los datos sin procesar con los límites de leyenda
del paso 4.
 
 Ec. (1)
Una ventaja del método es que los cinco pasos se pueden completar con calculadora o lápiz y papel,
además de que el método facilita la comprensión de la simbología ya que no hay espacios en la
leyenda y los intervalos son fáciles de entender (e.g., 1,233–6,049, 6,049–10,866). Las lagunas se evitan
creando leyendas continuas. Sin embargo, este enfoque no indica el rango real de valores que
pertenecen a una clase. Otra ventaja es que los límites de la leyenda no contienen espacios vacíos:
para este trabajo, la diferencia entre el valor superior de recarga en una clase y el valor inferior en la
siguiente clase fue 0. Otra ventaja es que los límites de la leyenda se simplifican de modo que solo se
muestran los valores más altos y bajos de los datos y el límite superior de cada clase, lo que permite
una interpretación más rápida del mapa, pero también crea confusión respecto de los límites de cada
clase (por ejemplo, el lector podría preguntarse si en la Fig. 1, 6,049 hm3/año cae en la primera o
segunda clase). Como desventaja, las lagunas que ocurren en este método de clasificación (como
ocurre con la clase 3 de la Fig. 1, cuyos valores van de 10,866 a 15,682 hm3/año), podrían hacer que
el lector se pregunte por qué hay datos en la simbología que no aparecen en el mapa.
La principal desventaja del método es que los límites de clase no consideran cómo se distribuyen los
datos a lo largo de la recta numérica. Por ejemplo, al inspeccionar la dispersión de datos de recarga,
se observa que la clase 5 de la Fig. 1, parece estar desperdiciada, ya que esta clase solo tiene datos de
20,499 a 25,316 hm3/año. Sin embargo, en el lado positivo, se debe tener en cuenta que los valores de
datos inusuales (como los valores atípicos de 10,866 a 15,682 hm3/año) aparecieron en su propia clase
única. Por lo tanto, aunque no se utilizan varias clases para los datos superiores de recarga, la
distribución cartografiada en la Fig. 1 muestra que la Península de Yucatán es diferente del resto de
los datos.
10
González-Núñez et.al
TECNOCIENCIA CHIHUAHUA, Vol. XIX (2025): enero-diciembre, e2020
b) Método de frecuencias iguales/cuantiles
El método de frecuencia igual o cuantiles divide la cantidad total de datos por la cantidad
de clases y garantiza que cada intervalo contenga la misma cantidad de valores de datos. Así, los
datos se ordenan por rango y se colocan el mismo número de valores en cada clase (Ec. 2). Este
método tiene diferentes nombres según el número de clases: los mapas de cuantiles de cuatro, cinco
y seis clases se denominan cuartiles, quintiles y sextiles, respectivamente (Slocum et al., 2023).
 
 Ec. (2)
Para definir los límites de leyenda para el método de frecuencia igual son posibles dos enfoques.
Uno es especificar los valores más altos y bajos de los miembros de una clase, mientras que el otro
enfoque es evitar estas brechas calculando un límite de clase como un promedio del valor más alto
de una clase y el valor más bajo de la siguiente clase. En este trabajo, se utilizó el primer enfoque
porque refleja con mayor precisión el rango de valores de datos que pertenecen a una clase.
Como ocurre con los intervalos iguales, una ventaja de los cuantiles es que los límites de clase se
pueden calcular manualmente; además, debido a que en cada clase hay un número igual de datos,
el porcentaje de datos en cada clase también será el mismo. Dependiendo del número de clases, esto
podría simplificar la discusión de los datos mapeados. Por ejemplo, en el mapa de recarga natural
de quintiles, cada clase muestra el 20 % de los datos. Una ventaja es que la mediana (una medida de
tendencia central en los datos) se asociará con las clases. Para un número impar de clases, la mediana
está en el centro de la clase media, mientras que para un número par de clases, la mediana está entre
las dos clases medias (o cerca de este punto; en el caso de los datos de recarga, la mediana tiene un
valor de 3,194 hm3/año y se encuentra dentro de la tercera clase). La tercera ventaja de los cuantiles
es que, debido a que la asignación de clases se basa en el orden de clasificación, los cuantiles son
útiles para datos de nivel ordinal. Una cuarta ventaja es que, si las unidades de enumeración son del
mismo tamaño, cada clase tendrá la misma área de mapa (Slocum et al., 2023).
