Graciela Salmuni
-
Upload
cristian-carvajal -
Category
Documents
-
view
121 -
download
7
Transcript of Graciela Salmuni
Optical and radar images for forecast snowmelt in the higth mountains rivers and
cadastre of glaciers
Graciela Salinas de Salmuni CONAE [email protected]
Proyecto de cooperación Binacional Argentina y Chile monitoreo de nieves, glaciares y vegas en las cuencas altoandinas de la provincia de San Juan y la región de
Coquimbo
Argentina
Institución de Actividad Espacial
CONAE
Instituciones académicas
Universidad Nacional de San Juan
Instituciones manejo de recursos
Dirección de Hidráulica
Secretaría de Ambiente
Chile
Institución de Actividad Espacial
ACE
Instituciones académicas
Universidad de La Serena
Instituciones manejo de recursos
Dirección de Obras Hidrálicas
Aguas del Valle
Actividades desarrolladas
Seminario y Taller en Ciudad de San Juan Firma de convenios Fijar objetivos
2 Seminarios Ciudad de La Serena
Gobierno de la de Coquimbo
Universidad de La Serena
Universidad Nacional de San Juan
CONAE
Curso Introducción Percepción Remota, Insituto Gulich, CONAE, Córdoba Curso Percepción Remota aplicado
a los Recursos Naturales, Facultad de Agronomìa, Universidad de la Serena Curso de Uso de imágenes ASTER, ciudad de San Juan con SEGEMAR (Servicio Geológica Minero de Argentina) Curso Identificación y evaluación de cobertura de nieve con imágenes
MODIS, SAC-C y Landsat TM. Ciudad de San Juan Trabajo de campo en cordillera de Los Andes de Argentina y Chile Desarrollo de proyectos de investigaciòn y operacionales en ambos paises
Temas de interés en el proyecto
Cobertura de nieve
fuente de agua para uso humano, agrícola, industrial y energético
Monitoreo de glaciares, recurso hídrico amenazado por el cambio climático global
Alerta temprana de aluviones y avalanchas
en época de deshielo
Gestión de desastres: provocado por acumulación de cenizas volcánicas en zonas de precipitación nívea y presencia de glaciares
La Totora Norte: San Juan
Pluma de cenizas Puyeue
Ciclos Hidrológicos de Argentina y Chile
Valles agrícolas Cobertura nieve
Fluje al Pacifico Cobertura de nieve
Ciclos Hidrológicos de Argentina y Chile
En los Andes Centrales de Argentina y Chile el clima es árido
a semiárido con precipitaciones de aprox. 150 mm al año.
El agua proviene principalmente de la fusión de nieve y
glaciares. Los meses de mayor acumulación desde abril a
agosto y los de fusión desde septiembre a marzo.
Zona de estudio
En los ecosistemas frágiles de montaña es fundamental el
manejo adecuado de sus cuencas hidrográficas y de esa
manera preservar el recurso tan apreciado, como es el agua,
que tiende a escasear debido a su creciente explotación para
las actividades económicas, el uso humano en aumento y por
los fenómenos de cambio global.
Zona de estudio
Evolución de la cobertura nival Zona de estudio
Abril (inicio de nevadas) Octubre (inicio de deshielo) Julio (acumulación)
Variación estacional de la cobertura de nieve a lo largo del ciclo hidrológico en ríos con régimen de alimentación nivo-glaciar
Imágenes: Abril – Agosto(época acumulación)
1995, y 1997, años identificados como “Niña” y “Niño” respectivamente ( Poblete, 2000)
Criterios selección: 1) fechas próximas entre el año 1995 y 1997
2) misma franja horaria (14 hs), para evitar las distorsiones causadas por distintos ángulos de iluminación del sol.
3) área de estudio en el centro de la escena, para evitar distorsiones geométricas de los bordes de la imagen,
4) ausencia de nubes en el área de estudio.
