Suite

La reclassification sur le raster de couverture terrestre ne fonctionnera pas


Je suis nouveau sur les SIG, donc je m'excuse si cette question est basique mais je n'ai pas trouvé ma réponse en ligne.

J'essaie de reclasser un raster de couverture terrestre à partir de la base de données nationale sur la couverture terrestre. Je souhaite reclasser dans un raster de trois catégories : 1 - les zones naturelles, 2 - les zones agricoles et 3 - les zones aménagées.

Je vais dans Spatial Analyst > Reclassifier, puis je reclasse par valeurs uniques et entre mes nouvelles valeurs à leurs emplacements respectifs. Quand je reclasse, je n'obtiens qu'une seule valeur : 2. Et cela ne correspond même pas à ce que j'ai classé en 2.

Que puis-je faire pour résoudre ce problème ? Je n'ai aucune idée de ce que je fais mal.


Comme découvert dans les commentaires, une ligne (valeur = 21) a été sélectionnée avant d'exécuter Reclassify. L'outil Reclasser n'a pris en compte que la ligne sélectionnée, donc n'a reclassé que les pixels où valeur = 21, à la nouvelle valeur, 2.

Edit : il peut être intéressant de noter qu'il n'y a aucune mention indiquant si Reclassify respecte les sélections dans la page d'aide. Je serais intéressé de savoir s'il existe de la documentation concernant l'utilisation des sélections par Reclassify ou Spatial Analyst.


Utilisation de données d'occupation du sol classifiées et non classifiées pour estimer l'empreinte des établissements humains

Des cartes précises et à jour et des données géoréférencées sur la répartition de la population humaine sont essentielles pour atteindre les mesures de progrès des objectifs de développement durable des Nations Unies, pour soutenir les efforts de cartographie et de réponse aux crises en temps réel, et pour effectuer de nombreuses analyses démographiques et économiques. En décembre 2014, Esri a publié la version initiale du service d'imagerie World Population Estimate (WPE) sur ArcGIS Online. Le service représente une empreinte disymétrique des établissements humains à une résolution de 250 mètres. Il est global et contient une estimation de la population de 2013 pour chaque cellule peuplée. En 2016, Esri a publié un service d'images supplémentaire représentant la population de la Terre en 2015 à une résolution de 162 mètres. Le WPE d'Esri est produit en combinant des données classifiées d'occupation du sol indiquant des emplacements principalement construits ou agricoles avec des images panchromatiques Landsat8, des intersections de routes et des lieux peuplés connus. Le modèle détecte où le peuplement est susceptible d'exister au-delà des zones classées comme principalement construites. Le résultat est une surface raster disymétrique globale de l'empreinte d'établissement avec un score de probabilité d'établissement humain pour chaque cellule de l'empreinte. Les données de population sont réparties sur cette surface de probabilité d'établissement en superposant les chiffres de population dans des polygones représentant des unités de dénombrement du recensement ou des unités politiques représentant des enquêtes sur la population. Cet article présente la méthode développée à Esri pour produire l'estimation de la probabilité d'établissement.

Mots-clés : peuplement, population maillée, Landsat 8, perturbation du paysage
DOI : http://doi.org/10.5334/dsj-2018-020

Abstrait

Les cartes d'occupation du sol jouent un rôle essentiel dans la gestion de l'environnement. Cependant, les pays et les instituts rencontrent de nombreux défis pour produire des mises à jour opportunes, efficaces et temporellement harmonisées de leurs cartes d'occupation des sols. Pour résoudre ces problèmes, nous présentons une architecture modulaire de système régional de surveillance de la couverture terrestre (RLCMS) qui est facilement personnalisée pour créer des produits de couverture terrestre à l'aide de couches cartographiques primitives. Les couches cartographiques primitives sont une suite de cartes biophysiques et de membres finaux, avec des primitives de couverture terrestre représentant les informations brutes nécessaires pour prendre des décisions dans une clé dichotomique pour la classification de la couverture terrestre. Nous présentons les meilleures pratiques pour créer et assembler des primitives à partir de satellites optiques en utilisant des technologies informatiques, une logique d'arbre de décision et des simulations Monte Carlo pour intégrer leurs incertitudes. Le concept est présenté dans le contexte d'une carte régionale de l'occupation du sol basée sur une typologie régionale partagée avec 18 classes d'occupation du sol convenues par les parties prenantes du Cambodge, du Laos RDP, du Myanmar, de la Thaïlande et du Vietnam. Nous avons créé une carte annuelle et des couches d'incertitude pour la période 2000-2017. Nous avons trouvé une précision globale de 94% en tenant compte des incertitudes. Le RLCMS produit des produits de séries chronologiques cohérents à l'aide de données historiques Landsat et MODIS gratuites à long terme. L'architecture personnalisable peut inclure une variété de capteurs et d'algorithmes d'apprentissage automatique pour créer des primitives et le lissage le mieux adapté peut être appliqué à un niveau primitif. Le système est transférable à toutes les régions du monde en raison de son utilisation de données mondiales accessibles au public (Landsat et MODIS) et d'une architecture facilement adaptable qui permet l'incorporation d'une logique d'assemblage personnalisable pour cartographier différentes typologies d'occupation du sol en fonction de l'utilisateur objectifs de suivi du paysage


Essayer d'utiliser une régression logistique dans R pour expliquer le changement de la couverture végétale

Salut, je suis un peu dans une ornière. Je souhaite effectuer une régression logistique pour décrire le changement d'occupation des sols (je fonde ma méthodologie sur l'article suivant http://www.css.cornell.edu/faculty/dgr2/teach/R/R_lcc.pdf) le problème est que bien que j'aie des données sur les changements d'occupation du sol du NLCD entre 2006 et 2010, je n'ai pas de variable explicative que je puisse ajouter à mon modèle. Existe-t-il une autre source que je pourrais utiliser ou aurais-je besoin de manipuler mes données raster d'une manière ou d'une autre ? J'apprécierais toute suggestion.

Utilisez-vous un modèle logit pour prédire le "changement" et "aucun changement" sur la base de la classification originale de la couverture terrestre ? Ou essayez-vous de créer un modèle de choix discret, qui prédit EN QUOI il va changer ? Le premier est plus simple, bien que le second ne soit pas beaucoup plus difficile. Dans tous les cas, vous devez inclure des variables pour ce qu'était le pixel à l'origine et un descripteur pour ce qui entoure ce pixel. Les modèles de transformation terrestre (généralement créés à l'aide de modèles d'automates cellulaires) utilisent généralement une analyse de fenêtre mobile pour créer plusieurs rasters qui créent une description de l'environnement de chaque cellule (ce seraient de bonnes variables explicatives/indépendantes). Je diviserais le NLCD en une série de rasters reclassés avec les valeurs 1 et 0 . 1 représentant une utilisation spécifique des terres et 0 représentant autre chose que cette utilisation des terres. Vous pouvez en créer plusieurs : une pour chaque valeur unique (utilisation des terres) dans votre zone d'étude.

Une fenêtre mobile de base que vous pouvez créer serait une sommation. Cela ajouterait "1" au raster de sortie final pour chaque occurrence d'une utilisation du sol similaire bordant le pixel central. Cela peut devenir très compliqué, et vous pouvez aller au-delà d'une fenêtre mobile 3x3 "sum" vers des choses comme des fonctions 9x9 "patchiness", pour analyser la contiguïté des types d'utilisation des terres. Vous ne devriez avoir aucun problème à trouver BEAUCOUP de variables explicatives pour votre analyse.

Dans R, extrayez focal() dans le package raster.

merci pour votre réponse détaillée, c'est extrêmement utile. J'ai fait des recherches sur certains des concepts que vous avez mentionnés, je suis complètement nouveau dans l'analyse des automates cellulaires.

Je veux rester aussi simple que possible pour l'instant, donc je veux développer un modèle logit pour prédire le changement (ou l'absence de changement) sur la couverture terrestre. De cette façon, je peux cadrer mon analyse autour de l'effet de voisinage, savoir si une cellule est susceptible de changer en fonction des cellules qui l'entourent (et cela correspond également bien à la règle géographique de Waldo, génial).

Les données NLCD dont je dispose ont classé mes cellules dans une douzaine de catégories d'utilisation des terres. Si je vous ai bien compris, la première chose que je devrais faire est de sélectionner une catégorie d'utilisation du sol (ex: développement élevé) et de la reclasser en "1", et le reste en "0" pour un seul raster dans R. Mais aurais-je besoin de le faire pour chaque catégorie si je ne m'intéressais qu'à prédire les changements pour une seule catégorie d'utilisation des terres ?

J'essaie également de lutter avec le concept de fenêtres mobiles. Si je comprends bien, c'est essentiellement la méthode de la moyenne mobile mais sur une grille/matrice ? Déplacement vers le haut, le bas, la droite et la gauche de mon pixel d'intérêt, limité à l'étendue des cellules voisines. Mais comment mesure-t-il la distance entre les cellules ? Si j'ai bien compris votre explication, nous utilisons une fenêtre mobile pour créer un autre raster avec des valeurs moyennes, que nous utiliserons ensuite pour prédire le changement, n'est-ce pas ?

J'ai donc mes deux rasters. Je les reclasse tous les deux selon une catégorie choisie. J'utilise la fenêtre mobile pour faire la moyenne de la valeur des deux ensembles de données (?) et j'utilise le nouvel ensemble de données pour exécuter ma fonction logistique semblable à quelque chose comme :

category_cells, family=binomial, data=averaged_raster)

Je m'excuse Si cette dernière partie est quelque peu alambiquée, je ne sais pas comment manipuler mon raster et construire mon modèle logit (bien que, d'après votre explication, une raison d'avoir un raster transformé pour chaque catégorie serait que chaque catégorie puisse être une variable explicative dans la régression ?).

Encore une fois, je pense que je suis sur la bonne voie, alors merci encore une fois pour votre explication précédente.

Edit: Je comprends que la fonction focal () est ce que j'utiliserais pour utiliser l'analyse des fenêtres mobiles.


Examiner un raster à valeur discrète

Les procédures de modélisation cartographique utilisent beaucoup Couches raster, qui représentent des emplacements au sol régulièrement espacés et définis de manière congruente Cellules. Dans une seule couche, chaque cellule est étiquetée par un Valeur, qui peut être utilisé pour distinguer différents discret types de lieux appelés Zones ou des surfaces qui varient d'une cellule à l'autre, en Continu mode. Les relations régulières entre les cellules permettent de nombreuses façons puissantes de créer et d'utiliser des relations logiques entre les emplacements et leurs propriétés, comme nous le verrons.

La couche New ENgland Gap Vegetation (Gap_Veg) est un raster à valeurs discrètes. Il existe plusieurs façons d'évaluer le jeu de données raster. D'une part, il a des métadonnées qui peuvent être trouvées dans son dossier (ou cliquez ici pour voir les métadonnées) Mais même sans aucune métadonnées, nous pouvons en apprendre beaucoup sur cette couche en examinant ses propriétés et sa cohérence logique avec les autres couches .

Les références


Abstrait

Cet article se concentre sur l'expansion de l'utilisation et de la couverture des terres (LULC) et les changements de la zone climatique locale (LCZ) en relation avec le réchauffement à l'avenir, l'étude se concentre sur trois parties principales. Tout d'abord, cette recherche analyse les changements LULC et LCZ de 1991 à 2016 à l'aide de données d'images satellite Landsat. Cela révèle l'historique de l'expansion urbaine au cours de la période d'étude, le taux de croissance urbaine et la projection de la demande de terres urbaines au cours de l'année cible (2026). Deuxièmement, l'étude détermine les changements LULC et LCZ dans le futur en utilisant un modèle de régression logistique spatiale. Troisièmement, l'examen de l'expansion urbaine en relation avec le réchauffement futur a été mené. Le résultat montre que la zone bâtie a plus de développement et d'expansion vers les parties nord, sud et ouest de Bangkok. La température de la surface bâtie a grimpé et a continué d'augmenter entre 1991 et 2016. La tendance des écarts de température entre les zones bâties et les autres zones s'est considérablement élargie en 2026. La plupart des espaces verts de la partie ouest de Bangkok ont ​​été remplacés par des zones compactes. immeuble de taille moyenne, de faible hauteur compacte et ouvert de faible hauteur. L'étude signifie que la partie ouest de la ville sera plus chaude d'environ 1 à 2 °C à l'avenir.


4. Résultats

4.1. Potentiel technique et économique en électricité solaire en toiture

La méthodologie décrite a systématiquement calculé le potentiel d'électricité solaire disponible sur les toits pour l'ensemble du raster de 100 m × 100 m dans les États membres de l'UE. La figure 6 montre les résultats agrégés pour chacun des pays analysés. La hauteur de la colonne indique le potentiel technique total disponible des systèmes solaires photovoltaïques en toiture. Il s'agit de la production d'électricité attendue (GWh/an) si 100 % des systèmes de toiture adaptés étaient développés, indépendamment du coût. Les différentes couleurs des colonnes de la figure 6 indiquent le LCOE auquel l'électricité est produite ainsi que la proportion de chaque bande LCOE (voir la légende de la figure) dans le potentiel technique global. Le rôle de l'incident d'irradiation solaire par pays joue un rôle majeur et dans les pays du sud de l'UE (Italie, Espagne, Portugal, Chypre, Malte) où l'électricité solaire peut être produite à 6-12 EURcent/kWh. Ceci est principalement dû à la productivité élevée des systèmes PV (Fig. 4). La France et l'Allemagne offrent d'importantes opportunités de production à un coût relativement bas. Leur parc immobilier important et la surface de toiture correspondante se traduisent par un potentiel technique élevé ( > 100 TWh/an pour chaque pays). Un tel potentiel couplé au faible coût du capital (Fig. 5a) permet le développement de systèmes de toiture à des conditions avantageuses.