El método de los cuantiles comparte la principal desventaja de los intervalos iguales: no considera
cómo se distribuyen los datos a lo largo de la recta numérica. Por ejemplo, para los datos de recarga
de acuíferos, los valores del centro y sureste del país (de 7,566 a 25,310 hm3/año, respectivamente) se
incluyen en la clase 5, la cual tiene valores de magnitud muy distintos (Fig. 1). Por lo tanto, se eliminó
el problema de las clases vacías, pero se colocaron valores de datos muy diferentes en la misma clase.
c) Método de clasificación manual
Este método permite al usuario elegir los intervalos apropiados o significativos. Por ejemplo,
al cartografiar las tasas de cambio de la precipitación municipal, el usuario puede elegir cero o el
promedio nacional como ruptura de clase (Chang, 2022). En este método no existe una fórmula
matemática predefinida, sino que los intervalos son elegidos por el usuario con base en criterios o
conocimiento específico de los datos, donde la única restricción es que cada intervalo Ii debe ser un
subconjunto de [Xmin, Xmax] que no se solape con otros intervalos. Para el plano de clasificación
11
González-Núñez et.al
TECNOCIENCIA CHIHUAHUA, Vol. XIX (2025): enero-diciembre, e2020
manual de recarga natural de México, se generaron dos clases, dividiendo al país en una zona de
recarga baja relativa al centro y norte del país (clase 1, de 0 a 8,000 hm3/año) y una zona de recarga
alta relativa al sureste del país (clase 2, de 8,000 a 26,000 hm3/año) (Fig. 1). Como desventaja se
crearon valores límite que no corresponden a los datos medidos de recarga natural (0 y 26,000
hm3/año). De la aplicación de este método se desprende que puede ser sumamente subjetivo y está
sujeto a la comprensión que tenga el cartógrafo del área de estudio, así como de los valores que se
estén mapeando.
d) Método de intervalos naturales/Jenks
El método de intervalos naturales/Jenks optimiza la agrupación de valores de datos al
utilizar un algoritmo informático para minimizar diferencias entre valores de datos de la misma clase
y maximizar diferencias entre intervalos (Chang, 2022). El algoritmo divide los datos en clases según
los intervalos naturales representados en el histograma de datos. Proporciona un método de sentido
común cuando se producen intervalos naturales, pero a menudo los datos están muy dispersos para
proporcionar intervalos claros. Divide los datos usando media, cuartiles superiores e inferiores,
valores atípicos y extremos y describe la distribución de los datos. En la clasificación de intervalos
naturales, los gráficos de dispersión o histogramas se examinan para determinar clases lógicas en los
datos. El propósito de los intervalos naturales es minimizar las diferencias entre valores de datos en
la misma clase y maximizar las diferencias entre clases. Para ilustrar el cálculo de los intervalos
naturales, se dividieron los datos de recarga de acuíferos en cinco clases (Fig. 1). Los valores cercanos
a 2,000 (1,233, 1,392, 1,696, 1,835) se agruparon para crear una primera clase. A continuación, los
valores cercanos a 2,000 y 3,000 (1,835, 2,297, 2,870, 3,194) se agruparon en una segunda clase. La
tercera clase fueron valores cercanos a 3,000 y 5,000 (3,194, 3,849, 4,220, 5,081), y la cuarta clase,
valores cercanos a 5,000 y 8,000 (5,081, 7,566). Los valores más altos (18,015, 25,316) fueron muy
diferentes del resto de los datos, por lo que se ubicaron en una quinta clase. Un problema obvio con
los intervalos naturales es que las decisiones sobre los límites de clase son subjetivas y varían entre
cartógrafos. Otro factor a considerar es que un mapa con más clases es más difícil de interpretar, ya
que será necesario diferenciar una mayor cantidad de símbolos de área. El algoritmo de Jenks ajusta
las clases de manera iterativa hasta que la suma de las varianzas intraclase se minimiza (Slocum et
al., 2023).
