Más

Índice topográfico - ¿Por qué el área de contribución de la pendiente ascendente se divide por el ancho del contorno de la pendiente descendente y no el ancho del contorno de la pendiente ascendente?

Índice topográfico - ¿Por qué el área de contribución de la pendiente ascendente se divide por el ancho del contorno de la pendiente descendente y no el ancho del contorno de la pendiente ascendente?


En el cálculo del índice topográfico, a es el área de contribución de la pendiente ascendente por unidad de longitud de contorno. ¿Se calcula la "longitud del contorno unitario" examinando los anchos de contorno de las celdas de la pendiente descendente a las que fluye el agua en la celda actual? ¿O son los anchos de contorno de las celdas de la pendiente ascendente que fluyen hacia la celda actual?

En el trabajo de Quinn y Beven, parece ser las celdas de la pendiente descendente. ¿Por qué? ¿Cómo tiene eso más sentido hidrológico que usar los anchos de contorno de las células de la pendiente ascendente? ¿Pueden algunos justificar el uso de los anchos de contorno de las celdas de la pendiente descendente (de la celda actual) frente a los anchos de contorno de las celdas de la pendiente ascendente (de la celda actual) para mí?

Editar: es de esperar que estas imágenes y esta descripción proporcionen los detalles que la gente está buscando.

Examinemos una cuadrícula de 3 x 3 con valores de elevación y una resolución de tamaño de celda de 10 m. Supongamos que estamos trabajando con un algoritmo tipo MFD. La cuadrícula se muestra a continuación:

En esta cuadrícula, la celda central, con un valor de 5, recibe flujo (y por lo tanto área) de las celdas de ladera con valores de elevación más altos. Por lo tanto, recibe flujo (y, por lo tanto, área) de las celdas que contienen valores de elevación de 8, 7 y 6. Diferentes algoritmos (Quinn, Freeman, etc.) pueden dictar cuánta área pasan las celdas de pendiente ascendente a la celda central en función de la fracción de esa pendiente particular (celda de pendiente ascendente a celda central) contribuye a la suma de todas las pendientes (celda de pendiente ascendente a todas las celdas de pendiente descendente). De todos modos, como se decida, el área acumulada termina en la celda central que le han pasado sus vecinos de ladera superior. Esta área acumulada también se puede llamar área de contribución de pendiente ascendente.

En esta imagen, vemos las celdas de la pendiente descendente por las que pasa el área / fluye la celda central. Ahora, en la descripción de Quinn de su algoritmo, dice:

Por lo tanto, el valor real de a / tan ß para la celda actual será el área total que drena a través de esa celda actuando a través de una longitud de contorno igual a la suma de las longitudes de las curvas de nivel cuesta abajo y dividida por el valor promedio ponderado de tan ß ... (LA PREDICCIÓN DE CAMINOS DE FLUJO DE COLINA PARA MODELADO HIDROLÓGICO DISTRIBUIDO USANDO MODELOS DE TERRENO DIGITAL)

Lo que me confunde es esto:

Dado que el área de contribución de la pendiente ascendente está dictada por la pendiente entre las celdas de la pendiente ascendente y la celda central, así como el ancho del contorno determinado por la dirección (cardinal frente a diagonal), ¿por qué se utilizan los anchos de contorno de la pendiente descendente? El área de contribución de la pendiente ascendente por unidad de ancho de contorno, el numerador en el TWI / TI, parece dictar qué tan húmeda estará un área debido al flujo acumulado de las celdas de la pendiente ascendente; ¿por qué dividirlo por los anchos de contorno de los flujos que pasan pendiente abajo? Y el denominador parece determinar qué tan húmeda estará una celda en relación con su inclinación, cuanto más pronunciada sea la caída hacia las celdas de la pendiente descendente, mayor será la suma de sus pendientes, y mayor será el denominador y menor el valor total de TI. estarán.

El denominador lo entiendo bien, pero parece que no puedo entender por qué el área que pasa a la celda se divide por los anchos de contorno de la pendiente descendente ... y no los anchos de contorno de los flujos que entran en la celda central desde las celdas de la pendiente ascendente.


Cuando realiza una acumulación de flujo en un DEM, el área de pendiente ascendente se define como todas las celdas de la cuadrícula de entrada Y la propia celda. Por lo tanto, una celda de la cuadrícula es en realidad parte de su propia área de contribución. El área de pendiente ascendente mínima (no el área de contribución específica) es igual al área de una celda de la cuadrícula, es decir, una celda de la cuadrícula sin celdas de entrada. Creo que esta es la razón por la que el área de contribución específica se define como el área de pendiente ascendente dividida por la longitud del contorno de pendiente descendente.


Un índice topográfico que explica la similitud hidrológica teniendo en cuenta los controles conjuntos de la formación de escorrentías.

La topografía de la superficie es una fuente importante de información sobre el funcionamiento y la forma de un paisaje hidrológico. Debido a su papel clave en la explicación de los procesos y estructuras hidrológicos, y también debido a su amplia disponibilidad con buena resolución en forma de modelos digitales de elevación (DEM), se utiliza con frecuencia para informar los análisis hidrológicos. No es sorprendente que se hayan propuesto varios índices y modelos hidrológicos para vincular las propiedades geomórficas de un paisaje con su funcionamiento hidrológico. Un ejemplo ampliamente utilizado es el índice de “altura sobre el drenaje más cercano” (HAND). Desde una perspectiva centrada en la energía, HAND refleja la energía potencial gravitacional de una determinada unidad de masa de agua ubicada en una ladera, con el nivel de referencia establecido en la elevación del río correspondiente más cercano. Dado que las diferencias de energía potencial son los principales impulsores de la generación de escorrentía, las distribuciones HAND proporcionan indicadores importantes para explicar la generación de escorrentía en las cuencas. Sin embargo, como lo expresa la segunda ley de la termodinámica, el impulsor de un flujo explica solo un aspecto del mecanismo de generación de escorrentía, y el potencial impulsor de cada flujo se agota a través de la producción de entropía y la pérdida de energía disipativa. De hecho, tales pérdidas dominar cuando la lluvia se convierte en escorrentía, y solo una pequeña porción de la energía potencial impulsora se transforma realmente en la energía cinética del flujo de la corriente. En reconocimiento de esto, derivamos un índice topográfico llamado índice de disipación reducida por unidad de longitud (rDUNE) reinterpretando y mejorando HAND siguiendo una argumentación termodinámica sencilla. Comparamos rDUNE con HAND, y con el índice de humedad topográfica (TWI) de uso frecuente, y mostramos que rDUNE proporciona una discriminación más fuerte de las cuencas hidrográficas en grupos que son similares con respecto a sus procesos de escorrentía dominantes. Nuestro análisis indica que tener en cuenta los aspectos impulsores y de resistencia de la generación de flujo proporciona un enfoque prometedor para vincular la arquitectura de un sistema con su funcionamiento y, por lo tanto, es una base adecuada para desarrollar índices de similitud en hidrología.

El papel clave que desempeña la topografía de la superficie en la hidrología ha sido reconocido desde hace mucho tiempo (por ejemplo, Horton, 1945). La topografía proporciona información sobre la interacción entre el levantamiento, la meteorización y la erosión y, por lo tanto, sobre el desarrollo morfológico pasado de un paisaje. Además, proporciona una fuerte restricción para futuros cambios hidrológicos y geomórficos y, lo que es más importante para la hidrología, es el factor clave y el control asociado con la generación de escorrentía y varios otros procesos hidrológicos.

Esta percepción sobre los roles pasados, presentes y futuros que desempeña la topografía es sin duda una de las razones por las que casi todas las entidades paisajísticas clave en hidrología, como límites de la cuenca, laderas y redes de canales, se derivan de las propiedades de la topografía de la superficie terrestre. En apoyo de esto, los modelos digitales de elevación (DEM) están disponibles en resoluciones bastante altas en todo el mundo (Farr et al., 2007), lo que ayuda a impulsar la creciente popularidad de los modelos hidrológicos espacialmente explícitos (por ejemplo, Beven, 2001).

Por tanto, no es de extrañar que la hidrología no adolezca de la falta de modelos o índices que relacionen las propiedades geomórficas de un paisaje con su funcionamiento hidrológico. El enfoque más popular es posiblemente el índice de humedad topográfica (TWI) propuesto por Kirkby (1975) y Beven y Kirkby (1979). En función de la pendiente local con el área de contribución de la pendiente ascendente por longitud de contorno, el TWI se desarrolló originalmente para clasificar áreas de funcionamiento similar dentro de una cuenca y se ha aplicado (p. Ej., Grabs et al., 2009), refinado (p. Ej., Barling et al., 1994) y probado (por ejemplo, Rodhe y Seibert, 1999) en numerosos estudios.

Sin embargo, también se han propuesto otros índices para vincular la topografía de la superficie terrestre con su respuesta a la escorrentía. Hjerdt y col. (2004) desarrollaron el "índice de humedad topográfica de ladera descendente" (también llamado β índice) que refleja el gradiente hidráulico local en el caso de que el flujo sea impulsado exclusivamente por la gravedad y bajo el supuesto de un desnivel fijo. Afirmaron que este índice representa los gradientes del nivel del agua subterránea de una manera superior al enfoque TWI clásico y demostró que es menos sensible a la calidad del DEM. Adoptando un marco hidráulico, Lyon y Troch (2010) desarrollaron un índice llamado número de Péclet de captación, que es una versión ponderada por volumen o área del número de Péclet de ladera. Este último fue obtenido por Berne et al. (2005) para caracterizar las laderas por la formación de escorrentía subterránea, con base en la importancia relativa de los flujos advectivos y difusivos, utilizando la ecuación de Boussinesq de almacenamiento en laderas (Troch et al., 2003). Lyon y Troch (2010) demostraron que en un conjunto de 400 000 cuencas de captación generadas sintéticamente y cuatro del mundo real, el número de Péclet de la cuenca proporcionó un vínculo significativo entre la respuesta hidrológica y las propiedades geomórficas de un paisaje.

Un enfoque que recientemente ha ganado considerable atención es el índice de “altura por encima del drenaje más cercano” (HAND) desarrollado por Rennó et al. (2008), que antes se conocía con un nombre diferente, “diferencia de elevación (DZ)”, desarrollado por Crave y Gascuel-Odoux (1997). Este enfoque asume que el agua sigue el descenso más empinado a lo largo de la topografía de la superficie y, en base a estos caminos de drenaje, se estima la elevación correspondiente de cada celda ráster por encima de la celda de río correspondiente más cercana. HAND se ha aplicado y probado con éxito en numerosos estudios en una amplia gama de paisajes diferentes. Por ejemplo, Gharari et al. (2011) compararon una colección de índices de similitud hidrológica, su sensibilidad a la resolución DEM y su capacidad para identificar tres tipos de paisajes preclasificados visualmente (humedales, laderas y mesetas). Sus resultados resaltan la sensibilidad de HAND a la resolución DEM elegida y muestran que HAND, en combinación con la pendiente, conduce al "mejor" resultado con respecto a la coincidencia de los puntos de observación preclasificados visualmente. También Gao et al. (2014) usaron HAND en combinación con la pendiente (además también usaron el aspecto) para identificar áreas hidrológicamente similares en un estudio de comparación de modelos. Demostraron que la configuración de un modelo semidistribuido que se basó en un esquema de clasificación de paisaje HAND superó a un modelo hidrológico agrupado y semidistribuido (basado en los datos de forzamiento) con respecto a la coincidencia del hidrograma. El mismo autor principal Gao et al. (2019) explotaron aún más el papel que juega la topografía de la superficie cuando la lluvia se convierte en escorrentía y usaron HAND para inferir los parámetros del modelo de un modelo hidrológico conceptual, mostrando que su módulo de generación de escorrentía desarrollado funcionó casi tan bien como los modelos completamente calibrados. Finalmente, Zehe et al. (2019) utilizaron HAND como proxy del potencial gravitacional para calcular la energía potencial del agua del suelo y demostraron que su enfoque es "muy adecuado para distinguir la interacción típica de los controles de gravedad y capilaridad en la dinámica del agua del suelo en diferentes paisajes".

Los estudios antes mencionados destacan el gran potencial del índice topográfico HAND y su relevancia para la investigación hidrológica. Desde un punto de vista teórico, HAND refleja así la energía potencial gravitacional de una determinada unidad de peso de agua con el nivel de referencia establecido en la elevación del río correspondiente más cercano. Dado que las diferencias en la energía potencial actúan como los principales impulsores del flujo de tormentas terrestres y subterráneas, la distribución de HAND a través de un paisaje representa un control predominante sobre la distribución lateral y la redistribución del agua en una cuenca. Sin embargo, debido a que los flujos de agua superficiales y subterráneos también son altamente disipativos (por ejemplo, Kleidon et al., 2013), la similitud con respecto a la distribución HAND, no son suficientes para asegurar la similitud con respecto a la generación de escorrentía. Esto se debe al hecho de que el potencial impulsor es solo uno de los factores importantes, y cada flujo encuentra pérdidas por fricción a lo largo de su trayectoria de flujo.

