Ambientales-Hidrológicos-Geomática

Índices de Vegetación

2012-01-12T20:05:00.001-08:00

Índices de Vegetación de Imágenes de Satélite

Vegetation Index from Satellite Imagery

El análisis de la vegetación y la detección de los cambios en los patrones de vegetación son claves para la evaluación y el monitoreo de recursos naturales. Entonces no resulta sorpresivo que la detección y la evaluación cuantitativa de la vegetación verde es una de las aplicaciones principales de la percepción remota para el manejo de recursos ambientales y la toma de decisiones (Eastman 2003).

El empleo de los cocientes para discriminar masas de vegetales se deriva del peculiar comportamiento radiométrico de la vegetación. La signatura espectral característica de la vegetación sana muestra un claro comportamiento entre las bandas roja (0.6 a 0.7 µm) y el infrarrojo cercano (0.7 a 1.1 µm). Se produce un notable contraste espectral entre la banda R del espectro y la del IRC, lo que permite separar la vegetación sana de otras cubiertas (Chuvieco 2008).

Figura1: Contraste espectral de la vegetación sana entre las bandas R e IRC del espectro

Cuando la vegetación sufre algún tipo de estrés, su reflectividad será inferior en el IRC, aumentando paralelamente en el rojo (al tener menor absorción clorofílica), con lo que el contraste en ambas capas será mucho menor. Los índices mas empleados son el cociente simple entre las bandas (Ci), y el denominado índice de vegetación de diferencia normalizada (NDVI) propuesto originalmente por Rouse et al (1974).

Índices de vegetación

Cociente simple (Ci)

El cociente simple (Ci) representa la relación entre las reflectividades del infrarrojo cercano y del rojo, los cuales representan las reflectividades de la banda 4 y 3 respectivamente, para el TM y ETM+ de las imágenes Landsat.

Índice de vegetación de diferencia normalizada (NDVI)

El Índice de Diferencia de Vegetación Normalizado, también conocido como Normalized Difference Vegetation Index (NDVI) (Rouse et al., 1974) por sus siglas en inglés. Es un índice usado para medir la diferencia normalizada entre las reflectancias del rojo y del infrarrojo cercano, proporcionando una medida sobre la cantidad, calidad y desarrollo de la cobertura vegetal y vigorosidad en áreas extensas.

Guyot y Gu, citados por Chuvieco (2008) usando un modelo teórico concluyen que los valores del NDVI para imágenes Landsat y SPOT calculados a partir de los ND subestiman entre 0.05 y 0.20 el valor calculado con reflectividades, siendo este error mayor con valores de NDVI inferiores a 0.5 y para las imágenes SPOT. En consecuencia, proponen una corrección que haga equivalente el cálculo con ND o reflectividades para las imágenes Landsat:

Índice de vegetación transformado (TVI)

Dering y colaboradores citados por Eastman (2003), modifica el NDVI agregando una constante de 0.5 a todos sus valores y calculando la raíz cuadrada de los resultados. La constante 0.5 se introduce para evitar operar con valores negativos del NDVI. El cálculo de la raíz cuadrada se emplea para corregir los valores del NDVI que se aproximan a una distribución Poison e introducir una distribución normal. Con estos dos elementos, el TVI toma la siguiente forma:

Índice de vegetación transformado corregido (CTVI)

Propuesto por Perry y Lautenschlager citados por Eastman (2003), apunta a corregir el TVI. Resulta obvio que agregar una constante de 0.5 a todos los valores del NDVI no siempre elimina los valores negativos porque los valores del NDVI pueden tener el rango -1 a +1. Los valores menores que -0.5 dejan pequeños valores negativos luego de la operación de adición. Entonces, el CTVI se realiza para resolver esta situación al dividir (NDVI + 0,50) por su valor absoluto y multiplicar el resultado por la raíz cuadrada del valor absoluto. Esto suprime el NDVI negativo. La ecuación se escribe:

Índice de vegetación transformado de Thian (TTVI)

Thiam, citado por Eastman (2003) indica que la imagen resultante del CTVI puede ser muy “ruidosa” debido a una sobrestimación de la cualidad verde. Él sugiere ignorar el primer término de la ecuación CTVI para obtener mejores resultados. Esto se logra simplemente sacando la raíz cuadrada de los valores absolutos del NDVI en la expresión original del TVI para tener un nuevo índice de vegetación llamado Índice de Vegetación Transformado de Thiam (TTVI).

Índice de vegetación de cociente (RVI)

Fue sugerido por Richardson y Wiegand, citados por Eastman (2003) por tener gráficamente la misma fuerzas y debilidades que el TVI (ver arriba) mientras que resulta más simple a nivel computacional. El RVI es claramente el inverso del cociente simple estándar (RATIO) como se muestra en esta expresión:

Índice de vegetación cociente normalizado (NRVI)

Es una modificación del RVI por Baret y Guyot (1991) por el cual el resultado del RVI - 1 es normalizado sobre el RVI + 1.

Índice de vegetación ajustado al suelo (SAVI)

Entre los factores que modifican notablemente el comportamiento del NDVI figura la proporción de vegetación/suelo observada por el sensor. Los mismos valores de NDVI pueden corresponder a cubiertas vigorosas pero poco densas, o a cubiertas densas con poca vitalidad. Para incluir explícitamente el factor suelo, clave cuando se trabaja en zonas áridas, Huete y colaboradores propusieron incluir en la formula del NDVI un parámetro (L), que ajuste el índice a una reflectividad promedio de fondo (Huete, citado por Chuvieco 2008).

Índice de vegetación atmosféricamente resistente (ARVI)

Kaufman y Tanré, citados por Chuvieco (2008) proponen un ajuste del NDVI a las condiciones atmosféricas, teniendo en cuenta la diferente dispersión de los canales azul y rojo del espectro. De esta forma se define el ARVI de la siguiente manera:

Donde σ^*_IRCindica la reflectividad aparente en el infrarrojo cercano y un factor que considera la diferencia de reflectividad entre el azul y el rojo, y se define como:

Donde σ*_R e indica las reflectividades aparentes en el azul y rojo, respectivamente, y ϒ es un parámetro de calibración, que depende del tipo de atmósfera, aunque para la mayor parte de los casos es igual a 1.

Índice global de monitoreo ambiental (GEMI)

Pinty y Verstraete, citados por Chuvieco (2008) proponen un índice para reducir simultáneamente el efecto atmosférico y de cambios en el color del suelo.

Índice de vegetación mejorado (EVI)

Huete, citado por Chuvieco (2008) define el índice de vegetación mejorado como una alternativa más solida a los índices tradicionales, por ser más robusto frente a la aportación del suelo y de las influencias atmosféricas. El EVI se define como:

Donde L es la corrección al efecto del fondo del follaje y C₁ y C₂ son coeficientes para la corrección del efecto del aerosol en las bandas rojo y azul.

Índice de infrarrojo de diferencia normalizada (NDII)

Hunt y Rock, citados por Chuvieco (2008), proponen el NDII cuando se pretenda analizar el contenido de agua en la vegetación. Al aumentar el contenido de agua en el suelo o la vegetación, disminuye paralelamente la reflectividad en el SWIR.

Índice de área foliar (LAI)

Esta definido por la razón entre el área foliar de toda la vegetación por unidad de área utilizada por la vegetación. El LAI es un indicador de la biomasa de cada pixel de la imagen (SEBAL 2002).

Referencias:

1. Chuvieco Salinero, E. 2008. Teledetección Ambiental. 2 ed. Barcelona, ES, Ariel. 592 p.

2. Eastman, R. 2003. IDRISI Kilimanjaro-Guía para SIG y Procesamiento de Imágenes. Clark Labs. 312 p.

3. Guo, J; Mason, P. 2009. Essential Image Processing and GIS for Remote Sensing. Oxford, UK. Wiley-Blackwell.462 p.

4. Rouse, J; Haas, R; Schell, J; Deering, D; Harlan, J. (1974). Monitoring the vernal advancement and retrogradation (Greenwave effect) of natural vegetation. Greenbelt. Maryland, US. NASA/GSFC. 87 p.

5. SEBAL (Surface Energy Balance Algorithms for Land, US). 2002. Advanced Training and Users Manual. 97 p.

6. Schowengerdt, R. 2007. Remote Sensing-Models and Methods for Image Processing. 3 ed. California, US, Academic Press. 558 p.

7. Steven M. de Jong; Freek D. Van der Meer. 2004. Remote Sensing Image Analysis. California, US, Springer. 370 p.

Lotka-Volterra

2012-01-11T00:45:00.000-08:00

Modelo Presa- Depredador de Lotka-Volterra

Predator-Prey Model of Lotka Volterra

Por Eber Risco Sence

El estudio matemático de la dinámica de poblaciones data de Volterra, Lotka y Gause. Es razonable tratar el problema del modelo presa-depredador sobre las hipótesis de que el sistema, aunque muestre fluctuaciones, se mantiene en equilibrio durante cierto tiempo. Si no fuera así, el sistema ya hubiera degenerado en tiempos pasados, reduciéndose a una sola especie o a ninguna.

El modelo con ecuación diferencial más sencillo recibe el nombre de sus creadores: Lotka-Volterra. Es muy elemental, pero es un punto de partida muy útil. El modelo matemático planteado por Lotka-Volterra esta representado mediante las siguientes ecuaciones diferenciales (Pastor, 2008).

Donde:

: es la razón de cambio de la población de la presa con respecto al tiempo.

: es la razón de cambio de la población del depredador con respecto al tiempo.

r: tasa per cápita de la presa.

h: probabilidad de encuentro entre el depredador y la presa y este pueda matarlo.

β: conversión eficiente de biomasa de la presa hacia la biomasa del depredador

m: probabilidad aleatoria de muerte del depredador.

Para obtener los puntos de equilibrio igualamos las dos ecuaciones a cero. Así se tiene el nullcline para la presa (N₁).

Figura 1: Nullcline para la presa (FUENTE: Pastor, 2008)

El nullcline para el depredador (N₂) estaría representado de la siguiente manera:

Figura 2: Nullcline para el depredador (FUENTE: Pastor, 2008)

Además se tiene los puntos de equilibrios N₁=0 y N₂=0, por lo que se tiene:

Figura 3: Nullclines, equilibrios y su estabilidad, y el campo vectorial de la ecuación (FUENTE: Pastor, 2008)

Ejemplo: para r=1.1; h=0.05; β=0.2; m=0.4; población inicial de presas =60; población inicial de predadores=40, con 10 simulaciones (población final de presas=80 y de presas=55).

Figura 4: Modelo Lotka-Volterra para 10 simulaciones.

Figura 5: Poblaciones de las presas y depredadores con relación al tiempo.

Aplicación en MATLAB

Figura 6: Aplicación en MATLAB para dinámica poblacional.

Referencias:

1. Andrewartha, H. G.; Birch, L. C. 1954. The Distribution and Abundance of Animals. Chicago, US. University of Chicago Press.