e) Método de intervalos geométricos
Este método divide los datos en clases utilizando una progresión geométrica (los intervalos
crecen proporcionalmente en lugar de ser equidistantes). Los límites de las clases y la razón
geométrica se calculan de la siguiente manera:
 󰇡
󰇢󰇛
󰇜 Ec. (3)
 󰇛󰇜 󰇛󰇜 Ec. (4)
12
González-Núñez et.al
TECNOCIENCIA CHIHUAHUA, Vol. XIX (2025): enero-diciembre, e2020
En este método se eligió utilizar tres clases, por lo que se obtuvo la razón geométrica para los datos
de recarga fue de 2.74 (Ec. 3); así mismo, el límite superior de la primera clase fue 1,233 × 2.74 ≈ 2,454;
el límite superior de la segunda fue 2,454 × 2.74 ≈ 7,164, y el límite superior de la tercera fue 7,164 ×
2.74 ≈ 25,316 (Ec. 4). De estos resultados se obtiene que este método utiliza una razón de crecimiento
constante entre los límites de clases, lo que genera intervalos crecientes a medida que aumenta el
valor de los datos. Esto permite una mejor representación de datos altamente sesgados o con una
amplia dispersión, como es el caso de estos datos de recarga natural de acuíferos.
13
González-Núñez et.al
TECNOCIENCIA CHIHUAHUA, Vol. XIX (2025): enero-diciembre, e2020
Figura 1 | Métodos de clasificación de datos aplicados a la recarga en México.
Figure 1 | Data classification methods applied to recharging in Mexico.
3. Resultados y discusión
La Fig. 1 se basa en los mismos datos (recarga de agua subterránea en hm3/año) y las mismas
unidades espaciales (regiones hidrológico-administrativas en km2), pero generaron configuraciones
divergentes en la distribución de los datos, lo que resalta la importancia de seleccionar el enfoque
más adecuado según el objetivo del análisis (Tabla 2).
14
González-Núñez et.al
TECNOCIENCIA CHIHUAHUA, Vol. XIX (2025): enero-diciembre, e2020
Tabla 2 | Resultados obtenidos para cada método de clasificación de datos.
Table 2 | Results obtained for each data classification method.
Método
Clases
Intervalos
Rango
Intervalos iguales
5 clases: 1.233 a 6.049, 6.049 a 10.866, 10.866 a
15.682, 15.682 a 20.499 y 20.499 a 25.316
1 intervalo homogéneo
(4.816)
24.083
Frecuencias
iguales/cuantiles
5 clases: 1.233 a 1.696, 1.696 a 2.870, 2.870 a
4.220, 4.220 a 7.566, 7.566 a 25.316
4 intervalos heterogéneos
(463, 1.035, 1.026, 20.235)
24.083
Clasificación
manual
2 clases: 0 a 8.000 y 8.000 a 26.000
2 intervalos heterogéneos (8.000
y 18.000)
26.000
Intervalos
naturales/Jenks
5 clases: 1.233 a 1.835, 1.835 a 3.194, 3.194 a
5.081, 5.081 a 7.566 y 7.566 a 25.316
5 intervalos heterogéneos
(602, 1.359, 1.887, 2.485, 17.750)
24.083
Intervalos
geométricos
3 clases: 1.233 a 2.454, 2.454 a 7.164 y 7.164 a
25.316
3 intervalos heterogéneos (1221,
4710, 18152)
24.083
Los mapas generados mostraron que los métodos basados en conjuntos iguales de datos (Intervalos
y Frecuencias iguales/Cuantiles) generaron clases más equilibradas en términos de número de
observaciones, mientras que los métodos basados en distribución de datos (Clasificación manual,
Intervalos naturales/Jenks, e Intervalos geométricos) identificaron con mayor precisión patrones
espaciales de recarga. De los datos analizados, los valores más bajos de recarga fueron 1,233 hm3/año
en la península de Baja California, con un área de 146,804 km2 (7.47 % de la superficie del país),
mientras que los valores más altos fueron 25,310 hm3/año en la península de Yucatán, con un área
de 118,735 km2 (6.04 % de la superficie del país).
