River Watch 2
River Watch 2
Descarga Fluvial por Satélite y Medidas de Escorrentía: Resumen Técnico
G. Robert Brakenridge, Albert Kettner, James Syvitski, and Irina Overeem, INSTAAR/CSDMS, University of Colorado, Boulder, CO, Estados Unidos
Tom De Groeve
Joint Research Centre of the European Commission, Ispra, Italia
Sagy Cohen
Surface Dynamics Modeling Laboratory, Dept. of Geography, University of Alabama, Tuscaloosa, AL, Estados Unidos
Son V. Nghiem
Jet Propulsion Laboratory, California Institute of Technology, Pasadena, CA, Estados Unidos
Actualización: Agosto 12, 2014
Translation to Spanish kindly provided by Dr. Juan Restrepo, Universidad EAFIT, Colombia
Citar como: Brakenridge, G.R. y colaboradores, 2014, River Watch 2, Descarga fluvial por satélite y medidas de escorrentía: Resumen Técnico. Publicación disponible en: http://floodobservatory.colorado.edu/technicalSpanish.html
Introducción
Los sensores satelitales de ondas cortas generan coberturas globales de la superficie terrestre a escalas temporales diarias y en determinadas longitudes de onda sin mayor interferencia de la cobertura de nubes. Mediante el uso de una estrategia usada por primera vez en sensores ópticos de amplio espectro (ver por ejemplo: Brakenridge y colaboradores, 2005), estos sensores (e.g. AMSR-E, AMSR-2, TRMM, y GPM) pueden estimar los cambios en el caudal fluvial. A medida que los niveles de los ríos y los caudales ascienden, la variación hídrica dentro de los sitios de medición observada desde el satélite (~10 km x 10 km), puede ser monitoreada con gran precisión (Brakenridge y colaboradores, 2007; Brakenridge y colaboradores, 2012). Una imagen de dimensiones de pixel de ~ 37 GHz y centrada sobre un río está generalmente mezclada de emisiones altas y bajas en la respuesta de las aguas. A medida que la proporción de las aguas se incrementa, la radiación neta emitida disminuye (los suelos son mucho más brillantes que las aguas en esta banda espectral). Por lo tanto, la señal depende de los cambio de la amplitud de los flujos. También, la superficie de las aguas en depresiones y zonas de inundación (e.g. pantanos traseros fluviales), que están hidráulicamente conectados con el río, se expanden a medida que el caudal del río se incrementa.
Datos de caudal (m3/s) son fundamentales en la observación de la escorrentía superficial (expresada como el volumen de descarga de agua / área de drenaje / tiempo, en unidades de mm). Mapas semanales de escorrentía, que muestran los valores de escorrentía, tanto normales como anómalos, son calculados a partir de datos de caudal y publicados en el portal internet del Observatorio. Estos valores indican el estado de cada cuenca asociada con un sitio específico de medida del caudal.
Curvas de Calibración
La transformación de las señales de los sensores remotos a valores de caudal fluvial se obtiene mediante una ecuación de calibración (en el caso de estaciones de medidas de niveles y caudales en el terreno). Para River Watch 2, los valores de calibración se obtienen a través del modelo global de escorrentía (WBM), el cual genera gran cantidad de datos para la calibración durante cinco años (2003-2007). Este modelo genera valores diarios de caudal en cada estación para este periodo (su red espacial de resolución también es de 10 km). Como se muestra en la ventana del sitio del Observatorio (presionando "obtain data" en cada sitio), se despliega una curva de resultados señal-caudal. La ecuación de calibración es posteriormente transformada al valor de la señal diaria del caudal. La ecuación proviene ya sea de una transformación lineal o de una polinomial de segundo orden.