Año 1995: 18 de Agosto, 20 de Julio, 21 de Junio y 06 de Mayo. Año 1997: 23 de Agosto, 16 de Julio, 28de Julio, 06 de Junio
Precipitación de nieve y fenómeno “El Niño”
)
Imágenes NOAA VHRR
Alta resolución temporal (imágenes diarias).
1-Visible
0.550 – 0.880
2-IR Cercano
0.725 – 1.100
3-SWIR
3.550 – 3.930
4-IR-Termico
10.30 – 11.300
5-IR-Termico
11.50 – 12.500
a) imagen B3-B4; b) imagen B1, (B3-B4)
a) b)
Precipitación de nieve y fenómeno “El Niño”
cobertura de nieve Metodología usada por NWS (NOAA) Holroyd and Carroll (1990) y Holroyd, et al. (1989)
clasificación multiespectral B1,(B3-B4)
-bandas 1 por su alta reflectancia en la nieve -la banda sintética (B3-B4) para discernir entre nubes y nieve ya que la reflexión de las nubes es mucho mayor que la de la nieve en la banda 3 y resulta útil para separarlas
Enmascaramiento (cobertura de nieve)
Georreferención
Superperposición al MDT
Generación de tablas y
Graficación de curvas hipsométricas con superficie de nieve en rangos de altura de 200 metros
Precipitación de nieve y fenómeno “El Niño”
Curva Hipsométrica
0
1000
2000
3000
4000
5000
6000
7000
0 200.000 400.000 600.000 800.000 1.000.000
Superficie Nieve acumulada (Ha)
Altu
ra s
/niv
el m
ed
io d
el m
ar
(m)
junio
NOAA AVHRR 3 D
Comparación de coberturas de nieve de los años 1995 y 1997
1995 1997 La Niña El Niño
Precipitación de nieve y fenómeno “El Niño”
Conclusiones
La relación nieve acumulada según la altura es un indicador sensible a los cambios causada por “La Niña” y “El Niño”
Los resultados obtenidos al estimar la cobertura de nieve se corresponde con los registros de caudal promedio anual
en 1995. de 955 hm3 aprox. 600 Hm3 por debajo de lo normal, en 1997 de 3897 Hm3 más de 2000 hm3 , por encima de lo normal.
Precipitación de nieve y fenòmeno “El Niño”
Imagen SAC-C MMRS 4,3,2 del mes de abril
Cuenca superior del Río Jachal
Cuenca superior del Río San Juan
Obtención de la máscara de nieve
1. Obtención de la mascara de nubes
2. Clasificación multiespectral supervisada
3. Corrección de sombras en zonas de montaña (métodos de post- clasificación)
4. Métodos aditivos multifechas (mosaico multi-temporal) en zonas con pérdida de información por nubes
Identificación de nieve con SAC-C
Identificación de nieve con SAC-C
Febrero 26 Febrero 10
Agosto 21 Junio 18
Enero 9 de 2002 Diciembre 8
Junio 2
Noviembre 22
Mayo 1 de 2001 Junio 25 Septiembre 19 Octubre 21 Julio 27 Agosto 18
Mayo 1 Septiembre 6 Octubre 8
Marzo 30
Identificación de nieve con SAC-C
Determinación de nieve con Índice de nieve
NDSI (Normalized Difference Snow Index), Dozier 1989 NDSI = (TM(VIS)-TM(SWIR))/ (TM(VIS)+TM(SWIR))
NDSI (Normalized Difference Snow Index), Dozier 1989 NDSI = (TM(VIS)-TM(SWIR))/ (TM(VIS)+TM(SWIR))
Determinación de nieve con Índice de nieve
NDSI = (TM(2)-TM(5))/ (TM(2)+TM(5))
Determinación de nieve con Índice de nieve
RGB 5,4,2 NSDI NSDI con mascara de
agua
NSDI
Umbral 0.6
NDSI = (TM(2)-TM(5))/ (TM(2)+TM(5))
Indice de nieve con SAC-C
NDSI discrimina la nieve mezclada con detritos rocosos.