Esta idea reconoce el papel esencial de la segunda ley de la termodinámica, sobre la base de la cual Zehe et al. (2014) postuló que la equifinalidad es inherente a la mayoría de nuestras ecuaciones gobernantes porque cada flujo es inevitablemente el resultado de la interacción entre un potencial impulsor y un término de resistencia. Por consiguiente, el flujo total a través de un sistema puede permanecer inalterado cuando se duplica el potencial de excitación si también se duplican las correspondientes pérdidas de resistencia por fricción. Desde esta perspectiva, solo los paisajes que tienen combinaciones similares de características que controlan ambas cosas los términos impulsores y de resistencia deben satisfacer una condición de suficiencia de similitud hidrológica (en términos de generación de escorrentía).

En los últimos años, la importancia de los principios termodinámicos ha ganado cada vez más atención en hidrología. El Diccionario Oxford de Inglés define la termodinámica como una "rama de la ciencia física que se ocupa de las relaciones entre el calor y otras formas de energía (como la energía mecánica, eléctrica o química) y, por extensión, de las relaciones entre todas las formas de energía" (Diccionario Oxford de Inglés, 2005). Dado que todos los flujos son impulsados ​​por potenciales, y que los flujos son necesariamente "disipativos" (lo que significa que producen entropía siguiendo la segunda ley de la termodinámica, por ejemplo, Kondepudi y Prigogine, 2014), parece lógico que los conceptos termodinámicos sean de importancia en hidrología. Sin embargo, aunque se ha aplicado una visión centrada en la energía a una variedad de temas diferentes en subdisciplinas como la hidrología del agua subterránea (Hubbert, 1940) y la física del suelo (Babcock y Overstreet, 1955), no se ha convertido en una práctica establecida en las lluvias clásicas. –Hidrología de aguas superficiales centrada en la escorrentía. Esto probablemente se deba al fuerte contexto de ingeniería en el que se desarrolló históricamente la comprensión de la hidrología de superficie, con su enfoque manifiesto en la resolución práctica de problemas (Sivapalan, 2018).

Una excepción temprana interesante es el trabajo de Leopold y Langbein (1962), quienes demostraron que el concepto de "entropía" en su forma teórica de la información (ver Koutsoyiannis, 2014) se puede usar en combinación con un término de caminata aleatoria para inferir lo más estado probable de una red de drenaje. En la misma línea, Howard (1990) y Rodríguez-Iturbe et al. (1992) mostró cómo se pueden utilizar los principios de optimización termodinámica para derivar redes fluviales sintéticas realistas. Tal trabajo motivó a Hergarten et al. (2014) y otros para aplicar conceptos similares para explicar los patrones de flujo subterráneo.

Sin embargo, una perspectiva termodinámica puede ser mucho más general y de ninguna manera se limita a la explicación de las densidades óptimas de drenaje. Como ejemplos, Zehe et al. (2013) mostraron que una densidad termodinámica óptima de macroporos que maximiza la disipación de energía libre durante los eventos de recarga permitió una predicción aceptable de la respuesta de lluvia-escorrentía de una cuenca de captación de mesoescala inferior Hildebrandt et al. (2016) utilizaron un enfoque centrado en la energía para explicar cómo las plantas extraen agua del suelo, Zhang y Savenije (2018) mostraron cómo la mezcla de agua dulce y sal en los estuarios se puede describir en términos energéticos, y finalmente Zehe et al. (2019) discutieron cómo una perspectiva energética sobre el movimiento del agua del suelo puede mejorar nuestra comprensión general de la hidrología de las cuencas hidrográficas.

La discusión anterior destaca el considerable potencial de una perspectiva termodinámica y centrada en la energía para mejorar nuestra comprensión del funcionamiento hidrológico en una variedad de cuestiones importantes. Una razón por la que una perspectiva centrada en la energía sobre la generación de escorrentía sigue siendo la excepción, más que la regla, en la hidrología de las cuencas hidrográficas puede ser que la conexión entre las leyes de la termodinámica y las cuestiones subyacentes a las cuestiones de importancia práctica en hidrología no siempre es evidente. Un fundamento motivador de este estudio es, por lo tanto, cerrar esta brecha mostrando cómo se pueden aplicar los conceptos fundamentales de la termodinámica para desarrollar una solución a la pregunta hidrológica clásica: “¿cómo se pueden utilizar las propiedades geomórficas de un paisaje para identificar unidades hidrológicas? que tienen un funcionamiento hidrológico similar? ”.

En este estudio, proponemos un índice topográfico que representa tanto la diferencia de energía potencial impulsora como la pérdida disipativa acumulada a lo largo de la trayectoria del flujo siguiendo argumentos termodinámicos sencillos. Nuestro índice (índice de disipación reducida por unidad de longitud) es, por lo tanto, una reinterpretación centrada en la energía y una mejora del índice topográfico HAND bien establecido. A continuación, derivamos nuestro índice basado en principios de primer orden y probamos si proporciona suficiente información para permitir distinguir entre dos paisajes que difieren claramente con respecto a sus procesos dominantes de escorrentía. Además, comparamos nuestro índice con un pequeño subconjunto de índices topográficos, a saber, HAND y el TWI de uso frecuente. Finalmente, discutimos sus similitudes con otros índices geomórficos utilizados en hidrología y concluimos que una forma significativa de construir índices de similitud en hidrología es reconocer tanto el potencial impulsor como el término de resistencia por separado y, por lo tanto, identificar los potenciales impulsores y las pérdidas disipativas por separado.

Aquí, derivamos un índice topográfico basado en el balance de energía asociado con la generación de escorrentía de una ladera. Esto implica dos pasos: (i) inferir qué propiedades de un DEM proporcionan información sobre las fuerzas que impulsan la generación de escorrentía e (ii) identificar cuánta resistencia al flujo de agua ofrece el paisaje. Como puntos de referencia para la comparación, explicamos brevemente los bien establecidos TWI y HAND.


Introducción

Muchos ecosistemas forestales y agrícolas expuestos a los impactos de una de las especies más invasoras del mundo, Phytophthora cinnamomi [1]. Phytophthora cinnamomi es un patógeno extendido transmitido por el suelo que infecta a más de mil especies leñosas, provocando la pudrición de las raíces y afectando especialmente a los países con clima mediterráneo [2]. Se ha informado que esta enfermedad de las plantas es el agente causal de la Phytophthora epidemia de muerte regresiva en la jarrahEucalipto marginata) bosque del sudoeste de Australia [3], y del declive masivo del alcornoque y la encina en el sudoeste de Europa [4, 5]. También está involucrado en enfermedades que afectan la vegetación de fynbos en la región del Cabo de Sudáfrica [6] y el roble en California [7]. Phytophthora cinnamomi provoca grandes pérdidas en otros sistemas forestales como el castaño [8, 9] y los árboles hortícolas como el aguacate [10].

Para adquirir conocimientos para el manejo de enfermedades, el análisis espacial de los patrones de dispersión puede proporcionar información sobre las fuentes de inóculo, el transporte, los mecanismos de liberación y los entornos propicios para la enfermedad.En última instancia, los patrones espaciales de invasión de enfermedades de las plantas son la consecuencia de los efectos de las fuerzas ambientales en los procesos de dispersión [11]. Por lo tanto, los estudios sobre la distribución de patógenos o enfermedades contribuyen a identificar factores epidemiológicos clave y predecir escenarios futuros de enfermedades mediante modelos. Sin embargo, los conocimientos obtenidos dependen en gran medida de la escala espacial específica, ya que la elección de la escala puede limitar nuestra capacidad para comprender ciertos aspectos de la epidemia, pero también facilitar la interpretación de otras características [12]. Antes del presente trabajo, se han empleado modelos de distribución a escala global y regional para mapear los rangos potenciales actuales y futuros de PAG. cinnamomi. Los modelos a estas escalas son invaluables para evaluar no solo el impacto de los escenarios climáticos futuros [2] sobre el riesgo de aparición de esta enfermedad, sino también los efectos combinados de los principales factores en este contexto, como la humedad y la temperatura del suelo [13, 14]. . Además, el análisis a estas escalas ha revelado la importancia de Phytophthora vías de dispersión como el comercio internacional de material vegetal y el turismo [15].

A escala del paisaje, podrían surgir otros factores de riesgo como la fragmentación del bosque, la heterogeneidad del hábitat o las características geofísicas [16, 17]. Por ejemplo, una distancia más corta al borde del bosque resultó en un mayor riesgo de mortalidad asociado con la enfermedad de muerte súbita del roble que Phytophthora ramorum causado en California [18]. Trabajando a escala de paisaje, Keith et al. [19] reconoció el efecto de la distribución y abundancia de plantas hospedantes susceptibles en PAG. cinnamomi patrones de ubicación. En Iberia, Moreira y Martins [20] y Costa et al. [21] destacó el papel de la presencia de arbustos en el declive del roble. En este nivel de jerarquía espacial, el tráfico de personas y vehículos [22], así como el movimiento de animales domésticos y salvajes [22, 23, 24, 25] se han identificado como propágulos vectores.

A escala de rodal, que suele ser la más relevante para los gestores de enfermedades, PAG. cinnamomi es capaz de utilizar varios mecanismos de dispersión: propagación del suelo, contacto de raíz a raíz, transporte de agua y dispersión por humanos y animales [11, 26, 27]. Sin embargo, la observación y comprensión de los mecanismos de dispersión en juego en un sitio dado no es fácil porque la ubicación precisa de las fuentes de inóculo, las rutas de transporte y los sumideros es difícil de determinar. En los ecosistemas de las dunas de Bassendean de Australia Occidental, la observación de los bosques de Banksia infectados mediante fotografías aéreas reveló un patrón de propagación de la enfermedad con una tasa lenta (aproximadamente 1 m / año). Varios autores [26, 27, 28] han descrito las formas de estos patrones y han planteado la hipótesis de que el contacto de raíz a raíz era el mecanismo predominante de invasión.

Aunque se supo que PAG. cinnamomi Los propágulos pueden ser arrastrados por el agua más de 120 m cuesta abajo a través de algunos suelos [29], y que los propágulos pueden viajar aún más cuando son transportados por corrientes de agua [22, 3], nuestra comprensión del transporte de agua por el suelo está lejos de ser completa. Algunos estudios informan una asociación general de la presencia de patógenos con la abundancia de agua en el suelo. Por ejemplo, en un área específica del sur de Ohio, PAG. cinnamomi se aisló con mayor frecuencia en sitios húmedos de roble blanco (Quercus alba) bosque [30]. En otro estudio sobre la distribución espacial de la enfermedad de la tinta del castaño (PAG. cambivora), se encontró una relación negativa entre la incidencia de la enfermedad, la gravedad y la mortalidad de los árboles, por un lado, y la distancia al drenaje, por el otro [9].

En el contexto anterior, la distancia de propagación medida desde las fuentes de inóculo se considera un factor general e importante de riesgo de infección. En este sentido, se han observado con frecuencia patrones agrupados del patógeno en la vecindad de árboles sintomáticos [31], pero también cerca de la vegetación asintomática [30, 32]. Un tema de investigación actual se refiere a la determinación de la distribución de la forma y densidad de dichos grupos. En este contexto, una pregunta muy interesante es si tales características pueden reproducirse y predecirse con éxito mediante modelos de dispersión que se basan en ecuaciones de transporte de reacción [33]. A este respecto, es probable que las características topográficas que influyen en las distribuciones locales desempeñen un papel importante.

Las colecciones históricas de fotografía aérea e imágenes modernas de alta resolución han demostrado ser un recurso invaluable para detectar, cuantificar y mapear Phytophthora enfermedades de los árboles forestales [26, 34, 35]. Sin embargo, los datos ambientales relevantes como la humedad del suelo, la temperatura y la fertilidad o la información sobre los flujos humanos, animales o de agua son más difíciles de obtener con una resolución que coincida con la granularidad de un patosistema a escala de rodal. Para llenar este vacío, los atributos geomorfológicos primarios como la altitud, la pendiente y el aspecto, o atributos derivados como la curvatura topográfica y los índices de radiación se han extraído de modelos digitales del terreno de alta resolución [36, 37]. Estas variables se han utilizado como sustitutos de los factores ambientales que subyacen a los procesos biológicos y la distribución espacial de Phytophthora patógenos [9, 19, 20, 28]. Se puede utilizar el mismo enfoque para estimar la concentración o densidad de animales que actúan como vectores de propagación. Por ejemplo, se ha demostrado que, además de la cantidad y calidad del forraje, la distribución de los grandes herbívoros se ve afectada por factores abióticos como la disponibilidad de agua, el clima y la topografía [38, 39]. En este sentido, se ha informado que los rasgos topográficos clave como el aspecto, la pendiente, la radiación solar o el rango de visibilidad son características de selección de hábitat [39, 40, 41].

En términos más generales, el análisis epidemiológico de enfermedades infecciosas en áreas vegetales tiene como objetivo describir, comprender, comparar y predecir epidemias [42]. Los modelos matemáticos y estadísticos, ya sean estáticos o dinámicos, se utilizan para reducir el fenómeno epidémico a sus características esenciales y para describir los principales mecanismos subyacentes al progreso de la enfermedad. Más específicamente, los enfoques dinámicos tienen como objetivo reproducir la evolución temporal de las epidemias mediante un conjunto de ecuaciones diferenciales que, en general, están acopladas entre sí. Estas ecuaciones diferenciales contienen términos deterministas y / o estocásticos que imitan el efecto de los factores más relevantes detrás de la propagación de la infección. Más allá de los enfoques convencionales como el modelo sano-latente-infeccioso-eliminado [42], la propagación de enfermedades de las plantas y las invasiones biológicas en general se analizan y simulan cada vez más con la ayuda de modelos inspirados en gran medida en la teoría de los sistemas de reacción-difusión.