6 . Potentiel technique des systèmes solaires photovoltaïques en toiture dans chaque État membre de l'UE exprimé en GWh/an. La couleur des colonnes montre quelle part du potentiel technique peut être produite à chaque bande LCOE. (Pour l'interprétation des références à la couleur dans cette légende de figure, le lecteur est renvoyé à la version Web de cet article.)

La figure 7 fournit une carte avec le potentiel technique de chaque pays et la production totale d'électricité attendue (GWh/an), s'il est pleinement développé. Les chiffres de la figure 7 montrent la part du potentiel économique en proportion du potentiel technique pour chaque pays. Ils fournissent le pourcentage de systèmes de toiture qui sont compétitifs et produisent de l'électricité à un coût inférieur aux derniers prix de détail de l'électricité disponibles (2017) dans les pays analysés [49]. En ce sens, les prix de détail nationaux de l'électricité servent de référence pour définir le potentiel économique, en partant du principe que la comparaison du LCOE et du prix de l'électricité domestique définit les systèmes à coût compétitif. Malgré les limites d'une telle simplification, les prix de détail de l'électricité sont, à notre connaissance, le meilleur indicateur disponible pour évaluer la compétitivité des systèmes solaires photovoltaïques.

7 . Potentiel électrique technique du photovoltaïque sur les toits dans le parc immobilier actuel de l'UE et part (%) du potentiel technique compétitif.

Des pays spécifiques tels que l'Allemagne, la France, l'Italie et l'Espagne se distinguent sur les cartes car ils abritent le potentiel économique le plus élevé qui se traduit par plus d'options pour des investissements avantageux. Le LCOE compétitif dans ces pays ne provient que partiellement d'une ressource solaire favorable. Un coût financier inférieur (WACC) combiné à des prix de détail de l'électricité plus élevés sont d'importants facteurs de rentabilité [49]. fournit les prix 2017 pour l'Allemagne, l'Espagne, l'Italie et la France à 30,5, 23,0, 21,3 et 16,9 EURcent/kWh, respectivement [49]. En comparant ces valeurs à la sortie du modèle développé, il apparaît que l'électricité produite par PV est moins chère de 49 %, 44 %, 42 % et 23 %, respectivement. Contrairement à ce cas, les pays de l'Est de l'UE (Bulgarie, Hongrie, Roumanie, Estonie) sont principalement dus à leurs bas prix de détail (9,5 à 12 EURcent/kWh).

L'analyse souligne que la parité réseau n'est actuellement pas possible dans l'Est de l'UE (Roumanie, Pologne, Hongrie, République tchèque, Slovaquie, Croatie, Lituanie, Lettonie, Estonie). Ce constat est surprenant pour les pays ayant une ressource solaire favorable (e.g. Roumanie, Croatie, Bulgarie). Les valeurs de la figure 8 montrent que l'irradiation solaire n'est pas le principal facteur déterminant la compétitivité économique de l'électricité photovoltaïque sur les toits. Les pays voisins dotés de ressources solaires similaires ont des potentiels économiques très différents. Entre les Pays-Bas et la Belgique, les différences résultent clairement des prix de détail puisque le WACC est similaire. Les énormes différences de potentiel économique entre l'Autriche et la Hongrie proviennent d'un effet combiné. Le potentiel technique similaire est réduit par le coût de financement élevé de la Hongrie et les faibles prix de détail de l'électricité. Une différence intéressante est observée entre la Grèce et la Bulgarie (Fig. 8), toutes deux ayant une excellente ressource solaire. Malgré le WACC élevé dans les deux pays, l'augmentation des prix de détail en Grèce rend le PV compétitif. L'effet inverse apparaît en Estonie où le WACC est similaire à celui de l'Europe occidentale. Cependant, les prix de détail bas rendent l'investissement photovoltaïque moins attrayant. Les différents facteurs de blocage appellent évidemment différentes options politiques pour augmenter la compétitivité du photovoltaïque sur les toits et ceux-ci sont mis en évidence dans la section des discussions.

8 . Part modélisée des panneaux solaires photovoltaïques sur les toits dans la consommation finale d'électricité (niveaux de 2016) avec une pleine exploitation du potentiel économique pour les valeurs supposées du WACC et des prix de détail de l'électricité.

Le tableau 2 fournit les valeurs nationales agrégées de la surface de toit modélisée disponible pour le déploiement PV. Il comprend également les valeurs de la production d'électricité théorique si les potentiels techniques et économiques étaient pleinement exploités. Ces valeurs sont comparées aux valeurs de consommation d'électricité de 2016 de chaque État membre (EM) de l'UE, ce qui montre clairement le rôle potentiel important des systèmes de toiture.

Tableau 2 . La zone disponible modélisée pour l'installation d'un système PV sur le toit. Potentiel technique et économique de l'électricité solaire et leur part potentielle dans la consommation finale d'électricité (valeurs 2016) [50].

MME Superficie disponible sur le toit (km 2 ) Potentiel technique (GWh/an) Potentiel économique (GWh/an) Électricité finale consommation (GWh/an) Puissant technique. part (%) de la consommation Puissant économique. part (%) de la consommation
CY 31 5270 5084 4399 119.8% 115.6%
TP 170 24 259 24 030 46 353 52.3% 51.8%
TA 5 782 782 2114 37.0% 37.0%
EL 128 17 090 16 866 53 463 32.0% 31.6%
IL 752 88 651 86 488 286 027 31.0% 30.2%
FR 1346 125 580 125 454 440 971 28.5% 28.4%
ES 462 65 244 61 215 233 172 28.0% 26.3%
DE 1523 104 313 103 782 517 377 20.2% 20.1%
À 151 12 854 12 294 61 852 20.8% 19.9%
NSP 120 5720 5720 31 152 18.4% 18.4%
ÊTRE 183 12 449 12 440 81 725 15.2% 15.2%
C'EST À DIRE 56 2919 2750 26 099 11.2% 10.5%
LU 9 696 395 6372 10.9% 6.2%
SE 157 7255 3203 127 496 5.7% 2.5%
Royaume-Uni 771 43 646 6517 303 902 14.4% 2.1%
SI 29 2704 54 13 026 20.8% 0.4%
Pays-Bas 283 17 629 255 105 332 16.7% 0.2%
RO 354 35 877 58 43 569 82.3% 0.1%
FI 102 4941 63 80 759 6.1% 0.1%
PL 469 30 910 73 132 839 23.3% 0.1%
HEURE 85 7769 5 15 300 50.8% 0.0%
LV 30 1432 1 6482 22.1% 0.0%
SK 108 9079 3 24 987 36.3% 0.0%
BG 150 17 307 0 28 939 59.8% 0.0%
CZ 185 13 725 0 57 997 23.7% 0.0%
EE 27 1220 0 7139 17.1% 0.0%
HU 191 18 034 0 37 541 48.0% 0.0%
LT 58 2923 0 9750 30.0% 0.0%
UE 7935 680 276 467 532 2 786 134 24.4% 16.8%

4.2. Part potentielle du photovoltaïque en toiture dans la consommation électrique finale

La figure 8 montre la part potentielle dans la consommation finale d'électricité des pays si leur potentiel économique est pleinement utilisé. Il convient de noter les cas de Chypre et de Malte où la ressource solaire unique est associée à de bonnes conditions de financement, ce qui se traduit par le coût de production du système le plus bas de l'UE. Le cas du Portugal se distingue également par l'excellent potentiel solaire couplé à des conditions de financement favorables et à des prix de détail plutôt élevés (22,8 EURcent/kWh). Ces pays pourraient couvrir une part très élevée de leurs besoins en électricité en développant des systèmes photovoltaïques en toiture sur leurs sites les plus avantageux.

Le deuxième groupe de pays est l'Italie et la Grèce qui pourraient potentiellement couvrir 30 % de leur consommation d'électricité grâce à des systèmes de toiture. La France, l'Espagne et l'Allemagne pourraient également couvrir une part importante (20 à 30 %) de leur consommation annuelle avec de tels systèmes. Compte tenu des besoins énergétiques très importants de ces trois pays, il apparaît que les systèmes de toiture peuvent jouer un rôle majeur dans la transition énergétique de l'UE, même s'ils ne sont que partiellement utilisés.

Il apparaît que pour plusieurs pays (République tchèque, Hongrie, Bulgarie, Lettonie, Estonie) les systèmes photovoltaïques en toiture fourniraient de l'électricité à un coût plus élevé que les tarifs de l'électricité (couleur bleu clair sur la figure 8). Dans ces pays, une production compétitive n'est pas possible, du moins dans les conditions financières et technologiques actuelles. Dans huit États membres (de couleur jaune clair sur la figure 8), seule une fraction négligeable de la consommation totale (1%) a pu être couverte par des systèmes de toiture à prix compétitifs.Le potentiel économique du photovoltaïque sur les toits pourrait potentiellement couvrir 16,8 % de la consommation totale d'électricité dans l'UE.

L'infrastructure du réseau et les coûts d'exploitation peuvent rendre une partie du potentiel économique des investissements moins attrayants. Donner la priorité aux installations aux emplacements avantageux où le coût de production est proche de son bas de gamme (9-11 EURcent/kWh) est une stratégie à faible risque pour déployer des systèmes qui contribueront à au moins 50 000 GWh/an dans l'UE.

En supposant une pleine exploitation du potentiel technique, cinq pays pourraient couvrir 30 % de leur consommation d'électricité par le photovoltaïque en toiture, quatre pays pourraient couvrir 20 % et deux autres dépasseraient 15 %. La part supplémentaire d'électricité sur les toits dans l'UE serait alors de 24,4 %. De tels chiffres, même s'ils ne sont que partiellement atteints, représentent un bond en avant pour le déploiement actuellement stagnant du photovoltaïque dans l'UE.

5. Discussion
La présente analyse évalue le potentiel disponible pour les systèmes de toiture dans l'UE, la question de recherche étant de savoir si le parc immobilier de l'UE peut offrir des conditions avantageuses pour le déploiement du photovoltaïque. La présente étude fournit des estimations agrégées par pays soutenant des stratégies à haut rendement pour le déploiement de l'énergie solaire photovoltaïque couvrant jusqu'à 25 % de l'électricité consommée dans l'UE afin d'atteindre les objectifs énergétiques et climatiques. Les résultats répondent également à l'affirmation – souvent injustifiée – selon laquelle l'énergie solaire photovoltaïque ne parviendra pas à atteindre des parts importantes en raison des limitations foncières.

La quantification du potentiel PV des toitures au niveau local permet également de définir des objectifs réalistes et des feuilles de route de mise en œuvre. Compte tenu de l'objectif global de 32 % d'EnR, le déploiement de la part compétitive des systèmes de toiture dans l'électricité (16,8 %) n'est pas exagéré, car le mix énergétique nécessitera une part très élevée d'EnR dans le secteur de l'électricité. Le potentiel économique estimé à l'échelle de l'UE à 467 TWh/an est très proche des besoins prévus en systèmes solaires photovoltaïques d'ici 2030, soit 440 TWh/an. Le segment de l'électromobilité peut équilibrer, à moyen terme, les effets des mesures d'efficacité énergétique et entraîner une augmentation de la demande d'électricité à proximité des bâtiments. Les systèmes en toiture peuvent couvrir une telle demande accrue et s'ils sont conçus pour produire de l'électricité principalement pour la consommation locale, les effets secondaires tels que la congestion du réseau et les coûts de répartition seront évités.

La figure 8 montre les pays où la mise en œuvre devrait commencer immédiatement. Ce sont les pays où le photovoltaïque en toiture pourrait couvrir une part importante (30 %) de la consommation d'électricité à un coût compétitif : Chypre, Portugal, Malte, Grèce, Italie tandis qu'un deuxième groupe d'EM (France, Espagne et Allemagne) pourrait couvrir plus de 20%. Afin d'accélérer le déploiement, ces pays pourraient privilégier le déploiement dans les bâtiments tertiaires et publics. Une telle pratique bénéficierait d'économies d'échelle, de réplicabilité et mobiliserait les marchés PV locaux. La simplification des procédures d'octroi de licences et des interventions d'infrastructure pour augmenter la capacité du réseau dans des emplacements sélectionnés pourrait également soutenir les taux de déploiement. Les riches ressources solaires de ces pays couplées à des conditions financières favorables se traduisent par de faibles coûts de l'électricité solaire. D'une part, la priorité doit être donnée aux emplacements où le coût le plus bas est atteint, comme le montre la figure 6. Tout aussi important, la sélection des emplacements prioritaires doit également tenir compte des besoins locaux, dans une approche ascendante. En ce sens, les gouvernements locaux et les municipalités, en particulier ceux engagés dans des initiatives de décarbonation telles que la Convention des maires (CoM) [51] pourraient jouer un rôle actif.