Una limitación de la mayoría de los métodos de clasificación es que no consideran la distribución
espacial de los datos, aunque existen técnicas que resuelven este problema, como minimizar la
diferencia entre clases para unidades de enumeración contiguas (minimizar el error de límite),
maximizar la autocorrelación espacial general en el mapa clasificado e igualar el área en cada clase
(Snyman et al., 2024). En este trabajo, los métodos solo consideraron los valores de recarga a lo largo
de la recta numérica y se trató de simplificar e interpretar los mapas de coropletas considerando la
distribución espacial de los datos durante la clasificación de datos. Otra limitante fue que la
información corresponde a un estudio de 2008 (CONABIO, 2008), por lo que los datos no se
15
González-Núñez et.al
TECNOCIENCIA CHIHUAHUA, Vol. XIX (2025): enero-diciembre, e2020
encuentran actualizados si se comparan con otras publicaciones como Estadísticas del Agua en
México (CONAGUA, 2023), ya que hay 15 años entre publicaciones (Tabla 3). Así, existe una
diferencia relativa a valores de recarga, temporalidad de datos y nombres de las RHA en ambos
trabajos. Todo esto dificulta realizar una comparación precisa entre los datos de ambos estudios.
Tabla 3 | Recarga media en las regiones hidrológico-administrativas de México (CONAGUA, 2023).
Table 3 | Average recharge in the hydrological-administrative regions of Mexico (CONAGUA, 2023).
Región
Recarga media (hm3/año)
Precipitación
pluvial
(mm/año)
Hidrológico-Administrativa
1. Península Baja California
1.648
159.4
2. Pacifico Sur
1.936
1.205,2
3. Aguas del Valle de México
2.289
659
4. Cuencas Centrales del Norte
2.462
388
5. Pacífico Norte
3.061
759.1
6. Noroeste
3.307
425.8
7. Golfo Norte
4.099
851
8. Golfo Centro
4.599
1.820
9. Balsas
4.871
926,2
10. Río Bravo
6.370
384,2
11. Lerma Santiago-Pacífico
9.831
810,3
12. Frontera Sur
22.718
2.001,3
13. Península de Yucatán
25.316
1.250,6
Los datos descritos en este trabajo podrán ser criticados porque son un conjunto antiguo (del 2008)
y pequeño (13 polígonos con valores de recarga), y a que solo se ha considerado una posible
manipulación de dicho conjunto de datos (el tipo de método de clasificación). Sin embargo, dichos
datos se pueden descargar de manera oficial, por lo que se debe reflexionar respecto a si vale la pena
mantener estos datos accesibles o si se deben reemplazar por estudios más recientes como el
elaborado por CONAGUA en 2023 (ver Tabla 3). Por otro lado, para ampliar esta noción a conjuntos
de datos más grandes y considerar múltiples criterios para modificar la clasificación, existen
16
González-Núñez et.al
TECNOCIENCIA CHIHUAHUA, Vol. XIX (2025): enero-diciembre, e2020
enfoques de clasificación de datos que consideran criterios para clasificar un conjunto de datos: 1)
minimizar la varianza del error en cada clase, 2) minimizar la diferencia entre clases para unidades
de enumeración contiguas, 3) maximizar la autocorrelación espacial general en el mapa clasificado
resultante, y 4) igualar el área en cada clase (Li y Shan, 2022). Las tres últimas son restricciones
espaciales.
4. Conclusiones
Los métodos de clasificación de datos integran y analizan grandes volúmenes de datos
espaciales, lo que los convierte en una herramienta valiosa para la cartografía y la hidrogeología. En
este estudio se aplicaron cinco métodos en ArcGIS 10.5 para identificar la distribución de las zonas
de recarga natural de agua subterránea en México. Los métodos utilizados fueron intervalos iguales,
frecuencias iguales/cuantiles, clasificación manual, intervalos naturales, e intervalos geométricos y
los hallazgos mostraron que la selección del método de clasificación influye en la interpretación de
la recarga de agua subterránea.
El método de intervalos iguales (clases iguales de la recta numérica) es apropiado cuando los
intervalos producen valores redondeados fáciles de interpretar. El método de frecuencias
iguales/cuantiles (mismo número de valores en cada clase) es deseable porque puede referirse
fácilmente a un porcentaje fijo de valores en cada clase, y es el único método que se puede utilizar
para datos ordinales. Una limitación de los intervalos y cuantiles iguales es que no consideran la
distribución de los datos a lo largo de la recta numérica, mientras que el método de desviación
estándar media y el óptimo son dos métodos de clasificación que sí lo hacen. El método de
clasificación manual (cada clase definida por el usuario) es útil si se tiene un conocimiento previo de
los datos y se desea enfocar en una diferencia específica (se mostró el alto nivel de recarga natural
de la Península de Yucatán en comparación con el resto del país). Como desventaja, se perdió detalle
del resto de valores de recarga del país, ya que las clases fueron muy generales. El método de
intervalos naturales (basado en la distribución natural de los datos) se ajustó mejor a la distribución
de los datos y agrupó los valores de manera más representativa; como desventaja, no todas las clases
mostraron el mismo número de datos. El método de intervalos geométricos (basado en una
progresión geométrica) permitió realizar una segmentación equilibrada de los datos al minimizar la
distorsión; como desventaja, se redujo la precisión en la identificación de patrones específicos de
recarga.