En su forma más simple, los modelos de reacción-difusión combinan dos ingredientes, a saber, una función de crecimiento de la población y el núcleo de dispersión que describe el transporte a través de la difusión de Fickian. En este escenario simple, la invasión progresa a lo largo de ondas frontales concéntricas, normalmente distribuidas, cuya velocidad de propagación depende de la difusividad del sistema [33]. Se pueden incorporar términos adicionales a las ecuaciones relevantes para reflejar situaciones más complejas como la dispersión direccional (advección). Un ejemplo representativo lo da un campo de fuerza del viento que influye en el transporte dispersivo de Phytophthora infestans esporas [33]. En otros casos, el núcleo de difusión podría adaptarse para describir un mecanismo de dispersión estratificado o dual consistente en procesos concurrentes de propagación por vecindad y larga distancia [43] que conspiran para acelerar la propagación de la epidemia [44]. En cualquier caso, una descripción realista debe tener en cuenta el acoplamiento entre la dinámica del patógeno y las de los impulsores ecológicos de la infección, por lo que la naturaleza estocástica de ciertas variables no puede ignorarse con seguridad en general. Thompson y col. [14] adoptó este enfoque para abordar múltiples vías por las cuales el clima (humedad y temperatura del suelo) puede limitar el rango de dispersión de Phytophthora cinnamomi a escala regional.

Dichos modelos son simuladores de causa-efecto ideales, sin embargo, se requiere la identificación, comprensión y simplificación de los procesos reales involucrados para obtener un sistema manejable que se pueda resolver analítica o numéricamente. Por lo tanto, un primer paso antes del desarrollo de modelos más sofisticados es el uso de modelos no mecanicistas para obtener algunos conocimientos preliminares y desarrollar una intuición para el comportamiento del sistema en cuestión. En este caso, se utilizan varias instantáneas que reflejan el desarrollo de la enfermedad infecciosa para extraer datos espaciales del progreso de la enfermedad que posteriormente se relacionan con variables ambientales por métodos paramétricos o no paramétricos [34]. Algunos modelos no paramétricos, como los métodos de máxima entropía, permiten el modelado de distribuciones biológicas a partir de la presencia inferida del patógeno solo [45]. Sin embargo, cuando ambos tipos de conjuntos de datos están disponibles, es decir, distribuciones espaciales para el patógeno y las variables ambientales, los estudios de casos y controles se utilizan ampliamente en epidemiología para analizar retrospectivamente el efecto de las características explicativas sobre los eventos de la enfermedad. Para cuantificar la relación entre los factores de riesgo y el estado de la enfermedad, se estiman las razones de probabilidades (riesgo relativo) y sus errores estándar, generalmente mediante modelos de regresión logística. Los diseños de casos y controles y la regresión logística se han utilizado en Phytophthora estudios de enfermedades forestales para demostrar la relación entre el estado de la copa de los árboles y la presencia / ausencia del patógeno [46], para identificar factores de riesgo ambiental [28] o para investigar si las características de los árboles y / o del rodal facilitan el progreso de la enfermedad [47].

Nuestro equipo ha informado recientemente cómo PAG. cinnamomi causa una mortalidad masiva entre las poblaciones de salud enana (Erica umbellata) en el suroeste de España [48]. En este estudio, muestras de suelo de raíces y rizosfera de mi. umbellata se recolectaron plantas que exhibían muerte regresiva y mortalidad (Fig. 1) de 11 focos. A Phytophthora sp. se aisló consistentemente del 73% de las muestras de suelo y del 46% de las raíces. Todos los aislamientos se identificaron como PAG. cinnamomi por rasgos morfológicos y culturales y secuenciación de regiones ITS. Durante la prueba de patogenicidad realizada para verificar el agente causal, todas las plantas inoculadas con PAG. cinnamomi murió dentro de los 14 días de la infección del patógeno, lo que revela una susceptibilidad muy alta al patógeno. Además, la propagación de la enfermedad en un páramo monoespecífico era fácilmente observable, ya que formaba focos sólidos delimitados por un frente limpio y estrecho de páramos muertos y moribundos. Por lo tanto, surgió una excelente oportunidad para describir la propagación de PAG. cinnamomi a alta resolución espacial, para analizar los factores asociados y proporcionar una primera aproximación a una descripción teórica en términos de modelos de ajuste simples.


Aplicaciones de la cartografía digital de suelos

El mapeo digital de suelos se usa ampliamente para predecir las clases y propiedades del suelo y producir un mapa de suelos. Sin embargo, el proceso de generar predicciones espacialmente explícitas de fenómenos naturales utilizando relaciones cuantitativas entre los datos de entrenamiento y las variables predictoras se puede aplicar para crear un amplio espectro de productos de información. Los siguientes párrafos discuten ejemplos de la aplicación del mapeo digital de suelos en pedología y campos relacionados para producir productos de información distintos a los mapas de suelos.

Ráster frente a polígono, desagregación y evaluación de mapas existentes

Se aplicó una clasificación difusa de los datos espectrales de Landsat 7 en un levantamiento de suelo actualizado de unidades de mapas húmedos y salinos a lo largo de la costa este del Gran Lago Salado, Utah, específicamente para la desagregación de unas pocas unidades de mapas muy amplias. El producto desagregado mostró la distribución de los componentes del suelo (ligados al tipo de cobertura terrestre) con una precisión del mapa general del 88%. Destacó la información adicional que un producto ráster puede transmitir que un producto vectorial no puede. El producto ráster desagregado permitió el refinamiento de los conceptos de la unidad de mapa y el trabajo de línea, particularmente en áreas previamente agrupadas en una unidad de mapa miscelánea & ldquoPlaya & rdquo, que no tenía información del suelo para respaldarla. Esta área de estudio es importante para la preservación de los humedales y el hábitat migratorio de grandes poblaciones de aves y está experimentando la presión del desarrollo invasor (Kienast-Brown y Boettinger, 2007).

Se completó la desagregación de los datos heredados de la Base de datos geográfica de la encuesta de suelos (SSURGO) en mapas a nivel de componentes del suelo para dos condados de Virginia Occidental utilizando el conocimiento del suelo y el paisaje, la extracción de datos y el modelado predictivo (Nauman y Thompson, 2014). Se utilizaron descripciones de las relaciones suelo-paisaje almacenadas en la base de datos SSURGO para las dos áreas de estudio, junto con datos de elevación e índices geomórficos derivados, para construir un conjunto de áreas de entrenamiento representativas para todos los componentes del suelo. Las áreas de entrenamiento se usaron en modelos de conjuntos de árboles de clasificación con covariables ambientales adicionales para predecir la extensión de la serie del suelo (fig. 5-13). Las superficies de frecuencia de predicción subyacentes también se generaron a partir de los modelos y se utilizaron para crear mapas continuos de propiedades del suelo. Las predicciones del modelo coincidieron con los pedones de validación entre el 22% y el 44% de las veces. Este estudio demuestra cómo se pueden utilizar las técnicas de desagregación para actualizar los levantamientos de suelos.

Predecir las costras biológicas del suelo

Las costras biológicas del suelo son comunidades de cianobacterias, algas, microhongos, musgos, hepáticas y líquenes en la superficie del suelo (Soilcrust.org, 2016). Estabilizan el suelo, minimizan la erosión eólica y hídrica y son fuentes importantes de N del suelo y C orgánico en ecosistemas áridos y semiáridos (Belnap et al., 2001). Las clases de nivel de desarrollo de la corteza biológica del suelo (LOD) representan una secuencia de desarrollo de bajo a alto, y las clases más altas indican un mayor desarrollo de cianobacterias (Belnap et al., 2008). Se completaron predicciones espaciales de clases de LOD bajo, moderado y alto para un área que rodea e incluye al Parque Nacional Canyonlands, Utah, para ayudar en la gestión de este importante recurso (Brungard y Boettinger, datos no publicados).

Las predicciones espaciales de la presencia o ausencia de la clase LOD de la corteza biológica del suelo se obtuvieron mediante el uso de promedios de modelos no ponderados (Malone et al., 2014) de cinco modelos estadísticos: aumento de gradiente estocástico, bosques aleatorios, entropía máxima, modelos lineales generalizados y modelos aditivos generalizados. . Las observaciones de la corteza biológica del suelo utilizadas en el desarrollo del modelo se obtuvieron durante una actualización del estudio de suelos de 2006-2009 del Parque Nacional Canyonlands, Utah.

La incertidumbre de la predicción se calculó como la desviación estándar de las predicciones de probabilidad combinadas de cada modelo. Una incertidumbre de predicción más baja indica predicciones más sólidas. La calidad de la predicción se evaluó mediante la concordancia. La concordancia es el número de modelos que predicen la ocurrencia de clases en cada celda ráster. Los valores de concordancia altos (por ejemplo, 5) indican áreas donde todos los modelos predicen la presencia de costras biológicas del suelo y, por lo tanto, identifican áreas donde se puede depositar una mayor confianza en las predicciones de presencia. Por el contrario, los valores de concordancia bajos (por ejemplo, 1) indican áreas donde solo unos pocos modelos predicen la presencia de corteza biológica del suelo y, por lo tanto, identifican áreas donde se puede depositar menos confianza en las predicciones espaciales.

Predicción de sitios ecológicos

La correlación de sitios ecológicos con unidades de mapas de suelos es un componente importante del mapeo de suelos en los Estados Unidos. Proporciona una comprensión de cómo los factores bióticos y abióticos en el medio ambiente interactúan e influyen entre sí. (El Apéndice 4 analiza las descripciones de sitios ecológicos). Los sitios ecológicos se consideran una parte vital de muchas decisiones de gestión de la tierra (USDA-NRCS, 2008). En el condado de Rich, Utah, se han realizado varios estudios centrados en predecir la distribución de los tipos de vegetación, para ayudar a comprender las relaciones espaciales de los sitios ecológicos. Se utilizó un conjunto seleccionado de derivados de datos de elevación (DEM) y espectrales (Landsat) como entrada a los modelos de regresión logística para producir predicciones de tipos de vegetación que juegan un papel clave en la identificación de sitios ecológicos (Peterson, 2009). Se informó una precisión del 71% sobre la base de un conjunto de datos de validación independiente.

Un estudio posterior en el condado de Rich, Utah, utilizó una combinación de derivadas espectrales y de elevación y clasificación aleatoria de bosques para predecir cinco tipos de vegetación dominantes (Stam, 2012). Las precisiones generales informadas estuvieron entre el 81% y el 98%. La predicción de sitios y estados ecológicos también se exploró en este mismo estudio utilizando derivados de datos espectrales Landsat y clasificación supervisada, específicamente el clasificador de máxima verosimilitud. Se calculó un índice de similitud, basado en la distancia de Mahalanobis generada durante la clasificación, y relacionado con varios estados (6 en total) del sitio ecológico. El índice de similitud logró definir dónde ocurren los diferentes estados de un sitio ecológico dado en el paisaje, con una precisión reportada del 65%.

Predecir el hábitat de plantas raras

Mostaza-junco arbustivo (Schoenocrambe suffrutescens), un arbusto en peligro de extinción en la lista federal de EE. UU. endémico de la cuenca de Uinta, Utah, se enfrenta a la pérdida de hábitat debido al desarrollo y extracción de energía de combustibles fósiles. Se utilizaron modelos de bosques aleatorios y covariables ambientales digitales para identificar el hábitat potencial de arbustos caña-mostaza (SRM) (Baker et al., 2016). Se utilizó un enfoque de tres pasos para crear el mapa predictivo final. Primero, las propiedades del suelo medidas en el campo se usaron para predecir la presencia o ausencia de SRM (error fuera de la bolsa [OOB] del 10%). En segundo lugar, estas propiedades del suelo se correlacionaron con los datos espectrales y de elevación, incluido un DEM, derivados de DEM e imágenes de Landsat 5 TM, para predecir el hábitat de SRM en una extensión espacial y generar puntos de datos de entrenamiento para un modelo final (error OOB del 28%) . El equivalente de carbonato de calcio, el contenido de limo y el valor de color seco se correlacionaron fuertemente con el amarilleo de la transformación Tasseled Cap, la relación de diferencia normalizada 3/2 y la relación de diferencia normalizada 3/1 (relaciones de banda espectral típicamente asociadas con la geología y el contenido de carbonato). En tercer lugar, los datos espectrales y de elevación se utilizaron para crear un ráster predictivo final del hábitat potencial de SRM con un error OOB del 23%, validado por un conjunto de datos independiente de ubicaciones de SRM. Se utilizaron gráficos de importancia variable en todos los modelos para indicar la disminución media en la precisión de cada variable predictiva. Se seleccionaron las variables predictoras más importantes y se redujeron a un subconjunto mediante eliminación manual paso a paso para obtener el mejor ajuste del modelo con la menor cantidad de variables. El modelo final se puede utilizar para identificar el hábitat potencial en un área grande, especialmente donde el terreno remoto o accidentado dificulta el acceso y requiere mucho tiempo y mano de obra. Una vez que se ubican los datos del suelo y del sitio para las áreas de hábitat potenciales, se pueden usar para verificar la idoneidad del hábitat de SRM y enfocar los esfuerzos de conservación o restauración.