Dado que es una técnica estándar, las curvas de calibración emplean caudales mensuales máximos y mínimos y descargas diarias tanto en los resultados del modelo como en los datos de sensores remotos (n = 180). Investigaciones anteriores han mostrado que este es un método eficiente para extractar los valores diarios mínimos, promedios y máximos del modelo con los pares de datos para el mismo día provenientes del sensor satelital (Brakenridge y colaboradores, 2012). En los diagramas de dispersión están incluidos los errores del modelo y del sensor satelital, por lo tanto, existe la necesidad de comparar visualmente la localización exacta del valor del pixel y de la celda en la malla del modelo (estos se deben superponer, incluyendo el canal del río). Sin embargo, la simulación a escala global tiene limitaciones en determinados lugares aún cuando el sensor esté monitoreando los cambios del caudal. También, puede ser que el modelo se desempeñe bien, aun cuando la localización del sitio no sea la adecuada para que el sensor registre los cambios en el caudal. De hecho, en muchos casos, con sitios bien escogidos, existe una fuerte correlación entre los valores del caudal simulados y de la señal del sensor: ambos están monitoreando los cambios actuales en el caudal. Sin embargo, el grado de la correlación no limita las magnitudes en el caudal (podría existir un sesgo en el modelo, haciendo que los valores del caudal simulado se presenten uniformemente altos o bajos). Por lo tanto, la calibración se hace para comparar los resultados de River Watch 2 con los valores de las estaciones de aforo sobre el terreno. Se recomienda consultar los ejemplos en línea de los Estados Unidos en relación con este tipo de calibraciones. Además, cuando las estaciones de aforo sobre el terreno y los sitios del satélite están bien localizados y superpuestos, el sensor remoto puede ser calibrado directamente a las medidas de caudal por medio de la información sobre el terreno. En estos lugares se comparan las curvas de calibración del modelo con las obtenidas de las estaciones de aforo del caudal sobre el terreno, generando una evaluación del sesgo del modelo y del desempeño y precisión del método.
River Watch 2 - Detalles del Procesamiento
River Watch 2 utiliza el Radiómetro Avanzado de Onda Corta (AMSR-E) de la NASA y la Agencia Espacial Japonesa en la banda de 36.5 GHz, incluye también la banda espectral de 37 GHz del sensor TRMM de la NASA y la Agencia Espacial Japonesa y la información del sensor AMSR-2. El estimador de caudal (señal del sensor remoto) es la relación entre el valor diario de calibración ("C"), que representa el percentil 95% de la emisividad de los días más secos (brillantes) dentro de un área de pixel de 7x7 alrededor del sitio, y M" que es la emisividad desde la medida de un pixel centrado entre el canal del río y el plano de inundación. La relación C/M es muy sensitiva a los cambios en el área de la superficie hídrica dentro del pixel M y remueve otras fuentes de variación que afecten los otros pixeles. La latitud más baja de despliegue dentro del rango del TRMM comenzó en enero de 1998, adicionada a los datos AMSR-E que vinieron a estar disponibles a mediados de 2002. Después, se ha continuado usando el sensor TRMM, solo durante el paréntesis de inactividad del AMSR entre 2012 e inicios de 2013 (tiempo entre la terminación del AMSR-E e inicio del AMSR-2) y actualmente se emplean TRMM and AMSR-2. Los registros de sitios en latitudes más altas comienzan en enero 1 de 2003 (después del lanzamiento de AMSR-E a mediados de 2002), existiendo un vacío de información entre 2012 y 2013 que corresponde a la terminación del AMSR-E e inicio del AMSR-2. En estos sitios no hay disponibilidad de datos del sensor TRMM. El algoritmo de malla para producir las imágenes globales diarias es ejecutado por el Joint Research Centre (JRC); los datos originales están cercanos al tiempo real de cada sensor. En el futuro se entregará más información sobre los modos de órbitas ascendentes y descendentes y sobre el procedimiento de enmallado.