2.Begon, M.; Harper, J. L.; Townsend, C. R. 1986. Ecology: Individuals, Populations and Communities. Oxford, UK. Blackwell.

3. Bocarra, Nino. 2010. Modeling Complex Systems. 2 ed. New York, US. Springer. 497 p.

4. Gillma, Michael. 2009. An Introduction to Mathematical Models in Ecology and Evolution Time and Space.2 ed. Oxford, UK.167 p.

5.Lopez, José; Blé, Gamaliel. Modelo Depredador-Presa. Revista de Ciencias Básicas. UJAT (7), 25-35 (2008).

6. Murray, J.D. 2002. Mathematical Biology: An Introduction. 3 ed. New York, US. Springer. 576 p.

7. Pastor, Hohn. 2008. Mathematical Ecology of Populations and Ecosystems. Oxford, UK. Blackwell. 344 p.

8. Ranta, Esa; Lundberg, Per; kaitala, Veijo. 2006. Ecology of Populations. New York, US. Cambridge University Press. 389 p.

9. Universidad de Jaén. 2009. Modelos Matemáticos en Biología. Andalucia, ES. 360 p.

Video de Aplicación MATLAB:

Lotka Volterra por eber23

Análisis Geomorfológico e Hidrológico de Modelos Digitales de Elevaciones con MATLAB

2011-12-07T20:36:00.000-08:00

Análisis Geomorfológico e Hidrológico de Modelos Digitales de Elevaciones con MATLAB

Geomorphological and Hydrological Analysis of Digital Elevation Models with MATLAB

Por Eber Risco Sence

El análisis físico del terreno a partir de los valores de elevación contenidos en las celdas del Modelo Digital del Terreno, quizás por la inherente buena disposición de los mismos para el estudio mediante procedimientos y algoritmos diversos, así como por el mayor nivel de detalle y precisión respecto a las representaciones clásicas, permite obtener resultados de mucha mayor amplitud, tanto en cantidad y calidad como en el propio significado de los mismos (Olaya 2004).

Caracterización Matemática

Evans (1972) menciona que el terreno puede ser expresado mediante una superficie cuadrática de la forma:

Al hacer que esta función se ajuste en la mayor medida posible a la superficie real del terreno tal y como ésta se encuentra recogida en el MDT con una menor o mayor precisión, resulta poco lógico, intuyéndose de antemano que la fidelidad para con el relieve real de tal función será poco menos que nula. No obstante, si en lugar de trabajar a nivel global con la totalidad de la malla lo hacemos a nivel local tomando el entorno inmediato de un punto, esta simplificación cobra mayor sentido y los parámetros que puedan calcularse a partir de la ecuación que se deduzca en dicha porción de la malla serán más representativos de las características reales del punto tomado (Olaya 2004).

De esa manera podemos determinar el nivel local a una malla de 9 celdas centrada alrededor de la celda denominada z₅.

A partir de lo anterior la definición de los parámetros que configuran la superficie cuadrática a la que se pretende aproximar el entorno local de z₅ de acuerdo con las siguiente expresiones, todas ellas en función de las 9 celdas consideradas en dicho entorno y de la distancia entre ellas, que coincide lógicamente con el tamaño de celda y que representamos de forma simbólica como delta de s.

De acuerdo a la formula polinómica, los coeficientes p, q, r, s ,t representan las siguientes derivadas parciales:

Figura 1: Modelo digital de elevaciones

Figura 2: Modelo digital de elevaciones mostrando curvas de nivel

Figura 3: Modelo digital de elevaciones en 3D

Parámetros geomorfológicos

Pendiente

Partiendo de la función matemática descrita anteriormente, y a la cual asimilábamos la forma del MDE en un entorno local de un punto dado, la pendiente puede calcularse a través de las primeras derivadas de dicha función (Olaya 2004).

Así la pendiente se define de la siguiente manera:

La pendiente deseada representa el ángulo entre dicho vector gradiente y la vertical, el cual, haciendo uso de conceptos básicos de cálculo de ángulos entre vectores, se obtiene según la expresión

Figura 4: Modelo digital de pendientes

Orientación

La orientación en un punto puede definirse como el ángulo existente entre el vector que señala el norte y la proyección sobre el plano horizontal del vector gradiente (Felicísimo 1994).

La forma habitual de utilizar este parámetro es expresado en grados sexagesimales, de acuerdo a la siguiente expresión (Olaya 2004).

Figura 5: Modelo digital de orientaciones

Sombreado

El sombreado en una superficie se obtiene de una iluminación hipotética, mediante la determinación de los valores de iluminación para cada celda. Esto se logra mediante el establecimiento de una fuente de luz hipotética y el cálculo de los valores de iluminación de cada celda en relación a las celdas vecinas (ESRI 2008).

Figura 6: Modelo digital de sombreado

Rugosidad

Upton y Fingleton, citados por Felicísimo (1994) mencionan que las coordenadas rectangulares de un vector unitario perpendicular a la superficie en un punto i vienen dadas por las expresiones:

El módulo del vector suma de un conjunto de vectores es un indicador de agrupación y, por tanto, inversamente proporcional a la rugosidad. El módulo del vector suma se calcula, para un conjunto de n datos vecinos al punto problema (los 8 más próximos, por ejemplo) mediante la expresión:

Band, citado por Felicísimo (1994) menciona que resulta conveniente estandarizar el valor de R dividiéndolo por el tamaño muestral obteniendo así el módulo medio. El resultado puede variar entre los valores extremos de 0 (dispersión máxima) y 1 (alineamiento completo). El módulo medio es complementario del parámetro estadístico denominado varianza esférica.

Figura 7: Modelo digital de rugosidad

Índice Elevación-Relieve

Olaya (2010) en la ayuda del programa SEXTANTE para gvSIG describe este índice según la siguiente expresión:

Siendo Zm, Zmin, Zmax los valores medio, mínimo y máximo de elevación en la ventana de análisis 3x3 alrededor de cada celda.

Figura 8: Índice de elevación-relieve

Índice Varianza Pendiente

Felicísimo (1994) describe este índice como el análisis mediante una ventana móvil sobre el modelo digital de pendientes. El cálculo de la varianza se realiza sobre los valores incluidos en ella y el resultado puede utilizarse como estimación de la rugosidad.

Figura 9: Índice de varianza pendiente

Parámetros geomorfológicos (Concavidad/Convexidad)

Curvatura

Felicísimo (1994) describe la curvatura en un punto, h, puede definirse como la tasa de cambio en la pendiente y depende, por tanto, de las derivadas de segundo grado de la altitud (es decir, de los cambios de pendiente en el entorno del punto).

Figura 10: Curvatura

Figura 11: Fuente: Hengl y Reuter (2008)

Curvatura vertical

Krcho y Young, citados por Hengl y Reuter (2008) definen la curvatura vertical de acuerdo a la siguiente expresión:

Figura 12: Curvatura vertical

Curvatura tangencial (horizontal)

Krcho y Hofierka, citados por Hengl y Reuter (2008) definen la curvatura tangencial de acuerdo a la siguiente expresión:

Figura 13: Curvatura tangencial

Curvatura planta

Esta curvatura es perpendicular a la dirección de la máxima pendiente. Evans, citado por Hengl y Reuter (2008) definen esta curvatura con la siguiente expresión:

Figura 14: Plan curvature

Curvatura inesférica (Unsphericity curvature)

Shary, citado por Hengl y Reuter (2008) introduce un sistema de 12 curvaturas, donde las tres curvaturas básicas son: mean, unsphericity y difference curvaturas, son usadas para derivar las restantes nueve curvaturas. La Unsphericity curvatura (UNSPHC) puede definirse como:

Estos parámetros describen como la superficie difiere de una esfera y consecuentemente tiene valores de cero solo si la superficie es una esfera.

Figura 15: Unsphericity curvature

Curvatura diferencial (Difference curvature)

Es la segunda curva independiente de las doce curvas, se define como la mitad de la diferencia entre la curvatura vertical y horizontal (Shary, citado por Hengl y Reuter 2008).

DIFFC indica cuál de las dos curvas es formalmente la más fuerte.

Figura 16: Difference curvature

Las tres curvas independientes (MEANC, DIFFC y UNSPHC), las restantes curvas pueden ser derivadas: la curvatura mínima y máxima (MINC, MAXC), curvatura horizontal y vertical (HEXC, VEXC), la curvatura Gaussiana total (TOTGC), curvatura acumulación total (TOTAC) y curvatura anillo total (TOTRC) (Shary, citado por Hengl y Reuter 2008).

Curvatura Gaussiana total (Total Gaussian curvature)

Puede determinarse usando la siguiente expresión (Gauss, citado por Hengl y Reuter 2008).

Figura 17: Total Gaussian curvature

Curvatura ROTOR (ROTOR curvature)

Florinsky, citado por Hengl y Reuter (2008) usa también ROTOR (una curvatura de las líneas de flujo que son perpendiculares a los contornos).

ROTOR es una medida de la torsión de las líneas de flujo. Las líneas de flujo giran hacia la derecha (sentido de las agujas del reloj) cuando ROTOR>0, mientras las líneas de flujo giran en sentido anti-horario cuando ROTOR<0.

Figura 18: ROTOR curvature

Parámetros hidrológicos

Acumulación de flujo

Hengl y Reuter (2008) describen el principio de la acumulación de flujo: cuando la proporción d de drenaje de una celda a sus vecinos (debe sumar 1) son conocidos, también la proporción de recepción r que drena hacia una celda. Las proporciones de recepción determinan que fracción de cada vecino son recibidas. La cantidad de masa (o volumen, área u otra propiedad) A que se acumula en la celda i está dada por la suma de A en cada celda vecina multiplicada por la respectiva fracción de recepción r más la masa u otra cualidad ingresante I en la celda misma.

Figura 19: Flujo acumulado (Matriz simple)

Figura 20: Flujo acumulado (Matriz múltiple)

Cuencas hidrográficas

La dirección de flujo es el elemento clave para la delimitación de las cuencas hidrográficas, es con el cual se da forma con toda precisión a las cuencas vertientes.

El conocimiento de esta dirección de flujo de cada celda nos permitirá deducir para cada una de ellas, y siguiendo el recorrido desde las mismas hacia aguas abajo, si pertenecen o no a la cuenca que pretendemos definir (Olaya 2004).

Figura 21: Cuencas hidrográficas

Índice de humedad

El indice de humedad para cada celda está representado mediante la siguiente expresión (Trauth 2010)

Figura 22: Índice de humedad

Índice de potencia de cauce

El índice de potencia de cauce es frecuentemente usado en geomorfología, ciencias del suelo y disciplinas relacionadas. Como una media de potencia de cauce es un indicador del potencial transporte de sedimentos y de erosión del agua. Se define mediante la siguiente expresión ((Trauth 2010)

Figura 23: Índice de potencia de cauce

Parámetros geomorfológicos (Factores de pendiente)

Factor de profundidad S

Kinnell (s.f.) menciona que el factor de profundidad de pendiente puede ser estimado mediante la siguiente formula:

Donde β es el ángulo de la pendiente.

