Vairāk

Topogrāfiskais indekss - Kāpēc kāpuma veicinošo platību dala ar nogāzes kontūras platumu, nevis augšupvērstā kontūras platumu?


Topogrāfiskā indeksa aprēķinos a ir augšupējais slīpuma laukums uz kontūras garuma vienību. Vai "vienības kontūras garums" tiek aprēķināts, pārbaudot lejupejošo šūnu kontūru platumus, uz kuriem plūst ūdens pašreizējā šūnā? Vai arī augšējā slīpuma šūnu kontūru platumi plūst uz pašreizējo šūnu?

Kvina un Bīvena darbā šķiet, ka tās ir lejupvērstās šūnas. Kāpēc? Kā tam ir lielāka hidroloģiska jēga nekā augšupvērstu šūnu kontūru platumu izmantošana? Vai daži var attaisnot lejupvērstās (no pašreizējās šūnas) šūnu kontūru platumu izmantošanu pret augšupvērsto (no pašreizējās šūnas) šūnu kontūru platumu?

Rediģēt - cerams, ka šie attēli un šis apraksts sniedz informāciju, ko cilvēki meklē.

Izpētīsim 3 x 3 režģi ar pacēluma vērtībām un 10 m šūnu izmēra izšķirtspēju. Pieņemsim, ka mēs strādājam ar MFD līdzīgu algoritmu. Režģis ir attēlots zemāk:

Šajā režģī centrālā šūna ar vērtību 5 saņem plūsmu (un līdz ar to laukumu) no augšupvērstām šūnām ar augstāku pacēluma vērtību. Tādējādi tā saņem plūsmu (un līdz ar to arī apgabalu) no šūnām, kurās ir pacēluma vērtības 8, 7 un 6. Dažādi algoritmi (Kvins, Frīmens utt.) Var diktēt, cik lielu laukumu augšupvērstās šūnas nodod centrālajai šūnai, pamatojoties uz šī slīpuma daļa (augšupceļa šūna līdz centra šūnai) veicina visu slīpumu summu (augšupceļa šūna uz visām lejupvērstajām šūnām). Jebkurā gadījumā, lai kā arī būtu nolemts, uzkrātā platība nonāk centrālajā kamerā, kas tai nodota no augšējiem slīpuma kaimiņiem. Šo uzkrāto teritoriju var saukt arī par augšupvērsto vietu.

Šajā attēlā mēs redzam lejupvērstās šūnas, kurās centrālā šūna iet laukumu/ieplūst. Tagad Kvina algoritma aprakstā viņš saka:

Tādējādi faktiskā a/tan ß vērtība pašreizējai šūnai būs kopējā platība, kas izplūst caur šo šūnu, kas darbojas visā kontūras garumā, kas vienāda ar lejupceļu kontūru garumu summu un dalīta ar vidējo svērto tan ß vērtību… (PROGNOZĒŠANA HILLSLOPE FLOW PATHS DISTREDED HIDROLOĢISKAI MODELĒŠANAI, IZMANTOJOT DIGITĀLO TERRAINA MODEĻUS)

Tas, par ko esmu apjukusi, ir šāds:

Tā kā augšupvērsto apgabalu nosaka gan slīpums starp augšupvērstajām šūnām un centrālo šūnu, gan kontūras platums, ko nosaka virziens (kardināls pret diagonāli), kāpēc tiek izmantoti lejupvērstie kontūru platumi? Šķiet, ka augšupvērstā platība uz kontūras platuma vienību, skaitītājs TWI/TI, nosaka, cik mitra teritorija būs uzkrāto plūsmu dēļ no augšupvērstām šūnām - kāpēc to dalīt ar plūsmu kontūru platumiem, kas tiek nodoti lejup? Un saucējs saprot, ka šūna būs mitra attiecībā pret tās stāvumu, jo straujāks kritums uz lejupvērstajām šūnām, jo ​​lielāka būs to slīpumu summa, un jo lielāks būs saucējs un zemāka kopējā TI vērtība būs.

Saucējs, ko es saprotu, ir labi, bet šķiet, ka es nevaru aptvert savas smadzenes, kāpēc šūnā iekļuvušais laukums ir sadalīts ar nogāzes kontūras platumiem… un nevis to plūsmu kontūru platumiem, kas no augšējā slīpuma šūnām nonāk centrālajā šūnā.


Veicot plūsmas uzkrāšanu DEM, augšupceļa apgabals tiek definēts kā visas ieplūstošās režģa šūnas UN pati šūna. Tādējādi tīkla šūna faktiski ir daļa no tās veicinošās zonas. Minimālais augšupvērsuma laukums (nav īpašs veicinošais apgabals) ir vienāds ar vienas režģa šūnas laukumu, t.i., režģa šūnu bez ieplūdes šūnām. Es domāju, ka tas ir iemesls, kāpēc mēs, īpaši veicinošā teritorija, tiek definēti kā augšupceļa laukums, kas dalīts ar nogāzes kontūras garumu.


Topogrāfiskais indekss, kas izskaidro hidroloģisko līdzību, ņemot vērā noteces veidošanās kopīgo kontroli

Virsmas topogrāfija ir svarīgs informācijas avots par hidroloģiskās ainavas darbību un formu. Tā kā tai ir galvenā loma hidroloģisko procesu un struktūru skaidrošanā, kā arī plašā pieejamība ar labu izšķirtspēju digitālo pacēluma modeļu (DEM) veidā, to bieži izmanto hidroloģisko analīžu veikšanai. Nav pārsteidzoši, ka ir ierosināti vairāki hidroloģiskie rādītāji un modeļi, lai saistītu ainavas ģeomorfās īpašības ar tās hidroloģisko darbību, plaši izmantots piemērs ir “augstums virs tuvākās drenāžas” (HAND) indekss. No enerģijas centrēta viedokļa HAND atspoguļo gravitācijas potenciālo enerģiju noteiktā ūdens masas vienībā, kas atrodas uz kalna nogāzes, atskaites līmenim nosakot tuvākās atbilstošās upes pacēlumu. Ņemot vērā, ka iespējamās enerģijas atšķirības ir galvenie noteces veidošanās virzītājspēki, HAND sadalījumi nodrošina svarīgus starpniekus, lai izskaidrotu noteces veidošanos sateces baseinos. Tomēr, kā to izsaka otrais termodinamikas likums, plūsmas virzītājspēks izskaidro tikai vienu noteces ģenerēšanas mehānisma aspektu, un katras plūsmas virzītājspēks tiek izsmelts, radot entropiju un izkliedējot enerģijas zudumus. Patiesībā šādi zaudējumi dominēt kad nokrišņi kļūst notecējuši, un tikai niecīga piedziņas potenciālās enerģijas daļa faktiski tiek pārveidota plūsmas kinētiskajā enerģijā. Atzīstot to, mēs iegūstam topogrāfisko indeksu, ko sauc par samazinātu izkliedi uz garuma vienības indeksu (rDUNE), atkārtoti interpretējot un uzlabojot HAND pēc vienkāršas termodinamiskās argumentācijas. Mēs salīdzinām rDUNE ar HAND un bieži lietoto topogrāfiskā mitruma indeksu (TWI) un parādām, ka rDUNE nodrošina spēcīgāku sateces baseinu diskrimināciju grupās, kas ir līdzīgas attiecībā uz to dominējošajiem noteces procesiem. Mūsu analīze liecina, ka plūsmas ģenerēšanas gan dzinējspēka, gan pretestības aspektu uzskaite nodrošina daudzsološu pieeju sistēmas arhitektūras sasaistei ar tās darbību un līdz ar to ir piemērots pamats līdzības indeksu izstrādei hidroloģijā.

Virszemes topogrāfijas galvenā loma hidroloģijā jau sen ir atzīta (piemēram, Hortons, 1945). Topogrāfija sniedz informāciju par pacēluma, laika apstākļu un erozijas mijiedarbību un līdz ar to par ainavas pagātnes morfoloģisko attīstību. Turklāt tas nodrošina spēcīgu ierobežojumu turpmākajām hidroloģiskajām un ģeomorfām izmaiņām, un, kas ir svarīgi hidroloģijai, tas ir galvenais virzītājspēks un kontrole, kas saistīta ar noteces veidošanos un vairākiem citiem hidroloģiskiem procesiem.

Šis ieskats par topogrāfijas pagātnes, tagadnes un nākotnes lomām noteikti ir viens no iemesliem, kāpēc gandrīz visas galvenās ainavu vienības hidroloģijā, piemēram, ūdensšķirtnes robežas, pakalni un kanālu tīkli, ir iegūti no zemes virsmas reljefa īpašībām. Lai to atbalstītu, digitālie pacēluma modeļi (DEM) ir pieejami ar diezgan augstu izšķirtspēju visā pasaulē (Farr et al., 2007), palīdzot veicināt telpiski skaidru hidroloģisko modeļu pieaugošo popularitāti (piemēram, Beven, 2001).

Tāpēc nav pārsteigums, ka hidroloģijai nav modeļu vai rādītāju trūkuma, kas saistītu ainavas ģeomorfās īpašības ar tās hidroloģisko darbību. Vispopulārākā pieeja neapšaubāmi ir Kirkbija (1975) un Bevena un Kirkbija (1979) ierosinātais topogrāfiskā mitruma indekss (TWI). Atkarībā no vietējā slīpuma ar augšupvērsto apgabalu vienā kontūras garumā, TWI sākotnēji tika izstrādāts, lai klasificētu līdzīgas darbības apgabalus sateces baseinā, un ir izmantots (piemēram, Grabs et al., 2009), uzlabots (piemēram, Barling) et al., 1994) un pārbaudīti (piemēram, Rodhe un Seibert, 1999) daudzos pētījumos.

Tomēr ir ierosināti arī citi indeksi, lai sasaistītu zemes virsmas topogrāfiju ar tās noteci. Hjerdt et al. (2004) izstrādāja “nogāzes topogrāfiskā mitruma indeksu” (sauktu arī par iedegumu) β indekss), kas atspoguļo vietējo hidraulisko gradientu gadījumā, ja plūsmu nosaka tikai gravitācija un pieņēmumi par fiksētu pacēluma kritumu. Viņi apgalvoja, ka šis indekss atspoguļo gruntsūdens līmeņa gradientus tādā veidā, kas ir pārāks par klasisko TWI pieeju, un parādīja, ka tas ir mazāk jutīgs pret DEM kvalitāti. Pieņemot hidraulikas sistēmu, Liona un Troha (2010) izstrādāja indeksu ar nosaukumu Péclet sateces baseins, kas ir kalna nogāzes Péclet numura vai tilpuma svērtā versija. Pēdējo atvasināja Bernes et al. (2005), lai raksturotu kalnu nogāzes pēc pazemes noteces veidošanās, pamatojoties uz advektīvo un difūzo plūsmu relatīvo nozīmi, izmantojot kalna nogāzes uzglabāšanas Boussinesq vienādojumu (Troch et al., 2003). Liona un Troha (2010) parādīja, ka 400 000 sintētiski ģenerētu un četru reālās pasaules sateces baseinu kopas Péclet sateces baseins nodrošināja nozīmīgu saikni starp hidroloģisko reakciju un ainavas ģeomorfiskajām īpašībām.

Nesen ievērojamu uzmanību izpelnījusies pieeja ir “augstums virs tuvākās drenāžas” indekss (HAND), ko izstrādājuši Rennó et al. (2008), kas agrāk bija pazīstams ar citu nosaukumu, “pacēluma starpība (DZ)”, ko izstrādāja Crave un Gascuel-Odoux (1997). Šajā pieejā tiek pieņemts, ka ūdens seko visstraujākajai nolaišanās pa virsmas topogrāfiju, un, pamatojoties uz šiem drenāžas ceļiem, tiek novērtēts katras rastra šūnas atbilstošais augstums virs tuvākās atbilstošās upes šūnas. HAND ir veiksmīgi izmantots un pārbaudīts daudzos pētījumos dažādās ainavās. Piemēram, Gharari et al. (2011) salīdzināja hidroloģisko līdzību indeksu kolekciju, to jutību pret DEM izšķirtspēju un spēju identificēt trīs vizuāli iepriekš klasificētus ainavu veidus (mitrājus, pakalnus un plato). Viņu rezultāti izceļ HAND jutīgumu pret izvēlēto DEM izšķirtspēju un parāda, ka HAND kombinācijā ar slīpumu noved pie “vislabākā” rezultāta, salīdzinot ar vizuāli iepriekš klasificētiem novērošanas punktiem. Arī Gao u.c. (2014) izmantoja HAND kombinācijā ar slīpumu (turklāt viņi izmantoja arī šo aspektu), lai modeļa salīdzināšanas pētījumā identificētu hidroloģiski līdzīgas zonas. Tie parādīja, ka daļēji sadalīta modeļa iestatīšana, kuras pamatā bija HAND ainavu klasifikācijas shēma, salīdzinājumā ar hidrogrāfu bija labāka par vienreizēju un daļēji sadalītu (pamatojoties uz piespiedu datiem) hidroloģisko modeli. Tas pats vadošais autors Gao u.c. (2019. Visbeidzot, Zehe et al. (2019) izmantoja HAND kā gravitācijas potenciāla starpnieku augsnes ūdens potenciālās enerģijas aprēķināšanai un parādīja, ka viņu pieeja ir “labi piemērota, lai atšķirtu tipisko gravitācijas un kapilāruma kontroles mijiedarbību ar augsnes ūdens dinamiku dažādās ainavās”.

Iepriekš minētie pētījumi izceļ topogrāfiskā indeksa HAND lielo potenciālu un tā nozīmi hidroloģiskajos pētījumos. No teorētiskā viedokļa HAND tādējādi atspoguļo noteiktas ūdens masas vienības gravitācijas potenciālu, atsauces līmenim nosakot tuvākās atbilstošās upes pacēlumu. Ņemot vērā to, ka potenciālās enerģijas atšķirības ir galvenais sauszemes un virszemes vētras plūsmas virzītājspēks, HAND sadalījums pa ainavu ir galvenā kontrole ūdens sānos un ūdens izplatīšanā sateces baseinā. Tomēr, tā kā virszemes un pazemes ūdens plūsmas ir arī ļoti izkliedējošas (piemēram, Kleidon et al., 2013), līdzība ar HAND izplatību nav pietiekama, lai nodrošinātu līdzību attiecībā uz noteces veidošanos. Tas ir saistīts ar faktu, ka braukšanas potenciāls ir tikai viens no svarīgiem faktoriem, un katrai plūsmai plūsmas ceļā rodas berzes zudumi.