3 resultados

3.1 Efectos topográficos, climáticos y fisiológicos sobre la productividad de los ecosistemas

El crecimiento acumulado de las coníferas se vio muy afectado por la posición topográfica (Figura 3), de modo que los árboles ubicados en laderas húmedas (Figura 3, líneas azules) generalmente exhibieron un crecimiento total mayor que los árboles ubicados en posiciones de laderas secas (Figura 3, líneas rojas). Esta observación nos llevó a cuantificar los efectos de la posición topográfica, las especies y el topoclima sobre las tasas anuales de crecimiento de las coníferas. El modelo de regresión lineal múltiple (Tabla 1) utilizado para describir la varianza en las tasas anuales de crecimiento de coníferas observadas (BAI) seleccionó TWI como la variable predictora primaria (ajustada R 2 = 0,37), seguido de una modificación de la especie de la intersección del modelo (ajustada R 2 = 0,47), el déficit (ajustado R 2 = 0,48), una interacción de la especie con el coeficiente de déficit (ajustado R 2 = 0,50), y una interacción de la especie con el coeficiente TWI (combinado ajustado R 2 = 0,51). En todos los casos, TWI tuvo una influencia positiva en las tasas de crecimiento anual. Observamos una respuesta específica de la especie al TWI, de modo que LAOC tuvo la respuesta de tasa de crecimiento más pequeña a TWI (74,31 mm 2 TWI −1) seguida de PSME (78,86 mm 2 TWI −1) y PIPO (125,8 mm 2 TWI - 1). El déficit tuvo un efecto negativo en el BAI para todas las especies, de modo que un mayor déficit hídrico climático produjo menores tasas de crecimiento anual. Sin embargo, cada especie tuvo una respuesta variable al déficit (PSME = −0,5787 mm 2 mm −1, LAOC = −3,866 mm 2 mm −1 y PIPO = −5,792 mm 2 mm −1). Toda la selección de parámetros y las estadísticas de ajuste del modelo se informan en la Tabla 1.

3.2 Efectos topográficos sobre la estructura forestal

En la escala de la cuenca, se eligió el TPI sobre el TWI para describir las condiciones microclimáticas relativas a la escala de la ladera. Tanto TWI como TPI describen las condiciones de humedad relativa en los paisajes (Western & Grayson, 1998 Weiss, 2001) pero difieren en términos de su evaluación de los atributos del terreno. Los valores altos de TWI (ubicaciones húmedas) se limitan a las ubicaciones más convergentes en terreno montañoso debido a la sensibilidad métrica al área acumulada cuesta arriba y la pendiente local. TPI representa un gradiente en las condiciones de humedad a escala de ladera debido a la diferencia de elevación entre las posiciones de ladera circundante. La relación entre estas métricas y un mapa que muestra la variación espacial entre las posiciones de ladera TWI y TPI "húmedas" se presenta en el documento de información de apoyo S1.

La densidad del tallo disminuyó al aumentar la convergencia en todos los casos, sin embargo, la sensibilidad relativa de cada relación se relacionó con el déficit (Figuras 4a-4c y Tabla 2). La densidad de tallos fue relativamente insensible al TPI en ubicaciones de alto déficit (Figura 4a y Tabla 2) y más sensible a TPI en ubicaciones de déficits moderados y bajos (Figuras 4b y 4c y Tabla 2), de modo que las posiciones convergentes de ladera tenían una mediana sustancialmente menor densidad de tallos que las posiciones divergentes de laderas. El cuantil de TPI más negativo (convergente) tuvo un 26%, 41% y 41% menos densidad de tallos mediana que el cuantil de TPI más positivo (divergente) para cada clase de déficit respectiva (Tabla 2). El comportamiento de cada modelo fue relativamente constante en todas las clases de déficit, de modo que el modelo racional no lineal se acercó a una tendencia lineal. El error estándar residual (RSE) para cada modelo de densidad de tallos es 24.49, 36.01 y 36.75 tallos / ha para las clases de déficit alto, moderado y bajo, respectivamente (Cuadro 2).

Clase de déficit / variable de respuesta Ajuste y parámetros del modelo Estadísticas
RSE a B C TPI Mediana Q1 Tercer trimestre
Densidad de tallos (tallos / ha)
Déficit & gt 460 mm 24.49 352.7 18.78 0.053 −21.0 312.5 225.0 400.0
24.5 425.0 225.0 600.0
460 mm & gt Déficit & gt 423 mm 36.01 487.7 3.158 −0.004 −25.5 400.0 275.0 500.0
26.0 675.0 450.0 987.5
Déficit & lt 423 mm 36.75 556.2 3.563 −0.005 −23.0 425.0 287.5 537.5
25.8 725.0 475.0 1050.0
Superficie basal (m 2 / ha)
Déficit & gt 460 mm 9.144 256.2 −0.186 0.009 −21.0 348.1 269.6 460.1
24.5 209.7 137.7 261.2
460 mm & gt Déficit & gt 423 mm 9.016 278.7 4.362 0.021 −25.5 370.9 304.8 473.3
26.0 272.0 249.2 301.9
Déficit & lt 423 mm 8.364 264.9 8.504 0.034 −23.0 349.4 253.9 494.6
25.8 273.9 243.5 300.7
Biomasa foliar (Mg / ha)
Déficit & gt 460 mm 0.943 22.87 −0.062 0.003 −21.0 27.26 21.56 32.09
24.5 21.70 14.08 29.78
460 mm & gt Déficit & gt 423 mm 0.868 27.83 −0.932 −0.033 −25.5 30.00 25.73 33.76
26.0 29.45 24.81 33.06
Déficit & lt 423 mm 1.142 27.25 −0.901 −0.034 −23.0 28.60 23.23 33.29
25.8 30.99 26.34 34.31
Biomasa total (mg / ha)
Déficit & gt 460 mm 2.570 57.07 0.281 0.012 −21.0 75.20 57.87 87.22
24.5 52.01 33.64 70.41
460 mm & gt Déficit & gt 423 mm 1.959 68.12 2.203 0.033 −25.5 81.47 66.75 93.63
26.0 69.65 60.19 77.73
Déficit & lt 423 mm 2.860 66.16 2.567 0.039 −23.0 75.84 59.11 89.62
25.8 72.69 62.41 80.95

El área basal fue diferencialmente sensible a la posición de la ladera en función del déficit (Figuras 4d-4f y Tabla 2). Para todas las clases de déficit, las posiciones de ladera más convergentes exhibieron un área basal mediana mayor que las posiciones de ladera más divergentes. El cuantil de TPI más convergente tenía un área basal 66%, 36% y 28% mayor que el cuantil de TPI más divergente para las clases de déficit alto, moderado y bajo, respectivamente (Tabla 2). La tasa de cambio del área basal con respecto al TPI fue relativamente constante en ubicaciones de alto déficit (Figura 4d y Tabla 2) sin embargo, el área basal aumentó a una tasa más rápida que lineal en ubicaciones de déficit moderado y bajo (Figuras 4e y 4f y Tabla 2). La RSE para cada modelo de área basal fue de 9.144, 9.016 y 8.364 m 2 / ha para las clases de déficit alto, moderado y bajo, respectivamente (Cuadro 2).

Las posiciones convergentes de laderas tenían mayores cantidades de biomasa total mediana que las posiciones divergentes de laderas en lugares de déficit alto y moderado, sin embargo, hubo poca diferencia en los lugares de déficit bajo (Figuras 4g-4i y Tabla 2). El cuantil de TPI más convergente tenía una biomasa total mediana 45%, 17% y 4% mayor que el cuantil de TPI más divergente para las clases de déficit alto, moderado y bajo, respectivamente (Tabla 2). Similar al área basal, la tasa de cambio de la biomasa total en función del TPI fue relativamente constante en ubicaciones de alto déficit (Figura 4g y Tabla 2) sin embargo, la tasa de cambio se volvió no lineal en ubicaciones de déficits moderados y bajos (Figuras 4h y 4i y Tabla 2). La RSE para cada modelo de biomasa total fue de 2.570, 1.959 y 2.860 Mg / ha para las clases de déficit alto, moderado y bajo, respectivamente (Cuadro 2).

La biomasa foliar aumentó constantemente con el aumento de la convergencia de laderas en ubicaciones de alto déficit (Figura 5a y Tabla 2) mostró poca o ninguna dependencia topográfica en ubicaciones de déficit moderado (Figura 5b y Tabla 2) y disminuyó al aumentar la convergencia en ubicaciones de bajo déficit (Figura 5c y Tabla 2). El cuantil de TPI más convergente tuvo un 26% y un 2% más de biomasa foliar mediana que el cuantil más divergente para déficits altos y moderados y tuvo un 8% menos de biomasa foliar mediana en ubicaciones de déficit bajo (Cuadro 2). La RSE para cada modelo de biomasa foliar fue de 0.943, 0.868 y 1.142 Mg / ha para las clases de déficit alto, moderado y bajo, respectivamente (Cuadro 2).

3.3 Efectos topográficos sobre el verdor de los bosques

En lugares de alto déficit, el verdor del bosque en la temporada media de crecimiento aumentó consistentemente con el aumento de la convergencia de laderas (Figura 5d, puntos de dispersión y línea de tendencia negra, y Cuadro 3). Sin embargo, las relaciones entre la convergencia de laderas y el verdor variaron según el mes (Figura 5d, líneas de tendencia coloreadas y Tabla 3). En la temporada de crecimiento temprana, las tasas de cambio mensuales fueron similares al comportamiento de la temporada de crecimiento media (junio = línea azul, julio = línea verde Tabla 3) sin embargo, el verdor fue generalmente más alto en todos los valores de TPI para estos 2 meses (Tabla 3) . En promedio, junio fue el mes más verde en lugares de alto déficit (Figura 5d, línea de tendencia azul y Tabla 3). A medida que la temporada de crecimiento avanzó hasta agosto (Figura 5d, línea de tendencia marrón), la magnitud promedio del verdor se redujo (Tabla 3), sin embargo, la tasa de cambio con respecto a la convergencia de laderas fue similar a la mediana de la temporada de crecimiento (Tabla 3). En la temporada de crecimiento tardía (Figura 5d, línea de tendencia roja) el verdor fue el más bajo (Tabla 3) y aumentó de manera no lineal desde posiciones divergentes a convergentes en laderas (Tabla 3).

Clase de déficit / tiempo Ajuste y parámetros del modelo
RSE a B C
Promedio de la temporada de crecimiento
Déficit & gt 460 mm 0.007 0.357 −0.003 −0.006
460 mm & gt Déficit & gt 423 mm 0.009 0.324 0.008 0.027
Déficit & lt 423 mm 0.009 0.313 0.007 0.026
junio
Déficit & gt 460 mm 0.008 0.388 0.003 0.010
460 mm & gt Déficit & gt 423 mm 0.007 0.341 0.011 0.035
Déficit & lt 423 mm 0.008 0.322 0.010 0.034
mes de julio
Déficit & gt 460 mm 0.007 0.384 0.006 0.018
460 mm & gt Déficit & gt 423 mm 0.009 0.348 0.009 0.030
Déficit & lt 423 mm 0.011 0.336 0.007 0.027
agosto
Déficit & gt 460 mm 0.006 0.342 −0.002 −0.002
460 mm & gt Déficit & gt 423 mm 0.009 0.319 0.007 0.026
Déficit & lt 423 mm 0.010 0.311 0.006 0.025
septiembre
Déficit & gt 460 mm 0.007 0.329 −0.008 −0.022
460 mm & gt Déficit & gt 423 mm 0.009 0.299 −0.006 −0.016
Déficit & lt 423 mm 0.009 0.286 0.004 0.017

En ubicaciones de déficit moderado, el verdor medio de la temporada de crecimiento aumentó a un ritmo más rápido que el lineal desde posiciones divergentes a convergentes en laderas (Figura 5e, puntos de dispersión y línea de tendencia negra, y Tabla 3). La tasa de cambio en junio, julio y agosto fue similar a la tasa de cambio mediana de la temporada de crecimiento (Tabla 3). En septiembre, el verdor aumentó de manera no lineal de posiciones divergentes a convergentes en laderas (Cuadro 3). Generalmente, julio exhibió los valores más verdes y septiembre exhibió los valores menos verdes (Tabla 3).

En ubicaciones de bajo déficit (Figura 5f y Tabla 3), la regresión de la temporada de crecimiento y cada regresión mensual exhibieron un aumento no lineal en el verdor con una creciente convergencia del paisaje (Tabla 3). Al igual que en los lugares con déficit moderado, julio fue el mes más verde y septiembre fue el mes menos verde (Cuadro 3).