Nearing, citado por Sanchez (s.f.) propone la siguiente fórmula para determinar el factor de la profundidad de la pendiente.

Donde θ es el ángulo de la pendiente.

Figura 24: Factor profundidad de pendiente

Figura 25: Factor profundidad de pendiente (Nearing)

Factor Longitud L

Kinnell (s.f.) menciona que el factor de longitud de pendiente puede ser estimado mediante la siguiente formula:

Donde Ai,j-in es el área contribuyente de escorrentía para la celda i,j y D es el tamaño de celda, x es un factor que determina las variaciones en el ancho del flujo producto de la orientación de la celda con respecto a las curvas de nivel, m es el exponente de la longitud de la pendiente, definido por: m=0.1342*Ln(θ)+0.192

Figura 26: Factor longitud de pendiente

Factor longitud y profundidad de Pendiente LS
Se representa mediante el producto de los dos factores anteriores.

Figura 27: Factor profundidad- longitud de pendiente

Parámetros hidro-geomorfológicos (Transporte de sedimentos)

Capacidad de transporte de sedimentos

Es un índice utilizado para estimar el potencial topográfico para la erosión o deposición por medio de una expresión que representa el cambio en la capacidad de transporte de sedimentos en la dirección del flujo (Martínez 1999).

Donde

LS=índice de capacidad de transporte de sedimentos.

AS=área de drenaje específica.

β = ángulo de la pendiente.

Figura 28: Capacidad de transporte de sedimentos

Referencias:

1. Chavez, Richard. Sf. Modelo de Riesgo de Erosión de Suelo en cuatro micro-cuencas de la Cordillera los Maribios, Nicaragua.

2. ESRI (Environmental Systems Research Institute, US). 2008. Manual de Ayuda de ArcGIS.

3. Evans, I. S., General geomorphometry, derivatives of altitude, and descriptive statistics. En Chorley, R. J. 1972. (ed.) Spatial Analysis in Geomorphology, Methuen, London. pp.17-90.

4. Felicísimo, Ángel. 1994. Modelos Digitales del Terreno: Introducción y aplicaciones en las ciencias ambientales. Pentalfa. 122 p.

5. Hengl, T., Reuter, H.I. (eds) 2008. Geomorphometry: Concepts, Software, Applications. Developments in Soil Science, vol. 33, Elsevier, 772 p.

6. Kinnell, P. sf. The miscalculation of the USLE topographic factors in GIS. University of Camberra, Australia.

7. Martínez-Casasnovas, J.A., 1999. Modelos digitales de terreno: Estructuras de datos y aplicaciones en el análisis de formas del terreno y en Edafología. QUADERNS DMACS Núm. 25, Departament de Medi Ambient i Ciències del Sòl, Universitat de Lleida, Lleida.

8. Olaya Ferrero, V.2004. Hidrología Computacional y Modelos Digitales del Terreno. Madrid, ES, Víctor Olaya.365 p.

9. Olaya Ferrero. 2010. Manual de Ayuda de SEXTANTE para gvSIG.

Video Aplicación en MATLAB:

Análisis Geomorfológico e Hidrológico de un DEM por eber23

DEM

2011-12-04T02:06:00.000-08:00

Análisis de Modelos Digitales de Elevaciones con MATLAB

Analysis of Digital Elevation Models with MATLAB

Por Eber Risco Sence

Los modelos digitales de elevaciones (DEM) por sus siglas en inglés, y sus derivados como la pendiente y exposición pueden indicar proceso de la superficies tales como el flujo de agua superficial, la irradiación solar o la erosión. La pendiente o gradiente es una media de la inclinación, la cual se mide en porcentajes o grados (Trauth, 2010).

El aspecto (orientación o exposición) en un punto puede definirse como el ángulo existente entre el vector que señala el Norte y la proyección sobre el plano horizontal del vector normal a la superficie en ese punto.

Para el cálculo de la pendiente y orientaciones, se necesita dos diferencias finitas de los elementos de z del DEM, en las direcciones x e y.

Donde h es el tamaño de celda, la cual tiene las mismas unidades de la elevación.

Usando diferencias finitas la pendiente se define:

Otros atributos primarios como las orientaciones, la curvatura tangencial, entre otros también pueden derivarse de manera similar mediante diferencias finitas, en MATLAB para el tratamiento de un modelo digital se utiliza la Mapping Toolbox, esta herramienta incluye la función watershed para detectar las áreas de drenaje, entre otras muchas funciones.

Para calcular atributos secundarios de un DEM, estos se obtienen a partir de los primarios, así por ejemplo el índice de humedad se define como:

Donde flowac es la acumulación de flujo, el cual se define como el número de celdas o área que contribuyen escorrentía a una determinada celda en particular; slp es la pendiente en grados.

El índice de potencia de cauce se define:

Donde flowac y slp son las mismas variables que en el índice de humedad.

Aplicación en MATLAB

Modelo digital de elevaciones

Pendiente

Aspecto u Orientaciones

Componente este del gradiente

Componente norte del gradiente

Cuencas hidrográficas

Acumulación de flujo

Índice de humedad

Índice erosivo de flujo

Resumen

Video:

Análisis de DEM por eber23

Test de Mantel

2011-11-20T16:07:00.000-08:00

Test de Mantel con R
Mantel Test with R

El test de Mantel estima el grado de correlación existente entre dos matrices, X e Y. La hipótesis nula de esta técnica postula que las distancias/ similitudes entre las variables de la matriz respuesta Y no están linealmente correlacionadas con las correspondientes distancias/similitudes en la matriz modelo X. Se trata, por tanto, de evaluar si la asociación (positiva o negativa) es más robusta de lo que cabría esperar por puro azar.

El estadístico del test de Mantel (Z_M) se calcula mediante la suma de los productos cruzados de los valores de las dos matrices de similitud/distancia, excluyendo la diagonal principal que sólo contiene valores triviales (0 en el caso de las matrices de distancias y 1 en el caso de las matrices de similitudes):

Z_M=X_ij.Y_ij

Donde X_ij Y_ij son los elementos de las matrices X e Y, respectivamente. Para contrastar la hipótesis nula con este estadístico se utiliza un test de permutaciones, en el que los elementos de una matriz se reordenan al azar. Se permutan los elementos de una de las matrices al azar y se calcula cada vez el valor de Z. Así, de la distribución de valores Z obtenidos al azar podemos evaluar cuál es la probabilidad de obtener el valor Z observado.

El estadístico Z se expresa en unidades arbitrarias y sus implicaciones son difíciles de entender, por lo que suele utilizarse el coeficiente estandarizado de Mantel. Para ello se calcula el producto cruzado de las dos matrices y se divide por [(n(n-1)/2)-1], donde n son los objetos comparados (generalmente las unidades de muestreo). El valor así obtenido tiene un rango comprendido entre -1 y +1. Este estadístico se denomina r_M y se puede interpretar con alguna salvedad como un coeficiente de correlación. Su significación se evalúa también mediante permutaciones. El test de permutaciones da la misma probabilidad para el estadístico Z_M y para r_M, ya que las transformaciones lineares como la utilizada para estandarizar Z afectan en la misma medida a los resultados del producto cruzado.

Código en R

a=read.table("D:/R/datos.csv",header=T, sep=",")

plot(a$ESTE,a$NORTE,main="Distribución espacial de muestras",

ylab="Norte",xlab="Este",pch = 13,cex.lab=1,cex.axis=0.7,

cex.main=1.1)

a.dists = dist(cbind(a$ESTE, a$NORTE))

NDVI.dists=dist(a$NDVI)

tmantel=mantel(a.dists ~ NDVI.dists, nperm=10000)

tmantel

mmantel=mantel.rtest(a.dists, NDVI.dists, nrepet = 9999)

mmantel

par(mfrow = c(2, 1))

plot(r1 <- mantel.rtest(a.dists,NDVI.dists), main = "Mantel's test",

cex.lab=0.8,cex.axis=0.6,cex.main=0.8)

z.mgram = mgram(NDVI.dists, a.dists, nperm=0)

plot(z.mgram,main="Mantel Correlogram",cex.lab=0.8,cex.axis=0.6,

cex.main=0.8)

Distribución espacial de los puntos de muestreo

Resultados en R

Gráfico del test de Mantel y Correlograma de Mantel

Referencia

Maestre, Fernando; Escudero, Adrián; Bonet, Andreu. 2008. Introducción al Análisis Espacial de Datos en Ecología y Ciencias Ambientales: Métodos y Aplicaciones. Madrid, ES, DYKINSON, S.L.850 p.
Fortin, Marie-Josée; Dale, Mark. 2005. Spatial Analysis: A guide for Ecologist. New York, US, CAMBRIDGE. 381 p.

Modelo Autorregresivo-AR(1)

2011-11-20T01:29:00.000-08:00

Modelo Autorregresivo AR(1) y PAR(1)
Autoregressive Model AR(1) and PAR(1)
Por Eber Risco Sence

Una serie de tiempo se define como:

Se llama un modelo autorregresivo de orden p en la que ε_t es el ruido o termino de error con media cero y varianza σ_ε²; que no está correlacionado con y_t-1,……,y_t-p. Como ε_t esta normalmente distribuido, entonces y_t es normal. Los parámetros del modelo son µ, Φ₁, …Φ_p, y σ_ε². El modelo se denota como modelo AR(p) o simplemente modelo AR. El modelo AR(1) es de la siguiente forma:

El modelo AR(1) ha sido ampliamente para la modelización de series hidrológicas anuales, mensuales y diarias después de su estandarización.

La media, varianza y la función de autocorrelación de AR(p) son:

La última expresión es conocida como la ecuación de Yule-Walker. Las tres ecuaciones precedentes son muy usadas para determinar las propiedades del modelo, dan los parámetros del modelo, y para estimar los parámetros del modelo se debe tener un conjunto de observaciones y₁,……..,y_N. Para el modelo AR(1) las dos últimas ecuaciones están dadas por:

Simulación para el río Huancané (Puno, Perú)

Serie anual - Modelo AR(1)

Simulación para serie anual en la parte superior derecha una serie simulada, en la parte inferior derecha con diez series simuladas

Series mensuales-Modelo PAR(1)

Simulación para series mensuales con cincuenta series simuladas

Construcción de la serie histórica en la parte superior derecha en base a los promedios de las series simuladas y en la parte inferior derecha todas las series simuladas

Aplicación en MATLAB

Transformación Tasseled Cap

2011-11-18T12:24:00.000-08:00

Transformación Tasseled Cap de Imagen LANDSAT TM5 del valle de Cañete, Perú

Por Eber Risco Sence

La transformación Tasseled Cap fue derivado por Kauth y Thomas (1976) usando 4 bandas de imágenes Landsat MSS. Los ejes de esta característica espacial de cuatro dimensiones se transforman en nuevas coordenadas de cuatro dimensiones definidas por el brillo (brightness), verdor (greenness), marchitez (yellowness) y un cuarto sin significado aparente (nonsuch) (Chuvieco 2008). La transformación implica la rotación de los ejes de forma espacial y traslación del origen del sistema de coordenadas.