Šis ieskats atzīst otrā termodinamikas likuma būtisko lomu, pamatojoties uz kuru Zehe et al. (2014) apgalvoja, ka vienlīdzība ir raksturīga lielākajai daļai mūsu regulējošo vienādojumu, jo katra plūsma neizbēgami ir braukšanas potenciāla un pretestības termina mijiedarbības rezultāts. Attiecīgi kopējā plūsma caur sistēmu var palikt nemainīga, ja braukšanas potenciāls tiek dubultots, ja tiek dubultoti arī attiecīgie berzes pretestības zudumi. No šī viedokļa kontrolē tikai ainavas ar līdzīgām īpašību kombinācijām gan vadītāja un pretestības nosacījumiem jāatbilst pietiekamības nosacījumam hidroloģiskai līdzībai (noteces veidošanās ziņā).

Pēdējos gados hidroloģijā arvien vairāk tiek pievērsta uzmanība termodinamikas principu nozīmei. Oksfordas angļu vārdnīca termodinamiku definē kā “fizikas zinātnes nozari, kas nodarbojas ar attiecībām starp siltumu un citiem enerģijas veidiem (piemēram, mehānisko, elektrisko vai ķīmisko enerģiju), un attiecībās starp visiem enerģijas veidiem” (Oxford Dictionary of Angļu valoda, 2005). Ņemot vērā, ka visas plūsmas virza potenciāli un ka plūsmas obligāti ir “izkliedējošas” (tas nozīmē, ka tās rada entropiju saskaņā ar otro termodinamikas likumu, piemēram, Kondepudi un Prigogine, 2014), šķiet loģiski, ka termodinamikas jēdzieniem ir liela nozīme hidroloģijā. Tomēr, lai gan uz enerģiju vērsts uzskats ir piemērots dažādiem jautājumiem dažādās apakšnozarēs, piemēram, gruntsūdeņu hidroloģijā (Hubbert, 1940) un augsnes fizikā (Babcock and Overstreet, 1955), tas nav kļuvis par ierastu praksi klasiskajos nokrišņos -uz noteci vērsta virszemes ūdens hidroloģija. Tas, iespējams, ir saistīts ar spēcīgo inženiertehnisko kontekstu, kurā vēsturiski tika attīstīta izpratne par virsmas hidroloģiju, atklāti koncentrējoties uz praktisku problēmu risināšanu (Sivapalan, 2018).

Viens interesants agrīnais izņēmums ir Leopolda un Langbeina (1962) darbs, kas parādīja, ka jēdzienu “entropija” tās informācijas teorētiskajā formā (sk. Koutsoyiannis, 2014) var izmantot kombinācijā ar nejaušu pastaigu terminu, lai secinātu visvairāk drenāžas tīkla iespējamais stāvoklis. Tāpat Hovards (1990) un Rodrigess-Iturbe u.c. (1992) parādīja, kā termodinamiskās optimitātes principus var izmantot, lai iegūtu reālus sintētiskos upju tīklus. Šāds darbs motivēja Hergartenu u.c. (2014) un citi, lai piemērotu līdzīgus jēdzienus, lai izskaidrotu virszemes plūsmas modeļus.

Tomēr termodinamiskā perspektīva var būt daudz vispārīgāka un nekādā gadījumā neaprobežojas ar optimālu drenāžas blīvumu skaidrojumu. Kā piemēri Zehe et al. (2013) parādīja, ka makroporu termodinamiskais optimālais blīvums, maksimāli palielinot brīvās enerģijas izkliedi uzlādes notikumu laikā, ļāva pieņemami prognozēt nokrišņu un noteces reakciju zemāka mēroga sateces baseinā Hildebrandt et al. (2016) izmantoja uz enerģiju vērstu pieeju, lai izskaidrotu, kā augi iegūst ūdeni no augsnes, Džans un Savenije (2018) parādīja, kā sāls un saldūdens sajaukšanos estuāros var aprakstīt enerģētiski, un visbeidzot Zehe u.c. (2019) apsprieda, kā enerģētiska perspektīva par augsnes ūdens kustību var uzlabot mūsu vispārējo izpratni par sateces baseina hidroloģiju.

Iepriekšminētā diskusija izceļ termodinamiskās, uz enerģiju orientētās perspektīvas ievērojamo potenciālu, lai uzlabotu mūsu izpratni par hidroloģisko darbību dažādos svarīgos jautājumos. Viens no iemesliem, kāpēc uz enerģiju vērsta perspektīva attiecībā uz noteces veidošanos sateces baseina hidroloģijā joprojām ir izņēmums, nevis noteikums, var būt tas, ka saikne starp termodinamikas likumiem un jautājumiem, kas ir praktiski nozīmīgi hidroloģijā, ne vienmēr ir skaidri redzama. Tāpēc šī pētījuma motivējošs pamatojums ir šīs plaisas novēršana, parādot, kā termodinamikas pamatjēdzienus var izmantot, lai izstrādātu risinājumu klasiskajam hidroloģiskajam jautājumam: “kā ainavas ģeomorfās īpašības var izmantot, lai identificētu hidroloģiskās vienības kam ir līdzīga hidroloģiskā darbība? ”.

Šajā pētījumā mēs piedāvājam topogrāfisko indeksu, kas ņem vērā gan braukšanas potenciāla enerģijas starpību, gan uzkrāto izkliedes zudumu plūsmas ceļā pēc vienkāršiem termodinamiskiem argumentiem. Tādējādi mūsu indekss (samazināta izkliede uz garuma vienības indeksu) ir uz enerģiju orientēta labi definēta topogrāfiskā indeksa HAND pārinterpretācija un uzlabošana. Turpmāk mēs iegūstam savu indeksu, pamatojoties uz pirmās kārtas principiem, un pārbaudām, vai tas sniedz pietiekamu informāciju, lai varētu atšķirt divas ainavas, kas izteikti atšķiras atkarībā no to dominējošajiem noteces procesiem. Turklāt mēs salīdzinām savu indeksu ar nelielu topogrāfisko indeksu apakškopu, proti, HAND un bieži lietoto TWI. Visbeidzot, mēs apspriežam tā līdzības ar citiem ģeoloģiskajiem indeksiem, ko izmanto hidroloģijā, un secinām, ka viens nozīmīgs veids, kā veidot līdzības indeksus hidroloģijā, ir atsevišķi atzīt gan braukšanas potenciālu, gan pretestības terminu un tādējādi atsevišķi noteikt braukšanas potenciālu un izkliedes zudumus.

Šeit mēs iegūstam topogrāfisko indeksu, pamatojoties uz enerģijas bilanci, kas saistīta ar noteces veidošanos no kalna nogāzes. Tas ietver divus soļus: (i) secināt, kuras DEM īpašības sniedz informāciju par spēkiem, kas veicina noteces veidošanos, un (ii) noteikt, cik lielu pretestību ūdens plūsmai piedāvā ainava. Salīdzinājumam mēs īsi izskaidrojam vispāratzīto TWI un HAND.


Ievads

Daudzas meža un lauksaimniecības ekosistēmas ir pakļautas vienas no pasaulē invazīvākajām sugām, Phytophthora cinnamomi [1]. Phytophthora cinnamomi ir plaši izplatīts augsnes izraisītājs, kas inficē vairāk nekā tūkstoti koksnes sugu, izraisot sakņu puvi un īpaši ietekmējot valstis ar Vidusjūras klimatu [2]. Ir ziņots, ka šī augu slimība ir slimības izraisītājs Phytophthora atkāpšanās epidēmija jarrā (Eucalyptus marginata) Austrālijas dienvidrietumu mežs [3] un korķa un holma ozola masveida samazināšanās Eiropas dienvidrietumu daļā [4, 5]. Tas ir saistīts arī ar slimībām, kas ietekmē fynbos veģetāciju Dienvidāfrikas Keip reģionā [6] un ozolu Kalifornijā [7]. Phytophthora cinnamomi rada lielus zaudējumus citām meža sistēmām, piemēram, kastaņiem [8, 9] un dārzkopības kokiem, piemēram, avokado [10].

Lai iegūtu zināšanas par slimību pārvaldību, izkliedes modeļu telpiskā analīze var sniegt informāciju par inokulācijas avotiem, transportēšanu, izdalīšanās mehānismiem un slimību veicinošo vidi.Galu galā augu slimību invāzijas telpiskie modeļi ir sekas vides spēku ietekmei uz izkliedes procesiem [11]. Tāpēc pētījumi par patogēnu vai slimību izplatību palīdz identificēt galvenos epidemioloģiskos faktorus un prognozēt turpmākās slimības scenārijus, modelējot. Tomēr iegūtās atziņas ir ļoti atkarīgas no konkrētās telpiskās skalas, jo mēroga izvēle var ierobežot mūsu spēju izprast noteiktus epidēmijas aspektus, bet arī atvieglot citu pazīmju interpretāciju [12]. Pirms šī darba tika izmantoti globāla un reģionāla mēroga izplatīšanas modeļi, lai kartētu pašreizējos un nākotnes potenciālos diapazonus Lpp. kanēlis. Šāda mēroga modeļi ir nenovērtējami, lai novērtētu ne tikai nākotnes klimata scenāriju [2] ietekmi uz šīs slimības rašanos, bet arī galveno faktoru, piemēram, augsnes mitruma un temperatūras, kopējo ietekmi [13, 14]. . Turklāt analīze šajos mērogos ir atklājusi, cik svarīgi ir Phytophthora izplatīšanās ceļi, piemēram, augu materiālu starptautiskā tirdzniecība un tūrisms [15].

Ainavu mērogā varētu parādīties citi riska faktori, piemēram, mežu sadrumstalotība, biotopu neviendabīgums vai ģeofizikālās iezīmes [16, 17]. Piemēram, īsāks attālums līdz meža malai izraisīja paaugstinātu mirstības risku, kas saistīts ar pēkšņu ozola nāves slimību Phytophthora ramorum izraisīja Kalifornijā [18]. Strādājot ainavu mērogā, Keith et al. [19] atzina uzņēmīgo saimniekaugu izplatības un pārpilnības ietekmi uz Lpp. kanēlis atrašanās vietas modeļi. Ibērijā, Moreirā un Mārtiņā [20] un Kostā u.c. [21] uzsvēra krūmu klātbūtnes lomu ozola samazināšanā. Šajā telpiskās hierarhijas līmenī cilvēku un transportlīdzekļu satiksme [22], kā arī mājas un savvaļas dzīvnieku pārvietošanās [22, 23, 24, 25] ir identificēta kā izplatīšanās pārnēsātāji.

Stenda mērogā, kas parasti ir vissvarīgākais slimību vadītājiem, Lpp. kanēlis spēj izmantot vairākus izkliedes mehānismus: augsnes izplatīšanos, kontaktu no saknēm līdz saknēm, ūdens transportēšanu un izkliedēšanu cilvēkiem un dzīvniekiem [11, 26, 27]. Tomēr izkliedēšanas mehānismu novērošana un izpratne noteiktā vietā nav vienkārša, jo ir grūti noteikt precīzu inokulācijas avotu, transporta ceļu un izlietņu atrašanās vietu. Rietumu Austrālijas Bassendean kāpu ekosistēmās, novērojot inficētos Banksia mežus ar aerofotogrāfijām, atklājās lēns (aptuveni 1 m/gadā) slimības izplatības modelis. Vairāki autori [26, 27, 28] ir aprakstījuši šo modeļu formas un izvirzījuši hipotēzi, ka sakņu saknes kontakts ir dominējošais iebrukuma mehānisms.

Lai gan tas bija zināms Lpp. kanēlis izplatīšanos var vilkt ūdens vairāk nekā 120 m lejup pa dažām augsnēm [29], kā arī tas, ka tās var pārvietoties vēl tālāk, kad tās nes ūdens plūsmas [22, 3], mūsu izpratne par ūdens transportu augsnē nebūt nav pilnīga. Daži pētījumi liecina par vispārēju patogēnu klātbūtnes saistību ar ūdens daudzumu augsnē. Piemēram, noteiktā Ohaio dienvidu daļā, Lpp. kanēlis biežāk tika izolēts mitrās baltā ozola vietās (Quercus alba) mežs [30]. Citā pētījumā par kastaņu tintes slimības telpisko izplatību (Lpp. cambivora), tika konstatēta negatīva saistība starp slimību sastopamību, smagumu un koku mirstību, no vienas puses, un attālumu no drenāžas, no otras puses [9].

Iepriekš minētajā kontekstā izplatīšanās attālums, ko mēra no inokulācijas avotiem, tiek uzskatīts par vispārēju un svarīgu infekcijas riska faktoru. Šajā ziņā patogēna kopas bieži ir novērotas simptomātisku koku tuvumā [31], bet arī asimptomātiskas veģetācijas tuvumā [30, 32]. Pašreizējā pētījuma tēma attiecas uz šādu kopu formas un blīvuma sadalījuma noteikšanu. Šajā kontekstā ļoti interesants jautājums ir par to, vai šādas pazīmes var veiksmīgi reproducēt un paredzēt, izmantojot izkliedes modeļus, pamatojoties uz reakcijas un transporta vienādojumiem [33]. Šajā ziņā topogrāfiskajām iezīmēm, kas ietekmē vietējo izplatību, ir liela nozīme.

Vēsturiskās aerofotogrāfiju kolekcijas un mūsdienīgi augstas izšķirtspējas attēli ir izrādījušies nenovērtējams resurss atklāšanai, kvantitatīvai noteikšanai un kartēšanai Phytophthora meža koku slimības [26, 34, 35]. Tomēr būtiskus vides datus, piemēram, augsnes mitrumu, temperatūru un auglību, vai informāciju par cilvēku, dzīvnieku vai ūdens plūsmām ir grūtāk iegūt ar izšķirtspēju, kas atbilst patoloģijas sistēmas granularitātei audzes mērogā. Lai aizpildītu šo plaisu, no augstas izšķirtspējas digitālajiem reljefa modeļiem ir iegūti primārie ģeomorfoloģiskie atribūti, piemēram, augstums, slīpums un aspekts, vai atvasinātie atribūti, piemēram, topogrāfiskais izliekums un starojuma indeksi [36, 37]. Šie mainīgie tika izmantoti kā vides faktoru aizstājēji, kas ir pamatā bioloģiskajiem procesiem un to telpiskajam sadalījumam Phytophthora patogēni [9, 19, 20, 28]. To pašu pieeju var izmantot, lai novērtētu to dzīvnieku koncentrāciju vai blīvumu, kuri darbojas kā pavairošanas vektori. Piemēram, ir pierādīts, ka papildus lopbarības daudzumam un kvalitātei lielo zālēdāju izplatību ietekmē abiotiski faktori, piemēram, ūdens pieejamība, laika apstākļi un reljefs [38, 39]. Šajā ziņā ir ziņots, ka galvenās topogrāfiskās iezīmes, piemēram, aspekts, slīpums, saules starojums vai redzamības diapazons, ir biotopu izvēles iezīmes [39, 40, 41].