JCR produce una malla global diaria de resolución de pixel de 10 km (cerca del Ecuador) y genera promedios móviles de cuatro días del cociente de datos para pixeles específicos dentro de la malla. En latitudes bajas, la cobertura es menor a la diaria a partir del AMSR-E y del AMSR-2, tal que el promedio de cuatro días produce la información más actualizada dentro de los vacíos de cobertura temporal. Esta resolución temporal se considera apropiada dado que el caudal fluvial presenta una fuerte correlación en escalas de tiempo diarias. Para el calculo de volúmenes de escorrentía mensual, los cálculos de escorrentía se basan de todas maneras en promedios: el río no está continuamente monitoreado pero un valor de caudal diario específico en m3/s es asumido que se puede aplicar al cálculo diario para todos los otros valores del mismo día. Sin embargo, la necesidad de promediar genera una fuente de error: los picos de flujo son ligeramente atenuados si persisten por menos de cuatro días y el cálculo del tiempo de tales picos puede estar fuera de fase o inclusive más adelante en el tiempo.
En el Observatorio de Inundaciones, el cociente de datos del JRC es incorporado una vez cada día y el despliegue de cada sitio en la página web es actualizado e incluido en la web del Observatorio a las 13:30 hora estándar de la región montañosa. Cada sitio comprende de dos páginas html, la primera con la gráfica de las series de los resultados y una segunda página de datos que presenta las curvas de calibración y da acceso a la serie completa de los caudales estimados a partir del satélite. Para propósitos de comparación se anexa el percentil 20 de caudales medidos para cada día del año y también se presenta la serie 2000-2010 para cada día como información útil para el umbral del flujo bajo.
El método de River Watch es novedoso en cuanto a que usa sensores de onda corta diseñados para monitorear la atmósfera y la precipitación como sensores para medir directamente los cambios en el caudal fluvial y la escorrentía superficial. Por lo tanto, para examinar las condiciones atmosféricas tales como precipitación, los canales o bandas sensibles al terreno fueron incluidos en TRMM y actualmente en GPM con el fin de adicionar el componente de emisión de la radiación de surgencia de onda corta. River Watch emplea estos canales sensibles al terreno para monitorear los cambios en la superficie del agua. River Watch 2 reemplaza la versión anterior que solo usaba AMSR-E, con un algoritmo de señal y métodos de calibración un poco diferentes. Actualmente, River Watch 2 está corriendo por medio de la información del sensor ASMR-2 (a finales de 2014, ya que tanto AMSR-E como TRMM no estarán más en operación).
Medidas en el Sitio Seleccionado
Es importante resaltar que el pixel M debe ser lo suficientemente grande para evitar la saturación (llenado completo por agua del pixel de medida) durante eventos de inundación. También es relevante considerar que el pixel incluya una superficie homogénea del río sin conexiones con sistemas tributarios o con zonas cercanas a otras corrientes o cuerpos de agua variables. En este método, las características locales del sitio afectan en gran medida la sensibilidad del cociente señal/ruido. Por lo tanto, la visualización de cada sitio presenta la conexión para observar la medida del pixel usado para monitorear el lugar. En la actualidad, el Observatorio trabaja en la evaluación de los factores locales que afectan los resultados en cada lugar de calibración. De todas formas, un control cualitativo cuidadoso debe ser tomado en cuenta en cada sitio, comenzando con la evaluación visual de las características del lugar de cada estación. El Observatorio todavía está haciendo este análisis, y posiblemente, en un futuro, algunos sitios podrán ser eliminados del sistema. Sin embargo, existen miles de potenciales estaciones para ser incluidas en River Watch 2.