La mise en œuvre dans les nouveaux États membres de l'UE en Europe de l'Est qui ont un potentiel économique plus faible pour les toits (pays illustrés par les couleurs jaune et bleu clair sur la figure 8) prendra probablement plus de temps. Notamment, il existe des différences significatives entre ce groupe d'EM, en particulier en ce qui concerne le potentiel solaire disponible (par exemple, la Bulgarie contre l'Estonie). En particulier, les pays dotés d'un riche potentiel solaire devraient s'efforcer de supprimer les obstacles au photovoltaïque sur les toits. En général, ces pays ont besoin d'une approche centrale descendante pour piloter la mise en œuvre, la priorité étant jusqu'à présent donnée à l'abordabilité de l'électricité. Outre la réévaluation de ces priorités et la réévaluation des pratiques de subvention conventionnelles, l'approche centrale pourrait utiliser les terres dégradées disponibles grâce à des installations de systèmes solaires photovoltaïques dans des décharges fermées [52] et des mines de charbon [53]. Les études récentes des auteurs montrent que les solutions intégrées présentent de multiples avantages et, lorsqu'elles sont correctement conçues, peuvent être compétitives en termes de coûts, même dans les pays de l'Est.

Une forte pénétration du photovoltaïque sur les toits dans les réseaux de distribution peut entraîner des problèmes de stabilité et des distorsions du système électrique. La production photovoltaïque sur le toit dépassant la demande peut augmenter la tension. En règle générale, pour atténuer ce défi, la production excédentaire d'énergie solaire est réduite. L'atténuation de ces effets nécessitera une utilisation plus large des systèmes de batteries couplés à des systèmes de contrôle intelligents qui utilisent et stockent le surplus d'énergie [54]. Les progrès technologiques dans le secteur de l'électronique de puissance peuvent favoriser une pénétration plus élevée du photovoltaïque sur les toits en élargissant le rôle des onduleurs dans les systèmes de production distribués. Les onduleurs intelligents ajoutent ou soustraient de la puissance réactive dans le réseau, augmentant ou réduisant la tension du réseau, respectivement. Bien que de telles fonctionnalités puissent permettre une augmentation jusqu'à 40 % de la capacité solaire photovoltaïque installée sans mise à niveau de l'infrastructure du réseau [55], cela peut ne pas être suffisant. De telles méthodes de contrôle de la puissance réactive ont des limites [56] et leur seule application peut ne pas être efficace pour maintenir la tension dans les limites souhaitées.

Un résultat supplémentaire de la présente analyse est qu'elle montre que la parité des prises photovoltaïques sur les toits est déjà possible dans de nombreux pays de l'UE et sans subventions. De nouvelles réductions de coûts dans le secteur de la technologie photovoltaïque, associées à des augmentations de l'efficacité des systèmes, augmenteront la compétitivité du photovoltaïque sur les toits. Les installations réelles réagiront aux signaux du marché, qui sont influencés par une combinaison de facteurs. En conséquence, le potentiel du marché développé sera façonné par les facteurs techniques et économiques présentés, mais il sera également affecté par les mécanismes politiques et de marché. La présente analyse à scénario unique met en évidence la manière dont l'effet combiné des coûts de financement élevés et des prix de détail bas de l'électricité peut entraver la croissance des installations photovoltaïques dans certains États membres de l'UE. Les auteurs ont l'intention d'examiner dans une activité de suivi la sensibilité du potentiel des systèmes de toiture aux différents facteurs économiques et financiers (TVA, WACC, coûts en capital et OM). Cela inclura également le cas de WACC nul qui correspond à des paiements en espèces, un cas courant pour les systèmes photovoltaïques en toiture.

Les résultats montrent que les investissements photovoltaïques dans certains pays d'Europe de l'Est ne sont pas encore attrayants malgré la disponibilité de ressources similaires. Comme indiqué, le WACC élevé et les faibles prix de détail de l'électricité font du PV une option d'investissement « à éviter ». Afin d'en faire un investissement à rendement équitable, ces pays peuvent stimuler la compétitivité du photovoltaïque sans programmes de soutien direct pour les SER. La solution réside plutôt dans la résolution des problèmes structurels de financement et de tarification des options électriques. Si le financement de l'investissement SER était disponible au niveau moyen de l'UE, la plupart de ces pays deviendraient attractifs pour les investisseurs photovoltaïques. Cela a également été démontré par une récente analyse de l'enveloppe de données montrant que l'efficacité technique de l'énergie solaire est élevée dans l'UE, mais qu'il y a beaucoup de place pour améliorer le coût de financement du photovoltaïque [57]. L'augmentation des prix de détail est probablement une option politique moins attrayante à court terme, mais à plus long terme sera probablement inévitable pour les pays disposant de rares sources d'énergie indigènes dépendant des vecteurs énergétiques exportés. Combler l'écart dans le financement des SER (Fig. 5a) pourrait devenir un objectif à l'échelle de l'UE attrayant non seulement pour l'UE dans son ensemble, mais aussi pour chaque État membre. Une telle politique gagnant-gagnant pourrait s'accélérer dans l'agenda énergétique de l'UE.

Globalement, les investissements en SER sont plus sensibles aux variations du coût du capital que les systèmes conventionnels [43] en raison de leur intensité capitalistique. Le déploiement d'un système SER dans un État membre avec un WACC égal à 12% coûterait environ le double de l'installation du même système dans un pays où le coût du capital est de 3,5% et ne serait pas compétitif. Afin de surmonter cette disparité, un groupe de réflexion basé dans l'UE, Temperton et al.), a récemment suggéré la création d'un mécanisme de réduction des coûts des énergies renouvelables à l'échelle de l'UE (RES-CRF), une idée qui circulait déjà parmi les spécialistes pour quelque temps [43].

Domaines à examiner plus avant À la suite du calcul du potentiel des toitures, certaines dimensions de recherche stratégiques sont identifiées pour l'accélération rapide du déploiement du photovoltaïque dans les portefeuilles de production d'électricité de l'UE :
je.
La méthodologie et les outils développés peuvent être utilisés pour fournir des estimations du potentiel des toits pour des zones municipales spécifiques et soutenir la planification énergétique durable, comme par exemple dans le cadre de l'initiative de la Convention des maires [51]. Ceux-ci devraient également inclure des procédures administratives efficaces pour faciliter une expansion rapide des installations.

ii.
L'amélioration future de la résolution ESM peut ouvrir la voie à l'identification de la taille des bâtiments individuels ainsi que de la densité de la superficie des bâtiments. Du point de vue de la planification, l'identification et la hiérarchisation des bâtiments avec de grands toits plats pourraient permettre un déploiement rapide du photovoltaïque bénéficiant des économies d'échelle.

iii.
La méthodologie développée estime la surface disponible pour les systèmes de toiture en utilisant les valeurs de densité de la surface du bâtiment comme approximation. Les résultats modélisés pourraient être validés à l'aide de mesures dans des zones d'échantillonnage. Les mesures de test auraient idéalement une très grande précision de la zone disponible pour l'installation du système, supérieure à celle des données cadastrales de référence, ainsi qu'une couverture géographique plus large permettant l'apprentissage et la validation des résultats modélisés.

iv.
Le développement de la mesure actuelle de parité de socket du potentiel économique à des critères plus nuancés peut ouvrir la voie à l'identification des emplacements à coût optimal et des mesures politiques les mieux adaptées à la création de telles conditions.

6. Conclusions
L'analyse des données géospatiales d'observation de la Terre a conduit à un modèle innovant de calcul de la superficie des toits et du potentiel technique de production d'électricité photovoltaïque dans l'ensemble de l'UE. En comparant le modèle géospatial avec les valeurs spécifiques au pays pour le coût du capital et les prix de l'électricité, une estimation du potentiel économique peut être faite pour chaque pays de l'UE. La méthodologie développée estime que près de 25 % de la consommation actuelle d'électricité de l'UE pourrait être produite par des systèmes de toiture (toute l'électricité produite par le photovoltaïque ne représentait que 3,94 % en 2016 [50]). La méthodologie développée est très flexible et peut être utilisée pour explorer davantage l'impact des facteurs techniques et économiques tout en maintenant l'approche géospatiale paneuropéenne. Les politiques nationales et régionales visant à exploiter ce potentiel peuvent apporter des avantages a) pour l'emploi dans les secteurs de la fabrication, de l'installation et de l'exploitation, b) stimuler une plus grande participation des citoyens à la transition de l'UE vers un système énergétique à faible émission de carbone.


5. Résultats

La visualisation des données reflète spécifiquement la nature de chaque ensemble de données ou combinaisons de valeurs classées, afin de mettre en évidence un phénomène défini. Les méthodes de classification choisies pour cette étude étaient les méthodes de classification à aires égales et à intervalles égaux. La méthode des surfaces égales a été choisie pour les polygones dérivés des jeux de données sur l'utilisation des terres/la couverture des terres et l'altitude. La classification à intervalles égaux a été choisie sur la base des niveaux de gradient trouvés dans les distances tampons entourant à la fois les réseaux de drainage et les réseaux routiers. De plus, pour refléter efficacement la nature diversifiée de chacun des ensembles de données susmentionnés, ces méthodes ont été considérées comme les plus appropriées. La méthode de surface égale implique un processus par lequel les entités surfaciques des ensembles de données d'utilisation/couverture des terres et d'altitude ont été collectivement définies par une série de points de rupture trouvés dans les valeurs attributaires. Ce processus est une application de l'approche des ruptures naturelles de Jenks et Caspall (1971). L'aire absolue de chaque classe de polygones est donc uniforme et divisée en séries d'étages définis par une limite de classe. La méthode à intervalles égaux traite les ensembles de données en plages de valeurs d'attributs, qui sont stockées sous forme de sous-plages de taille égale. Dans le cas des réseaux de drainage et de voirie, chaque distance tampon variait de 0 à 30 000 m.

Le processus de reclassement était l'avant-dernière étape vers l'emplacement optimal de chaque site potentiel de pluviomètre en définissant une cellule de grille. Cette étape est importante car pour évaluer les ensembles de données combinés, les ensembles de données de grille traités doivent être normalisés à une échelle uniforme. L'application d'un pourcentage d'influence a normalisé l'ensemble de données dérivé, ce qui nous a permis de combiner chaque type de données à une échelle commune. Chaque jeu de données dérivé a ainsi été divisé par 100, ce qui nous a permis d'exécuter le modèle d'adéquation. L'intégration de l'ensemble de données reclassé a été exécutée en convertissant chaque couche en une échelle commune, regroupée dans une plage de données de 1 à 10, les valeurs les plus élevées sont traduites en une adéquation élevée, tandis que les valeurs les plus basses sont moins adaptées.

Pour reclasser la couverture terrestre, les espaces ouverts et les zones avec une couverture végétale moins dense ont été classés plus haut là où il y a moins d'influence probable des arbres qui ne détourneront pas l'entrée de la pluie soufflée par le vent dans la jauge. Les zones de végétation épaisse, compte tenu des valeurs les plus faibles, étaient les moins appropriées pour l'emplacement des pluviomètres.

La reclassification des distances a été définie par le processus de tamponnage des zones de cellules de grille à proximité immédiate des réseaux routiers et de drainage, tels que les zones de drainage ou de ruissellement des autoroutes, reçoivent des valeurs inférieures et sont considérées comme les moins appropriées pour l'emplacement des pluviomètres. Les zones situées à des distances correspondant à 2 à 4 fois la hauteur de tout obstacle à proximité ont été classées élevées et donc appropriées. Lors de la reclassification de la couche de pente, les fortes pentes reçoivent des valeurs plus faibles et sont les moins appropriées pour l'emplacement des pluviomètres. Comme défini précédemment, les jauges doivent être positionnées dans une zone plane loin des obstacles et doivent être installées dans un plan horizontal avec précision pour un fonctionnement correct. L'ensemble de données sur le sol n'a pas été considéré comme un facteur décisif et n'a donc pas été inclus dans le classement final. Les figures 7 à 10 présentent la classification et la reclassification de l'utilisation des terres/de l'occupation des sols, des réseaux routiers, des réseaux de drainage et de l'élévation.

Une fois les données traitées, elles deviennent l'entrée des procédures MCA. Différents algorithmes peuvent alors être utilisés afin de comparer les classements finaux résultants. La méthode de superposition pondérée entraîne l'intersection de plusieurs couches de grille (raster).

Le processus de hiérarchie analytique (AHP) de Saaty (1980) est une procédure bien établie pour attribuer des poids à un ensemble de facteurs, qui peuvent correspondre aux couches d'une superposition. De plus, cette méthode utilise une matrice de comparaison par paires (rapports) entre les facteurs. Il utilise une interface utilisateur interactive conçue pour solliciter les poids et s'assurer qu'ils sont correctement normalisés. En raison de la nature des facteurs utilisés dans l'analyse, l'opération de superposition pondérée a été choisie plutôt que l'AHP de Saaty, donnant au décideur un contrôle total sur les pondérations à appliquer. Les cartes de mise en œuvre sont le résultat d'attributions de poids différentiels. Le résultat fournit une interprétation de la sortie d'optimisation et l'affiche sous forme de carte d'implémentation.

Enfin, la carte d'implantation est superposée à la couverture ponctuelle représentant l'emplacement proposé des emplacements des pluviomètres à augets basculeurs. La grille de couverture est décalée et pivotée sur les sites optimaux calculés, et les coordonnées dérivées sont tabulées pour la vérification éventuelle sur le terrain, comme illustré à la Fig. 11. Les zones en rouge représentent les emplacements optimisés (selon les critères d'étude). Les points de grille théoriques originaux (points verts) sont utilisés à titre indicatif. Avec ces conseils, les scientifiques du NCURN ont recherché et déployé des jauges. L'emplacement final a été déterminé en construisant un rayon de 10 km autour de chaque point de la grille (point bleu). La distance la plus courte entre le point de grille et la région optimisée la plus proche (rouge) est considérée comme l'emplacement optimisé. S'il n'y a pas de région optimisée à moins de 10 km d'un point de grille, la prochaine région la plus proche sera utilisée. L'annexe comprend les emplacements optimisés recommandés (latitude et longitude) pour NCURN.