El primer eje transformado es el brillo, está basado en los valores de reflectancia en el suelo. Los ejes segundo y tercero se basan en los pixeles de vegetación verde y senescente respectivamente. El cuarto eje está relacionado con las condiciones atmosféricas.

(Crist y Cicone, 1984; Huang et al., 2002) modifican la transformación Tasseled Cap en tres nuevas bandas llamadas brillo, verdor y humedad basados en las bandas de las imágenes Landsat TM.

Las ventajas de la transformación Tasseld Cap son:

La dimensión de la característica espacial se reduce, por lo que el problema de clasificación es menos complejo.
Los ejes de la característica espacial representan conceptos específicos (brillo, verdor, y la humedad).

Las principales desventajas de la transformación son:

Los ejes de la transformación Tasseled Cap pueden no estar bien definido para un problema particular si los coeficientes no son calculados adecuadamente (Jackson, 1983).
No existe la garantía de que información importante no se ha omitido por la transformación de las seis bandas de datos Landsat TM hacia tres bandas.
El método ha sido ampliamente utilizado sólo para los datos de Landsat TM y MSS.

Los coeficientes usados para la transformación Tasseled Cap se muestran en la siguiente tabla

Fuente: Pesos para la transformación Tasseled Cap datos Landsat 5TM acorde a Crist y Cicone, 1984

La transformación Tasseled Cap de datos Landsat TM se puede realizar utilizando las siguientes fórmulas:

Brillo=0.3037TM1+0.2793TM2+0.4343TM3+0.5585TM4+0.5082TM5+0.1863TM7

Verdor=-0.2848TM1-0.27848TM2-0.5436TM3+0.7243TM4+0.0840TM5-0.1800TM7

Humedad=0.1509TM1+0.1793TM2+0.3299TM3+0.3406TM4-0.7112TM5-0.4572TM7

Aplicación en MATLAB

Resultados en el valle Cañete

Imagen Landsat (7-4-2)

Brillo

Verdor

Humedad

Plano de la vegetación

Plano de los suelos

Plano de transición

Referencias:

Brandt Tso; Paul M. Mathher. 2009. Classification Methods for Remotely Sensed Data. 2ed. New York, US. CRC Press. 367 p.
Crist, E. P.; R. C. Cicone. 1984. A physically-based transformation of Thematic Mapper data—The TM Tasselled Cap. IEEE Transactions on Geoscience and Remote Sensing 22:256–263.
Chuvieco, E. 2008. Teledetección Ambiental. 2 ed. Barcelona, ES. Ariel. 592 p.
Huang, C., B. Wylie, L. Yang, C. Homer, and G. Zylstra. 2002. Derivation of a tasselled cap transformation based on Landsat 7 at-satellite reflectance. International Journal of Remote Sensing 23:1741–1748.
Kauth, R. J.; G. Thomas. 1976. The tasselled cap—a graphic description of the spectraltemporal development of agricultural crops as seen by Landsat. In Proceedings of the Symposium on Machine Processing of Remotely-Sensed Data 1976, 4 B-41–4 B-51. West Lafayette, IN: Purdue University.
Jackson, R. D. 1983. Spectral indices in n-space. Remote Sensing of Environment 13:409–421.

Video Aplicación en MATLAB:

Tasseled Cap por eber23

Modelo Thomas y Fiering

2011-10-19T01:42:00.000-07:00

Modelo Hidrológico para la generación de caudales sintéticos (Thomas y Fiering- 1962)

Por Eber Risco Sence

El modelo de Thomas y Fiering contempla además de la media y la varianza, el coeficiente de correlación pues estos autores consideraron que los registros históricos indicaban la importancia de preservar este estadístico (consecuencia del fenómeno de persistencia observable en los procesos hidrológicos). Su forma es la siguiente:

Donde φ es ruido aleatorio normal.

La técnica de los valores esperados (empleada para definir los parámetros del modelo) dice que los estadísticos μx, σx y ρ son preservados como valores esperados. O sea que los estadísticos de una serie sintética como las ya definidas tienden a los correspondientes μx, σx y ρ cuando el número de términos de la serie tienda a infinito. Por eso se dice que las series sintéticas son estadísticamente indistinguibles de la serie histórica en términos de la media, la varianza y el coeficiente de correlación. Igualmente, se espera que las series sintéticas proporcionen alguna idea sobre las variaciones muéstrales del proceso, lo que equivale a decir que se espera que las series sintéticas guarden algún grado de coincidencia con las series reales que podrán ocurrir en el futuro (Moreno et al, 2009).

Simulación para el río Coata (Puno, Perú)

Una serie sintética

N series sintéticas

Aplicación desarrollada en MATLAB

Video de aplicación en MATLAB

ThomasFiering por eber23

Radiación Neta

2011-10-18T23:12:00.000-07:00

Radiación Neta en el valle Cañete a partir de una Imagen de Satélite LANDSAT 5 TM basado en el modelo SEBAL (Surface Energy Balance Algorithms for Land)

Por Eber Risco Sence

Modelo SEBAL

Es un modelo que permite calcular la ET de áreas grandes con cualquier tipo de cobertura (vegetación, agua o descubiertas) a partir de imágenes digitales colectadas mediante sensores remotos de satélite que mide la radiación visible, termal e infrarrojo cercano.

Figura 1: Balance de Energía para calcular la ETP (Fuente: SEBAL, 2002).

Radiación Neta

SEBAL calcula la radiación neta como un balance de radiación entre la radiación neta de onda corta y la radiación neta de onda larga en la superficie y se puede apreciar en la Figura 2, donde la radiación neta es el saldo de las ganancias menos las perdidas, Usualmente Rn es positivo durante el día y negativo durante la noche. Una parte de esta energía neta es usada para la evaporación del agua del suelo, otra parte es usada para calentar el aire y el resto es almacenado en el suelo o en el cuerpo de agua (SEBAL, 2002).

Figura 2: Radiación neta de superficie (Fuente: SEBAL, 2002).

Figura 3: Flujograma de las etapas de procesamiento del balance de radiación en la superficie terrestre.

(Fuente: SEBAL, 2002)

Resultados en el valle Cañete

Imagen LANDSAT 5 (Bandas 7-4-2) - 15 de Abril del 2008

Albedo Planetario

Albedo de Superficie

NDVI

SAVI

IAF

Emisividad de dominio espectral de la banda termal

Emisividad del dominio de la banda larga

Temperatura de Superficie

Radiación de onda larga emitida

Radiación de onda larga incidente

Radiación Neta (w/m2)

Aplicación desarrollada en MATLAB

Video de la Aplicación:

RadiacionNeta por eber23

Análisis de Tendencia en series de datos con MATLAB

2011-07-12T22:58:00.001-07:00

Análisis de Tendencia de la Precipitación Mensual en la Cuenca Alta del río Santa, Región Ancash, Perú

Por Eber Risco Sence

RESUMEN

En el presente estudio se analizan los datos pluviométricos de 29 estaciones ubicados dentro o en la cercanía de la cuenca alta del río Santa. Los datos son provenientes del SENAMHI y de empresas privadas dedicadas a la actividad minera dentro de la cuenca. Se hace inicialmente un análisis exploratorio de los datos, un análisis de homogeneidad de los datos, posteriormente un análisis de consistencia y completación de datos faltantes o que han sido descartados, dentro de los procesos anteriores. Se hace un análisis de cambio en la media utilizando la prueba CUSUM para la identificación de cambios en la media con un nivel de significancia de 5%. Se utilizaron dos pruebas para la detección de tendencia, los cuales fueron el de Mann-Kendall y de Spearman’s-Rho, por ser los más recurrentes dentro de la literatura, se representa de manera espacial los valores obtenidos por dichas pruebas, finalmente se estima la tasa de cambio de la precipitación para un periodo decadal, la cual es representada de manera distribuida en toda la cuenca analizada. Se encuentra que la zona de la margen derecha de la cuenca presenta tendencia positiva considerable en el mes de septiembre, en las cercanías a la zona de nevados existentes en la cuenca, además de presentar tendencia en el mes de diciembre pero no se aprecia una marcada distribución de las estaciones, sin embargo, el componente de tendencia no es significativo para la mayoría de las estaciones analizadas.

Palabras claves: precipitación mensual, tendencia, Mann-Kendall, Spearman’s-Rho, series de datos.

ÁREA DE ESTUDIO

La cuenca alta del río Santa se ubica políticamente entre las provincias de Recuay, Huaraz, Carhuaz, Yungay y Huaylas, en la región de Ancash. Geográficamente entre los meridianos 77° 5’ 15’’ y 78°0’42’’; y los paralelos 8°48’38’’ y 10°13’25’’, la cuenca alta del río Santa tiene un área de 4923.74 km² y presenta una altitud media de 4059.92 msnm. Las precipitaciones se concentran en los meses de diciembre a marzo, donde se presentan las mayores precipitaciones en la cuenca, entre los meses de junio hasta agosto se aprecia una época de estiaje en la cual existe una exigua o nula precipitación.

RESULTADOS

De acuerdo a la prueba de Mann-Kendall, se aprecian tendencia en tres estaciones en los meses de abril, mayo, septiembre y cuatro estaciones en el mes de diciembre, de acuerdo a la distribución espacial, se puede apreciar que en los meses de abril, mayo y septiembre donde se presentan tendencias, las estaciones se encuentran ubicadas en la margen derecha del río santa, en la cuenca alta y en la cercanía a los nevados.

Figura 1: Distribución espacial de los valores z (indicador de tendencia) de la prueba de Mann-Kendall, las estaciones con tendencia aparecen de rojo, las tonalidades rojas representan tendencias positivas, las tonalidades verdes representan tendencias negativas.

De acuerdo a la prueba de Spearman’s-Rho, se aprecian tendencia en los meses de abril (3 estaciones), mayo (6 estaciones), septiembre (3 estaciones) y cuatro estaciones en el mes de diciembre, de acuerdo a la distribución espacial, se puede apreciar que en los meses de abril (tendencia negativa), mayo y septiembre (tendencia positiva), las estaciones se encuentran ubicadas en la margen derecha del río santa, en la cuenca alta y en la cercanía a los nevados, en el mes de diciembre la distribución no parece seguir un patrón definido.

Figura 8: Distribución espacial de los valores H (indicador de tendencia) de la prueba de Spearman’s-Rho, las estaciones con tendencia aparecen de rojo, las tonalidades azules representan tendencias positivas, las tonalidades verdes representan tendencias negativas.

Dado que hay un número importante de estaciones analizadas y es de sumo interés determinar la variación del comportamiento espacial de la tendencia en la cuenca alta del río Santa, se elaboraron mapas para representar y estimar la tendencia mediante una tasa de cambio a nivel de décadas, la cual es determinada a partir de una ecuación de regresión lineal.

Figura 3: Mapas de tasa de cambio (mm) para la cuenca alta del río Santa, las estaciones con tendencia mediante la prueba de Mann-Kendall aparecen de rojo, en tonos azules las tasas positivas y de tonos rojos las tasas negativas.