Detección de la Cobertura de Hielo
La iniciación del filtrado de la cobertura de hielo en el río también se detecta en River Watch 2. El rompimiento del hielo afecta inmediatamente el cociente C/M dado que la emisión baja del agua reemplaza la del hielo dentro de cada pixel (ver Brakenridge y colaboradores, 2007 sobre la investigación inicial de este método, Brakenridge y colaboradores, 2007, para los detalles más actualizados y otro reporte técnico de Kugler and De Groeve, 2007). Debido a que River Watch 2 emplea datos procesados del Joint Research Centre y provee una señal del cociente C/M, se necesita un filtro especial para detectar los periodos de cobertura de hielo y filtrar tales coberturas de los datos de salida. Tanto C como M presentan grandes valores de variación anual a medida que los suelos se calientan en la primavera y se enfrían en el otoño. En el filtrado de la cobertura de hielo para los periodos de primavera, los valores de C y M son prácticamente iguales y el cociente de aproxima a 1. Posteriormente, el cociente se vuelve más pequeño, a medida que la superficie del agua aparece en el sitio e incrementa su extensión. Este mismo proceso se invierte en otoño. River Watch 2 estima el punto de transición en cada estación por medio de la localización del valor máximo del cociente entre primavera y otoño, y solo calcula los valores de caudal fluvial a partir de los datos máximos de la señal en el lapso de tiempo entre las dos estaciones climáticas. Tanto la información no filtrada como la filtrada se presentan en cada visualización mediante el uso del este filtro. Ver un ejemplo en http://floodobservatory.colorado.edu/SiteDisplays/320.htm.
Evaluación de Precisión:
Comparación con Datos del Terreno
Dentro de los Estados Unidos, en donde existe una red extensa de estaciones de aforo de caudal, la precisión de las medidas de River Watch se puede evaluar directamente. Las estadísticas Nash-Sutcliffe (N-S) se utilizan generalmente para evaluar las series de tiempo desde los resultados de salida del modelo hidrológico. También se pueden comparar la información de los sensores remotos con la observada sobre el terreno en estaciones locales de aforo de caudal. En los sitios de River Watch existe al menos 10 años de datos diarios para establecer estas comparaciones. Con base en esta disponibilidad de información, la clasificación de precisión de River Watch en los datos de salida de cada sitio se implementa por medio de las mencionadas estadísticas. A partir de la dirección web de Wikipedia presentada anteriormente, las eficiencias de "Nash–Sutcliffe” pueden presentar un rango entre −∞ to 1. Una eficiencia de 1 (E=1) corresponde con un ajuste perfecto entre los datos simulados y los observados. En general, mientras la eficiencia del modelo esté más cercana a 1 más preciso es el mismo.
Los valores N-S de 1 indican un ajuste perfecto del modelo; y los valores bajos del orden de .75 son referenciados en la literatura para mostrar que el modelo, en este caso, de sensores remotos, tiene muy buen desempeño para predecir las series reales de tiempo. Por lo tanto, las estadísticas N-S son calculadas para todos los sitios donde existen datos sobre el terreno de series de tiempo de caudal diario (m3/s) y mensual (escorrentía total en mm). Con el fin de determinar la precisión de cada sitio, River Watch hace un promedio de los valores publicados de N-S en cada lugar, los cuales están soportados por la información real en estaciones de aforo sobre el terreno. A continuación se muestra el desempeño del método en cada sitio (promedios diarios y mensuales de las estadísticas N-S):
>.8, Excelente
.7-.79, Muy buena
.6-.69, Buena
.47-.59, Regular
<.47, Pobre
Otra medida del ajuste se presenta en un diagrama simple de dispersión de todos los pares de datos diarios de caudal (estación de aforo y sensor remoto). La regresión lineal de tales comparaciones entre los datos sobre el terreno y los provenientes del sensor satelital producen valores de R al cuadrado para miles de observaciones. Este coeficiente de correlación no está incorporado en la evaluación de precisión pero si se presenta como información adicional. Es importante resaltar que los valores N-S son generalmente más altos en las observaciones de escorrentía mensual que en los datos de caudal diario. Por lo tanto, la precisión total del modelo hace un promedio entre los dos.