Cabe señalar que, a pesar de los avances significativos en los SIG en las últimas décadas, la
hidrogeología sigue siendo una ciencia interpretativa y no exacta. En este contexto, mientras mayor
sea la superficie estimada de recarga, mayor será también la incertidumbre asociada a los datos
generados. No obstante, resulta valioso analizar los valores obtenidos de recarga específica y
precipitación. Se identificaron tres RHA con valores elevados tanto de recarga como de precipitación:
XII. Frontera Sur, XIII. Península de Yucatán y VIII. Golfo Centro. Asimismo, se observaron tres RHA
con valores bajos de recarga: I. Península de Baja California, IV. Cuencas Centrales del Norte y X.
Río Bravo y dos casos con discrepancias notables entre recarga y precipitación: Lerma Santiago-
Pacífico y Río Bravo.
Los valores mínimos a nivel nacional se registraron en la RHA I “Península de Baja California”, con
una recarga de 8.4 mm/año, derivada de una precipitación media anual de 159.4 mm/año, lo que
17
González-Núñez et.al
TECNOCIENCIA CHIHUAHUA, Vol. XIX (2025): enero-diciembre, e2020
representa el 5.2 % del total. En contraste, los valores máximos se presentaron en la RHA XIII
“Península de Yucatán”, con una recarga de 213.2 mm/año a partir de 1,250.6 mm/año de
precipitación (17 %). Destacan también regiones donde no existe una correlación aparente entre
precipitación y recarga, como la RHA X “Río Bravo”, donde se registra una recarga de 15.9 mm/año,
a partir de 384 mm/año de precipitación, equivalente al 4.5 %. Estos porcentajes coinciden con lo
reportado en la literatura, que señala una amplia variabilidad en la recarga de acuíferos, la cual
puede oscilar entre el 0 % y el 50 % de la precipitación total, dependiendo de factores como el clima,
la pendiente, la geología y el régimen de lluvias, entre otros (Bouwer, 2002; Hogan et al., 2004; Healy
y Scanlon, 2010; Cai y Ofterdinger, 2016; Andualem et al., 2021).
A través de la integración de variables como simbología, clases, intervalos y rangos, se buscó mejorar
la comprensión de los métodos de clasificación de datos y proporcionar información relevante para
la toma de decisiones relativa a la recarga de acuíferos y la gestión hídrica, la cual es un desafío
global de creciente importancia. Como conclusión, no existe un único método de clasificación ideal,
sino que se debe considerar el propósito del mapa y el conocimiento del público objetivo antes de
seleccionar un método de clasificación. Se concluye que, en lugar de utilizar solo un método de
clasificación, se utilicen varios métodos y así, el conjunto de mapas resultante será mucho más útil
que un enfoque utilizando un solo método.
Para usuarios de SIG que tienen un enfoque hacia la gestión hídrica, es recomendable seleccionar los
métodos de clasificación de datos considerando la naturaleza de la información, el objetivo de
análisis y el público al que se dirigen. Ningún método es superior, por lo que se aconseja aplicar y
comparar diferentes enfoques para obtener una visión completa de la recarga hídrica. Además, se
deben validar los resultados con conocimiento hidrogeológico de los acuíferos locales, ya que la
hidrogeología es una ciencia interpretativa con cierto grado de incertidumbre. Por último, generar
varios mapas a partir de distintos métodos de clasificación de datos enriquece la toma de decisiones
en la gestión hídrica, aportando insumos más robustos para enfrentar la variabilidad espacial y
temporal que caracteriza la recarga de acuíferos en México.