Vispārīgāk runājot, infekcijas slimību epidemioloģiskās analīzes augu apgabalos mērķis ir aprakstīt, izprast, salīdzināt un prognozēt epidēmijas [42]. Matemātiskos un statistiskos modeļus, neatkarīgi no tā, vai tie ir statiski vai dinamiski, izmanto, lai samazinātu epidēmijas fenomenu līdz tās būtiskajām īpašībām un aprakstītu galvenos slimības progresēšanas mehānismus. Konkrētāk, dinamisku pieeju mērķis ir reproducēt epidēmiju laika attīstību, izmantojot diferenciālvienādojumu kopumu, kas parasti ir savstarpēji saistīti. Šādi diferenciālvienādojumi satur deterministiskus un/vai stohastiskus terminus, kas atdarina vissvarīgāko faktoru ietekmi uz infekcijas izplatīšanos. Papildus tradicionālajām pieejām, piemēram, veselīgi latenti-infekciozi noņemtajam modelim [42], arvien biežāk tiek analizēta un simulēta augu slimību izplatība un bioloģiskie invāzijas kopumā, izmantojot modeļus, kurus lielā mērā iedvesmojusi reakcijas difūzijas sistēmu teorija.

Vienkāršākajā veidā reakcijas difūzijas modeļi savieno divas sastāvdaļas, proti, populācijas pieauguma funkciju un izkliedes kodolu, kas raksturo transportēšanu, izmantojot Fikija difūziju. Šajā vienkāršajā vidē iebrukums virzās pa koncentriskiem, parasti sadalītiem frontālajiem viļņiem, kuru izplatīšanās ātrums ir atkarīgs no sistēmas izkliedes [33]. Attiecīgajos vienādojumos var iekļaut papildu terminus, lai atspoguļotu sarežģītākas situācijas, piemēram, virziena izkliedi (advekciju). Reprezentatīvs piemērs ir vēja spēka lauks, kas ietekmē Phytophthora infestans sporas [33]. Citos gadījumos difūzijas kodolu varētu pielāgot, lai aprakstītu stratificētu vai divējādu izkliedes mehānismu, kas sastāv no vienlaicīgiem apkārtnes un tālsatiksmes izplatīšanās procesiem [43], kas veicina epidēmijas izplatīšanos [44]. Jebkurā gadījumā reālistiskā aprakstā jāņem vērā sasaiste starp patogēna dinamiku un infekcijas ekoloģisko virzītāju dinamiku, tādējādi kopumā nevar droši ignorēt noteiktu mainīgo stohastisko raksturu. Tompsons u.c. [14] pieņēma šo pieeju, lai risinātu vairākus ceļus, pa kuriem klimats (augsnes mitrums un temperatūra) var ierobežot izplatību Phytophthora cinnamomi reģionālā mērogā.

Šādi modeļi ir ideāli cēloņu un seku simulatori, tomēr, lai iegūtu apstrādājamu sistēmu, ko var atrisināt analītiski vai skaitliski, ir jāidentificē, jāsaprot un jāvienkāršo reālie procesi. Tāpēc pirmais solis pirms sarežģītāku modeļu izstrādes ir nemehānisku modeļu izmantošana, lai iegūtu sākotnēju ieskatu un attīstītu intuīciju par attiecīgās sistēmas uzvedību. Šajā gadījumā tiek izmantoti vairāki momentuzņēmumi, kas atspoguļo infekcijas slimības attīstību, lai iegūtu parametru vai neparametrisko metožu telpiskos datus par slimības progresu, kas vēlāk ir saistīti ar vides mainīgajiem [34]. Daži neparametriski modeļi, piemēram, maksimālās entropijas metodes, ļauj modelēt bioloģisko sadalījumu, pamatojoties tikai uz secināto patogēna klātbūtni [45]. Tomēr, ja ir pieejami abu veidu datu kopas, proti, patogēna un vides mainīgo telpiskais sadalījums, epidemioloģijā tiek plaši izmantoti gadījumu kontroles pētījumi, lai retrospektīvi analizētu skaidrojošo pazīmju ietekmi uz slimības notikumiem. Lai kvantitatīvi noteiktu saikni starp riska faktoriem un slimības stāvokli, koeficienti (relatīvais risks) un to standarta kļūdas tiek novērtētas, parasti izmantojot loģistikas regresijas modeļus. Gadījumos tika izmantoti lietu kontroles modeļi un loģistiskā regresija Phytophthora meža slimību pētījumi, lai parādītu sakarību starp koku vainaga stāvokli un patogēna klātbūtni/neesamību [46], lai noteiktu vides riska faktorus [28] vai izpētītu, vai koku un/vai audzes īpašības veicina progresu no slimības [47].

Mūsu komanda nesen ziņoja, kā Lpp. kanēlis izraisa milzīgu mirstību pundurviršu populācijās (Ērika umbellata) Spānijas dienvidrietumos [48]. Šajā pētījumā sakņu un rizosfēras augsnes paraugi no E. umbellata augi, kuriem bija izzušana un mirstība (1. attēls), tika savākti no 11 perēkļiem. A Phytophthora sp. tika konsekventi izolēts no 73% augsnes paraugu un no 46% sakņu. Visi izolāti tika identificēti kā Lpp. kanēlis pēc morfoloģiskajām un kultūras iezīmēm un ITS reģiona secības. Patogenitātes testa laikā, lai pārbaudītu cēloņsakarības izraisītāju, visi augi tika inokulēti ar Lpp. kanēlis nomira tikai 14 dienu laikā pēc patogēna infekcijas, atklājot ļoti augstu uzņēmību pret patogēnu. Turklāt slimības izplatība monospecifiskā virsājā bija viegli novērojama, jo tā veidoja cietus perēkļus, ko norobežoja tīra un šaura mirušo un mirstošo virsāju priekša. Tāpēc radās lieliska iespēja aprakstīt izplatību Lpp. kanēlis ar augstu telpisko izšķirtspēju, lai analizētu saistītos faktorus un sniegtu pirmo tuvinājumu teorētiskajam aprakstam vienkāršu uzstādīšanas modeļu izteiksmē.


Augsnes digitālās kartēšanas pielietojumi

Digitālā augsnes kartēšana tiek plaši izmantota, lai prognozētu augsnes klases un īpašības un izveidotu augsnes karti. Tomēr procesu, lai radītu telpiski skaidras dabas parādību prognozes, izmantojot kvantitatīvas attiecības starp apmācības datiem un prognozējošajiem mainīgajiem, var izmantot, lai izveidotu plašu informācijas produktu spektru. Turpmākajos punktos ir aplūkoti piemēri par augsnes digitālās kartēšanas pielietošanu pedoloģijā un saistītās jomās, lai iegūtu citus informācijas produktus, nevis augsnes kartes.

Rastrs pret daudzstūri, sadalīšana un esošo karšu novērtēšana

Neskaidra Landsat 7 spektrālo datu klasifikācija tika izmantota atjauninātajā augsnes apsekojumā par mitrajām un sāļajām kartēm gar Lielā Sāls ezera austrumu krastu, Jūtā, īpaši dažu ļoti plašu kartes vienību sadalīšanai. Sadalītais produkts parādīja augsnes komponentu sadalījumu (piesaistīts zemes seguma tipam) ar kopējo kartes precizitāti 88%. Tajā tika uzsvērta papildu informācija, ko rastra produkts var sniegt, bet vektora produkts nevar. Sadalītais rastra produkts ļāva uzlabot karšu vienību koncepcijas un līniju darbu, jo īpaši apgabalos, kas iepriekš bija apvienoti dažādās & ldquoPlaya & rdquo karšu vienībās, kurām nebija informācijas par augsni, lai to atbalstītu. Šī apsekojuma teritorija ir svarīga mitrāju saglabāšanai un migrācijas biotopam lielām putnu populācijām, un tā piedzīvo spiedienu, kas rodas no iejaukšanās attīstības (Kienast-Brown un Boettinger, 2007).

Divos Rietumvirdžīnijas apgabalos tika pabeigta augsnes apsekojuma ģeogrāfiskās datu bāzes (SSURGO) mantoto datu sadalīšana kartēs augsnes komponentu līmenī, izmantojot zināšanas par augsnes ainavu, datu ieguvi un prognozējošo modelēšanu (Nauman un Thompson, 2014). Lai izveidotu reprezentatīvas apmācības zonas visiem augsnes komponentiem, tika izmantoti SSURGO datu bāzē saglabāto augsnes un ainavas attiecību apraksti abām apsekojuma zonām, kā arī augstuma dati un atvasinātie ģeomorfie indeksi. Apmācības zonas tika izmantotas klasifikācijas koku ansambļu modeļos ar papildu vides kovariātiem, lai prognozētu augsnes sēriju apjomu (5.-13. Att.). No modeļiem tika ģenerētas arī prognozēšanas biežuma virsmas, un tās tika izmantotas, lai izveidotu nepārtrauktas augsnes īpašību kartes. Modeļa prognozes vienojās ar apstiprināšanas pedoniem 22 līdz 44% gadījumu. Šis pētījums parāda, kā sadalīšanas metodes var izmantot, lai atjauninātu augsnes apsekojumus.

Bioloģiskās augsnes garozas prognozēšana

Bioloģiskās augsnes garozas ir zilaļģu, aļģu, mikrofungātu, sūnu, aknu un ķērpju kopienas augsnes virsmā (Soilcrust.org, 2016). Tie stabilizē augsni, samazina vēja un ūdens eroziju un ir nozīmīgi augsnes N un organiskās C avoti sausās un daļēji sausās ekosistēmās (Belnap et al., 2001). Bioloģiskās augsnes garozas attīstības līmeņa (LOD) klases atspoguļo attīstības secību no zemas līdz augstai, augstākas klases norāda uz lielāku cianobaktēriju attīstību (Belnap et al., 2008). Tika pabeigtas telpiskās prognozes par zemām, vidējām un augstām LOD klasēm apgabalā, kas ieskauj un ietver Kanjonlendas nacionālo parku, Juta, lai palīdzētu pārvaldīt šo svarīgo resursu (Brungard un Boettinger, nepublicēti dati).

Telpiskās prognozes par bioloģiskās augsnes garozas LOD klases esamību vai neesamību tika iegūtas, izmantojot piecu statistisko modeļu vidējo vidējo vērtību (Malone et al., 2014): stohastisku gradienta palielināšanu, izlases mežus, maksimālo entropiju, vispārinātus lineāros modeļus un vispārinātus piedevu modeļus . Modeļu izstrādē izmantotās bioloģiskās augsnes garozas novērojumi tika iegūti 2006.-2009. gada augsnes apsekojuma atjaunināšanas laikā Kanjonlendas nacionālajā parkā, Jūtā.

Prognozēšanas nenoteiktība tika aprēķināta kā standarta novirze no kombinētajām varbūtības prognozēm no katra modeļa. Zemāka prognozēšanas nenoteiktība norāda uz stingrākām prognozēm. Prognozēšanas kvalitāte tika novērtēta, izmantojot atbilstību. Saskaņotība ir modeļu skaits, kas paredz klases parādīšanos katrā rastra šūnā. Augstas atbilstības vērtības (piemēram, 5) norāda uz apgabaliem, kuros visi modeļi paredz bioloģiskās augsnes garozas klātbūtni, un tādējādi identificē apgabalus, kuros klātbūtnes prognozēm var piešķirt lielāku pārliecību. Un otrādi, zemas atbilstības vērtības (piemēram, 1) norāda uz apgabaliem, kuros tikai daži modeļi paredz bioloģiskās augsnes garozas klātbūtni, un tādējādi identificē apgabalus, kuros var mazāk uzticēties telpiskajām prognozēm.

Ekoloģisko vietu prognozēšana

Ekoloģisko vietu saistīšana ar augsnes kartes vienībām ir svarīga augsnes kartēšanas sastāvdaļa ASV. Tas sniedz izpratni par to, kā biotiskie un abiotiskie faktori vidē mijiedarbojas un ietekmē viens otru. (4. pielikumā aplūkoti ekoloģisko vietu apraksti.) Ekoloģiskās vietas tiek uzskatītas par būtisku daudzu zemes pārvaldības lēmumu sastāvdaļu (USDA-NRCS, 2008). Ričas apgabalā, Jūtā, ir veikti vairāki pētījumi, kas vērsti uz veģetācijas veidu izplatības prognozēšanu, lai palīdzētu izprast ekoloģisko vietu telpiskās attiecības. Izvēlēts pacēluma (DEM) un spektrālo (Landsat) datu atvasinājumu kopums tika izmantots kā ieeja loģistikas regresijas modeļos, lai sagatavotu veģetācijas tipu prognozes, kurām ir galvenā loma ekoloģiskās vietas noteikšanā (Peterson, 2009). Tika ziņots par 71% precizitāti, pamatojoties uz neatkarīgu validācijas datu kopu.

Turpmākajā pētījumā Ričas apgabalā, Jūtā, tika izmantota augstuma un spektrālā atvasinājuma kombinācija un izlases mežu klasifikācija, lai prognozētu piecus dominējošos veģetācijas veidus (Stam, 2012). Ziņotā kopējā precizitāte bija no 81% līdz 98%. Šajā pašā pētījumā tika pētīta arī ekoloģisko vietu un stāvokļu prognozēšana, izmantojot Landsat spektrālo datu atvasinājumus un uzraudzīto klasifikāciju, īpaši maksimālās varbūtības klasifikatoru. Tika aprēķināts līdzības indekss, pamatojoties uz klasifikācijas laikā iegūto Mahalanobis attālumu un kas saistīts ar dažādiem ekoloģiskās vietas stāvokļiem (kopā 6). Līdzības indekss veiksmīgi noteica, kur ainavā sastopami dažādi konkrētas ekoloģiskās vietas stāvokļi ar precizitāti 65%.