Video de aplicación en MATLAB para la evaluación de tendencias y saltos en la media en serie de datos

Tendencia por eber23

Flujo inestable con HEC RAS

2011-05-22T03:01:00.000-07:00

Flujo inestable en HEC RAS por eber23

EVAPOTRANSPIRACIÓN

2011-02-19T16:13:00.000-08:00

APLICACIÓN EN MATLAB PARA EL CÁLCULO DE EVAPOTRANSPIRACIÓN DEL CULTIVO DE REFERENCIA

Uno de los aspectos más importantes en estudios sobre hidrología y climatología es la determinación de la evapotranspiración (ET), pero la medida directa de este parámetro conlleva muchas dificultades. Por este motivo durante la última década se han propuesto una amplia variedad de métodos para su estimación, desde los métodos clásicos que nos permiten obtener ET a escala local a partir de medidas de campo, hasta los modelos más recientes basados en técnicas de teledetección.

La necesidad de generar información para la determinación de las necesidades de riego de los cultivos, es indispensable para países en los cuales el recurso hídrico es escaso, La mayor parte del agua de las precipitaciones entra en el suelo, y de aquí es devuelta a la atmósfera a través de la evapotranspiración, sólo una parte, en ocasiones muy pequeña, de la precipitación anual sale de la cuenca en forma de caudales, los recursos hídricos disponibles para el hombre proceden de los caudales y del agua almacenada en los acuíferos (agua no evapotranspirada).

La evapotranspiración tiene una gran influencia en la magnitud y estacionalidad del régimen de caudales de los ríos, representa un proceso fundamental para la vegetación, a través del cual regula su temperatura, la vegetación utiliza una cantidad muy grande de agua como medio de transporte para llevar las sustancias nutritivas a sus tejidos. La mayor parte de esta agua sale fuera de la planta, mediante la transpiración, una gran parte de la energía radiante solar se utiliza en cambiar de estado el agua líquida (evaporación), con lo que disminuye su poder de calentamiento de los cuerpos con humedad, especialmente la vegetación.

Evapotranspiración

La evaporación y la transpiración ocurren simultáneamente y no hay una manera sencilla de distinguir entre estos dos procesos. Aparte de la disponibilidad de agua en los horizontes superficiales, la evaporación de un suelo cultivado es determinada principalmente por la fracción de radiación solar que llega a la superficie del suelo. Esta fracción disminuye a lo largo del ciclo del cultivo a medida que el dosel del cultivo proyecta más y más sombra sobre el suelo. En las primeras etapas del cultivo, el agua se pierde principalmente por evaporación directa del suelo, pero con el desarrollo del cultivo y finalmente cuando este cubre totalmente el suelo, la transpiración se convierte en el proceso principal.

Evapotranspiración del cultivo de referencia (ETo)

La tasa de evapotranspiración de una superficie de referencia, que ocurre sin restricciones de agua, se conoce como evapotranspiración del cultivo de referencia, y se denomina ETo. La superficie de referencia corresponde a un cultivo hipotético de pasto con características específicas. No se recomienda el uso de otras denominaciones como ET potencial, debido a las ambigüedades que se encuentran en su definición. El concepto de evapotranspiración de referencia se introdujo para estudiar la demanda de evapotranspiración de la atmósfera, independientemente del tipo y desarrollo del cultivo, y de las prácticas de manejo. (FAO, 2006).

Métodos para determinar la Evapotranspiración de Referencia (ETo)

Existen varios métodos para determinar la evapotranspiración de referencia. Los más comúnmente aplicados son los siguientes:

Método del Lisímetro

Método del tanque evaporímetro

Métodos empíricos.

Métodos Empíricos

Método de Thorntwaite

Este método, desarrollado en 1944, calcula el uso consuntivo mensual como una función de las temperaturas medias mensuales mediante la fórmula:

Método de Blaney-Criddle (Modificado por FAO)

Utiliza las relaciones recomendadas en la publicación nº 24 de los estudios de FAO sobre riego y drenaje denominada "Necesidades de agua de los cultivos" (Publicación nº 24).

Método de Hargreaves

El método de Hargreaves a partir de la radiación extraterrestre y la temperatura está dada por la siguiente ecuación:

Método de Christiansen.

En el método de Christiansen se utilizan las fórmulas siguientes:

Método de Penman (Modificado por la FAO)

La ecuación de Penman, modificada por la FAO, estima el uso consultivo del cultivo de referencia (pasto o grama) y predice la Eto, no solamente en las regiones frías y húmedas, sino también, en las zonas calientes y áridas.

La ecuación general del método de Penman es la siguiente:

Método de Penman-Monteith (Modificado por la FAO)

La ecuación general del método de Penman-Monteith (FAO) es la siguiente:

Diseño de la Aplicación:

Resultados:

Evapotranspiración Diaria:

Evapotranspiración Diaria Acumulada:

Evapotranspiración Mensual:

Evapotranspiración Mensual Acumulada:

Video:

evapotranspiration por eber23

EXTENSIONES PARA HACER LINK A IMÁGENES EN ARCVIEW 3.2

2011-02-16T00:50:00.000-08:00

HotPotato HotLinks ver. 1 Beta

Autor : Kenneth R. McVay, Environmental Geologist, rcreed@earthlink.net

Esta extensión permite asociaciar un número ilimitado de archivos en los siguientes formatos:

Imágenes bmp, TIFF, JPEG, Band Interleaved Line (BIL), Band Sequential (BS), Band Interleaved Pixel (BIP), Sun Raster (*.rs, *.sun, *.sun), ERDAS (*.lan, *.gis, image), Run Length Compressed.

Texto *.txt

Vectores Formato CAD (dwg, dxf, dgn), Shapes de ArcView y coberturas de Arc Info.

WWW Documentos formato HTML y direcciones URL

Video Archivos en formato *.avi

Slideshow

Autor: Mike Owens,

La extensión Slideshow es una herramienta avanzada que permite a los usuarios ver imágenes múltiples asociadas con las características individuales en un tema. El entorno de presentación de diapositivas contiene botones para avanzar y retroceder, lo que permite una navegación fácil de las imágenes asociadas.

Video:

Slide_HotPotato
Cargado por eber23. - Explorar más videos de ciencia.

INFILTRACIÓN SMITH-PARLANGE

2011-02-15T09:47:00.000-08:00

APLICACIÓN EN MATLAB PARA EL CÁLCULO DE LA INFILTRACIÓN

La infiltración del agua en el suelo y su movimiento en la zona no saturada del mismo es de fundamental importancia en la actividad agropecuaria. El proceso de infiltración influye en el intercambio de agua entre el sustrato y las plantas y se ve afectado por las labores realizadas en el suelo (Narro Faría, 1994). La infiltración, como una componente del ciclo hidrológico, está relacionada con el escurrimiento superficial que puede producir erosión y con la recarga de los acuíferos y su vulnerabilidad a la contaminación. Por lo tanto, es de suma importancia su evaluación para un manejo sustentable de las tierras que procure evitar su degradación. La determinación de los parámetros hidráulicos en la zona no saturada, tales como la sortividad y la conductividad hidráulica constituye el primer paso para poder utilizar modelos hidrológicos que puedan predecir el movimiento del agua.

Ecuación de Smith-Parlange (1978)

La ecuación de Smith-Parlange, desarrollada por Woolhiser en 1989, es la siguiente:

Donde:

F : Infiltración acumulada [L]

f : Velocidad de infiltración [L/T]

Ks : Conductividad hidráulica a saturación natural [L/T]

B = G (θs - θ1 )

o B = G φ (S max - S1)

θ s : Contenido de humedad a saturación natural (L3 /L3)

θ1 : Contenido de humedad inicial ((L3 /L3)

φ : Porosidad del suelo [L3 /L3]

S : Saturación relativa

Smáx : Saturación relativa máxima

S1 : Saturación relativa inicial

y G es definida como:

En la cual:

h: potencial de presión [L]

K(h) : Conductividad hidráulica [L/T]

G : Potencial de escurrimiento o potencial de presión debido a capilaridad [L]

Por otro lado, se tiene que:

Con lo cual, utilizando la ecuación de Averyanov (1949) citado por Poluvarinova-Kochina

(1962).

Y la ecuación de van-Genuchten (1980):

Donde:

η, m, n y hg son parámetros empíricos

h : potencial de presión [L]

Se puede llegar a:

Cálculo de la lámina infiltrada hasta el inicio del encharcamiento

Dada una intensidad de lluvia en el momento en que se realiza el cálculo de la infiltración, se calcula en primer lugar la lámina que se acumulará hasta el inicio del encharcamiento (bajo el supuesto de que no cambia la intensidad de precipitación). Esta lámina acumulada se determina a partir de la primera ecuación. Como se conoce la intensidad media de lluvia se puede considerar que:

Donde ip es la intensidad media de precipitación que se tiene al alcanzar el valor de F. Despejando F de esta ecuación se llega a:

Cálculo del Tiempo de Encharcamiento

Una vez que se conoce F se procede a determinar el tiempo que se tarda en llegar al encharcamiento, para lo cual se integra la ecuación:

Donde t1 es el tiempo de encharcamiento y F1 es el valor calculado a partir de Ks e Ip.

Calculo de la lámina infiltrada después del encharcamiento

Una vez que se conoce el valor del tiempo de encharcamiento (t1) se puede determinar el valor de la lámina que se infiltra después de que se ha llegado al encharcamiento.

Para calcular el valor de 'F', se utiliza la ecuación del tiempo de encharcamiento con 'F' en lugar de 'F1' y 't' en lugar de 't1' y se aplica el método de Newton-Raphson.

En el cálculo de la infiltración se debe elegir correctamente el primer estimador de F para que haya convergencia al utilizar el Newton-Raphson; un buen estimador es:

El valor de 'F' se va aproximando cada vez más según:

Donde 'j' denota el paso de tiempo y 'k' la iteración respectiva y

Se conseguirá la solución cuando:

Aplicación

Resultados:

Video:

Parlange
Cargado por eber23. - Videos de los últimos descubrimientos en ciencia y tecnología.

EVAPORACIÓN

2011-02-12T22:42:00.000-08:00

APLICACIÓN EN MATLAB PARA EL CÁLCULO DE LA EVAPORACIÓN

La necesidad de contar con herramientas automatizadas que nos faciliten el desarrollo de ecuaciones complejas o procesos reiterativos que toman mucho tiempo su desarrollo o solución, el software MATLAB a través de su lenguaje de programación nos proporciona las herramientas necesarias para la solución además de la automatización para el desarrollo de los métodos de balance de energía, aerodinámico, combinado y por el algoritmo propuesto en clase.