Reclassifier sur le raster de couverture terrestre ne fonctionnera pas - Systèmes d'information géographique

Journal américain des sciences végétales Vol.06 No.09(2015), Numéro d'article : 57333,7 pages
10.4236/ajps.2015.69149

Application de la télédétection et du SIG dans le changement du couvert forestier à Tehsil Barawal, district de Dir, Pakistan

Anwar Sajjad 1 * , Ahmad Hussain 2 , Umar Wahab 1 , Syed Adnan 3 , Saqib Ali 4 , Zahoor Ahmad 5 , Ashfaq Ali 6

1 Département des sciences de l'environnement, Université de Haripur, Haripur, Pakistan

2 Département des forêts et de la faune, Université de Haripur, Haripur, Pakistan

3 Institut des systèmes d'information géographique, Université nationale des sciences et de la technologie (NUST), Islamabad, Pakistan

4 Laboratoire clé sur l'utilisation des ressources en insectes et la lutte durable contre les ravageurs du Hubei, Collège des sciences et technologies végétales, Université agricole de Huazhong, Wuhan, Chine

5 Département de phytopathologie, Collège des sciences et technologies végétales et Laboratoire clé de surveillance des maladies des cultures et de contrôle de la sécurité dans la province du Hubei, Université agricole de Huazhong, Wuhan, Chine

6 Collège des sciences horticoles et forestières, Université agricole de Huazhong, Wuhan, Chine

Copyright © 2015 par les auteurs et Scientific Research Publishing Inc.

Ce travail est sous licence Creative Commons Attribution International License (CC BY).

Reçu le 11 mai 2015 accepté le 20 juin 2015 publié le 23 juin 2015

Les forêts du Pakistan reproduisent de nombreuses différences climatiques, physiographiques et édaphiques dans le pays et ces forêts sont confrontées à un grave problème de déforestation. Les techniques de système d'information géographique (SIG) et la télédétection (RS) à partir de plates-formes satellites offrent un meilleur moyen d'identifier ces zones de déforestation, et donc une étude basée sur SIG et RS a été menée à tehsil Barawal, district Dir (U) pour analyser la couverture forestière monnaie. Les principaux objectifs de l'étude étaient de : 1) identifier les différentes classes d'utilisation des terres et de couverture végétale, et sa répartition spatiale dans la zone d'étude 2) déterminer la tendance, la nature, l'emplacement et l'ampleur du changement de couverture forestière et 3) préparer des changement du couvert forestier à différentes périodes dans la zone d'étude. Pour évaluer les objectifs, des techniques de télédétection et de SIG ont été utilisées. Une technique de classification d'images supervisée a été appliquée sur les images satellite Landsat 5 de 2000 et 2012. Cinq classes principales telles que l'agriculture, la forêt, les terres arides, la neige et l'eau ont été identifiées. Les résultats ont montré que la superficie des forêts, des terres arides, de l'agriculture, de l'eau et de la neige en 2000 était de 49,54 %, 43,38 %, 5,19 %, 1,40 % et 0,49 % et la superficie en 2012 était de 37,17 %, 41,36 %, 12,69 %, 5,05 % et 3,72 % respectivement. En outre, une diminution de 2,02 % des terres stériles, une diminution de 12,37 % de la forêt et une augmentation de 7,5 % des terres agricoles ont été identifiées.En raison du taux élevé de déforestation et de l'augmentation des activités agricoles, il est recommandé de lancer une campagne de sensibilisation dans la zone d'étude pour protéger et conserver cette forêt contre une nouvelle déforestation.

Déforestation, analyse du changement, changement du couvert forestier

Au Pakistan, la superficie forestière ne représente que 4,8 millions d'hectares sur son territoire géographique total [1] [2] . 1,96 million d'hectares (43 % du total des forêts) sont des forêts de conifères de colline 1,72 million d'hectares (37,2 % du total des forêts) sont des forêts de broussailles ou de pied de collines 0,234 million d'hectares de plantations irriguées 0,297 million d'hectares de superficie sont riverains et 0,35 million d'hectares La superficie de l'hectare est constituée de mangroves dans le delta de l'Indus [3] . Les ressources forestières du Pakistan se trouvent principalement dans les parties nord (15,7% dans le Gilgit Baltistan, 6,5% dans l'Azad Cachemire et 40% dans le Khyber Pakhtunkhwa). À Khyber Pakhtunkhwa, les forêts sont principalement réparties sur les montagnes Korakoram, Hindukush et Himalaya et Scrub, et les forêts de conifères se trouvent principalement dans les pentes supérieures des districts de Dir, Swat, Mansehra et Chitral tandis que les alpages se trouvent sur les crêtes des montagnes. .

La forêt fournit des biens et des services, notamment de l'eau, des abris, des inondations, des dossiers, le cycle des éléments nutritifs, une valeur culturelle et récréative. La forêt contribue également à fournir un habitat à la faune et améliore également la dégradation des terres et la désertification [4] . Les arbres et les ressources forestières du Khyber Pakhtunkhwa jouent un rôle vital dans la vie rurale. La plupart des gens dépendent des ressources forestières et obtiennent du fourrage pour l'entretien, du bois pour les maisons et du bois de chauffage pour le feu. De plus, les populations locales récoltent divers PFNL des forêts pour l'usage domestique et les revenus en espèces [5] .

À l'échelle mondiale, six millions d'hectares de terres forestières sont modifiés en raison de l'exploitation forestière, de l'agriculture, de l'exploitation minière et d'autres activités humaines [6] . Selon la Convention-cadre des Nations Unies sur les changements climatiques (CCNUCC), la principale cause de la déforestation était l'agriculture. 32% de la déforestation est due à l'agriculture commerciale 48% de la déforestation est due à l'agriculture existante 14% l'exploitation forestière est responsable de la déforestation et 5% de la collecte du bois est responsable de la déforestation [7] [8] .

L'utilisation des SIG et des données de télédétection dans la cartographie de la gestion des différentes ressources naturelles et de la modélisation environnementale a pris de l'ampleur ces dernières années. La majorité des travaux en télédétection se sont principalement concentrés sur les études environnementales au cours des dernières décennies. L'implication de la télédétection et du système d'information géographique sur le changement du couvert forestier et la planification urbaine suscite maintenant l'attention et l'intérêt des professionnels des SIG et de la télédétection. Les techniques deviennent une partie importante de la gestion des bassins versants, de la planification urbaine, de la modélisation hydrologique, de la prévision de la sécheresse et de la cartographie du couvert forestier. Les données de télédétection offrent des avantages tels que la couverture synoptique, la cohérence des données, la portée mondiale et la lisibilité, la précision et l'exactitude maximale dans la fourniture de données [9] .

Le système d'information géographique et la télédétection ont été largement et efficacement utilisés dans des analyses thématiques uniques telles que la cartographie de l'utilisation des terres et des changements d'occupation des sols [9] [10] , la surveillance des forêts [11] , la gestion des bassins versants et la gestion des incendies de forêt (Kachmar et Sánchez- Azofeifa, 2003), et évaluation de la stratégie forestière [12] . Des études de télédétection ont montré que le taux de déforestation à Khyber Pakhtunkhwa est élevé et que d'ici 30 ans, la forêt disparaîtra complètement. Des progrès significatifs ont été réalisés dans la plantation d'arbres sur les terres agricoles, mais ils sont incapables de compenser la perte de forêt naturelle (Suleri, 2006). Par conséquent, le but de l'étude était 1) d'identifier différentes classes d'utilisation des terres et de couverture des terres, et sa distribution spatiale dans la zone d'étude 2) de déterminer la tendance, la nature, l'emplacement et l'ampleur du changement de couverture forestière et 3) de préparer des cartes de la forêt couvrent les changements au cours de différentes périodes de Tehsil Barawal District Dir (Upper).

Géographiquement, la zone d'étude Tesil Barawal est située dans le district de Dir Upper. La zone se situe entre les latitudes nord 34˚37' et 35˚21' et la longitude est 71˚30' et 72˚21'. Au nord de la région se trouve Chitral, l'Afghanistan à l'ouest, la forêt supérieure de Dir à l'est dans la vallée inférieure de Dir Maidan dans la partie sud de la région [12] [13] . Comme le montre la figure 1. La population totale de la région est de 61 674 habitants selon le rapport de recensement du district du haut Dir 1998 (Upper Dir, 1998). La zone est

Figure 1 . Carte des haras (Barawal, Dir Upper).

dominée par différents types de forêts, à savoir les forêts d'épicéas (Picea smithiana) et de sapins mixtes (Abies pindrow), d'épicéas (Picea smithiana), de sapins mixtes (Abies pindrow) et de kail (Pinus wallichiana) et les forêts d'espèces à larges feuilles, Kail pur (Pinus wallichiana ) forêts et forêt de chênes (espèces de Quercus) [14] [15] .

Une technique de post-classification a été utilisée pour analyser l'évolution du couvert forestier dans la zone d'étude. La méthode la plus couramment utilisée a été utilisée pour analyser la dynamique de changement du couvert forestier dans la zone d'étude. Il s'agit de classer et de rectifier chaque image télédétectée. Après la classification des images clairement, comparé les cartes résultantes pixel par pixel à l'aide d'une matrice de détection de changement. Les étapes de déroulement ont été réalisées dans la procédure de traitement d'images : 1) collecte de données, 2) préparation de données, 3) classification d'images supervisée, 4) analyse et 5) préparation de cartes de détection de changement. Ces applications ont été réalisées à l'aide des logiciels ERDAS imagine 9.2 et Arc GIS 10.

Pour la détection des changements sur une période de temps, nous avions besoin d'images satellitaires temporelles de la même période et de la même saison. Les images du satellite Landsat 5 de deux périodes, c'est-à-dire 2000 et 2012, ont été téléchargées à partir du site Web du United State of Geological Survey (http://glovis.usgs.gov/).

L'étape préalable avant de procéder à l'analyse est la préparation des données dans laquelle nous avons affiné l'imagerie satellitaire pour effectuer une étude détaillée. La détection des changements de couvert forestier consiste en un géoréférencement et un sous-réglage d'images. Le sous-réglage d'une image est effectué pour découper la zone d'étude à partir d'une scène complète.

2.5. Classification d'images supervisée

La classification est le processus de tri des pixels en un nombre fini de classes individuelles, ou catégories de données, en fonction de leurs valeurs de fichier de données. Si un pixel satisfait un certain ensemble de critères, le pixel est affecté à la classe qui correspond à ce critère. Ce processus est également appelé segmentation d'images. Il consiste à suivre trois étapes qui ont servi à classer les images.

La reconnaissance des formes est la science et l'art de trouver des modèles significatifs dans les données, qui peuvent être extraits par classification. La reconnaissance des formes peut être effectuée avec l'œil humain après amélioration spatiale et spectrale des images.

L'analyste est responsable du contrôle de la formation supervisée. Au stade de la formation, le chercheur choisit les pixels qui représentent un motif ou des structures d'occupation du sol qu'il reconnaît. Avant la classification, la recherche doit avoir une connaissance des données et des classes souhaitées. Une fois le motif identifié, l'analyste peut demander au système informatique de reconnaître les pixels ayant des caractéristiques similaires. Une classification précise peut entraîner des classes qui représentent les catégories au sein des données qui ont été identifiées à l'origine dans l'image. Pour notre recherche, le couvert forestier a été divisé en différentes classes ou catégories telles que l'eau, la neige, la forêt, l'agriculture, etc. Cette étape est elle-même divisée en deux parties :

Ÿ Sélection des sites de formation training en utilisant la méthode des pixels de départ.

Ÿ Sélection de l'espace de caractéristiques pour la classification―qui a montré le moins de covariance entre deux bandes.

Une fois les signatures créées, elles ont été évaluées à l'aide de l'utilitaire d'alarme de signature. Il met en évidence les pixels dans le Viewer qui appartiennent ou sont estimés appartenir à une classe selon la règle de décision parallélépipédique.

Le résultat de l'apprentissage donne un ensemble de signatures qui décrit un cluster ou un échantillon d'apprentissage. Chaque signature se rapportant à une classe est utilisée avec une règle de décision pour affecter les mêmes pixels du fichier image à une classe. Lorsque les signatures ont été créées, les pixels de l'image ont été organisés en classes sur la base des signatures à l'aide d'une règle de décision de classification. La méthode du maximum de vraisemblance a été utilisée pour classer les pixels. Il s'agit d'un système de classification dans lequel des pixels non identifiés sont attribués à des classes en utilisant des contours de vraisemblance autour des zones d'apprentissage en utilisant la statistique de vraisemblance maximale.

Après toute la classification de toutes les cartes, elles ont été reclassées dans les classes de couverture forestière souhaitées à l'aide de l'outil de reclassification dans Arc GIS 10, puis leurs superficies respectives ont été calculées à l'aide de l'option de calculatrice raster. Des graphiques seront également préparés pour tous les types d'occupation du sol pour chaque année.