Reto augu biotopu prognozēšana

Krūmveida niedru sinepes (Schoenocrambe suffrutescens), ASV federālā sarakstā iekļautais apdraudētais krūms, kas ir endēmisks Uintas baseinā, Jūtā, saskaras ar biotopu zudumu fosilā kurināmā enerģijas attīstības un ieguves dēļ. Lai identificētu iespējamo krūmāju niedru-sinepju (SRM) biotopu, tika izmantoti nejauši mežu modeļi un digitālie vides kovariāti (Baker et al., 2016). Lai izveidotu galīgo paredzamo karti, tika izmantota trīs soļu pieeja. Pirmkārt, laukā izmērītās augsnes īpašības tika izmantotas, lai prognozētu SRM klātbūtni vai neesamību (kļūda ārpus maisa [OOB] 10%). Otrkārt, šīs augsnes īpašības tika korelētas ar pacēluma un spektra datiem, ieskaitot DEM, DEM atvasinājumus un Landsat 5 TM attēlus, lai paredzētu SRM biotopu telpiskā mērogā un ģenerētu apmācības datu punktus galīgajam modelim (OOB kļūda 28%) . Kalcija karbonāta ekvivalents, dūņu saturs un sausās krāsas vērtība bija cieši korelēti ar dzeltenumu, kas iegūts no ķegļu cepures transformācijas, 3/2 normalizētās starpības attiecības un 3/1 normalizētās starpības attiecības (spektrālās joslas attiecības, kas parasti saistītas ar ģeoloģiju un karbonāta saturu). Treškārt, spektrālie un pacēluma dati tika izmantoti, lai izveidotu galīgo paredzamo rastra potenciālo SRM biotopu ar OOB kļūdu 23%, ko apstiprināja neatkarīga SRM atrašanās vietu datu kopa. Visos modeļos tika izmantoti mainīgas nozīmes diagrammas, lai norādītu vidējo precizitātes samazināšanos katram paredzamajam mainīgajam. Svarīgākie prognozējošie mainīgie tika atlasīti un samazināti līdz apakškopai, manuāli pakāpeniski likvidējot, lai iegūtu vislabāko modeļa atbilstību ar vismazākajiem mainīgajiem. Galīgo modeli var izmantot, lai identificētu iespējamo biotopu lielā teritorijā, it īpaši, ja attāls vai nelīdzens reljefs apgrūtina piekļuvi un prasa daudz laika un darba. Kad augsnes un vietas dati ir atrasti potenciālajām biotopu zonām, tos var izmantot, lai pārbaudītu SRM biotopu piemērotību un koncentrētu saglabāšanas vai atjaunošanas centienus.


3 Rezultāti

3.1 Topogrāfiskā, klimatiskā un fizioloģiskā ietekme uz ekosistēmas produktivitāti

Kumulatīvo skujkoku augšanu ļoti ietekmēja topogrāfiskais stāvoklis (3. attēls), tā ka kokiem, kas atrodas mitrā paugura nogāzē (3. attēls, zilās līnijas), kopumā bija lielāks kopējais pieaugums nekā kokiem, kas atrodas sausās paugura nogāzēs (3. attēls, sarkanās līnijas). Šis novērojums lika mums noteikt topogrāfiskā stāvokļa, sugu un topoklimata ietekmi uz skujkoku gada pieauguma tempiem. Vairāku lineāro regresijas modeli (1. tabula), ko izmanto, lai aprakstītu novēroto gada skujkoku pieauguma tempu (BAI) dispersiju, TWI izvēlējās kā galveno prognozējamo mainīgo (koriģēts) R 2 = 0,37), kam seko modeļa pārtveres sugas modifikācija (koriģēta) R 2 = 0,47), deficīts (koriģēts) R 2 = 0,48), sugu mijiedarbība ar deficīta koeficientu (koriģēts R 2 = 0,50) un sugu mijiedarbība ar TWI koeficientu (koriģēts kopā R 2 = 0,51). Visos gadījumos TWI pozitīvi ietekmēja gada pieauguma tempus. Mēs novērojām sugai raksturīgu reakciju uz TWI, tā, ka LAOC bija mazākā augšanas ātruma reakcija uz TWI (74,31 mm 2 TWI -1), kam sekoja PSME (78,86 mm 2 TWI -1) un PIPO (125,8 mm 2 TWI- 1). Deficīts negatīvi ietekmēja BAI visām sugām, tā ka lielāks klimatiskā ūdens deficīts izraisīja zemāku gada pieauguma tempu. Tomēr katrai sugai bija atšķirīga reakcija uz deficītu (PSME = -0,5787 mm 2 mm -1, LAOC = -3,866 mm 2 mm -1 un PIPO = -5,792 mm 2 mm -1). Visa parametru izvēles un modeļa atbilstības statistika ir norādīta 1. tabulā.

3.2. Topogrāfiskā ietekme uz meža struktūru

Ūdensšķirtnes skalā TPI tika izvēlēts pār TWI, lai aprakstītu relatīvos pakalnu skalas mikroklimatiskos apstākļus. Gan TWI, gan TPI apraksta relatīvos mitruma apstākļus dažādās ainavās (Western & Grayson, 1998 Weiss, 2001), bet atšķiras pēc reljefa īpašību novērtējuma. Augstās TWI vērtības (mitras vietas) ir ierobežotas līdz viskonverģējošākajām vietām kalnainā reljefā, jo ir metriskā jutība pret uzkrāto teritoriju un vietējo slīpumu. TPI ir slīpuma slīpuma skalas mitruma apstākļu gradients atšķirīgo augstumu atšķirību dēļ starp apkārtējiem kalna nogāzēm. Saistība starp šiem rādītājiem un karti, kurā parādīta telpiskā dispersija starp “mitrajām” TWI un TPI kalna nogāzēm, ir parādīta papildinformācijas dokumentā S1.

Stumbra blīvums samazinājās, palielinoties konverģencei visos gadījumos, tomēr katras attiecības relatīvā jutība bija saistīta ar deficītu (4.a – 4.c attēls un 2. tabula). Stumbra blīvums bija relatīvi nejutīgs pret TPI vietās ar augstu deficītu (4.a attēls un 2. tabula) un visjutīgākais pret TPI vietās ar mērenu un zemu deficītu (4.b un 4.c attēls un 2. tabula) tā, ka saplūstošajām pakalnu nogāzēm bija ievērojami mazāka vidējā vērtība stumbra blīvums nekā atšķirīgas pakalnu nogāzes. Visnegatīvākajam TPI kvantilam (konverģents) bija 26%, 41%un 41%mazāks vidējais cilmes blīvums nekā vispozitīvākajam TPI kvantilam (divergens) katrai attiecīgajai deficīta klasei (2. tabula). Katra modeļa uzvedība bija salīdzinoši nemainīga visās deficīta klasēs, tā ka nelineārais racionālais modelis pietuvojās lineārai tendencei. Atlikušā standarta kļūda (RSE) katram stumbra blīvuma modelim ir attiecīgi 24,49, 36,01 un 36,75 stublāji/ha klasēm ar augstu, vidēju un zemu deficītu (2. tabula).

Deficīta klases/atbildes mainīgais Modeļa piemērotība un parametri Statistika
RSE a b c TPI Vidējā 1. jautājums 3. jautājums
Stumbra blīvums (stublāji/ha)
Deficīts & 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 un gt deficīts & 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
Deficīts & 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
Bazālā platība (m 2 /ha)
Deficīts & 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 un gt deficīts & 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
Deficīts & 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
Lapu biomasa (Mg/ha)
Deficīts & 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 un gt deficīts & 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
Deficīts & 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
Kopējā biomasa (mg/ha)
Deficīts & 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 un gt deficīts & 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
Deficīts & 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

Bāzes laukums bija atšķirīgi jutīgs pret kalna nogāzes stāvokli atkarībā no deficīta (4.d – 4.f attēls un 2. tabula). Visām deficīta klasēm visvairāk saplūstošajām kalna nogāzes pozīcijām bija lielāka vidējā bazālā platība nekā visdažādākajām kalna nogāzes pozīcijām. Viskonverģējošākajam TPI kvantilam bija par 66%, 36%un 28%lielāka bazālā platība nekā visatšķirīgākajam TPI kvantilim attiecīgi augsta, vidēja un zema deficīta klasēm (2. tabula). Bāzes laukuma izmaiņu temps attiecībā pret TPI bija relatīvi nemainīgs vietās ar augstu deficītu (4.d attēls un 2. tabula), tomēr vidējā un zema deficīta vietās bazālā platība pieauga straujāk nekā lineārais ātrums (4.e un 4.f attēls) un 2. tabula). RSE katram bazālās platības modelim bija attiecīgi 9,144, 9,016 un 8,364 m 2 /ha klasēm ar augstu, vidēju un zemu deficītu (2. tabula).

Konverģentajām kalna nogāzes pozīcijām bija lielāks vidējās kopējās biomasas daudzums nekā atšķirīgām pakalnu nogāžu pozīcijām vietās ar augstu un mērenu deficītu, tomēr zema deficīta vietās bija maz atšķirību (4.g – 4.i attēls un 2. tabula). Konverģējošākajam TPI kvantilam bija par 45%, 17%un 4%lielāka vidējā kopējā biomasa nekā visatšķirīgākajam TPI kvantilam attiecīgi augsta, vidēja un zema deficīta klasēm (2. tabula). Līdzīgi kā bazālā platība, kopējās biomasas izmaiņu ātrums kā TPI funkcija bija relatīvi nemainīgs vietās ar augstu deficītu (4.g attēls un 2. tabula), tomēr vidēja un zema deficīta vietās pārmaiņu temps kļuva nelineārs (4.h attēls) un 4.i un 2. tabula). RSE katram kopējā biomasas modelim bija attiecīgi 2,570, 1,959 un 2,860 Mg/ha klasēm ar augstu, vidēju un zemu deficītu (2. tabula).

Lapu biomasa nepārtraukti palielinājās, palielinoties kalnu nogāžu konverģencei augsta deficīta vietās (5.a attēls un 2. tabula), vidēja deficīta vietās (5.b attēls un 2. tabula) bija neliela topogrāfiskā atkarība vai tās nebija vispār (5.b attēls un 2. tabula) un samazinājās, palielinoties konverģencei vietās ar zemu deficītu (attēls). 5.c un 2. tabula). Viskonverģējošākajam TPI kvantilam bija par 26% un 2% lielāka lapu biomasas vidējā vērtība nekā visatšķirīgākajam kvantilim ar augstu un mērenu deficītu, un vidējā lapu biomasa bija par 8% mazāka vietās ar zemu deficītu (2. tabula). RSE katram lapotnes biomasas modelim bija attiecīgi 0,943, 0,868 un 1,142 Mg/ha klasēm ar augstu, vidēju un zemu deficītu (2. tabula).

3.3 Topogrāfiskā ietekme uz meža zaļumu

Vietās ar augstu deficītu vidējais augšanas sezonas meža zaļums pastāvīgi palielinājās, palielinoties kalnu nogāžu konverģencei (5.d attēls, izkliedes punkti un melnā tendences līnija, un 3. tabula). Tomēr attiecības starp kalna nogāzes konverģenci un zaļumu mainījās atkarībā no mēneša (5.d attēls, krāsainas tendenču līnijas un 3. tabula). Augšanas sezonas sākumā ikmēneša pārmaiņu tempi bija līdzīgi vidējai augšanas sezonas uzvedībai (jūnijs = zilā līnija, jūlijs = zaļā līnija, 3. tabula), tomēr zaļums parasti bija augstāks visās TPI vērtībās šajos 2 mēnešos (3. tabula) . Vidēji jūnijs bija zaļākais mēnesis vietās ar augstu budžeta deficītu (5.d attēls, zilā tendence un 3. tabula). Augšanas sezonai pārejot uz augustu (5.d attēls, brūna tendences līnija), zaļuma vidējais lielums tika samazināts (3. tabula), tomēr pārmaiņu temps attiecībā uz kalna nogāzes konverģenci bija līdzīgs augšanas sezonas mediānam (3. tabula). Vēlā augšanas sezonā (5.d attēls, sarkanā tendences līnija) zaļums bija viszemākais (3. tabula) un palielinājās nelineāri no atšķirīgām līdz saplūstošām pakalnu nogāzēm (3. tabula).

Deficīta klase/laiks Modeļa piemērotība un parametri
RSE a b c
Augšanas sezonas vidējais rādītājs
Deficīts & gt 460 mm 0.007 0.357 −0.003 −0.006
460 mm un gt deficīts & gt 423 mm 0.009 0.324 0.008 0.027
Deficīts & lt 423 mm 0.009 0.313 0.007 0.026
jūnijs
Deficīts & gt 460 mm 0.008 0.388 0.003 0.010
460 mm un gt deficīts & gt 423 mm 0.007 0.341 0.011 0.035
Deficīts & lt 423 mm 0.008 0.322 0.010 0.034
Jūlijs
Deficīts & gt 460 mm 0.007 0.384 0.006 0.018
460 mm un gt deficīts & gt 423 mm 0.009 0.348 0.009 0.030
Deficīts & lt 423 mm 0.011 0.336 0.007 0.027
augusts
Deficīts & gt 460 mm 0.006 0.342 −0.002 −0.002
460 mm un gt deficīts & gt 423 mm 0.009 0.319 0.007 0.026
Deficīts & lt 423 mm 0.010 0.311 0.006 0.025
Septembris
Deficīts & gt 460 mm 0.007 0.329 −0.008 −0.022
460 mm un gt deficīts & gt 423 mm 0.009 0.299 −0.006 −0.016
Deficīts & lt 423 mm 0.009 0.286 0.004 0.017

Vietās ar mērenu deficītu vidējais augšanas sezonas zaļums pieauga straujāk par lineāro ātrumu no atšķirīgajām uz saplūstošajām kalna nogāzes pozīcijām (5.e attēls, izkliedes punkti un melnā tendences līnija un 3. tabula). Pārmaiņu temps jūnijā, jūlijā un augustā bija līdzīgs vidējam augšanas sezonas pārmaiņu tempam (3. tabula). Septembrī zaļums pieauga nelineārā veidā no atšķirīgām uz saplūstošām kalna nogāzes pozīcijām (3. tabula). Parasti jūlijā bija viszaļākās vērtības, bet septembrī - vismazāk zaļās vērtības (3. tabula).

Vietās ar zemu deficītu (5.f attēls un 3. tabula) augšanas sezonas regresija un katra mēneša regresija parādīja nelineāru zaļuma pieaugumu, palielinoties ainavas konverģencei (3. tabula). Līdzīgi kā mērenā deficīta vietās, jūlijs bija zaļākais mēnesis, bet septembris - vismazāk zaļais mēnesis (3. tabula).