3 MÉTODOS

3.1 Mapeo de geomorfología

Creamos un mapa geomorfológico utilizando imágenes de satélite de resolución de 5 m de Endalen, 40 Ringdalen 40 y Saviukviayak. 41 Siguiendo la nomenclatura de Tolgensbakk et al. (2000) 42 mapeamos todos los accidentes geográficos no glaciares como uno de los siguientes: campos de bloques, afloramientos rocosos, coluviones (material alóctono y pendientes de pedregal), láminas de soliflucción y fluvium (llanuras de inundación y material de abanico aluvial). Los campos de bloques eran áreas planas que se encuentran en las mesetas de las cumbres con bloques angulares individuales observados en las imágenes de satélite. Los afloramientos rocosos tienden a encontrarse en los márgenes de las mesetas de las cumbres delimitadas por pendientes de pedregal. En las imágenes, el lecho rocoso es de color más oscuro y, a menudo, contiene una sombra significativa debido a la naturaleza empinada de los afloramientos y al ángulo bajo del sol. El material alóctono se define simplemente como material que se ha movido cuesta abajo desde su punto de origen (estas áreas generalmente se denominan pendientes cubiertas de escombros), e identificamos que estas regiones están en la zona de transición de activa (gris en las imágenes) a menos activa. material (amarillo verdoso en las imágenes). Tolgensbakk y col. (2000) 42 utilizaron este término para indicar material que se encontró en pendientes laterales que, obviamente, no podía estar vinculado a una forma de relieve o proceso específico. 42 Hemos seguido utilizando esta definición. Las pendientes de pedregal (talud) son planas o ligeramente en forma de abanico, no tienen vegetación, contienen material en bloques y se ubican típicamente en pendiente media por debajo de las exposiciones del lecho rocoso. Las láminas de soliflucción se encuentran en la base de las laderas, están cubiertas de vegetación y contienen depósitos lobulados. 10 Identificamos las llanuras aluviales en función de sus múltiples canales de tejido causados ​​por ríos trenzados. El límite de la llanura aluvial incluía a veces una cresta o un banco empinado. Los abanicos aluviales están ubicados a la salida de los valles y contienen ríos trenzados y un sistema de canales distributarios. Los márgenes laterales están definidos por un cambio de color del material del relieve y los canales fluviales incisos.

3.2 Desarrollo, entrenamiento y prueba de clasificadores

Entrenamos a un clasificador 43 de LDA usando accidentes geográficos mapeados de Adventdalen (Tabla 1). LDA encuentra la mejor combinación lineal de parámetros topográficos que (a) maximizan la distancia entre las medias de dos o más clases, mientras que (b) minimizan la dispersión alrededor de la media dentro de cada clase. LDA proyecta esta información en un nuevo eje llamado discriminante lineal 1 (LD1), discriminante lineal 2 (LD2), etc., donde LD1 representa la mejor combinación lineal de variables que cumplen (a) y (b). La LDA se ha aplicado amplia y satisfactoriamente para clasificar accidentes geográficos, incluidas las aplicaciones periglaciares. 22, 24 Elegimos LDA porque es una herramienta sencilla para la clasificación de clases múltiples. Es posible comparar la relación lineal con las expectativas basadas en la comprensión física de los procesos que gobiernan cada accidente geográfico. Por ejemplo, se sabe que los campos de bloques se forman en las mesetas de las cumbres con pendientes poco profundas.

Accidentes geográficos de Adventdalen Numero de polígonos Superficie total (km 2)
Blockfield 5 4.46
Base 23 0.01
Coluvión 26 1.75
Solifluccion 4 0.53
Fluvio 13 19.02

Durante el entrenamiento del modelo, extrajimos el rango de valores de píxeles obtenidos de un DEM derivado de fotogrametría de 5 m para cada forma de relieve cartografiada. Calculamos el aspecto de la pendiente 44 derivado de ArcGIS, el gradiente de la pendiente, la curvatura de la forma en planta, la curvatura del perfil, la curvatura total, el índice de humedad topográfica, la apertura topográfica 45 46 y la rugosidad del paisaje utilizando una ventana cuadrada de 3 × 3 píxeles y la relación de valor propio SR1. 47 Llamamos SR1 a la relación de ln (S1 / S2) donde S1 es de McKean y Roering (2004). 47 Su estudio señaló que la relación SR1 puede identificar otros elementos accidentados del paisaje, como carreteras, canales y afloramientos rocosos. SR1 describe la tendencia de los datos vectoriales a agruparse de tal manera que los ríos trenzados y los abanicos aluviales tienen una mayor rugosidad del paisaje o valores de SR1 más bajos porque están muy disecados con canales y tienen altas cargas de sedimentos de gravas, guijarros, cantos rodados y bancos de arena. Usamos una relación elevación-alivio (ERR), 48 donde ERR = (XXmin)/(XmaxXmin) para una ventana móvil de 5 km de diámetro. El tamaño de la ventana era consistente con otras medidas de relieve local 49 consistentes con el ancho típico de un valle glacial.

Realizamos un análisis de eliminación de características recursivas en nuestro conjunto de datos de accidentes geográficos mapeados de Adventdalen para determinar qué parámetros topográficos contribuyen más al poder predictivo del clasificador. Descubrimos que la combinación de ERR, rugosidad del paisaje y gradiente de pendiente arrojó la puntuación de precisión más alta durante el análisis de eliminación de características recursivas.

Para evaluar el rendimiento del clasificador, dividimos el conjunto de datos del relieve en un conjunto de entrenamiento del 70% y un conjunto de pruebas del 30%, y evaluamos la clasificación utilizando las métricas de precisión del modelo que se definen a continuación. Repetimos este procedimiento de división de tren / prueba diez veces en diferentes segmentos del conjunto de datos del relieve y obtuvimos la puntuación de precisión promedio. Usamos esta prueba para asegurarnos de que el clasificador no se desempeñara de manera diferente después de haber sido entrenado en diferentes segmentos del conjunto de datos del relieve. Nuestro clasificador se entrena utilizando solo el 70% del conjunto de datos de Adventdalen, es decir, el conjunto de entrenamiento del 70%. A partir de este punto, lo llamaremos nuestro "clasificador entrenado". A pesar de elegir un área relativamente pequeña pero representativa (norte & lt 10 para algunas funciones), los conjuntos de datos de entrenamiento y prueba tenían una precisión del & gt80%, lo que sugiere que estas métricas capturan bien estas funciones.

3.3 Aplicación del clasificador

Aplicamos el clasificador capacitado a las cuencas de Endalen, Ringdalen y Saviukviayak. Utilizamos DEM de diferentes fuentes para clasificar las ubicaciones restantes: un DEM derivado de fotogrametría de 5 m de resolución (Endalen y Ringdalen) y un DEM de radar de apertura sintética de 5 m derivado (Saviukviayak). 50, 51 La remoción de infraestructura antropogénica, cuerpos de agua, artefactos, píxeles que estaban dentro de la sombra mostrada en la imagen satelital, píxeles que corresponden a la capa de nieve en la imagen satelital, glaciares y sus características, y sumideros llenos en la superficie raster cumplieron con nuestro paso final de control de calidad.

La evaluación de la calidad de la clasificación fue proporcionada por tres métricas: exactitud, recuperación y precisión. La precisión es la proporción de clasificaciones correctas (verdaderos positivos [Tp] y verdaderos negativos [Tn]) del número total de casos (Tp, Tn, falsos positivos [Fp] y falsos negativos [Fn], es decir (Tp + Tn) / (Tp + Tn + Fp + Fn), dando así una evaluación general del desempeño del clasificador. Recordar es la proporción de clasificaciones positivas correctas de los casos que son realmente positivos [Tp / (Tp + Fn)]. La precisión es la proporción de clasificaciones positivas correctas (verdaderos positivos) de los casos que se predicen como positivos [Tp / (Tp + Fp)].


1. Introducción

[2] Los bosques tropicales desempeñan un papel importante en la dinámica mundial del agua y el carbono. Los trópicos húmedos ocupan actualmente alrededor del 25% de la superficie terrestre de la Tierra, y los bosques tropicales cubren aproximadamente la mitad de esta área. Los bosques tropicales existentes contienen entre el 45% y el 52% del carbono de la biomasa terrestre, entre el 11% y el 17% del carbono del suelo y representan entre el 23% y el 35% de la productividad primaria neta mundial [Prentice y col.., 2001]. La evapotranspiración anual media de los bosques tropicales es de unos 1550 mm por año, superior a la de cualquier otra cubierta terrestre [Calder, 1999 Zhang y col.., 2001 ].

[3] En este estudio, examinamos el efecto del uso de la tierra y la cobertura del suelo sobre la función hidráulica a escala de captación en paisajes típicos de la cuenca del Canal de Panamá (PCW) y gran parte de los trópicos estacionales que tienen estaciones secas y húmedas pronunciadas. Aproximadamente la mitad del PCW ha sido deforestado, y la política oficial es fomentar la gestión sostenible, incluida la reforestación, en previsión de recuperar los servicios de los ecosistemas y mejorar los medios de vida de los agricultores rurales [Autoridad del Canal de Panamá (ACP), 2006 , 2010 Cerezo, 2011]. Los servicios ecosistémicos deseados incluyen: mejora de la calidad del agua, aumento del flujo base de la estación seca, reducción de los picos de hidrogramas, menos incendios forestales, reducción de la erosión, aumento del almacenamiento de carbono, aumento de la biodiversidad y resiliencia ambiental, preservación de productos farmacéuticos no descubiertos y producción de madera.

[4] Existen impactos negativos o compensaciones de la forestación / reforestación. Se reconoce que los bosques consumen considerablemente más agua que los paisajes no forestales [Trimble y col.., 1987 Bonell, 2005 Bruijnzeel y col., 2005 Brown y col.., 2005 Costa, 2005 Bonan, 2008 Jackson y col.., 2005 Kaimowitz, 2005 Trabucco y col.., 2008]. Los datos de las plantaciones no tropicales indican que cuando los bosques reemplazan a otros tipos de vegetación, la escorrentía se reduce típicamente entre 150 y 600 mm / año [Jackson y col.., 2005 ].

[5] En este documento, utilizamos la metodología de captación pareada para examinar dos servicios ecosistémicos hidrológicos deseables atribuidos a los bosques, el aumento del flujo en la estación seca asociado con una mayor infiltración en la estación húmeda, el llamado "efecto esponja" y la reducción de las tasas y volúmenes máximos de escorrentía. El término "efecto esponja" se ha utilizado para agrupar un amplio conjunto de características beneficiosas de la hidrología del suelo atribuidas a la presencia de bosques en comparación con otras cubiertas terrestres. Bruijnzeel [2004] proporcionó una revisión exhaustiva del concepto y argumentó que, si bien los factores que contribuyen a la esponja también reducirán los picos de inundación, los picos de inundación reducidos por sí solos no proporcionan prueba de la hipótesis del efecto esponja. Otros factores, como la interceptación del dosel y los cambios en la trayectoria del flujo, también pueden reducir los picos de inundación sin necesariamente mejorar la recarga del agua subterránea. Estamos de acuerdo con Bruijnzeel [2004], y restringir el "efecto esponja" a una condición en la que la cubierta forestal bien desarrollada promueva una alta infiltrabilidad y recarga de agua subterránea durante la estación húmeda, lo que lleva a un mayor caudal durante los períodos secos, a pesar de la reducción de la escorrentía anual total [Malmer y col.., 2010]. Examinamos por separado si el uso de la tierra y la cobertura terrestre reducen las tasas máximas de escorrentía, la escorrentía total y la rapidez del ascenso y descenso del pico (deslumbramiento) durante las tormentas [Van Dijk y Keenan, 2007 ].

[6] Las revisiones de la hipótesis del efecto esponja revelan una controversia considerable. Por ejemplo, Centro de Investigación Forestal Internacional (CIFOR) [2005] afirma: “Cuando se trata de la prevención de grandes inundaciones, la“ teoría de la esponja ”es una errata histórica, una ficción que a menudo se utiliza de manera inapropiada para justificar las medidas de conservación del suelo y el agua, la ordenación forestal adecuada y las prohibiciones de tala. Desafortunadamente, la "teoría de la esponja" también se ha utilizado de manera inapropiada para asegurar fondos para varios proyectos gubernamentales y de desarrollo ". El Adelante de CIFOR [2005] incluye la declaración de que el documento “. no pretende ser un repaso exhaustivo del tema. ”. Sin embargo CIFOR [2005] ha tenido una gran influencia en la política desde su publicación y merece ser evaluado en el contexto de las observaciones de campo.

[7] También se disputa el valor de la reforestación / forestación. Farley y col.. [2005] examinó los efectos de la forestación en el rendimiento hídrico, pero no incluyó conjuntos de datos de cuencas de captación empinadas con suelos saprolíticos en los trópicos estacionales húmedos. FAO [2002] advierte contra la aplicación de declaraciones generales y alienta las observaciones y modelos específicos de sitios para evaluar los efectos de la forestación en el comportamiento hidrológico. Calder [1998] sostiene que la interacción local entre la infiltración, la recarga de aguas subterráneas y el aumento de la evapotranspiración debido a la forestación determinarán en última instancia los impactos de la forestación en los caudales de los ríos en la estación seca. También señala que es probable que esta interacción sea muy específica del sitio. Calder [1998] afirma que la plantación de árboles de raíces profundas puede reducir la recarga de agua subterránea. Sin embargo, observamos que una vez muertas, las raíces profundas también pueden servir como vías de flujo preferenciales en suelos estrechos y pueden aumentar la recarga de agua subterránea. A esto, agregamos a esto otro factor que parece pasarse por alto, el efecto de las extracciones de agua subterránea por las raíces de los árboles en la pendiente del nivel freático. Esto afectará la descarga de agua subterránea a los arroyos al final de la estación seca. Algunos afirman que a medida que aumenta la cantidad de precipitación, los efectos del suelo y la cubierta vegetal sobre el flujo de las tormentas disminuyen [Brooks y col.., 1989 Bruijnzeel, 1990]. Sin embargo, esta declaración generalizada no ha sido probada a fondo y podría depender de factores específicos del sitio como para invalidar su generalidad.