3.1. Classification des images de l'an 2000

L'image satellite de l'an 2000 a été classée en 5 classes (Figure 2). Le résultat a montré que la superficie des forêts, de l'agriculture, des terres stériles, de la neige et de l'eau était de 19 349, 2028, 16 995, 188 et 549 hectares (tableau 1). La Figure 3 a montré que les zones forestières sont majoritairement concentrées dans le Sud-Ouest et le Sud-Est et de la zone d'étude tandis que l'agriculture est majoritairement concentrée dans le Nord-Ouest de la zone d'étude. Là où les parties nord-est ont de faibles

Tableau 1 . Résultats de la classification de l'image 2000.

Figure 2 . Image classée de l'an 2000.

Figure 3 . Image classée de l'année 2012.

terres agricoles. Les terres arides se trouvent principalement dans les parties centrales et dans les parties nord-est. Dans les pics du côté nord des montagnes, de la neige a également été trouvée.

3.2. Classement des images de l'année 2012

L'image satellite de l'année 2012 a été classée en 5 classes similaires à celle de 2000 (Figure 2). Le résultat a montré que la superficie de la forêt, de l'agriculture, des terres stériles, de la neige et de l'eau était de 14 522, 4958, 16 156, 1450 et 1973 hectares (tableau 2 et figure 3).

La figure 3 a montré que les développements agricoles (empiètement) ont commencé dans les zones forestières qui étaient concentrées dans les parties sud-ouest et sud-est en 2000, en raison de la diminution de la superficie forestière dans cette zone. De même, les terres agricoles ont été développées et intensifiées dans le côté nord-ouest de la vallée de Barawal tandis que le côté nord-est a également des développements agricoles importants.

Tableau 2 . Résultats du classement de l'image 2012.

3.3. Changements dans l'utilisation des terres et la couverture des terres de 2000 à 2012

Le tableau 3 montre la comparaison de l'ampleur des changements survenus de 2000 à 2012. Les résultats ont montré que la superficie forestière a été modifiée / diminuée jusqu'à 4826 hectares, ce qui représente environ 12,37% de celle de l'image 2000. De même, la zone agricole a augmenté d'environ 2930 hectares, ce qui représente une augmentation d'environ 7,5%.

3.4. Évaluation de la précision à l'aide de la matrice d'erreurs pour les images classifiées des années 2000 et 2012

La matrice d'erreurs a été calculée pour comprendre l'exactitude de la classification pour les années 2000 et 2012. La matrice d'erreurs est calculée pixel par pixel. Les pixels ont été convertis en pourcentage, ainsi le tableau 4 de l'image classée de l'année 2000 a montré que seulement 8,7% de la superficie forestière a été mélangée à des terres agricoles et que seulement 0,4% de l'agriculture a été mélangée à de la forêt. De même le tableau 5 de l'image classée de l'année 2012 a montré que 10,8% de la superficie forestière a été mélangée à l'agriculture et 3,6% de la superficie agricole a été mélangée à la forêt.

4.1. Classification de la couverture terrestre

Dans cette recherche, nous avons classé deux images satellites en cinq classes principales, à savoir l'agriculture, la forêt, la neige, l'eau et les terres arides. L'accent a été mis sur la superficie forestière car notre objectif principal était que la superficie forestière ait changé de 2000 à 2012. Une étude similaire sur la classification de l'occupation des sols est menée par [16] .

Pour obtenir des informations quantitatives sur la forêt dans la vallée de Barawal de 2000 à 2012, une détection des changements de couvert forestier a été réalisée en utilisant un système d'information géographique et des techniques de télédétection. Une technique de post-classification utilisée par (Coppin et al., 2004) a été appliquée pour la classification et l'analyse des données quantitatives sur les deux images satellites de 2000 et 2012.

Le résultat de la classification de l'image satellite de l'année 2000 a montré que le pourcentage de superficie de forêt, d'agriculture, de terres stériles, de neige et de plans d'eau était respectivement de 49,54 %, 5,19 %, 43,38 %, 0,49 % et 1,4 % (tableau 1 et figure 2). De même, le résultat de la classification de l'image satellite de l'année 2012 a montré que la forêt, l'agriculture, les terres arides étaient, la neige et les masses d'eau étaient respectivement de 37,17 %, 12,69 %, 41,36 %, 3,73 % et 5,05 % (tableau 2 et figure 3).

De 2000 à 2012, la superficie forestière a diminué de 12 % et la superficie agricole a augmenté de 7 %. Ces résultats sont similaires à ceux d'une étude menée sur l'évaluation des changements de couvert forestier à Swat et Shangla qui montre qu'il y a eu une diminution d'environ 13 % du couvert forestier à Swat et de 11 % à Shangla [17] [18] .

5. Conclusion et recommandation

Le résultat de la classification de l'image satellite de l'année 2000 a montré que le pourcentage de superficie de forêt, d'agriculture, de terres stériles, de neige et de plans d'eau était de 49,54 %, 5,19 %, 43,38 %, 0,49 % et 1,4 % respectivement. De même, le résultat de la classification de l'image satellite de l'année 2012 a montré que la forêt, l'agriculture, les terres arides, la neige et l'eau

Tableau 3 . L'utilisation des terres L'occupation des sols a changé de 2000 à 2012.

Tableau 4 . Matrice d'erreur de l'image classée de l'an 2000.

Tableau 5 . Matrice d'erreur de l'image classée de l'année 2012.

corps étaient respectivement de 37,17 %, 12,69 %, 41,36 %, 3,73 % et 5,05 %. De 2000 à 2012, la superficie forestière a diminué de 12 % et la superficie agricole a été augmentée de 7 %. En raison du taux élevé de déforestation et de l'augmentation des activités agricoles, il est recommandé de lancer une campagne de sensibilisation dans la zone d'étude pour protéger et conserver cette forêt contre une nouvelle déforestation.

Cette recherche a été parrainée par l'Université de Haripur, Khyber Pakhtunkhwa, Pakistan. Je remercie M. Muhammad Adnan pour sa contribution technique à la réalisation de cette recherche. Nous remercions également Ishfaq Ahmad, Rabnawaz Khan, Muhammad Adnan Safi et Majid Khan qui ont révisé ce manuscrit.


Comptes liés

HydroShare

HydroShare est un environnement de collaboration en ligne pour le partage de données, de modèles et de code. Dans la version 1.22 (mars 2018), nous avons dévoilé un nouveau moyen puissant de partager des projets Model My Watershed, afin que d'autres puissent trouver, afficher et copier n'importe quel projet de modèle Model My Watershed qui a été partagé publiquement. Cette nouvelle capacité de partage s'appuie sur CUAHSI HydroShare, un environnement collaboratif en ligne pour le partage de données et de modèles hydrologiques. Pour lier votre compte et partager vos projets au portail de données HydroShare, suivez les étapes décrites dans la section “Enregistrer et partager votre projet” ci-dessous (section 8.2.)

Est-ce que cela a été utile? Oui Non Suggérer une modification

3. Couches (données mappées visualisables) #

Model My Watershed fournit un certain nombre de couches de données géospatiales pour la visualisation, l'analyse et la modélisation. Des informations détaillées et des sources de données pour chaque couche sont fournies ci-dessous, organisées par type, dans l'ordre dans lequel elles apparaissent dans le sélecteur de couche en bas à gauche de la carte.

Les couches qui ne sont pas disponibles pour la visualisation, mais qui sont utilisées pour les fonctions d'analyse et de modélisation, sont décrites dans la section 2.6 Couches de données supplémentaires.

Est-ce que cela a été utile? Oui Non Suggérer une modification

3.1. Ruisseaux #

Réseau continental américain de diffusion en moyenne résolution

Malheureusement, le jeu de données vectorielles Flowline haute résolution NHD (nominalement à l'échelle 1:24 000) n'est pas encore disponible dans NHDplusV2.

Les lignes bleues sont rendues avec un style qui dépend de l'étendue du zoom de l'utilisateur et de l'ordre du flux.

  • Les cours d'eau plus importants sont attribués à des lignes bleues plus épaisses.
  • De petits flux apparaissent/disparaissent lorsque l'utilisateur effectue un zoom avant et arrière sur la zone de la carte.

Réseau de flux haute résolution du bassin de la rivière Delaware

Le réseau de cours d'eau à haute résolution du bassin de la rivière Delaware a été dérivé du modèle numérique d'élévation de résolution de 1/3 de seconde d'arc (10 m) de l'ensemble de données d'élévation nationale de l'USGS obtenu à partir de la carte nationale à l'aide des options de téléchargement FTP pour le domaine couvrant la rivière Delaware. Bassin.

Ce travail a été effectué par les partenaires de Model My Watershed à l'Utah State University, David Tarboton et Nazmus Sazib, à l'aide du logiciel Terrain Analysis (TauDEM) (Modèles numériques d'élévation). Tarboton est le développeur principal du logiciel TauDEM.

Les étapes de traitement utilisées étaient :

  • Définir le domaine d'analyse du terrain du bassin de la rivière Delaware. Les parties du MNE qui occupaient la zone océanique ou estuarienne identifiées à partir du jeu de données hydrographiques nationales et d'autres sources de données ont été masquées dans ce MNE, définissant une valeur sans données pour les cellules de grille à plus de 100 m du rivage et -50 m pour les cellules de grille à l'intérieur 100 m de la côte. Cela a permis de garantir que les cellules de grille adjacentes au rivage se drainaient dans l'océan/l'estuaire, tout en évitant en même temps une analyse de terrain inutile pour les zones océaniques/estuaires. Le DEM a ensuite été découpé à la limite du bassin versant du bassin hydrographique du Delaware à partir de NHDPlus, avec une zone tampon de 5 km autour des bords pour éviter les effets de bord là où la limite du bassin versant et le DEM sont incohérents.
  • Dénoyautage. La fonction TauDEM pitremove a été utilisée pour conditionner hydrologiquement le DEM. Cela a élevé le niveau de toutes les cellules de la grille complètement entourées par un terrain plus élevé au niveau du point d'écoulement le plus bas autour de leur bord de sorte qu'il y ait un chemin d'élévation non croissante de chaque cellule de la grille au bord du domaine le long duquel l'eau pourrait s'écouler.
  • Sens d'écoulement D8. La fonction de direction d'écoulement TauDEM D8 a été utilisée pour calculer la direction d'écoulement unique associée à chaque cellule de la grille vers l'un de ses huit voisins adjacents.
  • D8 Zone de contribution. La fonction de zone de contribution TauDEM D8 a été utilisée pour calculer le nombre de cellules de la grille s'écoulant à travers chaque cellule de la grille se comptant elle-même.
  • Déterminer les débouchés vers l'océan/l'estuaire. Les points de sortie où la zone de contribution est supérieure à 5 000 cellules de grille (environ 0,5 km 2 ) et le débit quittant le domaine ont été déterminés comme les extrémités en aval d'un réseau hydrographique temporaire cartographié à l'aide de TauDEM avec un seuil de zone de contribution de 5 000 cellules de grille. Ces points d'exutoire ont été utilisés dans les calculs ci-dessous pour limiter les travaux aux zones en amont de ces exutoires. Il n'a pas été jugé utile de délimiter un réseau de cours d'eau pour des zones de moins de 0,5 km 2 se déversant directement dans l'océan.
  • Filtre vallée Peuker Douglas. Le filtre TauDEM Peuker Douglas a été utilisé pour identifier les cellules de la grille de vallée. Ce filtre sélectionne toutes les cellules de grille, examine chaque ensemble de cellules de grille 2 x 2 et désélectionne la cellule d'altitude la plus élevée. Les cellules restant sélectionnées à la fin sont des « cellules de vallée potentielles ».
  • Zone contributive pondérée D8. La fonction de zone contributive TauDEM D8 a été utilisée avec le résultat du filtre de vallée de Peuker Douglas comme entrée pondérée. Ceci calcule le nombre de cellules de grille de vallée potentielles s'écoulant à travers chaque cellule de grille.
  • Définir la grille de flux. La fonction de seuil TauDEM a été utilisée pour définir comme grilles de flux candidats les cellules de la grille dans le résultat de la zone de contribution pondérée D8 dépassant les seuils de zone de contribution d'entrée. Des seuils de zone contributive de 20, 50 et 100 cellules de grille ont été évalués. Après inspection visuelle, par rapport aux crénelures de contour et aux flux NHD haute résolution, un seuil de 50 cellules de grille a été choisi.
  • Calculer le réseau de flux. La fonction TauDEM Stream Network a été utilisée pour délimiter un réseau de lignes de flux (formes vectorielles SIG) à partir de la grille de flux de seuil de 50 cellules. Le résultat est un ensemble d'entités géographiques (ensemble de lignes) au format de fichier de formes SIG.

A noter que cette procédure, et en particulier l'utilisation du filtre de la vallée du Peuker Douglas et des fonctions de zone contributive pondérée, aboutit à un réseau hydrographique qui s'adapte à la complexité de la topographie. Lorsque la topographie est complexe, comme le refléterait un degré élevé de crénelage des contours, la densité de drainage du réseau de cours d'eau résultant est élevée et le reflète. Là où la topographie est moins complexe (contours lisses), la densité de drainage est faible. La base de ceci est que la cartographie des cellules de grille de vallée produit une carte de cours d'eau squelettisée (déconnectée) qui reflète la variabilité de la densité de drainage à travers la topographie. Ces cellules de grille de vallée ont ensuite été formées en un réseau de cours d'eau connecté en les utilisant comme entrée dans un calcul de zone de contribution pondérée qui ne comptait que ces cellules de grille.