Contribuciones de los autores
"Conceptualización, M.A.G.N. y A.V.A.; metodología, M.A.G.N. y A.V.A.; software,
A.E.F.E.; validación, N.N.F.; análisis formal, A.E.F.E.; investigación, M.A.G.N. y A.V.A.; recursos,
M.A.G.N. y A.V.A.; conservación de datos, M.A.G.N. y A.V.A.; redacción-redacción del borrador
original, M.A.G.N.; redacción-revisión y edición, A.V.A., A.E.F.E. y N.N.F.; visualización, A.E.F.E. y
N.N.F.; supervisión, M.A.G.N.; administración del proyecto, M.A.G.N.; obtención de financiación,
M.A.G.N. Todos los autores han leído y aceptado la versión publicada del manuscrito".
Agradecimientos
Los autores agradecen las valiosas contribuciones de los revisores anónimos para la mejora
de esta investigación, y también agradecen a la Facultad de Ingeniería de la UACH el apoyo
proporcionado para la realización de este trabajo.
18
González-Núñez et.al
TECNOCIENCIA CHIHUAHUA, Vol. XIX (2025): enero-diciembre, e2020
Conflicto de interés
Los autores declaran que no tienen intereses financieros o relaciones personales que pudieran
influir en el trabajo presentado en este artículo.
5. Referencias
Andualem, T. G., Demeke, G. G., Ahmed, I., Dar, M. A., & Yibeltal, M. (2021). Groundwater recharge
estimation using empirical methods from rainfall and streamflow records. Journal of
Hydrology: Regional Studies, 37, 100917. https://doi.org/10.1016/j.ejrh.2021.100917
Asaka, J. O., Argomedo, D. W., & Jones, N. P. (2024). Climate change risks to water security: Exploring
the interplay between climate change, water theft, and water (in)security. Water Policy,
26(4), 359–380. https://doi.org/10.2166/wp.2024.213
Bouwer, H. (2002). Artificial recharge of groundwater: hydrogeology and engineering. Hydrogeology
Journal, 10, 121–142. https://doi.org/10.1007/s10040-001-0182-4
Cai, Z., & Ofterdinger, U. (2016). Analysis of groundwater-level response to rainfall and estimation
of annual recharge in fractured hard rock aquifers, NW Ireland. Journal of Hydrology, 535,
71–84. https://doi.org/10.1016/j.jhydrol.2016.01.066
Carrera-Hernández, J. J., & Gaskin, S. J. (2007). The Basin of Mexico aquifer system: Regional
groundwater level dynamics and database development. Hydrogeology Journal, 15, 1577–
1590. https://doi.org/10.1007/s10040-007-0194-9
Chang, K.-T. (2022). Introduction to geographic information systems (10 Ed). 418 pp. McGraw Hill.
CONABIO. (2008). Recarga media total de acuíferos Escala: 1:1,000,000.
CONAGUA. (2023). Estadísticas del Agua en México (1 Ed). 312 pp. SEMARNAT.
https://sinav30.conagua.gob.mx:8080/port_publicaciones.html
CONAGUA. (2024). Actualización de la disponibilidad media anual de agua en el acuífero Zona
Metropolitana de la Ciudad de México (0901), Ciudad de México. 33 pp. Subdirección
General Técnica Gerencia de Aguas Subterráneas
https://sigagis.conagua.gob.mx/gas1/Edos_Acuiferos_18/cmdx/DR_0901.pdf
Flores-Garnica, J. G., & Flores-Rodríguez, A. G. (2020). Comparative analysis of the number and
intervals of forest fire risk classes. Revista Mexicana de Ciencias Forestales, 11(62), 4-30.
https://doi.org/10.29298/rmcf.v11i62.775
Healy, R. W., & Scanlon, B. R. (2010). Estimating groundwater recharge (1st. ED). 245 pp. Cambridge
University Press. https://doi.org/10.1017/CBO9780511780745
Heywood, I., Cornelius, S., & Carver, S. (2010). An introduction to Geographical Information Systems
(3 Ed). 464 pp. Pearson Education.
Hogan, J. F., Phillips, F. M., & Scanlon, B. R. (2004). Groundwater Recharge in a Desert Environment:
The Southwestern United States. In Water Science and Application 9 (1st ed.). 172 pp.
American Geophysical Union. http://dx.doi.org/10.1029/WS009
19
González-Núñez et.al
TECNOCIENCIA CHIHUAHUA, Vol. XIX (2025): enero-diciembre, e2020
INEGI. (1999). Estudio hidrológico del estado de Chihuahua (INEGI, Ed.; Primera Ed). 244 pp.