[8] Se debate la escala espacial sobre la cual los efectos hidrológicos de los contrastes de la cobertura terrestre podrían ser observables. Van Dijk y Keenan [2007] declaran “Un resumen científico reciente reitera que no hay argumentos empíricos o teóricos sólidos para esperar una reducción de las inundaciones en las grandes cuencas [CIFOR, 2005] tales eventos sinópticos están directamente asociados con eventos de lluvia prolongados, intensivos y de gran escala. Este resumen proviene en última instancia de Kiersch [2000] quien proporciona una tabla, sin citas, de las dimensiones espaciales de los impactos del uso de la tierra en variables hidrológicas tales como flujo promedio, flujo máximo, flujo base y recarga de agua subterránea. La afirmación central de esta tabla es que la cobertura y el uso de la tierra afectan solo las pequeñas cuencas hidrográficas, no mayores de cientos de kilómetros cuadrados. Esta tabla se ha utilizado para justificar la política hidrológica general [por ejemplo, FAO, 2002 CIFOR 2005].”

[9] En este contexto, la hipótesis del efecto esponja ha sido central en la controversia de bosque versus suministro de agua en el PCW. Un estudio, financiado por la Agencia de los Estados Unidos para el Desarrollo Internacional [Heckadon-Moreno et al., 1999 Proyecto de Monitoreo de la Cuenca del Canal de Panamá (PMCC), 1999] utilizó 9 meses de datos de las dos cuencas de investigación analizadas en el presente documento y presentó datos que respaldaban la hipótesis del efecto esponja. Otro informe encargado por el Banco Mundial [Calder et al., 2001] argumentó en contra de la hipótesis del efecto esponja y en contra de la reforestación del PCW en general. Un tercer informe, nuevamente encargado por el Banco Mundial [Aylward, 2002], evaluó los otros dos informes y describió los resultados como equívocos. Aylward [2002] reconoció que aunque el PMCC [1999] los datos parecen demostrar un efecto esponja, el estudio se realizó utilizando datos recopilados durante 1997, un año inusualmente seco que coincidió con un evento importante de El Niño, y fue un período demasiado corto para ser concluyente. Calder [2007] señaló que existe incertidumbre en la PCW con respecto a los efectos de la forestación en los caudales bajos, y cita Aylward [2002] al recomendar un estudio más a fondo de la cuestión.

[10] Un problema importante para demostrar un efecto esponja es que es difícil de definir y medir. Bruijnzeel [2004], al resumir la investigación a nivel mundial, señaló que la entrega de los caudales de la estación seca implica una interacción compleja tanto de las propiedades hidrológicas del suelo como las del sustrato geológico, afirmando que "esto no menoscaba tanto la utilidad de la" esponja " concepto, sino que ilustra la gama de condiciones en las que puede aplicarse de manera útil " Bruijnzeel [2004] señaló que la resolución de este problema requiere una extensa investigación sobre la física del movimiento del agua en paisajes boscosos y deforestados, y que una de las preguntas fundamentales es si la restauración forestal puede restaurar el almacenamiento en la estación seca. La influencia de la geología y los suelos heterogéneos en el grado del efecto esponja, es especialmente importante cuando se consideran escalas más grandes, como toda la cuenca del Canal de Panamá [Bruijnzeel, 2004 CIFOR, 2005 Van Dijk y Keenan, 2007 Malmer y col.., 2010 ].

[11] Los estudios anteriores se centran en las propiedades de la matriz del suelo, ya que podrían afectar la respuesta hidrológica. Sin embargo, la influencia de macroporos, raíces y otras rutas de flujo preferenciales, y cómo su función se ve afectada por el uso de la tierra (por ejemplo, pastoreo) no se considera en gran medida. La presencia de macroporos, tuberías de suelo y otras rutas de flujo preferenciales creadas biológicamente hace que sea difícil escalar a partir de mediciones localizadas de infiltración de la matriz del suelo utilizando núcleos o infiltrómetros a pequeña escala o clasificaciones de suelos basadas en estas mediciones [Chappell y col.., 1998, 2005 Ghimire y col.., 2013]. Un problema importante es que la infiltración profunda, el flujo subsuperficial lateral y el flujo terrestre se ven afectados por la permeabilidad tanto a microescala como a macroescala y que pequeñas diferencias en la permeabilidad pueden traducirse en grandes efectos en el movimiento del agua a través de trayectorias de flujo profundas o superficiales.

[12] En Panamá, se ha demostrado que las rutas de flujo preferenciales afectan la infiltración en la escala de ladera. Niedzialek [2007] y Hendrickx y col.. [2005] midió tasas de infiltración a una profundidad de 10 cm, que oscilan entre 80 y 600 mm h −1 en el Parque Nacional Chagres aproximadamente a 40 km al este de los sitios informados en este documento, en Oxisoles similares. Estas altas tasas de infiltración se atribuyen al flujo preferencial vertical y lateral descendente desde raíces de árboles vivos y en descomposición y madrigueras de animales [Bonell, 1993 Noguchi y col.., 1999 Niedzialek, 2007]. Las pruebas con trazadores de tinte confirman la presencia de numerosas vías de flujo preferenciales [Niedzialek, 2007 ].

[13] Un estudio reciente en una selva tropical en el este de Puerto Rico [Larsen y col.., 2012] empleó una estrategia de exclusión para examinar el efecto de la excavación de lombrices de tierra en el flujo superficial y la erosión por lavado de hojas en pequeñas parcelas de prueba. Los resultados mostraron que la exclusión de lombrices de tierra aproximadamente duplicó el flujo superficial, mientras que la erosión por lavado de láminas a escala de parcela se cuadruplicó. Presumiblemente, este aumento en el flujo terrestre, si se generaliza a una ladera completa, se traduciría en picos de hidrogramas más grandes.

[14] En resumen, este estudio proporciona datos que pueden usarse para probar hipótesis relacionadas con la función hidrológica de pequeñas cuencas en la cuenca del Canal de Panamá en función del uso y cobertura del suelo. Proporcionamos datos concretos para informar un debate que actualmente está ocupado por generalidades. Si bien las cuencas de captación de nuestro estudio son pequeñas (& lt2 km 2), una cuenca grande se compone en última instancia de una gran cantidad de cuencas pequeñas. Por ejemplo, nuestro análisis topográfico de la topografía de la cuenca hidrográfica del Canal de Panamá muestra que el 96% de los 2900 km 2 del PCW que no son lagos están cubiertos por cuencas hidrográficas de 150 ha.


6 Aplicación del modelo de deslizamientos discretos

El modelo se aplica al área de estudio de 0,5 km 2 (CB-MR) para evaluar su capacidad de reproducir el tamaño y la ubicación de los deslizamientos de tierra observados. Estos deslizamientos de tierra ocurrieron durante un período de 10 años y, con la excepción de la tormenta de 1996, las características (es decir, intensidad, duración y series cronológicas detalladas) de las tormentas que desencadenaron deslizamientos de tierra son poco conocidas. Adoptamos las estimaciones de Montgomery y col. [2000] para conocer las características de las tormentas que provocaron deslizamientos de tierra. Los datos topográficos consisten en una cuadrícula de resolución de 2 m que contiene elevaciones derivadas de LiDAR con un espaciado de puntos de datos promedio original de 2,3 m [Roering y col., 1999]. A diferencia del estudio de seguimiento CB-1 [Bellugi y col., 2015], la profundidad del suelo, la altura del nivel freático y la cohesión radicular lateral y basal en el momento de la falla son desconocidas y, en cambio, deben estimarse a partir de los submodelos basados ​​en procesos descritos en la siguiente sección.

6.1 Modelado de propiedades del suelo y condiciones hidrológicas espacialmente variables

6.1.1 Propiedades del suelo

(13) (14)

(15) (16)

Los coeficientes Cr0 y j Por lo general, se obtienen de datos de campo o estimaciones basadas en la literatura de la relación entre la fuerza de la raíz, la densidad de la raíz y la profundidad. Extendemos las mediciones específicas del sitio informadas por Montgomery y col. [2009] para el deslizamiento de tierra CB-1 al área de estudio CB-MR, y establece Cr0 hasta 22 kPa y j hasta 5 m −1. Toda el área CB-MR fue talada en 1987 [Torres y col., 1998], por lo que la variación espacial en la fuerza de las raíces puede haberse reducido. Aunque el modelo que relaciona la cohesión de la raíz y la profundidad es espacialmente invariante (ecuación 15), la variabilidad de la profundidad del suelo conduce a la variabilidad en la cohesión de la raíz lateral y basal (Figura 3), con deslizamientos de tierra observados que generalmente se encuentran en áreas de baja cohesión de raíces prevista.

6.1.2 Condiciones hidrológicas y secuencia de tormentas

Los experimentos de campo intensivos en CB-1 demostraron que casi toda la escorrentía de la tormenta fluye a través de una zona de lecho rocoso fracturado poco profundo antes de exfiltrarse nuevamente en el suelo y fluir hacia el canal [por ejemplo, Montgomery y col., 1997 Torres y col., 1998 Montgomery y Dietrich, 2002 Montgomery y col., 2009]. Parches de saturación parcial del suelo resultantes de esta exfiltración se desarrollaron a lo largo del eje topográfico del hueco [Montgomery y col., 2009, Figura 6]. Los extensos estudios realizados en este sitio demuestran que, aunque son muy variables, los patrones de presión de poro elevada son aproximadamente consistentes con un flujo subterráneo que sigue un gradiente de cabeza paralelo a la superficie topográfica, una suposición común en los modelos de flujo subterráneo poco profundo [por ejemplo, Beven y Kirkby, 1979]. Como el patrón espacial de la zona conductora fracturada del lecho rocoso no se conoce y es extremadamente difícil de estimar, asumimos que la escorrentía de la tormenta se limita a la capa del suelo y que el gradiente de cabeza es igual al gradiente de la superficie topográfica, supuestos ampliamente utilizados por otros. [p.ej, Dietrich y col., 1992 Montgomery y Dietrich, 1994 Wu y Sidle, 1995 Pack et al., 1998 Montgomery y col., 2000 Schmidt y col., 2001 Borga y col., 2002 Rosso y col., 2006 Tarolli y Tarboton, 2006]. Reconocemos que esta no es una representación precisa de los complejos procesos hidrológicos que controlan el flujo de la escorrentía de tormentas, pero en este sitio estas simplificaciones son útiles para proporcionar una buena aproximación a los patrones de saturación del suelo. El efecto de estas suposiciones es generalmente sobrestimar la presión de poros en el suelo pero eliminar los picos de presión de poros locales provocados por la exfiltración, que pueden localizar deslizamientos de tierra.

(17) (18)

Usamos parámetros medidos en campo obtenidos en CB-1, y establecemos v = 1 [Montgomery y col., 1997 ], Sr = 0,6, equivalente al 30% de la capacidad de campo del suelo en esta ubicación [Torres y col., 1998], y K = 67 m / d [Ebel y col., 2007b]. En este modelo, la precipitación se entrega instantáneamente a la zona saturada y la cabeza en cada celda de la cuadrícula, hI, se ajusta instantáneamente en todo el sistema.

Los pluviómetros en CB-1 proporcionan una serie de tiempo de resolución de 10 minutos de la tormenta de noviembre de 1996, la tormenta más grande registrada para el área de estudio que provocó el deslizamiento de tierra CB-1 y otras cuatro en CB-MR [Montgomery y col., 2009 ]. Montgomery y col. [2000] atribuyó los otros deslizamientos de tierra (anteriores a 1996) en CB-MR a las tormentas de 24 h más intensas en los 6 años en que ocurrieron los deslizamientos de tierra. Usamos las características de las seis tormentas de vagones (tormentas de intensidad constante para una duración específica, enumeradas en la Tabla 1) identificadas por Montgomery y col. [2000] para generar capas espaciales de presión intersticial utilizando la ecuación 18 y aplicar el modelo a cada tormenta, generando predicciones independientes de deslizamientos de tierra. Para evitar el conteo doble, los deslizamientos de tierra individuales se atribuyen a tormentas individuales. Todos los deslizamientos de tierra en el registro de 10 años fallaron en o muy cerca de la interfaz suelo-lecho rocoso [Montgomery y col., 2000], lo que implica que los lugares donde ha ocurrido un deslizamiento de tierra no tendrían suficiente suelo para fallar durante una tormenta posterior. Dado que la profundidad y la topografía del suelo modeladas no varían dinámicamente a través de la secuencia de tormentas, atribuimos los deslizamientos de tierra a tormentas individuales, y en cada simulación subsiguiente solo retenemos los deslizamientos de tierra que no se superponen con los deslizamientos de tierra anteriores, lo que resulta en un conjunto compuesto final de deslizamientos de tierra previstos. Discutimos los posibles impactos de la elección de este método de atribución en la sección 7.1. Para probar el desempeño del modelo de deslizamientos de tierra con una serie de tiempo de lluvia más compleja (a diferencia de las tormentas de furgón de intensidad constante), también aplicamos la ecuación 18 a la serie de tiempo de lluvia de 10 minutos de resolución de la tormenta de 1996 (denominada "tormenta de 1996 ”, Tabla 1), hasta el momento de la falla CB-1 reportada por Montgomery y col. [2009, su Figura 3]. Esta tormenta fue la última y más grande en el período de estudio, por lo que en esta prueba ignoramos las tormentas anteriores y retenemos todos los deslizamientos de tierra predichos (es decir, asumiendo que las fallas que ocurrieron en tormentas más pequeñas anteriores también habrían ocurrido bajo la tormenta registrada ).