3 METODES

3.1. Ģeomorfoloģijas kartēšana

Mēs izveidojām ģeomorfoloģisko karti, izmantojot 5 m izšķirtspējas satelītattēlus no Endalenas, 40 Ringdalen 40 un Saviukviayak. 41 Ievērojot Tolgensbakk u. C. Nomenklatūru. (2000), 42, mēs visas bezledus zemes formas veidojām kā vienu no šādām grupām: bloku laukus, pamatiežu atsegumus, koluviju (leņķa materiāls un slīpuma nogāzes), solifluction loksnes un plūsmu (palieņu un aluviālo ventilatoru materiāls). Bloku lauki bija plakani laukumi, kas atrasti virsotnes plakankalnēs ar atsevišķiem leņķa blokiem, kas novēroti satelīta attēlos. Pamatiežu atsegumus mēdz atrast virsotņu plato malās, ko ierobežo slīpas nogāzes. Attēlos pamatiežu krāsa ir tumšāka, un atsegumu stāvā rakstura un zemā saules leņķa dēļ bieži ir ievērojama ēna. Alohtonisks materiāls tiek definēts vienkārši kā materiāls, kas no izcelsmes vietas ir pārvietojies lejup (šādas zonas parasti sauc par nogāzēm ar gruvešiem), un mēs noteicām, ka šie reģioni atrodas pārejas zonā no aktīvās (attēlā pelēkās) uz mazāk aktīvo materiāls (attēlos dzeltenzaļš). Tolgensbakk et al. (2000) 42 šo terminu izmantoja, lai norādītu uz materiāliem, kas tika atrasti sānu nogāzēs, kurus acīmredzami nevarēja saistīt ar konkrētu zemes formu vai procesu. 42 Mēs turpinājām izmantot šo definīciju. Slīpuma nogāzes ir plakanas vai nedaudz vēdekļveida, bez veģetācijas, satur šķautņainu materiālu un parasti atrodas nogāzes vidū zem pamatiežu atseguma. Solifluction loksnes atrodas kalnu nogāžu pamatnē, ir veģetācijas un satur lobāta nogulsnes. 10 Mēs noteicām palienes, pamatojoties uz to vairākiem aušanas kanāliem, ko izraisīja pītas upes. Palienes robeža dažkārt ietvēra stāvu grēdu vai krastu. Aluviālie ventilatori atrodas ieleju izejā, un tajos ir pītas upes un sadales kanālu sistēma. Sānu malas nosaka zemes virsmas materiāla un iegriezto upju kanālu krāsas maiņa.

3.2 Klasifikatora izstrāde, apmācība un testēšana

Mēs apmācījām LDA klasifikatoru 43, izmantojot Adventdalen kartētās reljefa formas (1. LDA atrod labāko lineāro topogrāfisko parametru kombināciju, kas (a) maksimāli palielina attālumu starp divu vai vairāku klašu vidējiem rādītājiem, bet (b) samazina izkliedi ap vidējo katrā klasē. LDA projicē šo informāciju uz jaunu asi, ko sauc par lineāro diskriminantu 1 (LD1), lineāro diskriminantu 2 (LD2) utt., Un LD1 ir vislabākā lineārā mainīgo kombinācija, kas atbilst a) un b) apakšpunktam. LDA ir plaši un veiksmīgi izmantota, lai klasificētu zemes formas, ieskaitot periglaciālos lietojumus. 22, 24 Mēs izvēlējāmies LDA, jo tas ir vienkāršs instruments vairāku klašu klasifikācijai. Ir iespējams salīdzināt lineārās attiecības ar cerībām, pamatojoties uz fizisku izpratni par procesiem, kas regulē katru zemes formu. Piemēram, ir zināms, ka bloku lauki veidojas virsotņu plakankalnēs ar seklām nogāzēm.

Adventa laika reljefs Daudzstūru skaits Kopējā platība (km 2)
Blokfīlds 5 4.46
Pamatakmens 23 0.01
Koluvijs 26 1.75
Solifluction 4 0.53
Fluvium 13 19.02

Modeļa apmācības laikā mēs ieguvām pikseļu vērtību diapazonu, kas iegūts no 5 m fotogrammetrijas iegūtā DEM katrai kartētajai reljefai. Mēs aprēķinājām ArcGIS atvasināto 44 slīpuma aspektu, slīpuma gradientu, planformas izliekumu, profila izliekumu, kopējo izliekumu, topogrāfiskā mitruma indeksu, 45 topogrāfisko atvērtību 46 un ainavas nelīdzenumu, izmantojot 3 × 3 pikseļu kvadrātveida logu un SR1 īpatnējo vērtību attiecību. 47 Mēs saucam SR1 par attiecību ln (S1/S2), kur S1 ir no Makkeina un Roringa (2004). 47 Viņu pētījumā tika atzīmēts, ka SR1 attiecība var izvēlēties citus aptuvenus ainavas elementus, piemēram, ceļus, kanālus un pamatiežu atsegumus. SR1 apraksta tendenci vektoru datus sakopot tā, ka pītajām upēm un aluviālajiem ventilatoriem ir lielāks ainavas nelīdzenums vai zemākas SR1 vērtības, jo tās ir ļoti sadalītas ar kanāliem, un tām ir liela grants, bruģa, laukakmeņu un smilšu krastu noslodze. Mēs izmantojām paaugstinājuma un reljefa attiecību (ERR), 48 kur ERR = (xxmin)/(xmaksxmin) kustīgam logam 5 km diametrā. Loga izmērs atbilda citiem vietējā reljefa 49 pasākumiem, kas atbilst ledāju ielejas tipiskajam platumam.

Mēs veica rekursīvu funkciju novēršanas analīzi mūsu kartētajai zemes formu datu kopai no Adventdalen, lai noteiktu, kuri topogrāfiskie parametri visvairāk veicina klasifikatora paredzamo spēku. Mēs noskaidrojām, ka ERR, ainavas nelīdzenuma un slīpuma gradienta kombinācija rekursīvās iezīmju novēršanas analīzes laikā atdeva augstāko precizitātes punktu skaitu.

Lai novērtētu klasifikatora veiktspēju, mēs sadalījām zemes formas datu kopu 70% apmācības komplektā un 30% testēšanas komplektā, un novērtējām klasifikāciju, izmantojot tālāk definēto modeļa precizitātes metriku. Mēs šo vilciena/testa sadalīšanas procedūru atkārtojām desmit reizes dažādos zemes formas datu kopas segmentos un paņēmām vidējo precizitātes punktu skaitu. Mēs izmantojām šo testu, lai pārliecinātos, ka klasifikators nedarbojās atšķirīgi pēc apmācības par dažādiem zemes formas datu kopas segmentiem. Mūsu klasifikators ir apmācīts, izmantojot tikai 70% Adventdalen datu kopas, proti, 70% apmācības komplektu. Kopš šī brīža mēs to sauksim par mūsu “apmācīto klasifikatoru”. Neskatoties uz to, ka ir izvēlēta salīdzinoši maza, bet reprezentatīva teritorija (n & lt 10 dažām funkcijām), apmācības un testēšanas datu kopas bija precīzas un & gt80%, kas liecina, ka šie rādītāji šīs funkcijas labi uztver.

3.3 Klasifikatora pielietojums

Mēs izmantojām apmācīto klasifikatoru Endalen, Ringdalen un Saviukviayak sateces baseinos. Mēs izmantojām dažādu avotu DEM, lai klasificētu atlikušās vietas: 5 m izšķirtspējas fotogrammetrijas atvasināts DEM (Endalen un Ringdalen) un 5 m sintētiskās diafragmas radara radītais (Saviukviayak) DEM. 50, 51 Antropogēnās infrastruktūras, ūdenstilpņu, artefaktu, pikseļu, kas atradās satelītattēlā redzamās ēnas robežās, pikseļi, kas atbilst sniega segai satelītattēlā, ledāju un to iezīmju, kā arī piepildītu izlietņu noņemšana rastra virsmā pēdējais kvalitātes kontroles posms.

Klasifikācijas kvalitātes novērtējumu nodrošināja trīs rādītāji: precizitāte, atsaukšana un precizitāte. Precizitāte ir pareizo klasifikāciju (patiesi pozitīvi [Tp] un patiesi negatīvi [Tn]) īpatsvars no kopējā gadījumu skaita (Tp, Tn, viltus pozitīvi [Fp] un viltus negatīvi [Fn], tas ir (Tp + Tn) /(Tp + Tn + Fp + Fn), tādējādi sniedzot vispārēju klasifikatora darbības novērtējumu. Atgādināt ir pareizo pozitīvo klasifikāciju īpatsvars gadījumos, kas faktiski ir pozitīvi [Tp/(Tp + Fn)]. Precizitāte ir proporcija pareizu pozitīvu klasifikāciju (patiesi pozitīvi) no gadījumiem, kas tiek prognozēti kā pozitīvi [Tp/(Tp + Fp)].


1. Ievads

[2] Tropu mežiem ir liela nozīme pasaules ūdens un oglekļa dinamikā. Mitrie tropi pašlaik aizņem apmēram 25% no Zemes sauszemes, tropiskie meži aizņem apmēram pusi no šīs teritorijas. Esošajos tropu mežos ir 45–52% sauszemes biomasas oglekļa, 11–17% augsnes oglekļa, un tie veido 23–35% no pasaules neto primārās produktivitātes.Prentice et al., 2001]. Gada vidējā iztvaikošana no tropu mežiem ir aptuveni 1550 mm gadā, kas pārsniedz jebkuru citu zemes segumu.Kalderīgāks, 1999 Džans u.c.., 2001 ].

[3] Šajā pētījumā mēs pārbaudām zemes izmantošanas un zemes seguma ietekmi uz sateces baseina hidraulisko funkciju ainavās, kas raksturīgas Panamas kanāla ūdensšķirtnei (PCW) un lielai daļai sezonālo tropu, kurās ir izteikti slapji un sausi gadalaiki. Apmēram puse PCW ir atmežoti, un oficiālā politika ir veicināt ilgtspējīgu apsaimniekošanu, tostarp mežu atjaunošanu, gaidot ekosistēmas pakalpojumu atgūšanu un lauku lauksaimnieku iztikas uzlabošanu [Panamas kanāls (ĀKK), 2006 , 2010 Cerezo, 2011]. Vēlamie ekosistēmas pakalpojumi ietver: uzlabotu ūdens kvalitāti, palielinātu sausās sezonas bāzes plūsmu, hidrogrāfa virsotņu samazināšanos, mazāk ugunsgrēku, samazinātu eroziju, palielinātu oglekļa uzglabāšanu, palielinātu bioloģisko daudzveidību un izturību pret vidi, neatklātu farmaceitisko līdzekļu saglabāšanu un kokmateriālu ražošanu.

[4] Apmežošanai/atjaunošanai ir negatīva ietekme vai kompromisi. Ir atzīts, ka meži patērē ievērojami vairāk ūdens nekā neapmežotas ainavas.Trimble u.c.., 1987 Bonels, 2005 Bruijnzeel u.c., 2005 Brauns u.c.., 2005 Kosta, 2005 Bonan, 2008 Džeksons u.c.., 2005 Kaimovičs, 2005 Trabucco u.c.., 2008]. Dati no netropiskām plantācijām liecina, ka tad, kad meži aizvieto cita veida veģetāciju, notece parasti samazinās par 150–600 mm gadā [Džeksons u.c.., 2005 ].

[5] Šajā rakstā mēs izmantojam pāra sateces baseina metodoloģiju, lai pārbaudītu divus vēlamos hidroloģiskās ekosistēmas pakalpojumus, kas saistīti ar mežiem, palielinātu sausās sezonas plūsmu, kas saistīta ar lielāku infiltrāciju mitrā sezonā, tā saukto “sūkļa efektu” un samazinājumu. maksimālo noteces ātrumu un apjomu. Termins “sūkļa efekts” ir izmantots, lai apkopotu plašu augsnes hidroloģijas labvēlīgo īpašību kopumu, kas saistīts ar mežu klātbūtni salīdzinājumā ar citiem zemes segumiem. Bruijnzeel [2004] sniedza rūpīgu koncepcijas pārskatu un apgalvoja, ka, lai gan faktori, kas veicina sūkļa veidošanos, samazinās arī plūdu virsotnes, samazinātas plūdu virsotnes vien nesniedz pierādījumu par sūkļa efekta hipotēzi. Citi faktori, piemēram, nojumes pārtveršana un plūsmas ceļa izmaiņas, var arī samazināt plūdu virsotnes, ne vienmēr uzlabojot gruntsūdeņu papildināšanu. Mēs piekrītam Bruijnzeel [2004], un ierobežot “sūkļa efektu” līdz stāvoklim, kad labi attīstīta meža sega veicina augstu infiltrāciju un gruntsūdeņu papildināšanu mitrā sezonā, kā rezultātā palielinās plūsma sausos periodos, neraugoties uz kopējo ikgadējo noteci.Malmer et al., 2010]. Mēs atsevišķi pārbaudām, vai zemes izmantošana un zemes segums samazina maksimālo noteces ātrumu, kopējo noteci un pīķa pieauguma un krituma ātrumu (zibens) vētru laikā [Van Dijk un Keenan, 2007 ].

[6] Pārskati par sūkļa efekta hipotēzi atklāj ievērojamus strīdus. Piemēram, Starptautisko mežsaimniecības pētījumu centrs (CIFOR) [2005. Diemžēl arī “sūkļa teorija” ir izmantota neatbilstoši, lai nodrošinātu līdzekļus dažādiem attīstības un valsts projektiem. ” Uz priekšu CIFOR [2005] ietver paziņojumu, ka dokuments “. neizliekas par izsmeļošu pārskatu par šo tēmu. ”. Tomēr CIFOR [2005] kopš tās publicēšanas ir būtiski ietekmējusi politiku, un tā ir pelnījusi novērtējumu lauka novērojumu kontekstā.

[7] Tiek apstrīdēta arī mežu atjaunošanas/apmežošanas vērtība. Fārlijs u.c.. [2005] pārbaudīja apmežošanas ietekmi uz ūdens iznākumu, bet neiekļāva datu kopas no stāviem sateces baseiniem ar saprolītām augsnēm mitros sezonas tropos. FAO [2002] brīdina par vispārīgu apgalvojumu nepiemērošanu un mudina veikt konkrētus novērojumus un modeļus, novērtējot apmežošanas ietekmi uz hidroloģisko uzvedību. Kalderīgāks [1998] apgalvo, ka vietējā mijiedarbība starp infiltrāciju, gruntsūdeņu papildināšanu un palielinātu iztvaikošanas caurlaidību apmežošanas rezultātā galu galā noteiks apmežošanas ietekmi uz upju sausās sezonas plūsmām. Viņš arī atzīmē, ka šī mijiedarbība, visticamāk, ir ļoti specifiska vietnei. Kalderīgāks [1998] apgalvo, ka dziļi iesakņojušos koku stādīšana var samazināt gruntsūdeņu papildināšanu. Mēs atzīmējam, ka dziļas saknes, kad tās ir mirušas, var kalpot arī kā labvēlīgi plūsmas ceļi šaurās augsnēs un var palielināt gruntsūdeņu papildināšanu. Šim nolūkam mēs pievienojam vēl vienu faktoru, kas, šķiet, netiek ņemts vērā - koku sakņu ietekme uz gruntsūdeņiem, kas ietekmē ūdens līmeņa slīpumu. Tas ietekmēs gruntsūdeņu novadīšanu strautos vēlā sausā sezonā. Daži apgalvo, ka, palielinoties nokrišņu daudzumam, samazinās augsnes un augu seguma ietekme uz vētras plūsmu [Brūkss u.c.., 1989 Bruijnzeel, 1990]. Tomēr šis vispārīgais paziņojums nav rūpīgi pārbaudīts, un tas var būt atkarīgs no vietnei raksturīgiem faktoriem, piemēram, padarot to nederīgu.