Pour plus de détails sur la justification de cette approche, reportez-vous aux références suivantes (références complètes dans la section Références de ce document) : Tarboton & Ames (2001) Tarboton et al. (1992) Tarboton et al. (1991).

Pour plus de détails sur le logiciel TauDEM et l'utilisation de chaque fonction, reportez-vous à la documentation TauDEM. Le logiciel TauDEM est open source et peut être obtenu sur les sites Web suivants :

Concentration(s) de T(X) dans le bassin du fleuve Delaware de SRAT

Estimation des concentrations de débit de base dans les cours d'eau d'azote total (TN), de phosphore total (TP) ou de matières en suspension totales (TSS), dérivées dans le bassin de la rivière Delaware à partir de l'effort de modélisation de l'outil d'évaluation de la portée des cours d'eau (SRAT). Les concentrations dans les cours d'eau estimées par SRAT sont indiquées dans Model My Watershed en codant par couleur le réseau de cours d'eau NHDplusV2 dans des couleurs allant du vert au jaune à l'orange au rouge, les verts indiquant les concentrations les plus faibles et les rouges indiquant les plus élevées.

L'effort de modélisation de l'outil d'évaluation de la portée du ruisseau (SRAT) a été financé par la William Penn Foundation (WPF) Delaware River Watershed Initiative (DRWI). Le SRAT est dérivé des exécutions du modèle MapShed calibré de toutes les zones HUC-12 dans le bassin du fleuve Delaware, en réduisant les résultats de MapShed aux échelles de captage NHDplusV2 et en acheminant les charges via le réseau de flux de résolution moyenne NHDplusV2. Pour plus de détails sur SRAT, voir la présentation SRAT. L'outil d'évaluation de la portée du ruisseau vous est présenté grâce au travail collaboratif de nombreux partenaires DRWI.

De nombreuses autres couches de données de sortie de modèle dérivées de SRAT peuvent être visualisées et analysées dans Model My Watershed, y compris la visualisation des taux de charge de polluants et des concentrations de cours d'eau au niveau du bassin hydrographique et du segment de cours d'eau NHD. Voir ci-dessous pour plus de détails.

Est-ce que cela a été utile? Oui Non Suggérer une modification

3.2. Grilles de couverture #

Terre : Base de données nationale de l'USGS

Sol : Groupes de sols hydrologiques de gSSURGO

Gridded Soil Survey Geographic (gSSURGO) 2016. Base de données pour les États-Unis contigus. Département de l'agriculture des États-Unis (USDA), Natural Resources Conservation Service (NRCS). Obtenu à partir de la passerelle de données géospatiales de l'USDA.

Les groupes de sols hydrologiques constituent une catégorie de sols gSSURGO, basée sur les taux d'infiltration d'eau dans des conditions humides et saturées. Les sols à faible taux d'infiltration se traduisent par un potentiel de ruissellement élevé. Pour plus d'informations, consultez ces publications de l'USDA NRCS :

Altitude et pente (Pourcentage)

Les grilles de couverture d'altitude et de pente sont visualisées sur la base de l'ensemble de données hydrographiques nationales (NHD) et du modèle numérique d'altitude Snapshop de données d'altitude nationale (NHDPlus [email protected] NED Snapshot DEM), qui sont accessibles au public auprès de l'USGS.

Climat : Précipitations et températures moyennes mensuelles

Les valeurs mensuelles moyennes quadrillées pour les précipitations et la température ont été obtenues auprès du PRISM Climate Group et sont les ensembles de données “AN81m”. En bref, ces couches ont été créées à partir d'un effort de modélisation (processus d'interpolation climatiquement assistée) qui a utilisé les enregistrements disponibles à l'échelle nationale pour la période 1981-2010. Voir la documentation.

Terres protégées

La couche de données « Terres protégées » dans Model My Watershed provient de l'Inventaire national des aires protégées assemblé et publié par le U.S. Geological Survey Gap Analysis Program en 2016 (Gergely et McKerro, 2016). La base de données des aires protégées des États-Unis (PADUS) est l'inventaire officiel des parcs publics et autres espaces ouverts protégés. Voir fiche d'information.

Gergely, K.J., et McKerrow, A., 2016, PAD-US—Inventaire national des aires protégées (ver. 1.1, août 2016) : U.S. Geological Survey Fact Sheet 2013-3086, 2 p..

Reclassement de la PADUS

La base de données des aires protégées (PAD) pour les États-Unis a été téléchargée via le site de téléchargement de l'USGS (lien fourni ci-dessus). Une liste de 60 descriptions uniques des types d'utilisation désignés (d_Des_Tp) a été compilée à partir de la colonne de l'ensemble de données source brute du PAD. À partir de cette liste, un ensemble de catégories reclassées a été déterminé qui pourrait décrire chacune à un niveau plus général (tableau 1). Certaines aires protégées désignées ont été supprimées si elles ne correspondaient pas à un type de reclassement. La liste des types désignés uniques comportait à chaque description l'une des 12 reclassifications différentes (tableau 2).

Ces valeurs reclassées ont ensuite été converties en une liste de valeurs entières. Cela se fait souvent avec des données catégorielles stockées dans un format raster pour réduire la taille globale du fichier. Une fois que les reclassifications et les classificateurs d'identification de raster ont été ajoutés au fichier de formes PAD d'origine, il a été converti en un raster GEOTIFF. Pour ce faire, le National Land Cover Dataset (NLCD) 2011 a été utilisé pour définir l'étendue finale du traitement, le raster d'accrochage et la taille de la cellule. Le résultat est un raster PAD qui chevauche parfaitement le raster NLCD pour les États-Unis coïncidents.

L'ensemble de données PAD source avait souvent un problème sous-jacent de chevauchement des polygones. Un raster en sortie de ces données ne peut stocker qu'une seule valeur pour une zone donnée. Ainsi, s'il y avait deux polygones superposés avec des descriptions de protection différentes, un seul d'entre eux sera représenté dans la sortie raster finale créée.

Zone active de la rivière – Nord-Est et Mid-Atlantic

La couche de données "Active River Area" a été développée pour fournir un cadre de conservation pour l'évaluation, la protection, la gestion et la restauration des écosystèmes d'eau douce et riverains. Le cadre identifie cinq sous-composantes clés de la zone fluviale active : 1) les zones de contribution matérielle, 2) les ceintures de méandres, 3) les zones humides riveraines, 4) les plaines inondables et 5) les terrasses. Ces zones sont définies par les principaux processus physiques et écologiques associés et expliqués dans le contexte du continuum du bassin hydrographique supérieur, moyen et inférieur dans le document cadre de l'ARA (Smith et al. 2008). Plus de détails, cliquez ici.

Smith, député, R. Schiff, A. Olivero et J. MacBroom. 2008. The Active River Area : Un cadre de conservation pour la protection des rivières et des ruisseaux. La conservation de la nature. Boston, MA.

Futures prévisions de terres urbaines DRB (“DRB 2011 Urban Baseline”, “DRB 2100 Centres FX”, � Corridors FX”)

Ces couches de données spécifiques au bassin de la rivière Delaware (DRB) ont été créées par le Dr C. Jantz et al. au Centre pour l'utilisation des terres et la durabilité de l'Université de Shippensburg. Ces couches, appelées collectivement DRB2100 Version 3.1 Future Land Cover Scenarios, représentent une base révisée et des prévisions de croissance future (« couloirs » et « centres ») pour les changements (augmentations ou diminutions de l'étendue) de l'« utilisation des terres développées » dans le Delaware. Bassin fluvial, jusqu'en 2100. Pour développer ces prévisions, le modèle de croissance urbaine SLEUTH a été calibré pour la modélisation des sous-régions sur la période 2001-2006, et validé pour la période 2006-2011. Les classes urbaines de la National Land Cover Database (NLCD) ont été utilisées pour représenter la couverture urbaine telle qu'elle a été développée ou non pour la couche de référence 2011. En savoir plus sur ce projet :

L'API Fast-Zonal Statistics fournit les prévisions futures (2100) des terres urbaines DRB

Le Drexel University College of Computing and Informatics (CCI) et l'Académie des sciences naturelles (ANS) de l'Université Drexel ont développé l'interface de programmation d'applications (API) de statistiques zonales rapides (FZS) qui renvoie des attributs numériques (moyenne, somme et nombre) pour une région de requête de polygone soumise sur n'importe quelle grille ou jeu de données raster standard. Les applications courantes de cette technologie comprennent la détermination de la quantité de précipitations ou de surfaces imperméables dans un bassin versant. L'API a été construite à l'aide d'un framework Web GeoDjango, de Nginx, de Docker, de PostGIS et d'un nouvel algorithme FZS produit par les membres de cette organisation (Haag et al. 2020). Cet algorithme est étiqueté "rapide" car pour déterminer la somme zonale d'un polygone sur une surface raster, seules les cellules qui coupent la limite du polygone doivent être traversées plutôt que toutes les cellules intérieures. Cela signifie que sur le plan informatique, l'approche évolue beaucoup mieux avec une résolution de données accrue, car l'algorithme FZS est constant par rapport à la longueur (mètres) du périmètre du polygone plutôt qu'à sa superficie (mètres carrés). Des informations supplémentaires sur la façon d'interagir avec l'API sont disponibles ici : http://watersheds.cci.drexel.edu/docs.

Haag, S., Tarboton, D., Smith, M. & Shokoufandeh, A. (2020). Algorithme de résumé rapide pour les statistiques polygonales sur une grille régulière. Informatique et géosciences. 10.1016/j.cageo.2020.104524.

Zones urbanisées de Pennsylvanie

Limites des zones urbanisées de l'US EPA, développées par l'USEPA pour répondre à un certain nombre de besoins analytiques. En Pennsylvanie, ces limites sont utilisées pour identifier les zones à l'intérieur desquelles diverses entités municipales ont la responsabilité de réduire les charges polluantes (principalement les sédiments, l'azote et le phosphore).

Données sur la qualité de l'eau du bassin hydrographique DRB, taux de charge annuels T(X) des bassins hydrographiques SRAT

Taux de chargement moyens estimés pour l'azote total (TN), le phosphore total (TP) ou les solides en suspension totaux (TSS), dérivés dans le bassin de la rivière Delaware à partir de l'effort de modélisation de l'outil d'évaluation de la portée du ruisseau (SRAT). Les taux de charge estimés par SRAT sont indiqués en MMW en ombrant les zones de captage NHDplusV2, où les nuances plus foncées indiquent des taux de charge annuels moyens plus élevés en masse par unité de surface (par exemple, lb/acre ou kg/ha).

L'effort de modélisation de l'outil d'évaluation de la portée du ruisseau (SRAT) a été financé par la William Penn Foundation (WPF) Delaware River Watershed Initiative (DRWI). Le SRAT est dérivé des exécutions du modèle MapShed calibré de toutes les zones HUC-12 dans le bassin du fleuve Delaware, en réduisant les résultats de MapShed aux échelles de captage NHDplusV2 et en acheminant les charges via le réseau de flux de résolution moyenne NHDplusV2. Plus de détails sur SRAT

De nombreuses autres couches de données de sortie de modèle dérivées de SRAT peuvent être visualisées et analysées dans Model My Watershed, y compris la visualisation des taux de charge de polluants et des concentrations de cours d'eau au niveau du bassin hydrographique et du segment de cours d'eau NHD. Voir ci-dessous pour plus de détails.

Est-ce que cela a été utile? Oui Non Suggérer une modification

3.3. Limites #

Unité de sous-bassin USGS (HUC-8)

US Geological Survey Unités hydrologiques au niveau à huit chiffres (code d'unité hydrologique 8), d'une moyenne de 700 milles carrés (1 813 kilomètres carrés). Bien que l'USGS nomme le niveau HUC-8 comme échelle de « sous-bassin », ces unités hydrologiques ne sont pas équivalentes à de véritables bassins hydrographiques ou bassins versants, car la rivière/le cours d'eau principal dans une zone HUC-8 donnée peut souvent avoir des contributions de HUC- en amont supplémentaires. 8 zones.

Unité de bassin versant de l'USGS (HUC-10)

US Geological Survey Unités hydrologiques au niveau à dix chiffres (code d'unité hydrologique 10), d'une moyenne de 227 milles carrés (588 kilomètres carrés). Bien que l'USGS nomme le niveau HUC-10 comme échelle de « bassin versant », ces unités hydrologiques ne sont pas équivalentes à de véritables bassins hydrographiques ou bassins versants, car la rivière/le cours d'eau principal dans une zone HUC-10 donnée peut souvent avoir des contributions de HUC- en amont supplémentaires. 10 zones.

Unité de sous-bassin hydrographique de l'USGS (HUC-12)

US Geological Survey Unités hydrologiques de niveau à douze chiffres (code d'unité hydrologique 12), d'une moyenne de 40 milles carrés (104 kilomètres carrés). Bien que l'USGS nomme le niveau HUC-12 comme échelle de « sous-bassin versant », ces unités hydrologiques ne sont pas équivalentes à de véritables bassins hydrographiques ou bassins versants, car la rivière/le cours d'eau principal dans une zone HUC-12 donnée peut souvent avoir des contributions d'autres HUC- en amont. 12 domaines.

Lignes de comté

Lignes de comté pour chaque État des États-Unis continentaux.

Districts du Congrès

Districts du Congrès pour la Chambre des représentants des États-Unis pour le 113e Congrès : 1/3/2013-1/3/2015.

Les districts scolaires

Limites des districts scolaires dans la zone continentale des États-Unis.