Comparación con la Simulación
Los datos asociados a la red de estaciones de aforo de los Estados Unidos permiten la evaluación más precisa del método de River Watch. Sin embargo, gran parte de los datos actuales de River Watch 2 no tienen datos de estaciones de calibración sobre el terreno. Estos sitios son calibrados a unidades de caudal por medio de la aplicación del modelo hidrológico WBM con simulaciones en intervalos estándar de cinco años (2003-2007). La forma de la curva de calibración que se desarrolla del modelo puede afectar en gran medida la precisión de los resultados. River Watch evalúa el ajuste entre la simulación y la señal del sensor remoto. Las curvas de calibración presentan ecuaciones lineales o polinomiales. Para todos los sitios de medida de River Watch, que estén o no soportados por estaciones de aforo, los resultados del modelo WBM se comparan con los obtenidos del sensor remoto por medio de las estadísticas Nash-Sutcliffe y un diagrama simple de dispersión. Cinco años de valores diarios y mensuales máximos y mínimos como de promedios son graficados y evaluados; por lo tanto, se presentan 180 observaciones.
En donde solo esté disponible la calibración a partir del modelo, la precisión de la curva de calibración está basada en el valor del coeficiente R–cuadrado del diagrama de dispersión, mediante la siguiente escala:
>.7, Excelente
.6-.69, Muy bueno
.5-.59, Bueno
.4-.49, Regular
<.4, Pobre
Los valores N-S de las series de tiempo se anexan como información complementaria y los diagramas asociados son de gran ayuda para determinar si las series del modelo/sensor remoto están en desfase temporal y por lo tanto requieren de ajustes adicionales. De nuevo, es importante considerar que cuando se compara la simulación a escala global con los resultados del sensor en un sitio específico, se espera una dispersión significativa, la cual no es un indicador directo de la precisión del sensor satelital.
En relación con la precisión general de los valores de caudal y escorrentía generados por River Watch 2, los resultados de la comparación de medidas dentro de los Estados Unidos (los basados en estaciones de aforo sobre el terreno) sugieren un sesgo consistente en el modelo WBM: hacia los valores altos de caudal, la diferencia se incrementa en altos flujos (ver el siguiente ejemplo). Por lo tanto, se espera que aun cuando el modelo y las series de tiempo del sensor remoto estén fuertemente correlacionadas, las curvas de calibración del modelo sobre estiman los volúmenes de escorrentía y los caudales diarios. Análisis posteriores pueden remover tal sesgo de los sitios de medida de River Watch. Igualmente, el sesgo en las curvas de calibración del modelo no afecta el cálculo de los intervalos de recurrencia de inundación o lo umbrales de bajos flujos.
Ejemplo: Sitio 466 de River Watch 2, Río Trinity, Texas, Estados Unidos. En la izquierda se observan dos diagramas de dispersión y las curvas de calibración asociadas con sus respectivos valores de R-cuadrado. En el centro se muestra el resultado independiente del caudal diario generado por el sensor remoto de River Watch 2 en el sitio y su comparación con los datos de la estación de aforo sobre el terreno. En la derecha se observa el resultado de la escorrentía mensual, de nuevo, comparado con los datos de la estación sobre el terreno.
Hacia comienzos de 2014, River Watch 2 ha adicionado otra forma de estimar de la precisión de cada sitio: la confiabilidad de la señal, una medida de la desviación estándar de los valores de la señal entre 2003 y 2007. Cuando el cociente de los datos muestra una gran variación, considerando que se hayan aislado otros factores, la señal será más fuerte. En otros casos, la cantidad del cambio de la señal de onda corta originada por la variación del flujo es mucho más pequeña y los valores del cociente presentan un rango más estrecho y con menor desviación estándar. Se requiere más investigación para estimar los umbrales numéricos de la desviación estándar para la evaluación de cada sitio.