[8] Tiek diskutēts par telpisko skalu, kurā varētu novērot zemes seguma kontrastu hidroloģisko ietekmi. Van Dijk un Keenan [2007] teikts: “Nesenā zinātniskā kopsavilkums atkārto, ka nav spēcīgu empīrisku vai teorētisku argumentu, lai sagaidītu plūdu samazināšanos lielos baseinos.CIFOR, 2005] šādi sinoptiski notikumi ir tieši saistīti ar ilgstošiem, intensīviem un liela mēroga nokrišņu notikumiem. Šis apkopojums galu galā nāk no Kiersch [2000], kas bez citātiem sniedz tabulu par zemes izmantošanas telpisko dimensiju ietekmi uz hidroloģiskajiem mainīgajiem, piemēram, vidējo plūsmu, maksimālo plūsmu, bāzes plūsmu un gruntsūdeņu papildināšanu. Šīs tabulas galvenais apgalvojums ir tāds, ka zemes segums un zemes izmantošana ietekmē tikai nelielas ūdensšķirtnes, kas nav lielākas par simtiem kvadrātkilometru. Šī tabula ir izmantota, lai pamatotu vispārējo hidroloģisko politiku [piem. FAO, 2002 CIFOR 2005].”

[9] Šajā kontekstā sūkļa efekta hipotēze ir bijusi galvenā strīdā par mežu un ūdens piegādi PCW. Viens pētījums, ko finansēja ASV Starptautiskās attīstības aģentūra [Hekadons-Moreno u.c.., 1999 Monitoresa de Kuenkas del Panamas kanāls (PMCC), 1999] izmantoja 9 mēnešu datus no abiem šajā dokumentā aplūkotajiem pētniecības apgabaliem un iesniedza datus, kas apstiprināja sūkļa efekta hipotēzi. Vēl viens ziņojums pēc Pasaules Bankas pasūtījuma [Kalderis u.c.., 2001] iebilda pret sūkļa efekta hipotēzi un pret PCW atjaunošanu kopumā. Trešais ziņojums, pēc Pasaules Bankas pasūtījuma [Aylward, 2002], novērtēja pārējos divus ziņojumus un aprakstīja rezultātus kā neskaidrus. Aylward [2002] atzina, ka, lai gan PMCC [1999] dati, šķiet, parāda sūkļa efektu, pētījums tika veikts, izmantojot datus, kas savākti 1997. gadā-neparasti sausā gadā, kas sakrita ar nozīmīgu El Niño notikumu, un bija pārāk īss termiņš, lai būtu pārliecinošs. Kalderīgāks [2007] atzīmēja, ka PCW pastāv neskaidrības par apmežošanas ietekmi uz zemām plūsmām, un atsaucas Aylward [2002], iesakot tālāku šī jautājuma izpēti.

[10] Galvenā sūkļa efekta demonstrēšanas problēma ir tā, ka to ir grūti definēt un izmērīt. Bruijnzeel [2004], apkopojot pētījumus visā pasaulē, norādīja, ka sausās sezonas plūsmu piegāde ietver gan augsnes, gan ģeoloģiskā substrāta hidroloģisko īpašību sarežģītu mijiedarbību, apgalvojot, ka “tas nemazina tik daudz“ sūkļa ”lietderības koncepciju, bet drīzāk ilustrē to nosacījumu klāstu, kādos to var lietderīgi piemērot. ” Bruijnzeel [2004] atzīmēja, ka šīs problēmas risināšanai nepieciešami plaši pētījumi par ūdens kustības fiziku mežainā un atmežotā ainavā un ka viens no pamatjautājumiem ir tas, vai meža atjaunošana var atjaunot sausās sezonas uzglabāšanu. Neviendabīgas ģeoloģijas un augsnes ietekme uz sūkļa iedarbības pakāpi ir īpaši svarīga, ja ņem vērā lielākus mērogus, piemēram, visu Panamas kanāla ūdensšķirtni.Bruijnzeel, 2004 CIFOR, 2005 Van Dijk un Keenan, 2007 Malmer et al., 2010 ].

[11] Iepriekšējie pētījumi koncentrējas uz augsnes matricas īpašībām, jo ​​tās var ietekmēt hidroloģisko reakciju. Tomēr lielākoties netiek ņemta vērā makroporu, sakņu un citu preferenciālo plūsmas ceļu ietekme un tas, kā to darbību ietekmē zemes izmantošana (piemēram, ganīšana). Makroporu, augsnes cauruļvadu un citu bioloģiski radītu preferenciālu plūsmas ceļu klātbūtne apgrūtina paaugstināšanu no lokalizētiem augsnes matricas infiltrācijas mērījumiem, izmantojot maza mēroga serdeņus vai infiltrometrus vai augsnes klasifikāciju, pamatojoties uz šiem mērījumiem [Chappell et al., 1998, 2005 Ghimire u.c.., 2013]. Galvenā problēma ir tā, ka dziļu infiltrāciju, sānu zemūdens plūsmu un sauszemes plūsmu ietekmē gan mikroskopa, gan makromēroga caurlaidība un ka nelielas caurlaidības atšķirības var radīt lielu ietekmi uz ūdens kustību pa dziļiem vai sekliem plūsmas ceļiem.

[12] Panamā ir pierādīts, ka preferenciālie plūsmas ceļi ietekmē infiltrāciju kalna nogāzes skalā. Niedzialek [2007] un Hendriks un citi. [2005. Šie augstie infiltrācijas rādītāji ir attiecināmi uz vertikālu un sānu preferenciālu plūsmas lejupslīdi no dzīvām un sabrukušām koku saknēm un dzīvnieku urvām [Bonels, 1993 Noguchi et al., 1999 Niedzialek, 2007]. Krāsu marķieru testi apstiprina daudzu preferenciālu plūsmas ceļu klātbūtni [Niedzialek, 2007 ].

[13] Nesen veikts pētījums lietus mežā Puertoriko austrumos [Larsens u.c.[2012. Rezultāti parādīja, ka slieku izslēgšana aptuveni divkāršoja sauszemes plūsmu, bet zemes gabala skalošanas erozija palielinājās četras reizes. Jādomā, ka šis sauszemes plūsmas pieaugums, ja to vispārinās uz visu kalna nogāzi, pārvērtīsies lielākās hidrogrāfa virsotnēs.

[14] Kopumā šis pētījums sniedz datus, ko var izmantot, lai pārbaudītu hipotēzes, kas saistītas ar Panamas kanāla ūdensšķirtnes mazo sateces baseinu hidroloģisko funkciju, atkarībā no zemes izmantošanas un zemes seguma. Mēs sniedzam stingrus datus, lai informētu par debatēm, kuras pašlaik aizņem vispārinājumi. Lai gan mūsu izpētes baseini ir mazi (& lt2 km 2), lielu sateces baseinu galu galā veido liels skaits mazu sateces baseinu. Piemēram, mūsu Panamas kanāla ūdensšķirtnes topogrāfijas topogrāfiskā analīze rāda, ka 96% no 2900 km 2 plašās PCW daļas ir pārklāti ar 150 ha lielu ūdensšķirtni.


6 Diskrētā zemes nogruvuma modeļa pielietošana

Modelis tiek piemērots 0,5 km 2 pētījuma teritorijai (CB-MR), lai novērtētu tā spēju reproducēt novēroto zemes nogruvumu lielumu un atrašanās vietu. Šie zemes nogruvumi notika 10 gadu laikā, un, izņemot 1996. gada vētru, zemes nogruvumus izraisošo vētru raksturlielumi (ti, intensitāte, ilgums un detalizētas laikrindas) ir slikti zināmi. Mēs pieņemam aprēķinus Montgomerijs u.c. [2000] par vētru īpašībām, kas izraisīja zemes nogruvumus. Topogrāfiskie dati sastāv no 2 m izšķirtspējas režģa, kurā ir LiDAR atvasinājumi, un sākotnējais vidējais datu punktu attālums ir 2,3 m [Rērings u.c., 1999]. Atšķirībā no CB-1 monitoringa pētījuma [Bellugi et al., 2015], augsnes dziļums, ūdens slāņa augstums un sānu un bazālo sakņu kohēzija atteices brīdī nav zināmi, un tā vietā tie jānovērtē no procesa apakšmodeliem, kas aprakstīti nākamajā sadaļā.

6.1. Telpiski mainīgo augsnes īpašību un hidroloģisko apstākļu modelēšana

6.1.1 Augsnes īpašības

(13) (14)

(15) (16)

Koeficienti Cr0 un j parasti iegūst vai nu no lauka datiem, vai uz literatūru balstītiem aprēķiniem par saknēm starp sakņu stiprumu, sakņu blīvumu un dziļumu. Mēs paplašinām vietnei raksturīgos mērījumus, par kuriem ziņoja Montgomerijs u.c. [2009] par CB-1 nogruvumu uz CB-MR pētījuma zonu, un noteikts Cr0 līdz 22 kPa un j līdz 5 m -1. Visa CB-MR teritorija bija skaidra 1987. gadā [Torres et al., 1998], un tādējādi sakņu stipruma telpiskās variācijas varētu būt samazinātas. Lai gan modelis, kas attiecas uz sakņu kohēziju un dziļumu, ir telpiski nemainīgs (15. vienādojums), augsnes dziļuma mainīgums izraisa sānu un bazālo sakņu kohēzijas mainīgumu (3. attēls), novērotie zemes nogruvumi parasti sastopami apgabalos ar zemu paredzamo sakņu kohēziju.

6.1.2 Hidroloģiskie apstākļi un vētru secība

Intensīvie lauka eksperimenti CB-1 parādīja, ka gandrīz visas vētras noteces plūst caur seklu saplīsušu pamatiežu zonu, pirms tās atkal tiek filtrētas augsnē un plūst uz kanālu [piem. Montgomerijs u.c., 1997 Torres et al., 1998 Montgomerijs un Dītrihs, 2002 Montgomerijs u.c., 2009]. Šīs eksfiltrācijas rezultātā radušies daļējas augsnes piesātinājuma plankumi izveidojās gar dobuma topogrāfisko asi [Montgomerijs u.c., 2009, 6. attēls]. Plašie pētījumi, kas veikti šajā vietā, parāda, ka, lai arī tie ir ļoti mainīgi, paaugstināta poru spiediena modeļi aptuveni atbilst pazemes plūsmai, kas seko galvas slīpumam paralēli topogrāfiskajai virsmai, un tas ir izplatīts pieņēmums seklajos virszemes plūsmas modeļos [piem. Bevens un Kērbijs, 1979]. Tā kā vadošās lūzuma pamatiežu zonas telpiskais modelis nav zināms un to ir ārkārtīgi grūti novērtēt, mēs pieņemam, ka vētras notece ir ierobežota ar augsnes slāni un ka galvas slīpums ir vienāds ar topogrāfiskās virsmas slīpumu, pieņēmumus, ko plaši izmanto citi [piemēram, Dītrihs u.c., 1992 Montgomerijs un Dītrihs, 1994 Wu un Sidle, 1995 Pack et al., 1998 Montgomerijs u.c., 2000 Šmits u.c., 2001 Borga u.c., 2002 Rosso u.c., 2006 Tarolli un Tarboton, 2006]. Mēs apzināmies, ka tas nav precīzs sarežģīto hidroloģisko procesu attēlojums, kas kontrolē vētras noteces plūsmu, taču šajā vietā šie vienkāršojumi ir noderīgi, lai nodrošinātu labu tuvinājumu augsnes piesātinājuma modeļiem. Šo pieņēmumu rezultātā parasti tiek pārvērtēts poru spiediens augsnē, bet tiek novērsti vietējie eksfiltrācijas izraisītie poru spiediena kāpumi, kas var lokalizēt zemes nogruvumus.

(17) (18)

Mēs izmantojam lauka izmērītos parametrus, kas iegūti pie CB-1, un iestatām v = 1 [Montgomerijs u.c., 1997 ], Sr = 0,6, kas atbilst 30% augsnes lauka ietilpībai šajā vietā [Torres et al., 1998], un K = 67 m/d [Ebels u.c., 2007b]. Šajā modelī nokrišņi tiek nekavējoties nogādāti piesātinātajā zonā un nokļūst katrā režģa šūnā, hi, uzreiz pielāgojas visā sistēmā.

Lietus mērītāji CB-1 nodrošina 10 minūšu izšķirtspējas laika rindu 1996. gada novembra vētrai, kas ir lielākā reģistrētā vētra pētījuma apgabalā, kas izraisīja CB-1 nogruvumu un četras citas CB-MR [Montgomerijs u.c., 2009 ]. Montgomerijs u.c. [2000] pārējos (pirms 1996. gada) zemes nogruvumus CB-MR attiecināja uz visintensīvākajām 24 stundu vētrām 6 gadu laikā, kad notika zemes nogruvumi. Mēs izmantojam sešu vagonu vētru raksturlielumus (nemainīgas intensitātes vētras uz noteiktu laiku, kas uzskaitītas 1. tabulā). Montgomerijs u.c. [2000], lai izveidotu poru spiediena telpiskos slāņus, izmantojot 18. vienādojumu, un piemērotu modeli katrai vētrai, radot neatkarīgas zemes nogruvumu prognozes. Lai izvairītos no dubultas uzskaites, atsevišķus zemes nogruvumus attiecina uz atsevišķām vētrām. Visi zemes nogruvumi 10 gadu ierakstā neizdevās augsnes un pamatklints saskarnē vai ļoti tuvu tai.Montgomerijs u.c., 2000], kas nozīmē, ka vietās, kur noticis zemes nogruvums, nebūtu pietiekami daudz augsnes, lai izgāztos nākamās vētras laikā. Tā kā modelētais augsnes dziļums un topogrāfija vētras secībā dinamiski nemainās, mēs nogruvumus attiecinām uz atsevišķām vētrām, un katrā nākamajā simulācijā mēs saglabājam tikai tos zemes nogruvumus, kas nepārklājas ar iepriekšējiem zemes nogruvumiem, kā rezultātā tiek iegūts galīgais saliktais paredzamo zemes nogruvumu kopums. Šīs attiecināšanas metodes izvēles iespējamās sekas mēs apspriežam 7.1. Sadaļā. Lai pārbaudītu nogruvuma modeļa veiktspēju ar sarežģītākām nokrišņu laika rindām (pretstatā nemainīgas intensitātes vagonu vētrām), mēs arī piemērojam 18. vienādojumu 1996. gada vētras 10 minūšu izšķirtspējas nokrišņu laika rindai (saukta par “1996. gada vētra”). ”, 1. tabula), līdz brīdim, kad ziņots par CB-1 kļūmi Montgomerijs u.c. [2009, to 3. attēls]. Šī vētra bija pēdējā un lielākā vētra pētījuma periodā, tāpēc šajā testā mēs ignorējam iepriekšējās vētras un saglabājam visus paredzētos zemes nogruvumus (ti, pieņemot, ka iepriekšējās, mazākās vētras arī būtu notikušas rekordlielu vētru laikā) ).