Municipalités de Pennsylvanie

Les limites municipales des sous-comtés de l'État de Pennsylvanie ont été définies par divers organismes d'État. Limites des municipalités de Pennsylvanie

Est-ce que cela a été utile? Oui Non Suggérer une modification

3.4. Observations #

Stations météo (214)

Une base de données de données météorologiques quotidiennes à l'échelle nationale (température et précipitations) a été précédemment compilée par l'USEPA pour être utilisée dans divers modèles de simulation environnementale. Dans le cas du MMW, ces données sont utilisées pour estimer les données météorologiques quotidiennes (c'est-à-dire les précipitations et la température compilées pour la période 1961-1990) à utiliser pour les calculs quotidiens de ruissellement et d'érosion dans le modèle pluriannuel du bassin versant (GWLF- modèle E, décrit ci-dessous) (voir accès USEPA Meteorological Data).

Cette couche peut être visualisée sur la carte en cliquant sur l'onglet “Observations” de la palette “Layer” et les 214 stations météorologiques peuvent être vues en bleu (vous devrez peut-être effectuer un zoom avant/arrière sur la carte). En cliquant sur le cercle bleu, les informations de station spécifiques à chaque point de la carte s'afficheront. Les données météorologiques sont également décrites ci-dessous, et les données météorologiques personnalisées peuvent être téléchargées dans une exécution de modèle de bassin versant sur plusieurs années pour générer un nouveau scénario basé sur les données météorologiques fournies par l'utilisateur.

Est-ce que cela a été utile? Oui Non Suggérer une modification

3.5. # de fonds de carte

Topographie

Satellite

Satellite avec routes

Terrain

Est-ce que cela a été utile? Oui Non Suggérer une modification

3.6. Couches de données supplémentaires #

En plus des couches de données visualisées sur la carte, l'application Web Model My Watershed a également accès à des couches de données supplémentaires (non visualisées) à utiliser par les différentes fonctions de modélisation.

Animaux

Les populations d'animaux de ferme pour une zone d'intérêt sont estimées à partir des données au niveau du comté de l'USDA, en calculant d'abord une moyenne « animaux par acres de terres agricoles » pour chaque type d'animal pour chaque comté. La source de données

Sources ponctuelles

Les rejets de sources ponctuelles de polluants qui sont autorisés en vertu du Système national d'élimination des rejets de polluants (NPDES) de l'EPA des États-Unis seront répertoriés pour toute zone d'intérêt sélectionnée sous l'onglet Analyser et le sous-onglet « Sources Pt ». Ces rejets autorisés par le NPDES proviennent principalement de grandes usines de traitement des eaux usées municipales et industrielles, qui sont tenues de soumettre des rapports de surveillance des rejets (DMR). Les données « Sources Pt » ont été créées à partir de la base de données DMR de l'EPA, accessible via le portail Web de recherche sur la pollution de l'eau de l'EPA. Ces mêmes données sont utilisées comme entrée dans le modèle pluriannuel du bassin versant MMW. Pour les sources ponctuelles collectées dans le bassin du fleuve Delaware, les mesures de rejet (effluent) et de concentration (azote et phosphore) ont été tirées directement de rapports de surveillance des rejets plus détaillés au niveau de l'État.

Est-ce que cela a été utile? Oui Non Suggérer une modification

4. Sélectionnez la zone d'intérêt (AoI) #

Une suite d'outils (dans la zone de menu de gauche) est disponible pour sélectionner des zones dans les 48 États inférieurs des États-Unis et commencer le processus de modélisation en résumant l'utilisation des terres, les groupes de sols hydrologiques et d'autres statistiques. Les options incluent : Sélectionner par limite, Tirage au sort gratuit, et Délimiter le bassin versant.

Les options de modélisation sont décrites dans la section 7.0 et certains workflows de modélisation nécessitent l'utilisation d'outils de zone d'intérêt spécifiques (comme indiqué ci-dessous) :

  • Pour utiliser le “Atténuation du sous-bassin” dans le “Watershed Multi-Year Model“, l'utilisateur doit définir/sélectionner une zone d'intérêt à l'aide du choix HUC8 ou HUC10 “Select by Boundary”.
  • Pour utiliser le “Feuille de travail pluriannuelle du bassin versant” (a.k.a., BMP Spreadsheet Tool), l'utilisateur ne peux pas utilisez le choix HUC12 “Select by Boundary”.
  • Remarque : la taille la plus appropriée (superficie totale/superficie) de votre zone d'intérêt à utiliser avec le Modèle de tempête de site (Documentation technique ici et guide ici) est de 1 à plusieurs centaines d'acres et il est recommandé de ne pas exécuter le modèle pour des zones beaucoup plus grandes qu'environ 1 mile carré (640 acres bien que la modélisation de zones plus grandes soit possible).
  • Remarque : la taille la plus appropriée (superficie totale/superficie) de votre zone d'intérêt à utiliser avec le Modèle pluriannuel de bassin versant (Documentation technique ici) est de plusieurs centaines d'acres à

Est-ce que cela a été utile? Oui Non Suggérer une modification

4.1. Sélectionner par limite #

Choisissez une limite prédéfinie parmi plusieurs types de limites, comme décrit ci-dessus dans la section 2.3 Limites. Sélectionnez d'abord le type de limite, puis utilisez cet outil de sélection pour activer une fonction « survoler » pour voir le nom de chaque zone délimitée. Une fois activé, l'utilisateur peut cliquer sur la zone souhaitée pour générer une analyse de l'utilisation des terres et des sols hydrologiques dans la zone (entre autres statistiques).

Les types de limites disponibles pour la sélection de zones sont un sous-ensemble des types de limites visibles dans le sélecteur de couches en bas à gauche de la carte. Pour plus d'informations et les sources de données pour ces couches, consultez la section 2.3 Limites de ce guide.

Est-ce que cela a été utile? Oui Non Suggérer une modification

4.2. Dessiner la zone #

Remarque : Cet outil de zone d'intérêt peut également être utilisé pour identifier une sous-zone plus petite dans un bassin HUC12 plus grand pour une utilisation plus spécialisée du modèle pluriannuel de bassin versant pour l'élaboration d'un plan de réduction de la pollution (PRP) en Pennsylvanie, comme décrit dans la section 7.3.

Tirage au sort gratuit

Un outil que tout utilisateur peut déployer pour dessiner un polygone et, lors de la fermeture du polygone (double-clic pour fermer), découper l'utilisation des terres et les groupes de sols hydrologiques (entre autres statistiques) pour la zone à l'intérieur du polygone.

Km Carré

Un simple clic n'importe où sur la carte donnera une zone de 1 km 2 qui découpera l'utilisation des terres et les groupes hydrologiques de sols (entre autres statistiques) pour la zone à l'intérieur du polygone.

Est-ce que cela a été utile? Oui Non Suggérer une modification

4.3. Délimiter le bassin versant #

Remarque : Cet outil de zone d'intérêt peut également être utilisé pour identifier une sous-zone plus petite dans un bassin HUC12 plus grand pour une utilisation plus spécialisée du modèle pluriannuel de bassin versant pour l'élaboration d'un plan de réduction de la pollution (PRP) en Pennsylvanie, comme décrit dans la section 7.3.

Cet outil sélectionne une zone d'intérêt en délimitant automatiquement un bassin versant à partir d'un point sur un réseau de cours d'eau à l'aide de données topographiques représentées sous la forme d'un modèle numérique d'élévation (MNE).

Une fois que l'utilisateur a cliqué sur la carte, l'outil descend la pente à partir de ce point pour « s'accrocher » à un deuxième point sur la ligne d'écoulement du cours d'eau la plus proche. L'outil calcule ensuite le bassin versant en amont de ce deuxième point à l'aide des algorithmes de Délimitation rapide du bassin versant.Les méthodes de descente vers le cours d'eau et la délimitation du bassin versant utilisent toutes deux une grille de directions d'écoulement dérivée d'un modèle numérique d'élévation (MNE).

L'outil renvoie la zone et la limite du bassin versant délimitées, qui sont fournies aux fonctions Analyser la zone d'intérêt. Deux DEM et réseaux de cours d'eau sont actuellement disponibles pour la délimitation des bassins hydrographiques, comme indiqué ci-dessous.

Flux de résolution moyenne des États-Unis continentaux et NHDPlus DEM

La sélection de « Snap to Continental US medium resolution streams » descend la pente à partir du point sur lequel vous cliquez pour vous accrocher au point le plus proche du jeu de données hydrographiques nationales à moyenne résolution (ligne d'écoulement NHDPlus) et calcule le bassin versant en amont de ce point à l'aide de la direction d'écoulement NHDPlus à 30 m de résolution grille pour les États-Unis continentaux.

Si le point sur lequel vous cliquez n'a pas de ligne d'écoulement NHDPlus en aval (par exemple, se trouve dans une zone de drainage interne), le bassin versant est calculé à partir du point sur lequel vous cliquez. En savoir plus sur NHDPlus. La délimitation du bassin versant Model My Watershed utilise le modèle de données NHDPlus version 2.1 avec la dernière version du contenu consultée le 22/11/16.

Flux haute résolution du Delaware et DEM à résolution 1/3 d'arc (10 m)

La sélection de « Accrocher aux flux haute résolution du Delaware » descend la pente à partir du point sur lequel vous cliquez pour vous accrocher au point le plus proche du réseau de flux haute résolution du Delaware et calcule le bassin versant en amont de ce point à l'aide d'une résolution numérique de 1/3 seconde d'arc (10) m modèle d'altitude pour le bassin de la rivière Delaware obtenu à partir du jeu de données d'altitude national.

Le réseau de cours d'eau auquel s'accroche a été délimité à l'aide de TauDEM comme décrit ci-dessus (superposition de réseau de cours d'eau haute résolution du bassin de la rivière Delaware).

Est-ce que cela a été utile? Oui Non Suggérer une modification

4.4. Téléverser un fichier #

Remarque : Cet outil de zone d'intérêt peut également être utilisé pour identifier une sous-zone plus petite dans un bassin HUC12 plus grand pour une utilisation plus spécialisée du modèle pluriannuel de bassin versant pour l'élaboration d'un plan de réduction de la pollution (PRP) en Pennsylvanie, comme décrit dans la section 7.3.

Téléchargez un polygone pour votre région.

  • Doit être un fichier de formes (zip contenant les fichiers shp et prj) ou geojson
  • Seule la première fonctionnalité est utilisée
Est-ce que cela a été utile? Oui Non Suggérer une modification

5. Analyser la zone d'intérêt (AoI) #

Une fois qu'une zone d'intérêt est sélectionnée, Model My Watershed effectue automatiquement des analyses géospatiales sur les couches de données cartographiées dans la zone. Des statistiques récapitulatives sont fournies dans des graphiques et des tableaux pour chacune de ces couches de données qui ont un impact sur le ruissellement des eaux pluviales et/ou la qualité de l'eau :

  • Ruisseaux: Pour plus d'informations sur les sources de données, voir Section 3.1 Couches : Flux.
    • Les statistiques de longueur de cours d'eau et de pente moyenne du chenal sont calculées pour chaque ordre de cours d'eau (somme de tous les segments appartenant à un ordre de cours d'eau dans la zone analysée) à partir du réseau continental américain à moyenne résolution.
    • La longueur des cours d'eau dans les zones agricoles et non agricoles est calculée à l'aide d'une largeur riveraine implicite d'environ 30 m et d'une zone tampon implicite d'environ 15 m, en utilisant la méthodologie suivante :
      • Une ligne vectorielle de flux est tramée en une chaîne de 1 pixel, avec des pixels de la même taille qu'un pixel NLCD (30 m). Sous le capot, GeoTrellis utilise l'algorithme de dessin de ligne de Bresenham pour pixelliser une ligne en pixels. Voir le code GeoTrellis spécifique.
      • Cette approche suppose donc une largeur riveraine implicite d'environ 30 m et une zone tampon implicite d'environ 15 m.
      • Les statistiques récapitulatives sur la distribution de la couverture terrestre pour chaque catégorie d'utilisation des terres (superficie, pourcentage de couverture et zone active de la rivière) sont calculées pour votre zone d'intérêt sur la base de la base de données nationale sur la couverture terrestre 2011. Pour la zone active de la rivière, la grille de couverture ARA est utilisée pour segmenter/délimiter la zone terrestre de votre zone d'intérêt sur cette couche et résumer la zone de couverture terrestre dans la « zone fluviale active – Nord-est et milieu de l'Atlantique » .
      • Dans la liste de sélection déroulante, la sélection « Distribution des terres protégées » fournit un résumé de la superficie des terres et de la couverture (%) pour chaque catégorie de terres protégées dans cette grille de couverture pour votre zone d'intérêt.
      • Dans la liste de sélection déroulante, la sélection “DRB 2100 land Forecast (Centres or Corridors)” fournit un résumé de la superficie des terres et de la couverture (%) pour la couverture terrestre prévue d'ici l'an 2100 pour votre zone d'intérêt.
      Est-ce que cela a été utile? Oui Non Suggérer une modification

      6. Moniteur #

      Recherche en texte libre dans plusieurs catalogues pour les ensembles de données

      La fonctionnalité « Monitor » dans Model My Watershed permet à tout utilisateur de rechercher dans plusieurs catalogues/dépôts de données des ensembles de données associés. Après l'analyse géospatiale d'une zone d'intérêt, l'utilisateur peut rechercher dans cette zone des ensembles de données contenus dans quatre catalogues de données distincts : HydroShare, CUAHSI WDC, CINERGI et WQP (décrits ci-dessous). La liste des ensembles de données peut être filtrée par recherche en texte libre et par période de couverture. Un ensemble de données peut être sélectionné pour des détails supplémentaires, tels que le résumé de l'ensemble de données et des liens vers des sources et des services Web. Une fois qu'un utilisateur clique sur le mot “Monitor”, une zone de recherche en texte libre s'affiche sur le panneau latéral gauche (voir l'image ci-dessous). Taper un mot ou une chaîne de texte et cliquer sur le bouton “search” lancera la recherche.