Errores Conocidos
1) En áreas agrícolas, las zonas de irrigación y su comparación con los valores de reflectancia del pixel pueden afectar la señal. 2) El ruido instrumental intermitente (generalmente marcado en los datos del sensor remoto como archivos ocasionales “M” de valores negativos) puede producir esporádicos picos positivos de caudal. River Watch 2 está trabajando en la forma de filtrar este ruido. 3) La comparación con los datos diarios de la estación sobre el terreno (aforo de nivel del río) muestra en muchas ocasiones desfases de entre uno y tres días entre el pico más alto del nivel y el área inundada (River Watch) en el máximo de inundación. Esto introduce un error dentro de los diagramas de dispersión usados para desarrollar las curvas de calibración. Este se remueve, en algunos casos y como se visualiza en el despliegue de cada sitio, mediante el ajuste de las dos series de tiempo que incorporan el desfase observado. 4) Para los ríos que corren a lo largo de planos de inundación de zonas boscosas, tales como la Amazonia, el cociente diario de la señal se caracteriza por una variabilidad periódica alrededor del promedio (lo cual monitorea muy bien el caudal). River Watch está investigando la causa de estos cambios en la señal sensible al caudal de origen diferente al hidrológico, pero es importante resaltar que cualquier variación del área superficial, muestreada por el algoritmo de enmallado de la medida del pixel, puede introducir tal ruido.
Algoritmos de Corrección del Error
Ruido del instrumento: El examen del bandeado de los datos de la imagen satelital, generada a partir de los sensores TRMM y AMSR-2 en la frecuencia ~37 Ghz, muestra valores ocasionales de ruido en el sensor: valores mucho más bajos (>>2 x más bajo) de brillo del cociente temperatura/radiancia que los pixeles alrededor. El examen de los productos del promedio de cuatro días con una malla de 10 grados de latitud y pixeles largos, generada por el procesador GFDS del Joint Research Centre, revela estos mismos artefactos, como se observa en los pequeños puntos (>2x) de radiancia del pixel de malla, seguido por una recuperación durante los siguientes tres días y después de nuevo a valores similares a los observados antes de la anomalía. Una vez se transforman los datos a caudal, por medio de la ecuación de calibración, estas anomalías presentan una duración de picos extremos de cuatro días de duración en los resultados del caudal.
Dado que las anomalías se pueden detectar a partir del comportamiento inusual de las diferencias en un determinado set de datos, las cuales desaparecen después de un total de cuatro días, estas diferencias se remueven mediante un filtro de ruido, el cual substituye las medidas diarias de cada uno de los días afectados por el ruido. Este método es mucho mejor que simplemente filtrar los datos debido a que: 1) los picos de flujos máximos pueden ser incorporados equivocadamente dentro de las series anuales de flujos pico, usadas para calcular las probabilidades de exceso de inundación y los intervalos de recurrencia y 2) los datos de caudal sin ningún valor numérico pueden ser acumulados como “0” en los volúmenes totales de escorrentía semanal y mensual, ya que dada la alta autocorrelación del caudal en escalas temporales diarias, es mejor usar el valor del “mejor y último día” para los cuatro días afectados (esto es mejor que el estimado del flujo de 0).
Aplicación de un algoritmo específico: En River Watch 2, el algoritmo del filtrado de ruido está implementado en Excel y emplea datos de caudal sin ninguna corrección. Cada celda en la columna de “corregidos” relaciona el dato actual sin corrección con el valor del día anterior. Si el cociente es > 2 (“200% de umbral”), entonces el valor impreso en la celda-columna del valor diario corregido es el valor mínimo de todos los datos observados y no corregidos en los cuatro días anteriores al día actual. Si el cociente es <2, entonces el valor no corregido del día actual es el que se presenta en la celda del día (el filtro de ruido no se activa en este caso).
Cuando en un día específico comienza una anomalía, el valor mínimo de los cuatro días anteriores aparece como el valor corregido. Para el día siguiente, la matemática móvil (el mínimo de los cuatro días anteriores) selecciona realmente solo desde los últimos tres días, dado que los valores anómalos son usualmente muy grandes. El valor seleccionado para el cuarto día es el último dato no corregido antes de la anomalía. Para el quinto día, si el pico de ruido no está más presente, se incluye el valor no corregido del día.