Métodos Empíricos

Método del Balance de Energía

Este método determina la Evaporación mediante la siguiente fórmula:

Si suponemos que el campo de flujo de calor sensible Hs y el campo de flujo de calor de suelo G equivalen a cero, entonces la tasa de evaporación Er puede calcularse como la tasa a la cual toda la radiación neta de entrada se absorbe por la evaporación:

Donde:
lv= Calor latente de vaporización (J/Kg).
pw= Densidad del agua.
Rn=Radiación Neta (W/m2)

Método Aerodinámico

Este método determina la Evaporación mediante la siguiente fórmula:

Donde B se conoce como coeficiente de transferencia de vapor.

Donde:
eas= Presión de Vapor en la Superficie (J/Kg).
ea= Presión de Vapor a la altura Z2.
K=constante de Von Karman =0.4.
Z0=La altura de la superficie.
U2=Velocidad del viento a la altura Z2.
pa=Densidad del aire.

Método Combinado

Este método determina la Evaporación mediante la siguiente fórmula:

Donde γ es la constante psicrométrica y Δ es el gradiente de la curva de presión de saturación del vapor a una temperatura de aire ‘T’, los factores Δ /( Δ+ γ ) y γ /( Δ + γ ), suman la unidad.

Diseño de la Aplicación:

Resultados de la Apliación:

Video de la Aplicación:

Evaporation
Cargado por eber23. - Reportajes sobre tecnología y noticias sobre ciencia.

DELIMITACIÓN DE CUENCAS HIDROGRÁFICAS CON HERRAMIENTAS SIG

2011-01-26T14:36:00.000-08:00

El espacio geográfico que contiene los escurrimientos de agua y que los conducen hacia un punto de acumulación terminal es una cuenca hidrográfica.

Tradicionalmente la delimitación de cuencas, se ha realizado mediante la interpretación de los mapas cartográficos. Este proceso, ha ido evolucionando con la tecnología. Hoy día los sistemas de información geográfica –SIG- proporcionan una gama amplia de aplicaciones y procesos que, con entender los conceptos y teoría, se puede realizar de una forma más sencilla y rápida el análisis y delimitación de una cuenca.

Delimitación de la Cuenca con ArcSWAT

La delimitación de la cuenca se realizó con la herramienta ArcSWAT para ArcGIS,para lo cual primero debemos crear un proyecto SWAT.

Posteriormente crear la zona sobre la cual va trabajar la herramienta SWAT.

Generación de la red hídrica

Obtención de la cuenca Hidrográfica.

Delimitación de la Cuenca con Idrisi Andes

La delimitación de la cuenca se realizó con el Software de Sistema de Información Geográfica Idrisi Andes, para lo cual se utilizo la herramienta Watershed.

Primero se procedió a importar el DEM y el Outlet (generado como shapefile).

Para la delimitación automática de la cuenca se utilizó la herramienta WATERSHED de IDRISI, teniendo como datos de entrada el DEM y el raster del Outlet.

UMBRAL DE ESCORRENTIA

2011-01-18T22:01:00.003-08:00

ESCURRIMIENTO SUPERFICIAL POR EL MÉTODO DEL NÚMERO DE CURVA

APLICACIÓN EN LA CUENCA DEL RÍO ARAHUAY, REGIÓN LIMA

por Eber Risco Sence

OBJETIVOS

General:

Desarrollar el método del Número de Curva para caracterizar los procesos que relacionan la precipitación y la escorrentía.

Específicos:

Determinar el Número de Curva de la cuenca del Río Arahuay utilizando las herramientas de los Sistemas de Información Geográfica y Teledetección.

Estimar la escorrentía superficial para máximas avenidas mediante el método del Número de Curva en la cuenca del río Arahuay.

AREA DE ESTUDIO

La cuenca del río Arahuay, se encuentra ubicado geográficamente entre los meridianos 76°47'30.44" y 76°30'3.78" de longitud oeste y los paralelos 11°25'55.07" y 11°46'3.16" de latitud sur; políticamente comprende las Provincias de Canta y Huarochirí del Departamento de Lima.

MARCO TEÓRICO

Cuenca Hidrográfica

La cuenca hidrográfica es un ámbito geográfico natural donde ocurre el ciclo hidrológico; es el área drenada hacia un río, identificada por su peculiar topografía y delimitada por la divisoria de aguas, en un sentido amplio incluye el aire, la luz solar, la flora y la fauna que se sitúan alrededor de una fuente de agua principal que funciona como colectora.

Método del número de curva del USDA SCS (1985)

En 1954 el USDA SCS desarrolló el método del Número de Curva (NC) para estimar las abstracciones totales que se producían durante un aguacero. El método ha sufrido varias revisiones en 1956, 1964, 1965, 1971, 1972, 1985 y 1993. Desde su origen el método tuvo gran apoyo por parte de las agencias gubernamentales norteamericanas, por lo que se extendió rápidamente a otros países.

METODOLOGÍA

Para el presente trabajo la metodología fue básicamente de gabinete, consecuente a obtener como resultado la estimación de escorrentía superficial mediante el método del número de curva para la cuenca del río Arahuay.

El procedimiento consta de ordenamiento y codificación de la información meteorológica de las estaciones de SENAMHI, la generación de las pendientes de la cuenca, esto a partir del modelo digital del terreno (SRTM), además del la determinación de cobertura vegetal, a partir de la imagen de satélite LANDSAT estos temáticos generados, además de la cobertura de capacidad de uso mayor del suelo (INRENA) nos van a permitir realizar una clasificación del número de curva de la cuenca, posteriormente se realizó la estimación de la escorrentía superficial mediante el método del número de curva propuesto por el Servicio de Conservación de suelos (SCS) de los Estados Unidos.

Método del Número de Curva; este método fue desarrollado por el Servicio de Conservación de suelos (SCS) de los Estados Unidos; el cual es aplicable a cuencas medianas y pequeñas, la variable de mayor importancia es la precipitación.

Variables a Utilizar:

Precipitación (Estaciones Meteorológicas de SENAMHI).
Cobertura de Capacidad de Usos de Suelos (INRENA).
DEM (SRTM de la NASA).
Cobertura de Tipos de Suelos (imagen LANDSAT).

Variables Generadas:

Cobertura de Curva Número
Escorrentía Superficial

MATERIALES

Imagen de Satélite LANDSAT ETM+ (resolución espacial 30 m).
DEM de la SRTM de la NASA (resolución espacial 90 m).
Mapa Temático de Capacidad de Uso Mayor de Suelos del Instituto Nacional de Recursos Naturales (INRENA).

Software:

ArcGIS 9.3, Extensiones: Spatial Analyst, 3D Analyst, Arc Hydro, Hec GEOHMS, CN Runoff Tool.
ENVI 4.5.
ERDAS 9.2.
Microsoft Excel.
Microsoft Word.
Adobe Acrobat.

DATOS

Curva Número de la Cuenca

Para el cálculo del Número de Curva de la cuenca se utilizó la extensión CN Runoof Tools para el software ArcGIS, el cual a partir de una intersección de temas (Pendiente, Cobertura de Suelo y Grupo Hidrológico) genera el número de Curva Numero de acuerdo al Servicio de Conservación de Suelos SCS.

Infiltración Potencial Máxima

Para la obtención de la Infiltración Potencial Máxima de la cuenca se utilizaron las herramientas de los Sistemas de Información Geográfica, teniendo como referencia la fórmula establecida por el Servicio de Conservación de Suelos SCS.

Abstracción Inicial

Para la obtención de la Abstracción Inicial de la cuenca se utilizaron las herramientas de los Sistemas de Información Geográfica, teniendo como referencia la fórmula establecida por el Servicio de Conservación de Suelos SCS

Precipitaciones Máximas en 24 Horas (TR 25, 50, 100 y 200 años)

Los datos de precipitaciones máximas en 24 horas, fueron tomados del estudio Hidrológico de la cuenca del río Chillón, el cual está disponible en la página WEB de la Autoridad Nacional del Agua (ANA).

RESULTADOS

Escorrentía superficial

Para obtener el umbral de escorrentía, se utilizaron las coberturas de Curva Número de la Cuenca (condiciones Secas, Normales y Húmedas) y Precipitaciones Máximas en 24 Horas (Tiempos de Retorno de 25, 50, 100 y 250 años), mediante la fórmula establecida por el servicio de conservación de suelos SCS se obtuvo el umbral de escorrentía para las distintas combinaciones de coberturas, con lo cual se obtuvieron 12 mapas de escorrentía.

Para automatizar el proceso se desarrollo un modelo SIG en el software ArcGIS, en el cual mediante las herramientas del Model Builder se construyo la rutina para el cálculo de las 12 posibles combinaciones de escorrentías.

CONCLUSIONES

Se realizó la caracterización de la precipitación máxima en 24 horas, para los periodos de retorno de 25, 50,100 y 200 años, donde se aprecian los mayores valores en la parte alta de la cuenca, esto debido a que la precipitaciones en la zona de estudio son de tipo orográficas, se aprecian valores máximos que varían desde los 47 mm a 68 mm según el tiempo de retorno, puesto que a mayor tiempo de retorno mayores valores posibles de precipitación máxima.

Se calcularon los valores de umbral de escorrentía para la cuenca Arahuay, para lo cual se desarrollo un modelo SIG para la automatización del proceso a partir de las coberturas ya mencionadas para tal fin, en los mapas obtenidos se puede apreciar una gran sensibilidad del método del SCS a los valores de curva Número, ya que para un tiempo de retorno dado pero para condiciones de humedad distintos (es en donde los valores de curva número varían) se aprecian valores de umbral de escurrimiento muy variados por ejemplo para un tiempo de retorno de 100 años el umbral de escorrentía generado para condiciones normales es de 0.7 a 38.8 mm, para condiciones secas es de 0.03 a 21 mm y para condiciones húmedas es de 8 mm a 48 mm, con lo que se puede colegir que el método del servicio de conservación de suelos es muy sensible a los valores de curva número, po lo cual se debe tener mucho cuidado y precisión para determinar dichos valores, además de estimar las condiciones de humedad para un determinado suceso estudiado, ya que el valor de curva número también varía según las condiciones de húmedas.

De acuerdo a los planos generados de umbral de escorrentía (Planos 7 y 8) se aprecian mayores valores en las zonas altas, donde se producen las mayores precipitaciones y además a eso habría que sumarle el hecho de presentar con coberturas de suelo con escasa vegetación o de densidad pobre, lo cual facilita la génesis de infiltración en dichas zona, cabe mencionar que la estimación de la precipitación efectiva aportada por cada celda al hidrograma no es la representada en el umbral de escorrentía, ya que en dicho método se supone cada celda como una unidad aislada, por lo cual se presenta una sobreestimación en las partes altas y una subestimación en las cauces o corrientes de la cuenca.

PROGRAMACIÓN EN ARCVIEW

2011-01-18T20:14:00.000-08:00

Actualización de la Tabla de un Shape a través de un Formulario

(Por Eber Risco Sence)

Requisitos:

Un Shape con los campos: Departamento, Provincia, Distrito, Localidad que serán de tipo Cadena.
Un Archivo Lista.dbf que contiene la relación de Departamentos, Provincias y Distritos.