Umbral 0.5 Umbral 0.4
Indice de nieve con SAC-C
USO DE IMÁGENES MODIS PARA LA IDENTIFICACIÓN DE NIEVE
Argento, G.1; Millón, J.1; Salmuni, G.2
Aplicaciones proyectos operacionales
Objetivo: Ajustar la metodología de procesamiento de datos provenientes de sensores ópticos MODIS (Moderate Resolution Imaging Spectroradiometer) a bordo de los satélites TERRA y AQUA. Generar una base de datos con la variable de cubierta de nieve y su aplicación en los modelos de predicción de caudales.
Aplicación de NSDI a imágenes MODIS
Cateo de nieve anual en Octubre Canal de distribución de agua para regadío
Imágenes MODIS Alta sensibilidad radiométrica (12 bits) en 36 bandas espectrales que varían en longitud de onda de 0,4 µm a 14,4 µm. Proporciona imágenes con una resolución temporal de 1-2 días, y resolución espacial de 250 m (banda 1-2), 500 m (banda 3-7) y 1 km (banda 8-36). La selección de imágenes satelitales se realizaron en fechas correspondientes a las temporadas de acumulación y derretimiento de nieves, en el período Abril a Septiembre del año 2011. Se adoptó el criterio de cobertura de nubes mínimo. En principio se enmascararon los cuerpos de agua que interfieren en la discriminación de nieve, utilizando el infrarrojo cercano (B2 de MODIS) y se eliminaron aquellos pixeles con reflectancia ≥ 0.11 (Klein y Barnett, 2003); de igual manera se enmascararon las sombras utilizando, eliminando los pixeles con reflectancia ≥ 0.10. Para la determinación del área cubierta de nieve (SCA) se aplicò el Índice NDSI (Normalized Difference Snow Index) (1), caracterizado por alta reflectancia en el visible (MODIS banda 4) y baja reflectancia en el infrarrojo de onda corta (MODIS banda 6). (Hall et al., 1995).
Metodología
Superficie de la cobertura nívea por altura en todas las imágenes, desde abril a septiembre de 2011. Tabla 1
Intervalo de altura (m) Cantidad de
Pixel Nieve
Área Nieve
Total
Área Nieve
Acumulada Porcentaje
Acumulado
(m.s.n.m) Ha Ha
1000 2000 0 0 0 0,00%
2001 3000 1.064,00 26.600,00 26.600,00 2,20%
3001 4000 22.785,00 569.625,00 596.225,00 49,20%
4001 5000 22.539,00 563.475,00 1.159.700,00 95,80%
5001 6000 1.977,00 49.425,00 1.209.125,00 99,90%
6001 7000 65,00 1.625,00 1.210.750,00 100,00%
Superficie cobertura total de Nieve 1.210.750,00 Ha (12107,50 Km²)
Resultados
ABRIL 2011 MAYO 2011
JUNIO 2011 JULIO 2011
AGOSTO 2011 SEPTIEMBRE 2011
Resultados
•Las imágenes MODIS son las adecuadas por su alta
resolución temporal y permite monitorear grandes
áreas (mayores a 10 km)
•La metodología propuesto es operacional dado que es
sencillo y de fácil implementación.
•La zona de estudio presenta un relieve escarpado y de
gran altura (hasta 6400m), por lo tanto las sombras
cobran gran importancia, el procesamiento utilizado
permite eliminar estas superficies en la banda del
visible.
•El comportamiento del proceso de acumulación
(invierno) y fusión de nieve (verano), esta influenciado
por la elevación de las diferentes zonas en estudio.
• Existe un alto porcentaje (49%) de superficie con
nieve a cotas mayores a 3000 m. Esto se debe a que la
acumulación de nieve aumenta con la elevación, por el
efecto combinado de bajas temperaturas y el incremento
de la precipitación nívea por efecto orográfico.
conclusiones
PRONOSTICO DE ESCURRIMIENTOS DEL
RIO SAN JUAN
Ciclo Hidrológico: JULIO DE 2012 A
JUNIO DE 2013
Programa “Gestión Integral de Cuencas Hidrográficas, Ingeniería Hidráulica y Ambiental” – PGICH-
Docentes y alumnos de grado y postgrado del Departamento de Ingeniería Civil de la Facultad de Ingeniería de la Universidad de San Juan. Director:Dr. Ing. R, Dölling
Extensión científica de la Universidad Nación al de San Juan al Gobierno de la provincia de San Juan.
