La Importancia de la Proteccif3n de los Humedales
Los humedales son un ecosistema importante que proporciona he1bitat para muchas especies de plantas y animales, mejora la calidad del agua, recarga el agua subterre1nea y mitiga la severidad de inundaciones y sequedas. Sin embargo, la calidad y existencia de los humedales este1n amenazadas por la reconversif3n agredcola o para desarrollo, la escorrenteda de contaminantes y el cambio clime1tico. Dado el valor ecolf3gico que proporcionan los humedales y la amenaza continua para su salud, los esfuerzos de gestif3n y conservacif3n de humedales son imperativos. La creacif3n re1pida y confiable de mapas de distribucif3n de humedales puede beneficiar estos esfuerzos. El Modelo de Identificacif3n de Humedales (WIM) es un marco propuesto para crear estos datos.
Cf3mo el WIM Busca Apoyar los Esfuerzos de Proteccif3n de Humedales
Aunque existen muchos tipos de humedales, todos pueden identificarse por caracteredsticas comunes, incluyendo la presencia de condiciones hidrf3logicas que inundan el e1rea, vegetacif3n adaptada para vivir en suelos saturados y suelos heddricos. Los datos LiDAR (Light detection and ranging) ofrecen nuevas oportunidades para observar estas caracteredsticas a diferentes escalas y proporcionan mayor resolucif3n y disponibilidad que otras opciones de teledeteccif3n. Las devoluciones LiDAR pueden interpolarse para crear modelos digitales de elevacif3n (DEM) de alta resolucif3n, que luego pueden usarse para derivar me9tricas topogre1ficas que describen la convergencia del flujo y la humedad del suelo cercana a la superficie para indicar humedales. Ademe1s, se ha demostrado que derivar me9tricas topogre1ficas a partir de DEMs LiDAR aumenta la precisif3n del mapeo del alcance de saturacif3n en comparacif3n con DEMs m5as toscos (es decir, > 2 m).
El WIM utiliza DEMs LiDAR para derivar me9tricas topogre1ficas que describen los factores hidr3logicos que impulsan la formaci3n de humedales y las usa como predictores de 1reas de humedal mediante el algoritmo random forests (Breiman, 2001). El WIM consta de tres partes principales: preprocesamiento, calculo de variables predictoras y clasificaci1n y evaluaci1n de precisi1n. Los datos requeridos son un modelo digital de elevaci1n (DEM) de alta resoluci1n y cobertura verificada de humedal/no humedal (es decir, datos reales), ambos en formato TIFF. La implementaci1n actual tambin requiere un raster de entrada de agua superficial, aunque las implementaciones futuras derivarn esto directamente del DEM de entrada. Las salidas finales del modelo son predicciones de humedal e informe de precisi1n.
- El DEM de entrada se preprocesa usando mtodos especficos para la derivacin del parfmetro hidrolico a partir de DEMs de alta resolucin.
- El DEM preprocesado se usa para calcular las variables predictoras: el
ndice topogrfico dhumedad (TWI), curvatura e
ndice cartogrfico profundidad-al-agua (DTW). - Los datos de entrenamiento se derivan a partir de los datos reales.
- Los datos de entrenamiento se combinan con las variables predictoras fusionadas para entrenar el algoritmo random forests (Breiman, 2001).
- Los datos reales que no se usaron para entrenar el modelo se usan para evaluar la precisin de las predicciones. Las mticas generadas se eligen para minimizar evaluaciones no representativas del rendimiento del modelo debido a clases objetivo desequilibradas.
Desempeño Previo del WIM y Aplicaciones Potenciales
El WIM fue creado mediante investigacin original en la Universidad de Virginia. Fue desarrollado y evaluado originalmente para aplicaciones en planificacin ambiental, especficamente para agilizar el proceso de permisos para humedales proporcionando inventarios precisos que limitan el trabajo manual a reas probables. Despus calibrar en cuatro regiones geogrfcas en Virginia usando un conjunto rico en datos reales confirmados jurisdiccionalmente como humedales y no humedales, el WIM pudo identificar entre 80% y 90% verdaderos humedales en los sitios. La proporcin correcta entre predicciones fue entre 22% y 69%. En general, los resultados sugieren un fuerte potencial del WIM para apoyar la delimitacin precisa. Sin embargo, el xito en otros paisajes dependern en la calidad del DEM y los datos reales disponibles. Estos datos permiten calibrar los parfmetros del WIM a paisajes especficos. Este proceso iterativo probablemente revelarn parfmetros xicos para preprocesar DEMs que mejoren la representacin superficial terrestre especfica a cada regin. Adems, datos reales confiables y abundantes permitirn al modelo aprender una gama amplia caractersticas y proporcionar evaluaciones representativas.
Comenzando con WIM
WIM ha sido implementado dentro Arc Hydro Pro 2.5 o superior. Para documentacin adicional sobre WIM como conjunto herramientas Arc Hydro, vea Arc Hydro 3 Wetland Identification Model. Note que implementar las herramientas WIM requiere instalar el paquete python Scikit-Learn en el entorno python Pro.
Lecturas Adicionales
Para lecturas adicionales sobre desarrollo y evaluacin del WIM, vea las siguientes publicaciones:
O'Neil, G. L., Goodall, J. L., Behl, M., Saby, L. (2020). Deep Learning using Physically-Informed Input Data for Wetland Identification. Environmental Modelling and Software. 104665. https://doi.org/10.1016/j.envsoft.2020.104665.
O'Neil, G. L., Saby, L., Band, L. E., Goodall, J. L. (2019). Effects of LiDAR DEM Smoothing and Conditioning
Techniques on a Topography-Based Wetland Identification Model. Water Resources Research, 55. https://doi.org/10.1029/2019WR024784.
O'Neil, G. L., Goodall, J. L., Watson, L. T. (2018). Evaluating the potential for site-specific modification of LiDAR DEM derivatives to improve environmental planning-scale wetland identification using random forest classification. Journal of Hydrology, 559, 192-208.
https://doi.org/10.1016/j.jhydrol.2018.02.009.
Citas
Breiman, L. (2001). Random forests. Machine learning, 45(1), 5-32.