El algoritmo no es el óptimo debido a que puede usar durante el primer día, en el peor escenario, un valor de cuatro días anteriores a la anomalía. Sin embargo, esto hace que al menos se incremente la cobertura temporal al usar el día más reciente. En cualquier caso, los valores son el promedio móvil de cuatro días tal que el error introducido no es muy grande y es balanceado por la necesidad del filrtrado del ruido. El uso de este algoritmo se muestra en cada sitio de medida cuando es aplicado.
Promedio móvil centrado en días 7 y 15: El caudal fluvial presenta una fuerte autocorrelación temporal a escala diaria y para grandes ríos a escalas de tiempo mayores. La comparación (el cociente de la señal) entre los resultados del sensor remoto y los datos de la estación de aforo sobre le terreno muestra una gran variabilidad de frecuencias altas en la señal y estos errores aparentes y aleatorios son más visibles en sitios con señales bajas y débiles (rango pequeño en el cociente de los datos). Para remover estos errores y generar un estimado más preciso del caudal real, River Watch 2 incorpora un promedio móvil centrado en los días 7 y 15. Se emplea el periodo más corto si realmente filtra el ruido aparente. Mientras se genera un resultado más estable del caudal fluvial, este proceso de promedio móvil puede atenuar las hidrógrafas de inundación en las cuales los picos persisten por solo unos días. En la visualización de cada sitio se despliega el tipo de promedios usado y se presenta el diagrama de la parte más reciente de los datos del caudal. Por último, se anexa también una comparación entre los datos con y sin promedio.
También, el caudal del día actual (promedio de 15 días) solo puede ser usado como la información del día y sus correspondientes 6 días anteriores; el valor del día anterior ya usa el valor del día y los 6 anteriores, y así sucesivamente. En conclusión, los valores del caudal solo vienen a ser permanentes después de que son más antiguos que la porción futura del promedio móvil que ha sido empleado.
Usando los Datos
Los datos de salida de caudal y escorrentía del procesador de River Watch 2 son productos experimentales de libre acceso al público, sin ninguna garantía o derecho de reclamo sobre su precisión. El procesador emplea como su extremo final el “dato de señal” del Sistema de Detección Global de Inundaciones (GFDS), por sus siglas en inglés, adscrito a la Comisión Europea del Joint Research Centre (proyecto GDACS). Cada visualización o despliegue de River Watch 2 presenta un link con la página de salida del GFDS y quien esté interesado puede obtener para cada sitio los datos originales de la señal. Existen más sitios de medición del GFDS (~10,000) y muchas probabilidades de adicional más estaciones. Sin embargo, gran parte de los sitios actuales de GFDS están mal localizados, lo cual puede ser comprobado por cada usuario en la visualización de cada estación con GoogleMaps. Por ejemplo, algunos de los sitios de GFDS no están localizados en ríos.
Por medio de la colaboración con el equipo de JRC/GFDS, el Observatorio está tratando de presentar la información del GFDS de la forma más transparente y entendible para que otros usuarios de la comunidad científica puedan replicar los resultados. Los interesados en más información pueden contactar a Robert.Brakenridge@Colorado.edu. El procesador de River Watch inserta automáticamente el dato de la señal en cada sitio, lo transforma posteriormente a información de caudal, aplica en algunos casos un filtrado de ruido y/o promedios, actualiza los diagramas de dispersión y los resultados de salida en la página htm (sobre el despliegue en html de “Access data”), evalúa el estado del sitio en relación con estados de “sequía/flujo bajo”, “flujo normal”, “inundación moderada” e “inundación grande”, y calcula la cantidad de escorrentía acumulada de 7 días. Finalmente, el procesador también produce un mapa que despliega del sitio de medición del caudal y del estado de escorrentía de la cuenca.