Aplicaciones proyectos operacionales
La metodologìa utiliza datos de satélite MODIS procesados (de resolución 500mx500m) con corrección por nubosidad y se cuantifica adecuadamente las áreas divididas en subcuencas de aporte. Este informe incluye la comparación con la evolución de áreas de cobertura nival de los años históricos procesados a escala semanal con un total de 620 imágenes satelitales) del periodo 2000 al 2012 inclusive.
El modelo multi-variado de correlación no lineal de tipo red neuronal artificial topología MIMO (Multiple Input – Multiple Output) incorpora como variables explicativas del escurrimiento total anual:
la integral de la curva de evolución de áreas cubiertas de nieve desde mayo a septiembre, las condiciones de escurrimiento del año anterior
la predicción de nieve que representa con bastante precisión los procesos de acumulación y derretimiento de nieve ocurridos durante el periodo de nevadas.
Modelo multi-variado de correlación no lineal de tipo red neuronal artificial
Modelo de pronostico
Integral (mayo a septiembre) Área Cubierta de nieve Escurrimiento anual total (julio t hasta junio t+1)
Modelo de pronostico
La gráfica representa la evolución del Área cubierta de nieve de los años 2000 al 2012, indica una correlación entre el área nevada y el escurrimiento total anual que se dio en cada periodo.
Es posible que ocurran nevadas en octubre o inclusive en noviembre, por ello el modelo
incorpora además, un predictor de nevadas para estos dos meses a fin de evaluar el probable
comportamiento de la nieve (procesos de acumulación – derretimiento) posterior a septiembre.
Es importante, luego de noviembre, realizar otra evaluación para un posible reajuste del
pronóstico, que en la mayoría e los casos, reducirá a menos del 3% el error final del
escurrimiento.
La no linealidad en la respuesta de la cuenca respecto a la integral del área nevada en el
período mayo a septiembre presenta tres características notablemente diferentes según se trate
de años
• pobres (debajo de 1500 Hm³ anuales)
• normales (entre 1500 o 2300 Hm³ anuales)
• ricos (sobre 2300 Hm³ anuales),
este efecto se debe al diferente comportamiento, frente a distintos tipos de años hidrológicos, de
los acuíferos subterráneos de precordillera (acuíferos dador o receptor) y del proceso de
congelación y deshielo que afecta el permafrost.
Durante 2012 se han procesado las imágenes de satélite MODIS y se han calculado las áreas
cubiertas de nieve.
Se ha dividido el calculo de áreas por subcuencas, lo que permitirá a futuro hacer pronósticos
de escurrimientos en estas cuencas de aporte, así discriminadas.
Modelo de pronostico
Modelo de pronostico
PRONOSTICO DE ESCURRIMIENTO PERIODO JULIO 2012 A JUNIO 2013
La estimación de la integral de la curva de acumulación y deshielo para el
periodo mayo a diciembre de 2012 (semanas 14 a 52) que es de 154.528 km²
El volumen de escurrimiento mas probable de 1046.1 Hm³ para el periodo
julio de 2012 a junio de 2013,
mínimo probable de 1004.3 Hm³
máximo probable de 1089.50 Hm³
que dependerá de la evolución del proceso de acumulación y deshielo de
octubre a diciembre de 2012.