Vētras gads 1987 1990 1991 1992 1993 1996 1996 Detalizēts
Ilgums (dienas) 1 1 1 1 1 1 12,4 (10 minūšu sērija)
Intensitāte (mm/h) 5.0 3.85 2.5 2.37 4.06 6.87 0,94 (maksimālā stundā: 25,7)

4. attēlā parādīts augsnes piesātinājuma koeficienta telpiskais modelis (m), ko paredzēja hidroloģiskais modelis vētrām ar zemāko un augstāko 24 stundu intensitāti (2,37 un 6,87 mm/h), un 1996. gada vētrai CB-1 atteices laikā. Ūdens slāņa augstums dobumos vienmēr ir augstāks nekā atšķirīgās nogāzēs, bet apgabalos ar dziļākajām augsnēm, kur daži novērotie zemes nogruvumi ir tikai mēreni piesātināti, savukārt mēreni atšķirīgas vietas, kur augsne ir plāna, var būt piesātinātākas, kas liecina, ka piesātinājums vien nav primārā nestabilitātes kontrole. Piesātināto teritoriju apjoms ievērojami palielinās, palielinoties nokrišņu intensitātei. Furgons un detalizēts 1996. gada vētras attēlojums rada līdzīgus poru ūdens spiediena laukus (5.b un 5.c attēls) ar vidējo atšķirību & lt15%.


6 Diskusija

Izmantojot lauka apstiprinātu ainavas mēroga pieeju, lai kvantitatīvi noteiktu Delmarvas līča mitrāju straumes SHC, šis pētījums parāda, ka lauka un no ĢIS iegūtos rādītājus var izmantot, lai izskaidrotu un prognozētu mitrāju plūsmu savienojamības mainīgumu ainavas mērogā. Modelējot savienojamības rādītājus kā sateces baseina, mitrāju, pagaidu straumes un augsnes īpašību funkciju, kas atspoguļo hipotētiskos SHC draiverus, šie rezultāti veicina jaunu pētījumu jomu, kuras mērķis ir izstrādāt salīdzinoši zemas izmaksas, pielāgojamas pieejas plūsmas noturības noteikšanai visos straumes tīklos ( Bhamjee, Lindsay & Cockburn, 2016) un mitrāju ainavas. Apvienojot nokrišņu datus ar nepārtrauktiem SHC mērījumiem starp mitrājiem un pagaidu plūsmām, šis pētījums sniedz pierādījumus par sezonālām izmaiņām savienojamības modeļu pamatā esošajos virzītājos. ĢIS datu un plašu lauka datu kombinācija no 23 mitrāju plūsmas vietām ļauj mums sašaurināt ainavu faktoru kopumu, kas ietekmē mitrāju straumes SHC laiku un ilgumu. Svarīgs nākamais solis ir pārbaudīt šajā pētījumā izstrādātā savienojamības modeļa prognozes uz lauka un, tāpat kā (Golden et al., 2016), paplašināt šādus pētījumus, lai izprastu mitrāju kumulatīvo ietekmi uz plašākiem ūdensceļiem.

6.1 Mitrāju plūsmu savienojamības modeļu mainīgums laikā

Delmarvas līči ir sarežģītas sistēmas, kuru ainavu savienojamības pakāpe ir atkarīga gan no vietējiem, gan reģionālajiem hidroloģiskajiem procesiem. Tāpat kā citi depresīvi mitrāji, SHC starp Delmarvas līčiem un strautiem ir ūdens līdzsvara funkcija mitrāju sateces baseinos un ainavu atribūtos, ieskaitot augsni un, iespējams, lielumu (Golden et al., 2016 Leibowitz & Nadeau, 2003 Sharitz, 2003). Savienojumi, visticamāk, rodas periodos, kad ūdens ieplūde (nokrišņi, gruntsūdens izplūde) pārsniedz ūdens zudumus (iztvaikošana, gruntsūdeņu papildināšana Lide, Meentemeyer, Pinder, & Beatty, 1995 Sharitz, 2003), kas noved pie virsmas aizplūšanas no mitrājiem uz tuvējām strautiem. Šī 2015. gada lauka pētījuma rezultāti liecina, ka, tāpat kā 2010. gada ūdens gadā šajā ūdensšķirtnē (McDonough et al., 2015), sezonālā gruntsūdens dinamika nosaka ilgstošu (≥ 24 stundu) virszemes ūdens savienojumu laiku starp mežaino Delmarvu līča mitrāji un daudzgadīgās straumes no vēla rudens līdz vēlam pavasarim. Ūdens 2015. gadā vairāk nekā puse mitrāju-strautu virszemes savienojumu tika ieslēgti un izslēgti 3 nedēļu laikā (6. un 7. attēls). SHC sākuma un nobīdes datumu spatiotemporālā viendabība un telpiskās autokorelācijas neesamība pētījuma teritorijā liecina, ka sezonāls iztvaikošanas svārstību samazinājums, kam seko reģionāla gruntsūdens līmeņa paaugstināšanās, veic pirmās kārtas kontroli pār ilgstošu virszemes ūdens aizplūšanu līčos. pagaidu straumes, kad ūdens līmenis atrodas virs virsmas vai virs tās (Lide et al., 1995).

Saīsinātais (minūtes līdz stundas) SHC notikumu ilgums, kas novērots no pavasara beigām līdz vēlam rudenim 2015. gadā, atspoguļo SHC vadītāju sezonālo maiņu. Šie saīsinātie SHC notikumi sakrita ar sezonālajiem virsotnēm transpirācijā, kuru laikā Delmarvas līčos parasti trūkst virszemes ūdens (Fisher et al., 2010 Phillips & Shedlock, 1993), un parasti tie bija īslaicīgi virszemes ūdens līmeņi pagaidu straumēs pēc lietus. Pētījuma gadā nesenie nokrišņu daudzumi, kā liecina 5 dienu iepriekšējais nokrišņu daudzums, bija ievērojami lielāki dienās, kad notika SHC, salīdzinot ar dienām, kas nav SHC, norādot, ka iepriekšējie apstākļi un vietējā piepildījuma dinamika ietekmē arī mitrāju plūsmu savienojamība Delmarvas līčos.

Aizkavēšanās no SHC sākuma līdz izmērāmai pamatplūsmas izplūdei pagaidu plūsmās liecina par mehānisku SHC vadītāja pāreju no gruntsūdeņiem (ti, dīķa virszemes ūdens līmeņa ar gruntsūdens līmeni apkārtējās augsnēs un mitrājos) uz virszemes ūdens aizplūšanu (ti, mitrāju noplūdi) no rudens līdz ziemai.Lai gan vidējais sezonas sākuma datums notika 9. decembrī, bāzes plūsmas izplūde nebija izmērāma (t.i., ūdens dziļums ≤ 3 cm un/vai nav izmērāms ūdens ātrums kanālā) lielākajā daļā sateces baseinu līdz janvāra beigām (tiešsaistes papildu tabula, T1. Tabula). Lauka novērojumi apstiprina, ka šī nobīde tika saskaņota ar līča dīķu līmeņiem, kas pārsniedz to relatīvās noplūdes sliekšņus un ieplūst blakus esošajās pagaidu straumēs (4. attēls). Šis atklājums atbilst mitrāju savienojamības modelim, kas aprakstīts (Winter & LaBaugh, 2003), kurā virsmas aizplūšana tiek raksturota kā gruntsūdeņu plūsmas, noplūdes līmeņa paaugstināšanās virs normālā mitrāju ūdens līmeņa un nokrišņu notikumu funkcija.

Sezonas virszemes un gruntsūdeņu dinamikas izmaiņu ietekme uz hidroloģiju ainavu mērogā ir acīmredzama, palielinoties sezonālajai bāzes plūsmas izplūdei Tuckahoe Creek, Choptank upes pietekā, ziemā un agrā pavasarī (9. attēls). Ir labi dokumentēts, ka depresijas mitrājiem kopumā ir būtiska ietekme uz ūdensšķirtnes mēroga ūdens bilanci, palielinot sezonāli noteikto virszemes uzglabāšanu un gruntsūdens plūsmu (Evenson, Golden, Lane, & D'Amico, 2015). 2015. gada ūdens gadā straujais straumes pamatplūsmas maksimālais izplūdums zem mežainajiem mitrājiem tika novērots agrā pavasarī, norādot, ka Delmarvas līča mitrāji vismaz sezonāli veicina galvenās upes izplūdi caur tiešu virszemes aizplūšanu. Šis secinājums atbilst (Golden et al., 2016), kas ziņo par sezonālu ietekmi uz mitrāju īpašību un straumes plūsmas attiecībām Vidusatlantijas piekrastes līdzenuma ekoreģionā (Ziemeļkarolīna, Amerikas Savienotās Valstis), ieskaitot būtisku saistību starp mitrāju teritoriju un plūsmu pavasarī, kad slikti nosusinātas mitrāju sistēmas ātri reaģē uz nokrišņiem.

Pašreizējā pētījuma regresijas norādīja, ka viens vai abi mitrāju platības un mitrāju skaita rādītāji bija saistīti ar SHC ilgumu un sezonālo kompensācijas datumu (3. tabula). Turpmākie pētījumi ir nepieciešami, lai kvantitatīvi noteiktu sadalīto (virszemes ūdeņi salīdzinājumā ar gruntsūdeņiem) un/vai mitrāju plūsmu savienojamības kopējo ietekmi uz pakārtotajiem ūdeņiem (piemēram, vidējais sezonālais galvenās upes bāzes plūsmas pieaugums savienojumu laikā). Papildus SHC modeļu saistīšanai ar pakārtotajiem ekoloģiskajiem procesiem, turpmākajos pētījumos jāizpēta saistība starp mitrāju straumes gruntsūdeņu hidroloģisko savienojamību un ainavas īpašībām (piemēram, līča izmērs un augsnes tips [McLaughlin, Kaplan, Cohen, 2014]), lai labāk noteiktu šādu savienojumu sekas.

6.2 Ainavu raksturojums kā mitrāju plūsmu savienojamības modeļu prognozētāji

Starp ainavas prognozētāju rādītājiem pagaidu plūsmas garums, BFW un šķērsgriezuma laukums bija cieši saistīti ar visiem trim SHC rādītājiem, un BFW bija nozīmīgs prognozētājs visos galīgajos regresijas modeļos. Vairāki pētījumi ir ziņojuši, ka šie fiziskie mērījumi ir nozīmīgi straumes plūsmas ilguma prognozētāji, tostarp BFW (Fritz, Winerick, & Kostich, 2013 Svec et al., 2005) un iesakņošanās koeficients (plūdu pakļautais platums dalīts ar BFW [Fritz, Johnson, & Walters, 2008 Svec et al., 2005]), lai gan Fritz et al. (2013) piesardzīgi, tie var būt vāji prognozētāji lielu nokrišņu daudzumu, zemu topogrāfisko reljefu reģionos ar zemu erozijas potenciālu. Lai gan korelācijas starp metriku nenozīmē cēloņsakarību, divi mehānismi var izskaidrot attiecības starp SHC metriku un pagaidu plūsmas kanāla ģeomorfoloģiju. Pirmkārt, virszemes ūdeņu klātbūtne pagaidu plūsmas kanālos var izpausties kā neliels reģionālais dziļums gruntsūdeņos mūsu pētījuma reģionā (minimālais reģistrētais dziļums tuvējā urbumā 2015. gada ūdens gadā bija 0, 86 m) ar dziļākiem un plašākiem kanāliem. vairāk liecina par ilgstošu plūsmu, tostarp periodos pirms un pēc mitrāju straumes SHC. Otrkārt, lielāki plūsmas kanāli var liecināt par lielāku plūsmu ietekmi no mitrāju virsmas aizplūšanas uz kanālu uzturēšanu vai aktīvu veidošanu. Pētot plūsmas ilgumu augšteces straumēs visā Dienvidkarolīnas Pjemontā un Dienvidaustrumu līdzenumos, kur sateces baseina reljefa un straumes izplūdes vērtības bija līdzīgas šim pētījumam, Fritz et al. (2013) min kanālu ģeomorfoloģiju kā svarīgu parametru, noteicot ūdens plūsmas plūsmas klasi.

Kopumā lielāki, mitrāki sateces baseini (lielāks mitrāju skaits un platība, augstāks mitrāju hidroloģiskās noturības rādītājs) bija saistīti ar lielāku kumulatīvo SHC ilgumu un vēlākiem SHC kompensācijas datumiem. Šie rezultāti saskan ar iepriekšējiem konstatējumiem, ka mitrāju teritorija (McDonough et al., 2015) un kopējā sateces baseina teritorija (Lampo, 2015) ir pozitīvi saistīti ar augšteces plūsmas ilgumu līdzenās, labi nosusinātās ainavās. Lielāki, mitrāki sateces baseini bija saistīti arī ar lielākiem pagaidu plūsmas kanāliem, kas ilustrē iespējamo kolinearitātes ietekmi starp ainavu prognozētāju rādītājiem, precīzi identificējot novēroto SHC modeļu virzītājus (papildu tiešsaistes attēls F1). Turpmākajos pētījumos būtu jāapsver pieejas pārī ar sensoriem, lai atšķirtu dīķa periodus (ti, gruntsūdeņus) un straumes plūsmu (ti, mitrāju virsmas aizplūšanu) pagaidu straumēs, kas savieno mitrājus un straumes (Bhamjee et al., 2016), kas var palīdzēt labāk saistīt ainavas īpašības ar hidroloģiskajiem modeļiem.

6.3. Ainavas prognozēšanas regresijas modeļu precizitātes novērtēšana

Pakāpeniska regresija ir izmantota vairākos citos pētījumos Amerikas Savienoto Valstu Atlantijas okeāna piekrastes līdzenuma reģionā, lai modelētu hidroloģiskos modeļus kā ainavas īpašību funkciju (Julian, Elmore, & Guinn, 2012 McDonough et al., 2015). Līdzīga paņēmiena pielietošana šajā pētījumā dod iespēju salīdzināt secinājumus. Pamatojoties uz galīgajiem modeļiem un nenozīmīgām atšķirībām starp novērotajām un prognozētajām korelācijas stiprībām starp modeļiem, kas ietvēra ĢIS + lauka metriku un modeļus ar tikai ĢIS, no lauka iegūto prognozētāju metrikas pievienošana būtiski neuzlaboja modeļa veiktspēju (4. tabula). Faktiski no lauka iegūto prognozētāju metrikas noņemšana no pakāpeniskas regresijas noveda pie galīgā uz ĢIS balstītā kumulatīvā SHC ilguma modeļa ar lielāku atbalstu, par ko liecina AICc vērtības samazināšanās par 4,2 (Burnham & Anderson, 2002). Šie rezultāti liecina, ka starp šajā pētījumā izmantotajiem mainīgajiem GIS + lauka un uz ĢIS balstītie modeļi salīdzinoši labi darbojās, izskaidrojot SHC modeļu mainīgumu starp mežainajiem Delmarvas līča mitrāju sateces baseiniem.