Creación del Formulario:

Activamos la Extensión Dialog Designer

Diseñamos el Formulario:

3 List Box
4 Text Label
1 Text Line
1 Label Button

Fase de Diseño:

En Tiempo de Ejecución:

Cuando ejecutamos nuestro formulario deberá tener esta apariencia con las barras Horizontales de List Box desactivada y el Botón Actualizar apagado.

Tabla Lista.dbf

Se deberá contar una tabla “dbf” llamada Lista la cual contendrá la relación de todos los departamentos, provincias y distritos necesitados como se muestra en la figura, se puede crear la tabla en el programa Microsoft Excel y exportarla como DBF 4, luego se agregará al proyecto en el cual estamos trabajando, esta tabla es muy importante puesto que de esta obtendremos la lista de Departamentos, Provincias, Distritos.

Creamos el Script que muestre el Formulario FActualiza y la lista de Departamentos:

En la ventana de Proyecto escogemos Scripts y luego en New.
Asignamos el nombre de Rse.Open a nuestro Script
En la ventana del Scripts escribimos:

********** Abriendo el Formulario FActualiza **********

_FormActualiza=Av.Getproject.FindDoc("FActualiza").GetDialog
_FormActualiza.Open

'********** Definiendo Tabla y Campos a Usar **********

Tabla=Av.FindDoc("Lista.dbf")
_Tabla=Tabla.GetVTab
_CampoDepartamento=_Tabla.FindField("Departamento")
_CampoProvincia=_Tabla.FindField("Provincia")
_CampoDistrito=_Tabla.FindField("Distrito")

‘*********** Mostrando Departamentos **********

LDepartamento={}
contador=-1
For Each rec in _Tabla
Contador=Contador+1
Valor=_tabla.ReturnValue(_CampoDepartamento,Contador)
LDepartamento.Add(Valor)
End
LDepartamento.RemoveDuplicates
LDepartamento.Sort(True)
_FormDepartamento=_FormActualiza.FindByName("LstDepartamento")
_FormDepartamento.DefineFromList(LDepartamento)

'********** Seteando el Formulario **********

_FormProvincia=_FormActualiza.FindByName("LstProvincia")
_FormDistrito=_FormActualiza.FindByName("LstDistrito")
_CmdActu=_FormActualiza.FindByName("CmdActualiza")
_TxtLocal=_FormActualiza.FindByName("TxtLocalidad")
_FormProvincia.Empty
_FormDistrito.Empty
_TxtLocal.Empty
_CmdActu.SetEnabled(False)

Compilamos el Script

Asignamos un Botón a nuestro Script creado:

Doble Clic en la Barra de Herramientas

Aparece la Siguiente Ventana donde seleccionamos:

Cerramos la ventana de personalización de ArcView.
Aparece un nuevo botón con el icono que hemos establecido en la barra de herramientas del entorno Vista.
Al hacer Clic en el nuevo botón, deberá cargar el formulario FActualiza creado.

Mostrando nuestro tema en la Vista:

Cargamos nuestro tema, el cual deberá tener en su tabla de atributos los campos que se van a llenar desde el formulario, para nuestro ejemplo los campos son Departamento, Provincia, Distrito y Localidad.

Vista con el Tema de Parcelas activo y visible:

Tabla de Atributos del Tema Parcelas con los campos necesarios:

Mostrando las Provincias en el Formulario:

Se deberá mostrar las provincias del departamento seleccionado en el Formulario en tiempo de ejecución.

Crear un Script y asignarle el nombre de Rse.Provincias
En la ventana del Scripts escribimos:

********** Obteniendo el valor Actual de Departamento **********

_ValorDepartamento=_FormDepartamento.GetCurrentValue

'********** Creando seleccion por Departamento **********

Seleccion =_Tabla.Getselection
Expr = "[Departamento]"+ "=" + _ValorDepartamento.quote
_Tabla.query(Expr, Seleccion, #vtab_seltype_new)
_Tabla.UpdateSelection

'********** Creando Summarize por provincia **********

LProvincia={}
Destino = "C:\temp\datos.dbf".AsFileName
FTabla=_Tabla.Summarize(Destino,Dbase,_CampoProvincia,{_CampoDepartamento},{#VTAB_SUMMARY_FIRST})
Campo=FTabla.FindField("Provincia")
********** Agregando los Valores a la Lista **********

Contador=-1
For Each rec in FTabla
Contador=Contador+1
Valor=FTabla.ReturnValue(Campo,Contador)
LProvincia.Add(Valor)
End
LProvincia.RemoveDuplicates
LProvincia.Sort(True)

'********** Definiendo Lista de Provincia **********

_FormProvincia=_FormActualiza.FindByName("LstProvincia")
_FormProvincia.DefineFromList(LProvincia)
Seleccion.ClearAll
_FormDistrito.Empty

Compilamos el Script

Mostrando las Distritos en el Formulario:

Se deberá mostrar los distritos del departamento y Provincia seleccionados en el Formulario en tiempo de ejecución.

Crear un Script y asignarle el nombre de Rse.Distritos
En la ventana del Scripts escribimos:

'********** Obteniendo el valor Actual de Provincia **********

_ValorProvincia=_FormProvincia.GetCurrentValue

'********** Creando selcción por Departamento y Provinvia **********

Seleccion=_Tabla.GetSelection
Expr="([Departamento]="+_ValorDepartamento.Quote +")" + " And "+"([Provincia]="+_ValorProvincia.Quote +")"
_Tabla.Query(Expr,seleccion,#Vtab_SelType_Xor)
_Tabla.UpdateSelection
'********** Creando Summarize por Distrito **********

LDistrito={}
Destino = "C:\temp\datos.dbf".AsFileName
FTabla=_Tabla.Summarize(Destino,Dbase,_CampoDistrito,{_CampoDepartamento},{#VTAB_
SUMMARY_FIRST})
Campo=FTabla.FindField("Distrito")

'********** Agregando los Valores a la Lista **********

Contador=-1
For Each rec in FTabla
Contador=Contador+1
Valor=FTabla.ReturnValue(Campo,Contador)
LDistrito.Add(Valor)
End
LDistrito.Sort(True)

'********** Definiendo Lista de Distrito **********

_FormDistrito=_FormActualiza.FindByName("LstDistrito")
_FormDistrito.DefineFromList(LDistrito)
Seleccion.ClearAll

Activando el Botón de Actualizar del Formulario:

El Botón de actualizar de nuestro formulario deberá activarse cuando se halla introducido el nombre de la localidad en la caja de texto.

Crear un Script y asignarle el nombre de Rse.Activa
En la ventana del Scripts escribimos:

*********** Activando el Boton de Actualizar **********

_CmdActu.SetEnabled(True)

Actualizando la tabla del Shape:

La tabla del Tema se actualizará con los datos que hemos seleccionado e ingresado de nuestro formulario, el tema deberá estar activo en la vista para que se pueda actualizar con los nuevos datos.

Crear un Script y asignarle el nombre de Rse.Actualiza
En la ventana del Scripts escribimos:

********** Pregunta que confirma si son correctos los datos **********

Pregunta=MsgBox.YesNo("Los Datos son Correctos","Actualizando Tabla",True)
If (Pregunta=True) Then
_ValorDistrito=_FormDistrito.GetCurrentValue
_ValorLocalidad=_TxtLocal.GetText

    '********** Definimos Tabla y Campos de nuestro Shape **********

Vista = Av.GetActiveDoc
Tema = Vista.GetActiveThemes.Get(0)
FTabla= Tema.GetFTab
Campos = FTabla.GetFields
'Seleccion=FTabla.Getselection
Departamento=FTabla.FindField("Departamento")
Provincia=FTabla.FindField("Provincia")
Distrito=FTabla.FindField("Distrito")
Localidad=FTabla.FindField("Localidad")
Ftabla.SetEditable(True)

'********** Actualizamos la Tabla **********
For Each rec in FTabla
    If (_ValorDepartamento<>nil) Then
      FTabla.SetValue (Departamento, rec, _ValorDepartamento)
    end
    If (_ValorProvincia<>Nil) Then
      FTabla.SetValue (Provincia, rec, _ValorProvincia)
    end
    If (_ValorDistrito<>Nil) Then
          FTabla.SetValue (Distrito, rec, _ValorDistrito)
        end
    If (_ValorLocalidad<>Nil) Then
      FTabla.SetValue (Localidad, rec, _ValorLocalidad)
    end
End
FTabla.SetEditable(False)

'********** Mostramos una Imagen y cerramos formulario **********

Imagen="D:\Practicas\Esri.bmp".AsFileName
MsgBox.Banner(Imagen,4,"Su Tabla se Actualizó con los datos Ingresados")
_FormActualiza.Close

'********** En caso los datos son erróneos seteamos el formulario **********
Else
_FormProvincia.Empty
_FormDistrito.Empty
_TxtLocal.Empty
_CmdActu.SetEnabled(False)
End

Compilamos el Script

Asignamos los Scripts creados a nuestro Formulario:

En la Ventana de Proyecto Clic en Dialogs y doble clic en FActualiza.

Doble clic en el List Box de nombre LstDepartamento en la propiedad Select asignamos el Script Rse.Provincias.
Doble clic en el List Box de nombre LstProvincia en la propiedad Select asignamos el Script Rse.Distritos.
Doble clic en el Text Line de nombre TxtLocalidad en la propiedad Changed asignamos el Script Rse.Activa.
Doble clic en el Label Button de nombre CmdActualiza en la propiedad click asignamos el Script Rse.Actualiza.
Compilamos el Formulario pero no ejecutamos, esto lo haremos desde la vista.

Ejecutando nuestro Formulario:

Debemos tener una vista abierta, con el tema a trabajar activo, deberá tener en su tabla de atributos los campos Departamento, Provincia, Distrito, Localidad.

La tabla “Lista.dbf” cargada en la ventana de Proyectos, la cual contiene la relación de departamentos, provincia y Distritos.

Clic en el icono creado, cargará el Formulario creado.

Seleccionamos el departamento al cual pertenece nuestras parcelas, luego la provincia, el distrito y escribimos la localidad.

Clic en el botón actualiza nos aparecerá un mensaje de pregunta al cual respondemos Yes si los datos son correctos, si damos clic en No el formulario se resetea y esta listo para volver a ingresar los datos.

Si Optamos por la opcion Yes nos mostrará una imagen como en la figura siguiente, esta imagen dependerá del archivo que Uds. Escriban en el Script Rse.Actualiza .

Nuestra Tabla se Actualiza con los datos ingresados mediante el formulario.

Video:

A continuación les muestro un video de la aplicación descrita, desarrollada en ArcView 3.2, además de una aplicación realizada también por mí, la cual es muy parecida, pero usando los ArcObject de ArcGIS.

Actualización de Tablas
Cargado por eber23. - Reportajes sobre tecnología y noticias sobre ciencia.