Promedio 2000-2011
Área registrada 2012
Área pronosticada 2012
semana34
Autoridad Interjuridiccional de Cuencas del Rìo Limay, Neuquén y Río Negro (AIC)
Aplicaciones proyectos operacionales
Autoridad Interjuridiccional de Cuencas del Rìo Limay, Neuquén y Río Negro (AIC)
Uso de imágenes MODIS
Uso de imágenes MODIS
Autoridad Interjuridiccional de Cuencas del Rìo Limay, Neuquén y Río Negro (AIC)
La cuenca imbrífera del río Jáchal en la Provincia de San Juan, límite oeste Chile comparte la cordillera de los Andes
Instituto de Investigaciones Hidráulica y Departamento de Hidráulica, Provincia de San Juan
Modelo de fusión Snow Runnof Model (SRM)
Aplicaciones proyectos operacionales
El modelo calcula la cantidad diaria de agua procedente de la fusión de nieve y la lluvia. Esta cantidad se añade al caudal de recesión para obtener el caudal total diario Donde: Q = caudal medio diario [m3/seg.] c = coeficiente de escorrentía (cS referido a fusión de nieve y cR referido a lluvia) a = factor de grados-día, indica el espesor de nieve fundida debido a un grado-día. T = número de grados-día ΔT = ajuste de grados-día mediante la razón de variación de temperatura, (extrapolan temperaturas desde una estación a una zona de elevación) S = cociente del área cubierta de nieve al área total. P = aportación de la precipitación [cm]. A = área de la cuenca o zona [km2] k = coeficiente de recesión, indica el decremento del caudal en ausencia de aportaciones de lluvia o fusión de nieve.
m 1
m
Qk
Q
Modelo de pronostico
Modelo de fusión Snow Runnof Model (SRM)
Modelo de pronostico
Modelo de fusión Snow Runnof Model (SRM)
Datos Necesarios Características de la cuenca • Delimitación cuenca hidrográfica. • Definición de la red de drenaje. • Curva área altura. Altura hipsométrica por zonas.
Variables • Temperatura. • Precipitación nival y pluvial. • Área cubierta de nieve. Curva de agotamiento.
Parametros • Coeficientes de escorrentía de la nieve y de la lluvia. • Factor Grado Día. • Razón de variación de Temperatura con la altitud. • Temperatura crítica (separa nieve de lluvia). • Área de contribución. • Coeficiente de Recesión • Tiempo de retraso
Obtención de la cobertura de nieve a partir de Imágenes Landsat TM 5
NDSI - 26/09/2004 NDSI - 28/10/2004 NDSI - 31/12/2004
NDSI - 16/01/2005 NDSI - 01/02/2005 NDSI - 17/02/2005
NDSI - a 05/03/2005
Modelo de pronostico
Modelo de fusión Snow Runnof Model (SRM)
Superposición de cobertura de nieve al DEM
Tabla cobertura de nieve en cada una de las zonas definidas
FECHA PIXEL AREA % cobertura ZONA1 ZONA 2 ZONA 3 ZONA 4 ZONA1 ZONA 2 ZONA 3 ZONA 4
26/09/2004 5679 5,1111 13,1% 0,1611 0,7875 1,4418 2,7207 1,3% 6,7% 24,8% 29,4%
28/10/2004 2296 2,0664 5,3% 0 0,0495 0,2556 1,7613 0,0% 0,4% 4,4% 19,0%
21/12/2004 2083 1,8747 4,8% 0 0 0,0603 1,8144 0,0% 0,0% 1,0% 19,6%
16/01/2005 1331 1,1979 3,1% 0 0 0,0018 1,1961 0,0% 0,0% 0,0% 12,9%
01/02/2005 2018 1,8162 4,7% 0 0 0,0108 1,8054 0,0% 0,0% 0,2% 19,5%
17/02/2005 1431 1,2879 3,3% 0 0 0,0612 1,2267 0,0% 0,0% 1,1% 13,3%
05/03/2005 1981 1,7829 4,6% 0 0 0,0288 1,7541 0,0% 0,0% 0,5% 19,0%
AREA en cada zona % coberturaCUENCA
3800
4000
4200
4400
4600
4800
5000
5200
5400
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36
ELEV
AC
ION
(.m
.s.n
.m.)
