El propósito de esta publicación es demostrar que las aguas contienen en disolución diferentes iones, a cuya presencia, se debe el que a veces no sean aptas para su aplicación en el riego. El agua generalmente usada en riego presenta gran variación en la cantidad de sales solubles, desde el agua considerada pura (menos de 100 ppm de sales solubles) hasta aguas altamente salinas (más de 3000 ppm), en cuanto al agua del mar éstas contienen, aproximadamente, 3 por ciento de sales (30000 ppm o cerca de 47 mmhos/cm a 25 grados centígrados). Se tratan temas como : problemas de la concentración de la disolución del suelo, clasificación de las aguas para riego, tolerancia relativa de las plantas a las sales, microelementos en el agua de riego, interpretación del análisis de agua para riego, métodos de análisis de aguas para riego, y relación entre la conductividad eléctrica y otras determinaciones

Amazonas es una de las regiones de montaña de Perú con elevada cobertura nubosa, por lo que utilizar datos ópticos en el análisis multitemporal de cuerpos de agua (como los lagos Pomacochas y Burlan) resulta dificultoso. Por tanto, en esta investigación utilizamos productos de Sentinel-1 A/B para analizar la dinámica multitemporal del espejo de agua de los lagos Burlán y Pomacochas desde 2014 a 2020. Para ello, en Google Earth Engine procesamos 517 imágenes SAR para cada lago mediante los algoritmos: Classification and Regression Trees (CART), Random Forest (RF) y Support Vector Machine (SVM). Posteriormente, con los valores de área y perímetro en Google Collaboratory (GC) se implementó un código para ejecutar regresión lineal simple, polinómica, de vectores de soporte, de árboles de decisión y random forest. Con el método de regresión de mayor R 2 se predijo el valor del área y perímetro de cada lago para el 2021-02-10, mismo valor que fue comparado con un vuelo fotogramétrico de un RPAS, utilizando puntos de control de un receptor GNSS Trimble R10. Durante los primeros meses del año se registraron aumentos del área y perímetro de cada lago, esto influenciado por el aumento de precipitaciones en la zona. RF funcionó mejor en clasificación y regresión, mostrando la forma de los polígonos de cada lago muy similares al ortomosaico obtenido por el RPAS. Finalmente, buscamos aportar con una metodología rápida para clasificar en dos categorías imágenes de SAR, además, realizar análisis de regresión en GC mediante cinco métodos que pueden ser replicadas en distintas áreas temáticas.