Varios usos potenciales existen para esta información de Reiver Watch (alarmas de inundación, evaluaciones de riesgo de inundación, validación de modelos de predicción de flujos-caudales, proyectos de localización de sistemas hidroeléctricos, estudios de calidad de aguas, etc), sin embargo, los usuarios deben considerar las limitaciones del método de estimación del caudal. A continuación se presentan algunas sugerencias para aquellos que han trabajado cercanamente en el desarrollo y aplicación de esta herramienta:
1) El despliegue de cada sitio incluye evaluaciones de precisión. Los usuarios deben considerar que aquellos lugares con falta de información y con calibraciones de baja calidad no son del todo confiables. No obstante esta limitación, en algunos casos estos sitios han sido incluidos en el set de datos globales sobre la base de que una evaluación de baja calidad se refiere solo a la dispersión de los datos en la curva de calibración entre el modelo y el sensor remoto. Esta situación puede reflejar problemas con el modelo de escorrentía pero no con el sensor remoto en particular. En este caso, el sitio se mantiene en el sistema debido a que el problema radica en la curva de calibración, lo cual puede ser solucionado en el futuro. Igualmente, el sitio puede ser aun confiable en estimaciones de “desfase” de flujos o condiciones de flujos bajos.
2) Las magnitudes de flujos relativos y sus duraciones son en cada sitio consistentes y confiables, aun cuando la curva de calibración presente un ajuste bajo. Por lo tanto, la determinación de una inundación en un determinado año es un evento estacional normal, un evento anormal de grandes proporciones (con intervalos de recurrencia mayores a 5 o 10 años), o el registro de inundación desde 1998 es viable en cada estación de medición. Esta capacidad del método tiene gran valor en cuanto a que es en gran parte independiente de la calidad de la curva de calibración.
3) En determinadas estaciones, el valor diario (basado en el cociente promedio de la señal de cuatro días) está aparentemente sujeto al ruido aleatorio y a las fluctuaciones alrededor del promedio, lo cual se demuestra en las variaciones muy precisas del caudal. En el año 2014, todos los sitios incluidos en la página web están siento evaluados en este aspecto y en algunos casos se aplica el promedio móvil de largo plazo antes del cálculo del caudal diario que será desplegado en la página del sitio. Esta característica del método resalta la utilidad de estimar valores en tiempo real y con actualización a escala diaria: el número de descarga de caudal registrará con mayor precisión el caudal del día. Ver por ejemplo el diagrama siguiente (Sitio 137, Río Orinoco):
4) La página html de cada sitio incluye el diagrama de las series de escorrentía anual y mensual para el periodo de registro y la evaluación de determinada tendencia del intervalo de recurrencia de inundación de 10 años. Todos los sitios están acumulando automáticamente el registro de la escorrentía estacional y sus cambios temporales, como también los cambios visibles en riesgo de inundación (con base en registros recientes de inundación). El objetivo es el de presentar una evaluación consistente de las tendencias del promedio y escorrentías de inundación para grandes áreas geográficas. Inmediatamente, todos los usuarios determinan el estado actual del caudal y la escorrentía en relación con el periodo de registro.
Más sugerencias serán incluidas en el futuro cercano como también las respuestas a usuarios sobre nuevas solicitudes y ejemplos de aplicación.
Agradecimientos
Este es un proyecto de cooperación entre la Universidad de Colorado, Boulder, Colorado, Estados Unidos, y el GDACS-GFDS (Global Disaster Alert Coordination System, Global Flood Detection System), European Commission Joint Research Centre, Ispra, Italia, la Univesidad de Alabama y el Jet Propulsion Laboratory. El Observatorio de Inundaciones Dartmouth de la Universidad de Colorado está en parte financiado por la NASA. Deseamos agradecerle al Dr. Bob Adler de la Universidad de Maryland por sus valiosas sugerencias en cuanto a que los datos del sensor TRMM podrían ser usados adicionalmente a la información del AMSR-E.