AREA (Km2)
CURVA HIPSOMÉTRICA
Modelo de pronostico
Modelo de fusión Snow Runnof Model (SRM)
Modelo de fusión Snow Runnof Model (SRM)
Comparación hidrograma medido en trazo continuo e hidrograma simulado con SRM en línea de trazos
Modelo de pronostico
Resultados
El método propuesto es de fácil implementación y de rápido procesamiento, lo que resulta muy operativo para la evaluación de la cubierta de nieve
Las simulaciones realizadas han evidenciado al modelo SRM como un eficaz pronosticador de escurrimientos por fusión nival.
También se ha podido verificar la importancia de la variabilidad del área cubierta de nieve como variable hidrológica en el proceso de fusión como
también las precipitaciones en forma de lluvia.
Este modelo hidrológico deterministico basado en una sencilla ecuación de trabajo se presenta como un probable competidor de los modelos estadísticos actualmente en uso.
Modelo de pronostico
Modelo de fusión Snow Runnof Model (SRM)
Modelo de fusión Snow Runnof Model (SRM) Cuenca del Rio Tunuyan, Mendoza
Jorge A. Maza; Patricia M. López; Rafael S. Seoane; Luis A. Fornero; Víctor H. Burgos; Marta S. Nuñez
Aplicaciones proyectos operacionales
Modelo de pronostico
Modelo de fusión Snow Runnof Model (SRM) Cuenca del Rio Tunuyan, Mendoza
Modelo de fusión Snow Runnof Model (SRM) Cuenca del Rio Tunuyan, Mendoza
Modelo de pronostico
Modelo de pronostico
Modelo de fusión Snow Runnof Model (SRM) Cuenca del Rio Tunuyan, Mendoza
Identificación de nieve en Los Andes de Argentina y Chile utilizando imágenes
SAR Graciela Salinas de Salmuni , Giovanna Argento,
CONAE-UNSJ-Dirección de Hidráulica Pcia. De San Juan
Aplicaciones proyectos operacionales
IMAGEN 1 IMAGEN 2 IMAGEN 3 IMAGEN 4
Mission CSK4 CSK2 CSK4 CSK2
Date 03-jul-12 06-FEBRERO-2012 04-feb-12 09-jul-12
Product type DGM_B DGM_B DGM_B DGM_B
Acquisition Mode Strip Map HIMAGE Strip Map HIMAGE Strip Map HIMAGE Strip Map
HIMAGE
Pass Ascending Ascending Descending Descending
Polarization HH HH HH HH
Coordenadas
Center latitude:
32°00'20" S
Center latitude:
32°00'10" S
Center latitude: 31°59'21"
S
Center
latitude:
32°00'25" S
Center longitude:
70°15'46" W
Center longitude:
70°15'56" W
Center longitude:
70°15'41" W
Center
longitude:
70°15'25" W
El DEM: Global Digital Elevation Model Version 2 (GDEM V2),
obtenido con las imágenes Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) El software libre NEST DAT 4C, de la Agencia Espacial Europea (ESA).
Materiales
Imágenes: COSMO SkyMed, Strip Map HIMAGE
Determinación de la cobertura de nieve húmeda
Metodologia diseñado por Nagler and Rott (2000) Algoritmo de detección de cambios, con el fin de eliminar los efectos topográficos en retrodispersión. El bajo coeficiente de retrodispersión de σ0 de fusión de la nieve en comparación con imágenes de referencia es la base para la clasificación. Se incluyen imágenes de pases opuestos y su combinación para reducir la pérdida de información debido a la escala, layover, y las sombras de radar. El resultado es un mapa de la nieve húmeda y una máscara de las áreas donde no se puede recuperar información.
Metodología
Diagrama de flujo del algoritmo de asignación de nieve húmeda (Nagler and Rott, 2000).