Colección: Estudio hidrológico del estado de. INEGI.
https://www.inegi.org.mx/app/biblioteca/ficha.html?upc=702825221768
INEGI. (2017). Guía para la interpretación de cartografía Uso del Suelo y Vegetación escala 1:250 000,
serie VII. Colección: Guía para la interpretación de cartografía.
https://www.inegi.org.mx/app/biblioteca/ficha.html?upc=889463902836
Lutgens, F. K., Tarbuck, E. J., & Tasa, D. G. (2018). The atmosphere: an introduction to meteorology (13
Ed). 712 pp. Pearson College Div.
Li, S., & Shan, J. (2022). Adaptive Geometric Interval Classifier. ISPRS International Journal of Geo-
Information, 11(8), 430. https://doi.org/10.3390/ijgi11080430
Mohan, S., & Pramada, S. K. (2023). Natural groundwater recharge estimation using multiple
methods combined with an experimental study. Water Supply, 23(5), 1972–1986.
https://doi.org/10.2166/ws.2023.090
Moukoko, G. B. M., Mvoundou, C. N., Mangouende, J., Lendzea, R., & Tathy, C. (2023). Study of the
Impact of Climate Change on Water Resources in the Sangha Watershed at Ouesso
Hydrological Station, Republic of the Congo-Brazzaville (1961-2020). Journal of Water
Resource and Protection, 15(11), 611–630. https://doi.org/10.4236/jwarp.2023.1511034
Paramasivam, C. R. (2019). Chapter 2 - Merits and demerits of GIS and geostatistical techniques. In:
Venkatramanan, S., Prasanna, M. V., & Chung, S. Y. (Eds.). GIS and Geostatistical Techniques
for Groundwater Science (pp. 17–21). Elsevier. https://doi.org/10.1016/B978-0-12-815413-
7.00002-X
Roger, F., Benjamin, N. N., Ghislain, T. Y. J., & Emmanuel, E. G. (2011). Relationship between Climate
and Groundwater Recharge in the Besseke Watershed (Douala – Cameroon). Journal of
Water Resource and Protection, 03(08), 607–619. https://doi.org/10.4236/jwarp.2011.38070
Sanz, E., Menéndez, I., Menéndez Pidal de Navascués, I., & Távara, C. (2011). Calculating the average
natural recharge in large areas as a factor of their lithology and precipitation. Hydrol. Earth
Syst. Sci. Discuss, 8, 4753–4788. https://doi.org/10.5194/hessd-8-4753-2011
Saraf, P., & Regulwar, D. G. (2024). Integrated Hydrological Modeling of the Godavari River Basin in
Maharashtra Using the SWAT Model: Streamflow Simulation and Analysis. Journal of Water
Resource and Protection, 16(1), 17–26. https://doi.org/10.4236/jwarp.2024.161002
Scanlon, B. R., Reedy, R. C., Faunt, C. C., Pool, D., & Uhlman, K. (2016). Enhancing drought resilience
with conjunctive use and managed aquifer recharge in California and Arizona.
Environmental Research Letters, 11(3), 035013. https://doi.org/10.1088/1748-9326/11/3/035013
SGM. (2019). Carta Geológico Minera ‘República Mexicana’.
https://www.sgm.gob.mx/CartasDisponibles/
Slocum, T. A., McMaster, R. B., Kessler, F. C., & Howard, H. H. (2023). Thematic Cartography and
Geovisualization. In: Thematic Cartography and Geovisualization (4 Ed). 612 pp. CRC Press.
https://doi.org/10.1201/9781003150527
Snyman, L., Coetzee, S., & Rautenbach, V. (2024). Assessing the Suitability of Data Classification
Methods for Choropleth Maps Depicting Population Distribution in South Africa. Abstracts
of the ICA, 7, 160. https://doi.org/10.5194/ica-abs-7-160-2024
20
González-Núñez et.al
TECNOCIENCIA CHIHUAHUA, Vol. XIX (2025): enero-diciembre, e2020
Tarbuck, E. J., Lutgens, F. K., & Tasa, D. (2013). Ciencias de la Tierra. Una introducción a la
Geología Física (10 Ed.). Pearson Education
2025 TECNOCIENCIA CHIHUAHUA.
Esta obra está bajo la Licencia Creative Commons Atribución No Comercial 4.0 Internacional.
https://creativecommons.org/licenses/by-nc/4.0/