Año de tormenta 1987 1990 1991 1992 1993 1996 1996 Detallado
Duración (Días) 1 1 1 1 1 1 12,4 (serie de 10 min)
Intensidad (mm / h) 5.0 3.85 2.5 2.37 4.06 6.87 0,94 (hora pico: 25,7)

La Figura 4 ilustra el patrón espacial de la tasa de saturación del suelo (metro) predicho por el modelo hidrológico para las tormentas con las intensidades más bajas y más altas de 24 h (2,37 y 6,87 mm / h), y la tormenta de 1996 en el momento de la falla CB-1. Las alturas del nivel freático son siempre más altas en los huecos que en las pendientes divergentes, pero las áreas con suelos más profundos donde algunos de los deslizamientos de tierra observados están solo moderadamente saturados, mientras que las áreas moderadamente divergentes donde los suelos son delgados pueden estar más saturadas, lo que sugiere que la saturación por sí sola no es el factor clave. control primario de la inestabilidad. La extensión de las áreas saturadas aumenta significativamente con el aumento de la intensidad de las precipitaciones. El furgón y la representación detallada de la tormenta de 1996 dan como resultado campos de presión de agua intersticial similares (Figuras 5b y 5c) con una diferencia promedio & lt15%.


6 DISCUSIÓN

Utilizando un enfoque a escala de paisaje validado en el campo para cuantificar la SHC de humedales y arroyos de la bahía de Delmarva, este estudio demuestra que las métricas de campo y derivadas de SIG se pueden utilizar para explicar y predecir la variabilidad en la conectividad de humedales y arroyos a escala de paisaje. Al modelar las métricas de conectividad en función de las características de la cuenca de captación, los humedales, los arroyos temporales y el suelo que representan los impulsores de SHC hipotéticos, estos resultados contribuyen al nuevo campo de investigación destinado a desarrollar enfoques escalables de costo relativamente bajo para cuantificar la permanencia del flujo en las redes de arroyos ( Bhamjee, Lindsay y Cockburn, 2016) y paisajes de humedales. Combinando datos de lluvia con mediciones continuas de SHC entre humedales y arroyos temporales, este estudio proporciona evidencia de cambios estacionales en los impulsores subyacentes de los patrones de conectividad. La combinación de datos de SIG y datos de campo extensos de 23 sitios de arroyos de humedales nos permite reducir el conjunto de factores del paisaje que influyen en el momento y la duración del SHC de arroyos de humedales. Un próximo paso importante es probar en el campo las predicciones del modelo de conectividad desarrollado en este estudio y, como en (Golden et al., 2016), ampliar dichos estudios para comprender el efecto acumulativo de los humedales en vías fluviales más amplias.

6.1 Variabilidad temporal en los patrones de conectividad entre humedales y arroyos

Las bahías de Delmarva son sistemas complejos cuyo grado de conectividad paisajística es función de procesos hidrológicos tanto locales como regionales. Al igual que otros humedales depresivos, la SHC entre las bahías y arroyos de Delmarva es una función del equilibrio hídrico dentro de las cuencas de captación de humedales y los atributos del paisaje, incluidos los suelos y quizás el tamaño (Golden et al., 2016 Leibowitz & Nadeau, 2003 Sharitz, 2003). Es más probable que las conexiones se produzcan durante los períodos en que las entradas de agua (precipitación, descarga de agua subterránea) superan las pérdidas de agua (evapotranspiración, recarga de agua subterránea Lide, Meentemeyer, Pinder y Beatty, 1995 Sharitz, 2003), lo que lleva a la salida de la superficie de los humedales a los arroyos cercanos. Los resultados de este estudio de campo de 2015 indican que, como fue el caso en el año hídrico 2010 en esta cuenca (McDonough et al., 2015), la dinámica del agua subterránea estacional impulsa el momento de las conexiones de agua superficial prolongadas (≥ 24 horas) entre las zonas boscosas de Delmarva. pantanos de la bahía y arroyos perennes desde finales del otoño hasta finales de la primavera. Durante el año hidrológico 2015, más de la mitad de las conexiones superficiales de los humedales y los arroyos se "encendieron" y "apagaron" en un período de 3 semanas (Figuras 6 y 7). La homogeneidad espacio-temporal de las fechas de inicio y compensación de SHC y la ausencia de autocorrelación espacial en el área de estudio sugiere que una caída estacional en la evapotranspiración, seguida de un aumento regional en el nivel freático, ejerce controles de primer orden sobre el flujo sostenido de agua superficial que se acumula dentro de las bahías para arroyos temporales cuando el nivel freático está en la superficie o por encima de ella (Lide et al., 1995).

La duración abreviada (de minutos a horas) de los eventos de SHC observados entre fines de la primavera y fines del otoño en 2015 refleja un cambio estacional en los conductores de SHC. Estos eventos de SHC acortados coincidieron con los picos estacionales en la transpiración, durante los cuales las bahías de Delmarva generalmente carecen de agua superficial (Fisher et al., 2010 Phillips & Shedlock, 1993), y generalmente representaron niveles efímeros de agua superficial en arroyos temporales después de eventos de lluvia. Durante el año de estudio, las cantidades de lluvia recientes, según lo indicado por los totales de lluvia antecedentes de 5 días, fueron significativamente más altas en los días en que ocurrió un SHC en comparación con los días sin SHC, lo que indica que las condiciones previas y la dinámica local de relleno y derrame también influyen en el flujo del humedal. conectividad en bahías de Delmarva.

El retraso desde el inicio del SHC hasta la descarga de flujo base medible en arroyos temporales sugiere un cambio mecanicista en el controlador SHC del agua subterránea (es decir, el nivel del agua superficial estancada con el nivel freático en los suelos circundantes y el humedal) al flujo de salida del agua superficial (es decir, el derrame del humedal) de otoño a invierno.Aunque la fecha de inicio estacional mediana ocurrió el 9 de diciembre, la descarga de flujo base no fue medible (es decir, profundidad del agua ≤ 3 cm y / o velocidad del agua no medible en el canal) en la mayoría de las cuencas hasta finales de enero (Suplemento en línea, Tabla T1). Las observaciones de campo confirman que este cambio se alineó con los niveles de estancamiento de la bahía que excedían sus umbrales de derrames relativos y fluían hacia los arroyos temporales adyacentes (Figura 4). Este hallazgo es consistente con el modelo de conectividad de humedales descrito por (Winter & LaBaugh, 2003), en el cual el flujo de salida superficial se describe como una función del flujo de agua subterránea, la elevación del derrame por encima del nivel normal del agua del humedal y el momento de los eventos de precipitación.

Los efectos de los cambios estacionales en la dinámica de las aguas superficiales y subterráneas sobre la hidrología a escala del paisaje son evidentes en el aumento estacional de la descarga del caudal base en Tuckahoe Creek, un afluente del río Choptank, durante el invierno y principios de la primavera (Figura 9). Está bien documentado que los humedales depresivos, en conjunto, tienen un efecto sustancial en los balances hídricos a escala de cuencas hidrográficas al aumentar el almacenamiento subterráneo y el flujo de agua subterránea definidos estacionalmente (Evenson, Golden, Lane y D'Amico, 2015). Durante el año hidrológico 2015, se observó una descarga temporal máxima del flujo base de la corriente debajo de los humedales boscosos a principios de la primavera, lo que indica que los humedales de la bahía de Delmarva contribuyen a la descarga del río principal a través del desagüe superficial directo al menos estacionalmente. Este hallazgo es consistente con (Golden et al., 2016) que informa un efecto estacional en la relación entre las características de los humedales y el flujo de los arroyos en la ecorregión de la llanura costera del Atlántico medio (Carolina del Norte, Estados Unidos), incluida una relación significativa entre el área de humedales y el flujo de los arroyos. durante la primavera, cuando los sistemas de humedales mal drenados responden rápidamente a las precipitaciones.

Las regresiones en el estudio actual indicaron que una o ambas métricas de área de humedal y número de humedal estaba relacionada con la duración del SHC y la fecha de compensación estacional (Tabla 3). Se necesitan estudios futuros para cuantificar el efecto dividido (agua superficial frente a agua subterránea) y / o agregado de la conectividad entre los humedales y los arroyos en las aguas aguas abajo (por ejemplo, el aumento estacional medio del caudal base del río principal durante las conexiones). Además de vincular los patrones de SHC con los procesos ecológicos aguas abajo, los estudios futuros deben investigar la relación entre la conectividad hidrológica del agua subterránea de los humedales y los arroyos y las características del paisaje (por ejemplo, el tamaño de la bahía y el tipo de suelo [McLaughlin, Kaplan y Cohen, 2014]) para cuantificar mejor la efectos aguas abajo de tales conexiones.

6.2 Características del paisaje como predictores de patrones de conectividad entre humedales y arroyos

Entre las métricas de predicción del paisaje, la longitud temporal de la corriente, el BFW y el área de la sección transversal se correlacionaron fuertemente con las tres métricas de SHC, y BFW fue un predictor significativo en todos los modelos de regresión finales. Varios estudios han informado que estas mediciones físicas son predictores significativos de la duración del flujo de la corriente, incluido el BFW (Fritz, Winerick y Kostich, 2013 Svec et al., 2005) y la relación de atrincheramiento (ancho propenso a inundaciones dividido por BFW [Fritz, Johnson y Walters, 2008 Svec et al., 2005]), aunque Fritz et al. (2013) advierten que pueden ser predictores débiles en regiones de alto relieve y bajo relieve topográfico con bajo potencial erosivo. Aunque las correlaciones entre métricas no implican causalidad, dos mecanismos pueden explicar las relaciones entre las métricas de SHC y la geomorfología del canal de flujo temporal. En primer lugar, la presencia de agua superficial en canales de arroyos temporales puede ser una expresión de la profundidad regional poco profunda del agua subterránea en nuestra región de estudio (la profundidad mínima registrada en un pozo cercano durante el año 2015 fue de 0,86 m) con canales más profundos y anchos quizás más sugerente de flujo prolongado, incluso durante los períodos antes y después de la SHC de los humedales-arroyos. En segundo lugar, los canales de arroyos más grandes pueden ser evidencia del efecto de los caudales más altos del flujo de salida de la superficie del humedal sobre el mantenimiento o la conformación activa de los canales. En su estudio de la duración del flujo en los arroyos de cabecera en todo Carolina del Sur Piedmont y Southeastern Plains, donde el alivio de la cuenca y los valores de descarga del arroyo fueron similares a este estudio, Fritz et al. (2013) citan la geomorfología del canal como un parámetro importante para discriminar la clase de flujo de la corriente de cabecera.

En general, las cuencas de captación más grandes y más húmedas (mayor número y área de humedales, mayor puntaje de permanencia hidrológica de humedales) se asociaron con una mayor duración acumulada de SHC y fechas posteriores de compensación de SHC. Estos resultados concuerdan con hallazgos anteriores de que el área de humedales (McDonough et al., 2015) y el área de captación total (Lampo, 2015) están relacionados positivamente con la duración del flujo de la cabecera en paisajes planos y bien drenados. Las cuencas de captación más grandes y más húmedas también se asociaron con canales de arroyos temporales más grandes, lo que ilustra el efecto potencial de la colinealidad entre las métricas de predicción del paisaje para identificar con precisión los impulsores de los patrones de SHC observados (Figura F1 complementaria en línea)). Los estudios futuros deberían considerar enfoques de sensores emparejados para discriminar entre períodos de encharcamiento (es decir, alimentados por agua subterránea) y flujo de arroyos (es decir, flujo de salida de la superficie del humedal) en arroyos temporales que conectan humedales y arroyos (Bhamjee et al., 2016), lo que puede ayudar mejor vincular las características del paisaje con los patrones hidrológicos.

6.3 Evaluación de la precisión de los modelos de regresión basados ​​en predictores de paisaje

La regresión escalonada se ha aplicado en varios otros estudios dentro de la región de la llanura costera del Atlántico medio de los Estados Unidos para modelar patrones hidrológicos en función de las características del paisaje (Julian, Elmore y Guinn, 2012 McDonough et al., 2015). La aplicación de una técnica similar en este estudio brinda la oportunidad de comparar los hallazgos. Según los modelos finales y las diferencias no significativas en las fortalezas de correlación observadas versus predichas entre los modelos que incluían métricas de campo GIS + y modelos con solo GIS, la adición de métricas de predicción derivadas de campo no mejoró significativamente el rendimiento del modelo (Tabla 4). De hecho, la eliminación de las métricas de predicción derivadas de campo de la regresión escalonada condujo a un modelo final basado en GIS de duración acumulativa de SHC con más apoyo, como lo indica una disminución en el valor de AICc de 4.2 (Burnham y Anderson, 2002). Estos resultados sugieren que entre las variables utilizadas en este estudio, los modelos GIS + de campo y basados ​​en GIS tuvieron un desempeño comparable en su capacidad para explicar la variabilidad en los patrones de SHC entre las cuencas de captación de humedales boscosos de la bahía de Delmarva.