Metodología
imágenes COSMO Sky Med CALIBRADAS MULTILOOKING
06-FEBRERO-2012 (Asc)
03-JULIO-2012 (Asc)
04-FEBRERO-2012 (Desc)
09-JULIO-2012 (Desc)
Época sin nieve (Febrero)
Época fusión de nieve (Julio)
Imagen de referencia adquirida entre el otoño y el solsticio de invierno, cuando la mayoría de las superficies están libres de nieve o cubiertas de nieve seca.
Imagen de la temporada de deshielo, en la zona de estudio puede durar hasta cinco meses, a partir de principios de la primavera en los valles y terminando en pleno verano en las altas elevaciones.
Imágenes ortorectificadas de Febrero de 2012; Ascending y Descending
Ortorectificación
Imágenes ortorectificadas de Julio de 2012; Ascending y Descending
Imagen RATIO Ascending.
Imagen RATIO Julio/Febrero
Imagen RATIO Descending. Combinacion Asc-Desc.
Imagen filtrada
Para la obtención de la máscara binaria de nieve
húmeda, se aplicó un umbral de -2.5 dB, apropiado para discriminar nieve húmeda de nieve seca o libres de nieve
Imagen ratio
Máscara binaria de nieve húmeda
Cobertura de nieve húmeda (magenta), zonas de layover – shadow (amarillo) y zonas libres de nieve (gris).
Mapeo final de nieve húmeda
COBERTURA DE NIEVE HÚMEDA POR RANGOS DE ALTURA
Altura Nro Pixeles Total Porcentaje
Porcentaje
Acumulado ÁREA
(m) % % km²
1-1000 0 3924470 48,963 48,963 0,000
1001-2000 108 3924578 0,001 48,964 0,021
2001-3000 48979 3973557 0,611 49,575 9,315
3001-4000 2671415 6644972 33,329 82,905 508,066
4001-5000 1344684 7989656 16,777 99,681 255,740
5001-6000 24996 8014652 0,312 99,993 4,754
6001-7000 545 8015197 0,007 100,000 0,104
Total 778,000
cobertura de nieve húmeda según rangos de altura
VALORES DE BACKSCATTERING (dB) SEGÚN ORIENTACIÓN DE LADERAS
Altura Orientación
INTENSIDAD (dB) Desvío
Estándar (m) Mínimo Máximo Media
3001-4000
Oeste -12,77 0,54 -6,81 1,94
Este -11,12 -2,38 -6,12 1,42
Sur -11,19 -0,46 -6,06 1,61
Noroeste -12,33 -2,51 -6,98 1,40
4001-5000
Oeste -11,40 -0,69 6,39 1,52
Este -12,42 0,24 -6,69 1,68
Sur -12,21 -0,81 -5,99 1,83
Noroeste -15,03 -2,56 -6,98 1,71
BACKSCATTERING SEGÚN LA ORIENTACIÓN Y LA ALTURA
ORIENTACIÓN OESTE
ORIENTACIÓN ESTE
ORIENTACIÓN SUR
ORIENTACIÓN NOROESTE
ORIENTACIÓN OESTE
ORIENTACIÓN ESTE
ORIENTACIÓN NOROESTE
ORIENTACIÓN SUR
La metodologìa empleada es útil para determinar nieve húmeda en la zona de estudio aplicando imágenes COSMO SKYMED En este estudio se determinó un umbral de TR= -2.5 dB. La zona de estudio del proyecto presenta alto relieve, hasta 6.000m de altura, (la perdida de información por sombras y layover es muy significativa) fue muy útil desarrollar la metodología que ortorectifica las imágenes e incorpora las dos pasadas (ascendente y descendente) para compensar la falta de información. Cabe destacar que la ETC de CONAE proveyó las imágenes en tiempo y forma como se requirieron. Se determinó que el 33% de la superficie de nieve húmeda corresponde al rango comprendido entre 3001 y 4000 m de altura. La distribución espacial de nieve húmeda disminuye a partir de los 500 metros de altura. La distribución de cobertura de nieve húmeda entre 3001 y 4000 m de altura presenta valores de -2.38 dB a -12.77 db y la menor dispersión. Los valores observados en las laderas orientadas hacia el Oeste y hacia el Sur son las que presentan mayor dispersión. Los valores observados en el rango de altura entre 4001 y 5000 m y las laderas orientadas hacia el Oeste son la que presentan menor dispersión.