DATOS TRMM

2011-01-11T20:30:00.000-08:00

ANÁLISIS COMPARATIVO ENTRE LA PRECIPITACIÓN MENSUAL DE DATOS MEDIDOS POR EL SENSOR TRMM Y ESTACIONES PLUVIOMÉTRICAS EN LA CUENCA DEL RÍO LOCUMBA, REGIÓN TACNA-MOQUEGUA.
(Realizado por Eber Risco Sence)

OBJETIVO

Analizar la relación entre la precipitación mensual de los datos medidos por el sensor TRMM y las estaciones pluviométricas en la cuenca del río Locumba, regiones de Tacna y Moquegua.

AREA DE ESTUDIO

La cuenca Locumba, se encuentra ubicado geográficamente entre los meridianos 70°03’36” y 71°10’48” de longitud oeste y los paralelos 16°45’36” y 17°54’36” de latitud sur; políticamente comprende las Provincias de Jorge Basadre, Candarave del Departamento de Tacna y las Provincias de Ilo y Mariscal Nieto del Departamento de Moquegua.

MARCO TEORICO

SENSOR DE DATOS DE PRECIPITACIÓN TRMM

Según JAXA (2007) el sensor TRMM es un sensor diseñado para monitorear y estudiar precipitaciones tropicales y subtropicales, entre 35º N y 35º S, coordinando un estudio de largo alcance para la investigación de la precipitación como un sistema global. El TRMM fue lanzado el 27 de noviembre de 1997 desde el Centro Espacial Tanegashima en Japón.

METODOLOGÍA

Para el presente trabajo la metodología fue básicamente de gabinete, consecuente a obtener como resultado la variación espacio-temporal entre los datos de estaciones pluviométricas terrestres con los datos del satélite de la TRMM para la cuenca del río Locumba, para un periodo de análisis de siete años (2000-2006).

El procedimiento consta de ordenamiento y codificación de la información meteorológica de las estaciones de SENAMHI y de los datos obtenidos del satélite de la TRMM, la cual fue analizada mediante el software Matlab, y agrupada según su variabilidad mediante un dendograma, estableciéndose tres grupos, posteriormente se realizó la regionalización de la información y fue analizada su variabilidad espacio-temporal mediante los Sistemas de Información Geográfica (S.I.G.), de estructura raster, siendo ArcGIS el programa elegido.

MATERIALES

Datos de Precipitación del Satélite TRMM.
DEM de la SRTM de la NASA.
Datos de Estaciones Meteorológicas de SENAMHI
Software:

ArcGIS 9.3, Extensiones: Spatial Analyst, 3D Analyst.
Watershed Modeling System WMS 8.1.
MatLab R2009b.
Google Earth.
Microsoft Excel.
Microsoft Word.
Microsoft Visio.
Adobe Acrobat.

DATOS

ESTACIONES PLUVIOMÉTRICAS

Las diferentes estaciones pluviométricas presentan la siguiente distribución para un promedio histórico mensual de precipitaciones:

DATOS TRMM

se presentan los datos del sensor TRMM para el promedio histórico mensual de precipitaciones, en donde análogamente a las estaciones pluviométricas la precipitación presenta una mayor concentración en los meses de Enero, Febrero y Marzo; una época de seca en los meses de Mayo, Junio, Agosto y septiembre y una época de transición representada por los meses de Octubre, Noviembre, Diciembre, Abril y Julio, sin embargo presentan valores menores para la epoca húmeda, es decir subestima las precipitaciones en la epoca húmeda, en la epoca seca se aprecia mayores valores que las estaciones, por loq ue se aprecia una sobreestimación en referencia a los datos de las estaciones pluviométricas terrestres.

AGRUPACIÓN POR ÉPOCAS

La agrupación de épocas se realizó en base a las características de precipitación en cada mes, realizándose un análisis de conglomerados cuyo resultado es el siguiente dendograma:

RESULTADOS

Se realizaron las diferencias entre los registros de las estaciones pluviométricas y los datos brindados por el sensor TRMM, ambos regionalizados por el método de interpolación Inverse Distance Weighting, los cuales fueron agrupados según la variabilidad de los resultados en los grupos, para lo cual se clasificaron de acuerdo a los rangos obtenidos, según el cuadro 4, el cual fue diseñado, teniendo en cuenta la variación de la precipitación en las 11 estaciones trabajadas y las variaciones obtenidas.

Clase	Época
Clase	Húmeda (mm)	Transito (mm)	Seca (mm)
Alta Subestimación	mayores a 30	mayores a 5	mayores a 1.5
Moderada Subestimación	de 10 a 30	de 2 a 5	de 0.5 a 1.5
Aceptable Subestimación/Sobrestimación	de -10 a 10	de -2 a 2	de -0.5 a 0.5
Moderada Sobrestimación	de -30 a -10	de -5 a -2	de -1.5 a -0.5
Alta Sobrestimación	menores a -30	menores a 5	menores a -1.5

Clasificación según la Variabilidad de precipitación entre las Estaciones Pluviométricas y el Sensor TRMM

En la época clasificada como húmeda se puede apreciar una tendencia a la subestimación de los datos TRMM con relación a las estaciones pluviométricas; en la época clasificada como de transición se puede apreciar una tendencia a la uniformidad de datos de las estaciones pluviométricas y los datos TRMM; en la época Seca se pueden apreciar una distribución entre aceptable y una moderada sobrestimación de los datos TRMM en relación a las estaciones pluviométricas.

CONCLUSIONES

Se evidenció que los datos del sensor TRMM subestiman la precipitación mensual con respecto a las estaciones pluviométricas, para los meses de Enero, Febrero y Marzo, los cuales fueron clasificados como época húmeda, los valores llegan hasta 67 mm de subestimación, para los meses de Octubre, Noviembre, Diciembre, Abril y Julio, clasificados como época de transición, presenta variaciones aceptables, con una ligera subestimación de los datos del sensor TRMM con respecto a las estaciones pluviom´petricas, las variación llegan hasta los 8 mm, para los meses de Mayo, Junio, Agosto y septiembre, se aprecia una tendencia hacia una ligera sobreestimación de los datos del sensor TRMM con respecto a las estaciones pluviométricas, pero existen un área considerablemente importante donde se aprecia una aceptable variación, esto según la clasificación planteada de variabilidad de datos, las variaciones llegan hasta 2 mm.

Agrupar polígonos por área

2010-07-29T13:30:00.000-07:00

Video para ArcGIS:

Video Agrupación de Poligonos
Cargado por eber23. - Descubre más videos de ciencia y hi tech.

Video para ArcView:

Agrupar por en área en ArcView
Cargado por eber23. - Videos de los últimos descubrimientos en ciencia y tecnología.

Gestión Integrada de Crecientes

2010-05-26T23:05:00.000-07:00

La Gestión Integrada de Crecidas abarca el desarrollo de los recursos hídricos y del suelo en una cuenca fluvial con el fin de optimizar los beneficios de las llanuras de inundación, reduciendo al mínimo las pérdidas de vidas humanas y de bienes, bajo un enfoque participativo de usuarios, los encargados de la planificación y las instancias normativas en todos los niveles, este enfoque deberá ser abierto, transparente, integrador y comunicativo.

La Gestión Integrada de Crecidas pretende cambiar el paradigma del enfoque fragmentado tradicional y fomenta y fomenta el aprovechamiento de los recursos de la cuenca fluvial desde un enfoque holístico, empleando estrategias para mantener o aumentar la productividad de las llanuras de inundación, al tiempo que se adoptan medias de protección para la mitigación de pérdidas causadas por las inundaciones.

Aplicar una Gestión Integral de Crecidas tiene como objetivos:

    * Desarrollo Sostenible: equilibrar las necesidades de desarrollo con los riesgos de crecidas.
    * Maximizar los beneficios: Mejor aprovechamiento de los recursos de las llanuras de inundación y reducir la vulnerabilidad.
    * Minimizar la pérdida de vidas.
    * Preservación Ambiental.

Principios de la Gestión Integrada de Crecidas:

    * Enfoque del ciclo hidrológico como un sistema.
    * Integración transversal de estrategias de gestión de desastres.
    * Evaluación del riesgo asociado a desastres.
    * Enfoque de Cuenca.
    * Alerta temprana y predicción.

Instalar ArcView 3.2a en Window 7 de 64 bits

2010-02-15T07:31:00.000-08:00

Este manual es aporte a este blog de un gran amigo Alvaro Ramírez Laguna, ante todo dar las gracias a él por su gran aporte y por su generosidad al ponerlo a disposición de todos.

"Aunque el Sistema de Información Geográfica ArcView 3.2 es considerado obsoleto frente a la modernidad y ventajas que ofrece el ArcGIS 9.3, somos muchos los usuarios que lo seguimos utilizando, ya sea por comodidad o facilidad al momento de estar trabajando o manipulando archivos vectoriales o raster".
( fragmento tomado del manual)

link de descarga:

http://rapidshare.com/files/350745284/Manual_Instalar_AV_64_Bits.pdf

Exportación a PostGIS desde gvSIG

2009-12-28T21:23:00.000-08:00

PostGIS es un módulo que añade soporte de objetos geográficos a la base de datos relacional PostgreSQL para su utilización en Sistema de Información Geográfica. Es un software libre (GPL) y es un importante componente para los Sistemas de Información Geográfica y los proyectos Open Source con componente espacial.

El siguiente video preparado por mi muestra como realizar una exportación a PostGIS de un shapefile, utilizando el programa gvSIG .

Video:

PostGis_gvSIG
Cargado por Eber Risco Sence. - Videos de los últimos descubrimientos en ciencia y tecnología.

Navegación por Google Map

2009-12-28T12:47:00.000-08:00

Navegando por Google Map:

Ver mapa más grande

Mis Extensiones en ArcView 3.2

2009-12-19T11:49:00.000-08:00

ArcView es una herramienta desarrollada por ESRI, se pueden representar datos georreferenciados, analizar las características y patrones de distribución de esos datos y generar informes con los resultados de dichos análisis.
Es un programa diseñado de forma modular, permitiendo añadir, según las necesidades de análisis, EXTENSIONES que van aumentando las capacidades de esta herramienta SIG.
Posee su propio lenguaje de programación Avenue, un lenguaje orientado a objetos y eventos, que permite personalizar la herramienta, con la cual se le puede dar una mejor potencialidad, en esta oportunidad les muestro a través de videos la funcionalidad de dos extensiones desarrolladas por mi, la primera denominada Buffer Interactivo, nos permite calcular un área de influencia con un área específica, siempre cuando creamos un área buffer lo hacemos a partir de una distancia determinada, esta extensión nos permite encontrar un buffer con un área deseada, para lo cual se va acotando las distancia hasta obtener el área deseada, la segunda denominada calculo de Ángulos, nos permite obtener los valores de Rumbo, Azimut, Distancias, Coordenadas de Vértices, Ángulos Internos en una poligonal, todos estos valores se almacenan en la tabla de atributos.

Video Buffer Interactivo:

Buffer Interactivo
Cargado por Eber Risco Sence. - Descubre más videos de ciencia.

Codigo en Avenue de ArcView

Video Cálculo de Ángulos:

Angulos Internos
Cargado por Eber Risco Sence. - Descubre más videos de ciencia .