En su estudio que vincula los atributos del paisaje con la ubicación de las cabeceras de los canales, Julian et al. (2012) concluyó que la ocurrencia de cabeceras de canales a lo largo de la llanura costera de Maryland probablemente fue impulsada por el flujo superficial de saturación dados los suelos arenosos y la proximidad del nivel freático. Además, señalan que la carga de lecho clasificada y los bancos definibles a menudo eran evidentes varios metros aguas abajo de los humedales. Nuestros resultados apoyan esta conclusión, ya que los indicadores basados ​​en SIG del área contribuyente (CatchArea), la extensión del humedal (WetArea, NumWet) y el potencial de flujo superficial de saturación (WaterStorage) se incluyeron en los modelos finales de duración del flujo superficial y fecha de inicio de la conexión estacional en la cabecera. arroyos (Tabla 1). El área de contribución, que se puede calcular fácilmente utilizando técnicas de análisis DEM, se ha informado de manera consistente como un predictor significativo de la permanencia del flujo en una variedad de entornos geográficos (Bent & Steeves, 2006 Fritz et al., 2013 Montgomery & Dietrich, 1988).


Análisis comparativo de los parámetros que contribuyen a los deslizamientos de tierra provocados por la lluvia en el Himalaya Menor de Nepal

En el Himalaya, la gente vive en asentamientos muy extendidos y sufre más por deslizamientos de tierra que por cualquier otro tipo de desastre natural. Los intensos monzones de verano son el principal factor desencadenante de deslizamientos de tierra. Sin embargo, las relaciones entre los deslizamientos de tierra y la hidrología de laderas no han sido un tema central en la investigación de los deslizamientos de tierra del Himalaya. Este documento trata de los parámetros que contribuyen a los deslizamientos de tierra provocados por la lluvia que ocurrieron durante un evento de lluvia monzónica extrema el 23 de julio de 2002, en las colinas del suroeste del valle de Katmandú, en el Himalaya Menor, Nepal. En este artículo se describen parámetros como la geología del lecho rocoso, la geomorfología, las propiedades geotécnicas del suelo y la mineralogía de la arcilla. El modelado de deslizamientos de tierra se realizó en SEEP / W y SLOPE / W para comprender la relación de las variaciones de la presión del agua intersticial en las capas del suelo y para determinar la variación espacial de la ocurrencia de deslizamientos de tierra. Se encontró que las características del suelo, el bajo ángulo de fricción interna de los finos en el suelo, el rango medio de permeabilidad del suelo, la presencia de minerales arcillosos en el suelo, la hidrogeología del lecho rocoso y la intervención humana son los principales parámetros que contribuyen a las fallas de taludes en la región.


3. RESULTADOS

3.1 Comparación de la dirección del flujo
El D8, Dinf, MFD y DEMON predijeron las ubicaciones de los canales de transmisión de manera diferente. La principal diferencia en la determinación del canal de la corriente fue la interpretación de laderas. Las diferencias entre D8 y DEMON disminuyeron a medida que aumentaba la resolución. De la inspección visual de la Figura 8, se mostró una relación 1: 1 entre D8 y DEMON a la resolución de 2 m usando correlación de regresión, cuando un arroyo se define como una cuenca de 5 ha (13.2 (ln ft 2)). Los modelos no comienzan a correlacionarse hasta 30.4 ha (15.0 (ln ft 2)) a la resolución USGS de 10 m de la Figura 9. A medida que aumenta la resolución, la extensión de los puntos en esas figuras se vuelve más confinada a la esquina inferior izquierda indicando la correlación entre los modelos de dirección de flujo D8 y DEMON. La Tabla 5 resume la relación entre los algoritmos D8 y DEMON en varias resoluciones. No se puede determinar ninguna correlación con ninguna combinación de los otros modelos de dirección de flujo con respecto al aumento de la resolución (Apéndice G). El APÉNDICE G proporciona las parcelas del área de captación en todas las resoluciones con los modelos de dirección de flujo utilizados.

Tabla 8. Diagrama de celda de toda el área de captación para un DEM LiDAR de 2 m en el sitio de estudio (valores logarítmicos naturales). D8 y DEMON se correlacionan muy por encima de un umbral de aproximadamente 5 ha, como se muestra con la marca roja. Por debajo de la marca de 5 ha, las diferencias se muestran mediante la dispersión.

Tabla 9. Gráfica de celda de toda el área de captación para el USGS de 10 m en el sitio de estudio (valores logarítmicos naturales). D8 y DEMON se correlacionan, aunque no hasta que se accede a un área de captación de aproximadamente 30 ha, como se muestra con la marca roja. Por debajo de la marca de 30 ha, la dispersión muestra las diferencias.

Tabla 5. Relación entre los algoritmos D8 y DEMON en varias resoluciones. A medida que disminuye la resolución, la correlación entre D8 y DEMON disminuye. Los valores del tamaño de la cuenca se determinan mediante la inspección visual de la parcela de las cifras del área de captación.

Usando conjuntos de datos LiDAR, D8 determina redes de transmisión y DEMON. Endreny y Wood (2003) otorgaron a 2D-Lea (un componente básico en DEMON) la clasificación más alta en precisión en comparación con cualquier modelo de corriente que se utilizó en su estudio. Los datos sugirieron que una mayor resolución de DEM disminuyó la necesidad de modelos sofisticados, reduciendo los tiempos de procesamiento requeridos por modelos complejos para DEM & # 8217 de alta resolución. Dado que D8 es el modelo más utilizado y el más sencillo de implementar, el tiempo de cálculo en las redes informáticas de transmisión se reduce en comparación con DEMON.

Al comparar un DEM de 10 m derivado de LiDAR con un DEM de 10 m del USGS, los canales de arroyos D8 con un tamaño de captación de aproximadamente 12 ha y algo mayor convergen entre los dos DEM & # 8217 (Figura 10). Cuando las cuencas de captación tienen menos de 12 ha, no existe convergencia. Dado que un DEM de 10 m del USGS contenía errores topográficos con respecto a la ubicación del canal del arroyo, los arroyos del LiDAR y el USGS se clasificaron como idénticos si estaban separados por menos de 90 m para disminuir el error entre los dos conjuntos de datos. Esto provocó que las diferencias se redujeran significativamente entre las dos redes de transmisión (Appeddix H). Estas diferencias se producen en las secuencias de Strahler de orden 1, 2 y 3. El área en el medio inferior de la Figura 10 corresponde con áreas en las que el USGS de 10 m está debajo de los canales de flujo previstos en comparación con el área del lado izquierdo de la figura que corresponde a las áreas de predicción inferior del LiDAR de 10 m.

Tabla 10. El algoritmo de flujo D8 aplicado al DEM de 10 m generado por USGS y LiDAR. Ilustra que los canales de los arroyos con un tamaño de captación de aproximadamente 12 ha y algo mayor convergen entre los dos DEM & # 8217 con respecto al D8. Cuando las cuencas hidrográficas tienen menos de 12 ha, la dispersión muestra las diferencias en la ubicación del canal del arroyo.

3.2 Efectos de la resolución en la dirección del flujo
A medida que aumentó la resolución DEM, también aumentó la sensibilidad del modelo D8. A la resolución de 2 m, una carretera que cruza un arroyo se ve como una presa, por lo que encamina el arroyo hacia la carretera (Figura 11). La influencia de la carretera altera la ubicación y extensión del arroyo. Para corregir este problema, se utilizaron ubicaciones de alcantarillas conocidas, alcantarillas de arroyos o zanjas en el sitio de estudio para hacer que el arroyo continuara por debajo de la carretera. El LiDAR DEM se redujo en elevación en las ubicaciones de las alcantarillas para hacer que los canales de los arroyos fluyeran hacia las alcantarillas y se alejaran de la carretera. Los datos de alcantarillas hacen que los arroyos fluyan hacia el canal principal minimizando así los efectos de la carretera (Figura 12) (Schiess y Tyrall, 2003).

Disminuir la resolución LiDAR-DEM a 6 m eliminó el efecto de la carretera y colocó los arroyos en una ubicación más realista que la de 2 m sin corregir. Con una resolución de 6 m, los modelos de arroyos no pudieron identificar las carreteras o las zanjas asociadas con las carreteras. A medida que disminuyó la resolución de LiDAR-DEM, la influencia de la carretera disminuyó. Los canales de transmisión, en su mayor parte, siguieron la red de transmisión de 2 m corregida (Figura 13). La ventaja del LiDAR-DEM de 6 m fue que proporcionó una red de arroyos significativamente mejorada en comparación con el DEM USGS de 10 m y eliminó la necesidad de datos de alcantarillas.

Figura 11. Corrientes generadas a partir del LiDAR-DEM de 2 m, en rojo, sin usar corrección de alcantarilla. Las alcantarillas de los arroyos están rodeadas por un círculo, las alcantarillas de las zanjas son triángulos. A la resolución de 2 m, los modelos definieron algunas carreteras como canales de arroyos que evitan las alcantarillas de los arroyos (flechas).
Figura 12. Corrientes generadas a partir del LiDAR-DEM de 2 m usando ubicaciones de alcantarillas. Las alcantarillas de los arroyos están rodeadas por un círculo, las alcantarillas de las zanjas son triángulos. Los datos de la alcantarilla hacen que los arroyos fluyan cuesta abajo de la alcantarilla, lo que permite que el arroyo viaje al canal principal con mayor precisión.
Figura 13. Con una resolución de 6 m, los modelos de arroyos no enrutaron arroyos a lo largo de caminos y zanjas. La eliminación del efecto de carretera colocó los arroyos en una ubicación razonable.

3.3 Evaluación de la capa hidráulica actual
De los arroyos que el WA DNR identificó como Tipo 9 (sección 1.3), se observó que el 72% no contenía agua. La mitad de ellos ni siquiera contenían un canal de transmisión identificable. La otra mitad podría considerarse estacional aunque no haya erosión hídrica. El 28% restante que contenía agua también contenía un punto de iniciación perenne.

Muy pocos de los arroyos tipificados como 5 estaban secos y la mayoría eran perennes. La Figura 14 ilustra los arroyos perennes verificados en el campo identificados usando LiDAR DEM de 6 m versus lo que el DNR considera perenne. No se visitaron todos los arroyos debido a la inaccesibilidad del cabezal del arroyo. Hay un aumento del 530% en la longitud de los arroyos perennes que van desde los vapores perennes de la capa hidráulica DNR hasta los arroyos perennes verificados en el campo (Tabla 6). Si se colocara una zona de amortiguamiento uniforme de 30 metros, una estimación estándar de la regulación DNR, alrededor de los canales de los arroyos, habría un aumento del 350% en el área de la zona de amortiguación.

Figura 14. Arroyos perennes verificados en campo usando LiDAR en verde versus lo que el DNR considera perenne en azul.

Tabla 6. Diferencias en la longitud de la corriente perenne entre la capa hidráulica DNR y la red de corrientes LiDAR derivadas de LiDAR DEM de 6 m.
* Tampón uniforme de 30 m para ambos conjuntos de datos para flujo perenne


3.4 Determinación de corrientes perennes
Dada la geología y la topografía del suelo del Bosque Estatal de Tahoma, el flujo perenne comenzó cuando el agua subterránea emergió para formar una cabecera (Figura 15). Casi el 90% de las cabeceras de los arroyos ubicados en el campo se ajustan a esta descripción interpretada como un resorte (Figura 16).

Figura 15. Cabecera del arroyo definida por el paisaje. El flujo perenne comienza cuando el agua subterránea sale a la superficie para formar una cabecera.

Figura 16. Primavera identificada como un arroyo en el campo. Lo que el DNR considera perenne en azul.

En el campo, 61 arroyos se ubicaron dentro de la cuenca hidrográfica de Mineral Creek, North Fork. La Tabla 7 enumera la distribución en los cabezales de los arroyos y la Figura 17 muestra las ubicaciones de los cabezales. Utilizando el método descrito en la sección Modelo PIP, se seleccionaron 53 cabezas al azar dentro del sitio de estudio para ser utilizadas para crear un modelo para predecir los puntos de iniciación perennes (PIP).

Cuadro 7. Subcuencas utilizadas en la identificación de cabeceras perennes con el número de cabeceras visitadas en el campo.

Figura 17. Cabeceras de arroyos en verde dentro del sitio de estudio. Canal de flujo generado a partir del LiDAR-DEM de 6 m.

El modelo final de regresión lineal para PIP utilizó menos variables de las esperadas. El modelo final seleccionó el tamaño de la cuenca utilizando D8, porcentaje de pendiente y precipitación. El gradiente río abajo, la densidad del bosque, la elevación y la clase de sitio no se pudieron usar para crear la ecuación para determinar la probabilidad de ubicaciones de cabeceras de arroyos con base en un nivel de significancia de 0.05. La Tabla 8 resume los usos de las variables para la regresión. El estadístico de chi-cuadrado de Hosmer-Lemeshow para este modelo fue de 10,262 y el estadístico de probabilidad de registro -2 fue de 80,130. Las precisiones de autoclasificación para este modelo fueron 77,4% para flujo perenne y 88,7% para flujo no perenne. El APÉNDICE I proporciona más estadísticas sobre la regresión.


Ver el vídeo: Como Calcular el Desnivel de B-C Topografía