Conclusiones
Identificación de glaciares descubiertos en la cuenca del río Jáchal, en el norte de San Juan, entre 28º22’ y 31º latitud sur, correspondiente a Los Andes deserticos. Este trabajo es parte del Inventario de Glaciares que el Instituto de Investigaciones Hidráulicas de la U.N.S.J, está realizando por Convenio con el CONSEJO PROVINCIAL DE COORDINACIÓN PARA PROTECCIÓN DE GLACIARES, en el marco de la Ley Provincial Nº 8144 “Protección de Glaciares”. Método estandarizado con técnicas de procesamiento digital de imágenes, ha facilitado la delimitación reduciendo la variabilidad que se produce por la interpretación del operario. Se ha estimado el área y otros parámetros importantes para caracterizar y poder hacer un seguimiento de los glaciares a través del tiempo.
Inventario de glaciares
DELIMITACION DE SUBCUENCAS Y RED DE DRENAJE
para identificar el curso de agua de aporte del glaciar. La delimitación de subcuencas y la definición de la red de drenaje se realizó a partir del modelo digital de elevación (DEM) GDEM V2.
software libre Quantum GIS versión 1.7.4 y Grass GIS versión 6.4.2. (Castro et al, 2012)
La Figura 1 muestra la delimitación de cuencas y la red de drenaje definida.
La cuenca del río tiene una superficie de 24.554 Km2, y se ha dividido en tres subcuencas
:subcuenca río Blanco Norte de 10.144 Km2; subcuenca río Blanco Sur de 8807 km2 subcuenca río de La Palca de 5603 Km2.
Metodología
Imágenes de febrero a abril, y entre el año 2005 hasta el presente. Se seleccionaron imágenes LANDSAT 5 TM con resolución espacial 30 m La delimitación de la superficie de glaciares descubiertos mediante un método estandarizado empleando técnicas de procesamiento digital de Dozier (Dozier, 1989; Rees, 2006).
Metodología
IDENTIFICACION Y MAPEO DE CUERPOS DE HIELO
.
Se probaron umbrales entre 0.45 a 0.6 y se aprecian las diferencias en la delimitación de glaciares.
Glaciar Pircas Negras que se ubica sobre la cordillera de Olivares en la subcuenca del Arroyo de Agua Negra.
Este glaciar tiene una superficie del orden de los 10 Km2 y es el más extenso en la cuenca del río Jáchal
se ha observado una diferencia de área entre los 0.7 Km2 entre las coberturas obtenidas con umbrales 0.45 y
0.6, con una diferencia porcentual del 7%.
Resultados
•Se han obtenido buenos resultados con aa aplicación del
método del índice NDSI sobre las imágenes LANDSAT 5,
trabajando con un umbral 0.5.
•
•Se han podido identificar 869 glaciares, ubicarlos espacialmente por subcuencas y calcular el área de cada
uno.
•La superficie total de glaciares descubiertos es de 114 km2, lo cual representa el 0.5% del área total de la cuenca
del río Jáchal.
•los glaciares se ubican en tres subcuencas.
•Se observa gran cantidad de pequeños glaciares de
pequeña extensión, como era de esperar por la latitud a la
cual se encuentran, observando que existe 546 pequeños
glaciares con áreas esta entre 0.01 y 0.05 km2, cuya
superficie suma aproximadamente el área del mayor glaciar
de 10.29 km2.
Conclusiones
Figura . Cantidad de glaciares y área total de acuerdo a clasificación por tamaño de glaciares identificados
La metodología aplicada ha permitido delimitar 869 glaciares descubiertos con un área de 114 Km2, lo cual representa el 0,5% del total de la cuenca del río Jáchal que es de 24554 Km2.
Conclusiones
Muchas gracias