Savā pētījumā, saistot ainavas atribūtus ar kanālu galvu atrašanās vietām, Julian et al. (2012) secināja, ka kanālu galvu rašanos pāri Merilendas piekrastes līdzenumam, visticamāk, noteica sauszemes piesātinājuma plūsma, ņemot vērā smilšainās augsnes un ūdens slāņa tuvumu. Turklāt viņi atzīmē, ka šķirota gultne un nosakāmas bankas bieži bija redzamas vairākus metrus lejpus mitrājiem. Mūsu rezultāti apstiprina šo secinājumu, jo uz ĢIS balstītie rādītāji par veicinošo platību (CatchArea), mitrāju platību (WetArea, NumWet) un piesātinājuma virszemes plūsmas potenciālu (WaterStorage) tika iekļauti galīgajos virszemes plūsmas ilguma un sezonālā savienojuma sākuma datuma augšējos ūdeņos modeļos. plūsmas (1. tabula). Veicinošais apgabals, ko var viegli aprēķināt, izmantojot DEM analīzes metodes, ir pastāvīgi ziņots kā nozīmīgs plūsmas pastāvības prognozētājs dažādos ģeogrāfiskos iestatījumos (Bent & Steeves, 2006 Fritz et al., 2013 Montgomery & Dietrich, 1988).


Lietus izraisīto zemes nogruvumu veicinošo parametru salīdzinošā analīze Nepālas Mazajā Himalajā

Himalajos cilvēki dzīvo plaši izplatītās apdzīvotās vietās un vairāk cieš no zemes nogruvumiem nekā jebkura cita veida dabas katastrofas. Intensīvie vasaras musoni ir galvenais zemes nogruvumu izraisīšanas faktors. Tomēr attiecības starp zemes nogruvumiem un nogāžu hidroloģiju nav bijušas galvenā tēma Himalaju zemes nogruvumu pētījumos. Šajā rakstā aplūkoti lietusgāzes izraisīto zemes nogruvumu, kas radās ekstremālu musonu lietusgāžu laikā 2002. gada 23. jūlijā, Katmandu ielejas dienvidrietumu pakalnos, Nepālas Nepāra, parametri. Šajā rakstā ir aprakstīti tādi parametri kā pamatiežu ģeoloģija, ģeomorfoloģija, augsnes ģeotehniskās īpašības un māla mineroloģija. Zemes nogruvumu modelēšana tika veikta SEEP/W un SLOPE/W, lai izprastu poru ūdens spiediena izmaiņu saistību augsnes slāņos un noteiktu zemes nogruvumu rašanās telpiskās variācijas. Tika konstatēts, ka augsnes raksturlielumi, zems smalkas iekšējās berzes leņķis augsnē, vidējais augsnes caurlaidības diapazons, māla minerālu klātbūtne augsnē, pamatiežu hidroģeoloģija un cilvēka iejaukšanās ir galvenie parametri, kas veicina nogāžu bojājumus reģionā.


3. REZULTĀTI

3.1 Plūsmas virziena salīdzinājums
D8, Dinf, MFD un DEMON straumes kanālu atrašanās vietas paredzēja atšķirīgi. Galvenā atšķirība straumes kanāla noteikšanā bija kalna nogāzes interpretācijā. Palielinoties izšķirtspējai, atšķirības starp D8 un DEMON samazinājās. Vizuāli pārbaudot 8. attēlu, izmantojot regresijas korelāciju, tika parādīta 1: 1 attiecība starp D8 un DEMON ar 2 m izšķirtspēju, ja plūsma ir definēta kā 5 ha (13,2 (ln ft 2)) baseins. Modeļi sāk korelēt tikai 30,4 ha (15,0 (ln ft 2)) pie 10 m USGS izšķirtspējas no 9. attēla. Palielinoties izšķirtspējai, punktu sadalījums šajos skaitļos kļūst vairāk ierobežots kreisajā apakšējā stūrī norādot korelāciju starp D8 un DEMON plūsmas virziena modeļiem. 5. tabulā apkopotas attiecības starp D8 un DEMON algoritmiem dažādās izšķirtspējās. Nevienu citu plūsmas virziena modeļu kombināciju attiecībā uz palielinātu izšķirtspēju nevar noteikt (G pielikums). G PAPILDINĀJUMS nodrošina sateces baseina laukumus ar jebkuru izšķirtspēju ar izmantotajiem plūsmas virziena modeļiem.

8. tabula. Visa sateces baseina šūnu diagramma 2 m LiDAR DEM pētījuma vietā (dabiskās žurnāla vērtības). D8 un DEMON korelē krietni virs aptuveni 5 ha sliekšņa, kā parādīts ar sarkano atzīmi. Zem 5 ha atzīmes atšķirības parāda izkliede.

9. tabula. Visu sateces baseinu šūnu diagramma 10 m USGS pētījuma vietā (dabiskās žurnāla vērtības). D8 un DEMON savstarpēji korelē, lai gan ne līdz brīdim, kad sateces baseins aptuveni 30 ha platībā ir pievienots, kā parādīts sarkanajā atzīmē. Zem 30 ha atzīmes atšķirības parāda izkliede.

5. tabula. Attiecība starp D8 un DEMON algoritmiem dažādās izšķirtspējās. Samazinoties izšķirtspējai, korelācija starp D8 un DEMON kļūst mazāka. Baseina lieluma vērtības noteiktas, vizuāli pārbaudot sateces baseina figūras.

Izmantojot LiDAR datu kopas, D8 nosaka plūsmas tīklus, kā arī DEMON. Endrēnijs un Vuds (2003) piešķīra 2D-Lea (DEMON celtniecības bloks) visaugstāko rangu, salīdzinot ar jebkuru viņu pētījumā izmantoto plūsmas modeli. Dati liecina, ka palielināta DEM izšķirtspēja samazināja nepieciešamību pēc sarežģītiem modeļiem, samazinot apstrādes laiku, kas vajadzīgs sarežģītiem modeļiem augstas izšķirtspējas DEM ’s. Tā kā D8 ir visbiežāk izmantotais modelis un vienkāršākais ieviešanā, skaitļošanas laiks skaitļošanas plūsmas tīklos tiek samazināts salīdzinājumā ar DEMON.

Salīdzinot LiDAR atvasināto 10 m DEM ar USGS 10 m DEM, D8 plūsmas kanāli ar sateces baseina izmēru ir aptuveni 12 ha un lielāki nedaudz saplūst starp abiem DEM un#8217 (10. attēls). Ja sateces baseini ir mazāki par 12 ha, konverģence nepastāvēja. Tā kā USGS 10 m DEM saturēja topogrāfiskas kļūdas attiecībā uz straumes kanāla atrašanās vietu, LiDAR un USGS straumes tika klasificētas kā identiskas, ja tās bija mazāk nekā 90 m attālumā, lai samazinātu kļūdu starp abām datu kopām. Tas izraisīja atšķirību ievērojamu samazināšanos starp diviem plūsmas tīkliem (Appeddix H). Šīs atšķirības rodas Strahlera 1., 2. un 3. plūsmā. Laukums 10. attēla apakšējā vidū atbilst apgabaliem, ja 10 m USGS zem prognozētajiem plūsmas kanāliem, salīdzinot ar laukumu attēla kreisajā pusē, kas atbilst apgabaliem, kuros prognozēts LiDAR 10 m.

10. tabula. D8 plūsmas algoritms, kas piemērots USGS un LiDAR ģenerētajam 10 m DEM. Ilustrē, ka straumes kanāli, kuru sateces baseins ir aptuveni 12 ha un lielāks, nedaudz saplūst starp diviem DEM un#8217 attiecībā uz D8. Ja sateces baseins ir mazāks par 12 ha, plūsmas kanāla atrašanās vietas atšķirības tiek parādītas ar izkliedi.

3.2 Izšķirtspējas ietekme uz plūsmas virzienu
Palielinoties DEM izšķirtspējai, palielinājās arī D8 modeļa jutība. Pie 2 m izšķirtspējas ceļš, kas šķērso strautu, tiek uzskatīts par aizsprostu, tāpēc strauts tiek novirzīts uz ceļa (11. attēls). Ceļa ietekme maina straumes atrašanās vietu un apjomu. Lai novērstu šo problēmu, tika izmantotas zināmas caurtekas vietas, strauts vai grāvju caurtekas pētījuma vietā, lai straume turpinātu zem ceļa. LiDAR DEM caurtekas vietās tika pazemināts augstumā, lai izraisītu plūsmas kanālu plūsmu uz caurtekām un prom no ceļa. Caurteku dati izraisa plūsmu plūsmu uz galveno kanālu, tādējādi samazinot ceļu ietekmi (12. attēls) (Schiess un Tyrall, 2003).

Samazinot LiDAR-DEM izšķirtspēju līdz 6 m, tika noņemts ceļa efekts un straumes tika novietotas reālākā vietā nekā 2 m nekoriģētās. Ar 6 m izšķirtspēju plūsmas modeļi nevarēja identificēt ceļus vai ar tiem saistītos grāvjus. Samazinoties LiDAR-DEM izšķirtspējai, samazinājās ceļa ietekme. Straumes kanāli lielākoties sekoja koriģētajam 2 m straumes tīklam (13. attēls). 6 m LiDAR-DEM priekšrocība bija tā, ka tas nodrošināja ievērojami uzlabotu straumes tīklu salīdzinājumā ar 10 m USGS DEM un atcēla nepieciešamību pēc caurtekas datiem.

11. attēls. Straumes, kas ģenerētas no 2 m LiDAR-DEM, sarkanā krāsā, neizmantojot caurtekas korekciju. Plūsmas caurtekas ir aplis, grāvja caurtekas ir trīsstūri. Pie 2 m izšķirtspējas modeļi dažus ceļus definēja kā plūsmas kanālus, apejot straumes caurtekas (bultiņas).
12. attēls. Straumes, kas ģenerētas no 2 m LiDAR-DEM, izmantojot caurtekas vietas. Straumes caurtekas ir apļotas, grāvju caurtekas ir trīsstūri. Caurtekas dati izraisa plūsmu plūsmu pa caurtekas leju, ļaujot straumei precīzāk virzīties uz galveno kanālu.
13. attēls. Pie 6 m izšķirtspējas plūsmas modeļi nevirzīja straumes pa ceļiem un grāvjiem. Noņemot ceļa efektu, plūsmas tika novietotas saprātīgā vietā.

3.3 Pašreizējā hidro slāņa novērtēšana
72% no plūsmām, kuras WA DNR identificēja kā 9. tipu (1.3. Sadaļa), nesatur ūdeni. Puse no tiem pat nesaturēja identificējamu straumes kanālu. Otro pusi varētu uzskatīt par sezonālu, lai gan ūdens erozija nebija. Pārējos 28%, kas saturēja ūdeni, bija arī daudzgadīgs sākuma punkts.

Tikai dažas straumes, kas ierakstītas kā 5, bija sausas, un lielākā daļa bija daudzgadīgas. 14. attēlā ilustrētas lauka pārbaudītas daudzgadīgās plūsmas, kas identificētas, izmantojot 6 m LiDAR DEM, salīdzinot ar to, ko DNR uzskata par daudzgadīgu. Ne visas straumes tika apmeklētas straumes galvas nepieejamības dēļ. Daudzgadīgo strautu garums palielinās par 530%, pārejot no DNR hidro slāņa daudzgadīgajiem tvaikiem uz lauka pārbaudītajām daudzgadīgajām plūsmām (6. tabula). Ja ap plūsmas kanāliem tiktu novietots vienots 30 metru buferis, standarta DNR regulējuma aprēķins, buferizētā platība pieaugtu par 350%.

14. attēls. Lauka pārbaudītas daudzgadīgas plūsmas, izmantojot LiDAR zaļā krāsā, salīdzinot ar to, ko DNR uzskata par daudzgadīgu zilā krāsā.

6. tabula. Daudzgadīgās plūsmas garuma atšķirības starp DNR hidro slāni un LiDAR plūsmas tīklu, kas iegūts no 6 m LiDAR DEM.
*Vienveidīgs 30 m buferis abām datu kopām daudzgadīgai plūsmai


3.4 Daudzgadīgo plūsmu noteikšana
Ņemot vērā Tahomas štata meža augsnes ģeoloģiju un topogrāfiju, daudzgadīga plūsma sākās, kad gruntsūdens parādījās, veidojot straumes galvu (15. attēls). Gandrīz 90% no laukā esošajām plūsmas galvām atbilst šim aprakstam, kas interpretēts kā atspere (16. attēls).

15. attēls. Plūsmas galvu nosaka ainava. Daudzgadīga plūsma sākas, kad gruntsūdens virspusē veidojas straumes galva

16. attēls. Pavasaris identificēts kā plūsmas galva laukā. Ko DNR uzskata par daudzgadīgu zilā krāsā.

Laukā 61 straumes galva atradās Mineral Creek, North Fork ūdensšķirtnē. 7. tabulā ir uzskaitīts plūsmu galvu sadalījums, un 17. attēlā parādītas galvu atrašanās vietas. Izmantojot PIP modeļa sadaļā aprakstīto metodi, pētījuma vietā pēc nejaušības principa tika atlasītas 53 galvas, kuras jāizmanto, lai izveidotu modeli, lai prognozētu daudzgadīgos sākuma punktus (PIP).

7. tabula. Apakšbaseini, ko izmanto daudzgadīgo galvu identificēšanā, ar lauka apmeklēto straumju galvu skaitu.

17. attēls. Plūsmas galviņas zaļā krāsā pētījuma vietā. Straumes kanāls, kas ģenerēts no 6 m LiDAR-DEM.

Galīgajā PIP lineārās regresijas modelī tika izmantots mazāk mainīgo, nekā gaidīts. Pēdējais modelis izvēlējās baseina izmēru, izmantojot D8, procentuālo slīpumu un nokrišņus. Lejupvērsto gradientu, meža blīvumu, augstumu un vietas klasi nevarēja izmantot, lai izveidotu vienādojumu straumes galvu atrašanās vietu varbūtības noteikšanai, pamatojoties uz 0,05 nozīmīguma līmeni. 8. tabulā ir apkopoti mainīgie, ko izmanto regresijai. Šī modeļa Hosmer-Lemeshow chi kvadrāta statistika bija 10,262, un -2 Log varbūtības statistika bija 80,130. Šī modeļa pašklasifikācijas precizitāte bija 77,4% daudzgadīgajai plūsmai un 88,7% daudzgadīgajai plūsmai. I PIELIKUMS sniedz papildu statistiku par regresiju.


Skatīties video: Karte top (Oktobris 2021).