      • HydroShare : HydroShare est un environnement collaboratif en ligne pour le partage de données et de modèles hydrologiques. Son objectif est de faciliter la création, la collaboration autour, la découverte et l'accès aux données et aux ressources de modèles partagées par les membres de la communauté hydrologique.
      • CUAHSI WDC : Le centre de données sur l'eau (WDC) du Consortium of Universities for the Advancement of Hydrologic Science, Inc. (CUAHSI) fournit des outils pour l'accès aux données, l'analyse et la collaboration, y compris un catalogue de données de séries chronologiques hydrologiques disponibles sous la forme Water One Flow (WOF ) et les services Web WaterML. : Le portail de données de l'inventaire communautaire des ressources EarthCube pour l'interopérabilité des géosciences (CINERGI) fait partie du projet Earthcube. Cet outil de découverte et d'exploration de données pour les géosciences dispose désormais d'une interface de géoportail avec plus de 1 000 000 d'enregistrements consultables. Tout utilisateur peut fournir des liens vers des ressources préférées afin que ces référentiels et ensembles de données deviennent consultables. Le portail héberge un vaste inventaire de ressources d'informations géoscientifiques de haute qualité, avec des métadonnées standard et une provenance traçable. (WQP) est un service coopératif parrainé par le United States Geological Survey (USGS), l'Environmental Protection Agency (EPA) et le National Water Quality Monitoring Council (NWQMC). Il sert les données collectées par plus de 400 agences étatiques, fédérales, tribales et locales.

      Est-ce que cela a été utile? Oui Non Suggérer une modification

      7. Quantité et qualité de l'eau modèle #

      Il existe actuellement deux modèles parmi lesquels choisir pour 1) prédire comment l'eau se déplace dans votre zone d'intérêt et 2) prédire la qualité de l'eau de ruissellement ou de votre zone d'intérêt.

      Est-ce que cela a été utile? Oui Non Suggérer une modification

      7.1. Site Storm Modèle #

      Le modèle de tempête Model My Watershed Site simule une seule tempête de 24 heures en appliquant un hybride du modèle de chargement et de gestion de la source (SLAMM), TR-55, et le plus simple des modèles d'évaporation de l'Organisation des Nations Unies pour l'alimentation et l'agriculture pour le ruissellement quantité et le modèle STEP-L de l'EPA pour la qualité de l'eau dans la zone d'intérêt sélectionnée dans la zone continentale des États-Unis.

      Les résultats sont calculés sur la base des données réelles d'occupation du sol (provenant de la base de données nationale de couverture terrestre de l'USGS 2011, NLCD2011) et des données réelles sur le sol (provenant de la base de données géographique de l'enquête sur les sols quadrillés de l'USDA, gSSURGO, 2016) pour la zone terrestre sélectionnée. Pour plus d'informations et de sources de données, reportez-vous à la section 2.2 Grilles de couverture.

      Composant TR-55

      Ce modèle est utilisé pour calculer le ruissellement pour tous les types d'utilisation des terres « naturels ». Informations sur le numéro de courbe TR-55

      Composant SLAMM

      Le modèle de charge et de gestion à la source (SLAMM) est utilisé pour calculer le ruissellement pour les types d'utilisation des terres urbaines.

      Est-ce que cela a été utile? Oui Non Suggérer une modification

      7.2. Modèle pluriannuel du bassin versant #

      Le modèle pluriannuel de bassin versant dans Model My Watershed simule 30 ans de flux quotidiens d'eau, de nutriments et de sédiments à l'aide du modèle Generalized Watershed Loading Function Enhanced (GWLF-E) développé pour l'application de modélisation de bureau MapShed par Barry M. Evans, Ph. .D., et son groupe à la Penn State University. Le modèle GWLF-E est également l'un des cinq modèles de bassin hydrographique disponibles dans l'application de modélisation polyvalente BASINS de l'EPA.

      Model My Watershed est désormais le cadre principal pour exécuter la dernière version du modèle GWLF-E, remplaçant MapShed et BASINS, car ces deux applications de bureau sont construites sur le package SIG MapWindow vieillissant qui n'est plus pris en charge. Pour cette raison, fin 2014, nous avons porté tout le code GWLF-E de Visual Basic vers Python, avec tous les développements de code ultérieurs dans ce référentiel open source. De même, toutes les routines de géotraitement basées sur MapWindow ont été réécrites pour fonctionner avec le moteur et le framework open source de traitement de données géographiques GeoTrellis, avec tout le nouveau code dans ce référentiel.

      Est-ce que cela a été utile? Oui Non Suggérer une modification

      7.2.1. Le modèle GWLF #

      Le modèle de simulation pluriannuel du bassin hydrographique de base utilisé dans MMW et MapShed (GWLF-E) est une version améliorée du modèle Generalized Watershed Loading Function (GWLF) développé pour la première fois par des chercheurs de l'Université Cornell (Haith et Shoemaker, 1987). La version originale de GWLF compatible DOS a été réécrite en Visual Basic par Evans et al. (2002) pour faciliter l'intégration avec ArcView© et d'autres progiciels SIG, et largement testé aux États-Unis et ailleurs. Depuis 2002, il a été considérablement amélioré (voir Section 5.2.2 Améliorations GWLF).

      L'avantage de GWLF (et GWLF-E) est la facilité d'utilisation et le recours à des ensembles de données d'entrée moins complexes que ceux requis par d'autres modèles de qualité de l'eau axés sur les bassins versants tels que SWAT, SWMM et HSPF (Deliman et al., 1999) . Le modèle a également été approuvé par l'U.S. EPA comme un bon modèle de « niveau intermédiaire » qui contient des algorithmes pour simuler la plupart des mécanismes clés contrôlant les flux de nutriments et de sédiments dans un bassin versant (U.S. EPA, 1999).

      Le modèle GWLF offre la possibilité de simuler les charges de ruissellement, de sédiments et de nutriments (azote et phosphore) à partir d'un bassin hydrographique compte tenu de zones sources de taille variable (par exemple, des terres agricoles, forestières et aménagées). Il dispose également d'algorithmes pour calculer les charges des installations septiques et permet d'inclure des données sur les rejets de sources ponctuelles. Il s'agit d'un modèle de simulation continue qui utilise des pas de temps quotidiens pour les données météorologiques et les calculs de bilan hydrique. Des calculs mensuels sont effectués pour les charges de sédiments et de nutriments sur la base du bilan hydrique quotidien accumulé jusqu'aux valeurs mensuelles.

      GWLF est considéré comme un modèle de bassin versant à paramètres distribués/globaux combinés. Pour la charge surfacique, elle est distribuée dans le sens où elle permet de multiples scénarios d'occupation/occupation des sols, mais chaque zone est supposée homogène au regard des différents attributs « paysagers » pris en compte par le modèle. De plus, le modèle ne distribue pas spatialement les zones sources, mais agrège simplement les charges de chaque zone source dans un total de bassin versant, en d'autres termes, il n'y a pas de routage spatial. Pour le chargement souterrain, le modèle agit comme un modèle à paramètres groupés utilisant une approche de bilan hydrique. Aucune zone distincte n'est prise en compte pour les contributions aux écoulements souterrains. Les bilans hydriques quotidiens sont calculés pour une zone non saturée ainsi que pour une zone souterraine saturée, où l'infiltration est simplement calculée comme la différence entre les précipitations et la fonte des neiges moins le ruissellement de surface plus l'évapotranspiration.

      En ce qui concerne les principaux processus, GWLF simule le ruissellement de surface à l'aide de l'approche SCS-CN avec des données météorologiques quotidiennes (température et précipitations) provenant de la distribution des données météorologiques du Center for Exposure Assessment Modeling (CEAM) de l'EPA. L'érosion et le rendement en sédiments sont estimés à l'aide de calculs d'érosion mensuels basés sur l'algorithme USLE (avec des coefficients mensuels de pluie et de ruissellement) et des valeurs KLSCP mensuelles pour chaque zone source (c'est-à-dire la combinaison couverture terrestre/type de sol). Un rapport de livraison de sédiments basé sur la taille du bassin versant et une capacité de transport basée sur le ruissellement quotidien moyen est ensuite appliqué à l'érosion calculée pour déterminer le rendement en sédiments pour chaque zone source. Les pertes de nutriments de surface sont déterminées en appliquant des coefficients de N et P dissous au ruissellement de surface et un coefficient de sédiments à la portion de rendement pour chaque zone source agricole.

      Les rejets de sources ponctuelles peuvent également contribuer aux pertes dissoutes et sont spécifiés en kilogrammes par mois. Les zones fumières, ainsi que les installations septiques, peuvent également être envisagées. Les apports urbains de nutriments sont tous supposés être en phase solide, et le modèle utilise une fonction exponentielle d'accumulation et de lessivage pour ces charges. Les pertes souterraines sont calculées à l'aide des coefficients de N et P dissous pour les contributions des eaux souterraines peu profondes aux charges en éléments nutritifs des cours d'eau, et le sous-modèle souterrain ne considère qu'une seule zone contributive à paramètres regroupés.

      L'évapotranspiration est déterminée à l'aide de données météorologiques quotidiennes et d'un facteur de couverture dépendant de l'utilisation des terres/du type de couverture. Enfin, un bilan hydrique est effectué quotidiennement en utilisant les précipitations fournies ou calculées, la fonte des neiges, le stockage initial de la zone non saturée, le stockage maximal de la zone disponible et les valeurs d'évapotranspiration.

      Il n'entre pas dans le cadre de ce document de fournir des détails spécifiques sur la structure et les composants techniques sous-jacents au modèle GWLF original. Voir une copie du manuel GWLF. Des détails supplémentaires sur la version mise à jour de ce modèle (GWLF-E) et les routines de géotraitement utilisées dans MapShed (et par extension, Model My Watershed) pour préparer les données d'entrée pour le modèle peuvent également être trouvés dans le manuel d'utilisation de MapShed également disponible sur ce site Web.

      Est-ce que cela a été utile? Oui Non Suggérer une modification

      7.2.2. GWLF-Amélioré #

      Depuis son incorporation initiale dans MapShed (et son précurseur, AVGWLF), le modèle GWLF-E a été considérablement amélioré depuis 2002 pour inclure un certain nombre de routines et de fonctions introuvables dans le modèle GWLF original.

      Une révision importante dans l'une des versions antérieures d'AVGWLF a été l'inclusion d'un routine d'érosion des berges. Cette routine est basée sur une approche souvent utilisée dans le domaine de la géomorphologie dans laquelle l'érosion mensuelle des berges est estimée en calculant d'abord un taux d'érosion latérale (LER) moyen spécifique au bassin versant. Une fois qu'une valeur pour le LER a été calculée, la charge sédimentaire totale générée par l'érosion des berges est ensuite calculée en multipliant le taux d'érosion ci-dessus par la longueur totale des ruisseaux dans le bassin versant (en mètres), la hauteur moyenne des berges (en mètres) et une valeur moyenne de la densité apparente du sol (en kg/m 3 ). Dans Mapshed, ces paramètres de berge et de taux d'érosion ont été optimisés pour les modèles utilisant l'ensemble de données de lignes d'écoulement à haute résolution disponible pour la Pennsylvanie. Dans Model My Watershed, qui utilise des lignes d'écoulement à moyenne résolution NHDplus v2, nous utilisons un facteur d'ajustement de l'érosion des sédiments de 1,4 pour rendre les estimations de l'érosion des berges dans Model My Watershed comparables à celles de MapShed pour la Pennsylvanie.

      Dans les versions ultérieures, la routine originale de bilan hydrique au sein de GWLF a été étendue pour simuler prélèvements d'eau des sources d'eau de surface et souterraines. Dans MapShed, les informations contenues dans une couche SIG facultative d'« extraction d'eau » peuvent être utilisées pour estimer le volume d'eau prélevé à partir de diverses sources dans un bassin versant chaque mois. Pour les prélèvements d'eau de surface, le volume d'eau cumulatif estimé est soustrait de la composante « débit du cours d'eau » simulée des calculs mensuels du bilan hydrique. Pour les prélèvements d'eau souterraine, ce volume est soustrait de la composante « subsurface » des calculs mensuels du bilan hydrique. (Remarque : cette routine particulière n'est pas encore implémentée dans Model My Watershed, bien que le modèle GWLF-E permette de simuler de l'eau « extraite ».)

      D'autres révisions récentes du modèle incluent la mise en œuvre de une routine de drainage agricole, la capacité de prendre en compte les effluents de source ponctuelle (c.-à-d. les débits) dans l'hydrologie d'une zone donnée, l'incorporation de nouvelles routines pour une simulation plus directe des charges provenant des animaux d'élevage, une nouvelle routine d'estimation de la charge d'agents pathogènes et la capacité de considérer le potentiel effets des meilleures pratiques de gestion (MPG) et d'autres activités d'atténuation sur les charges polluantes.

      Un autre changement important a été un amélioration de la simulation de l'hydrologie et des charges des zones urbaines. Dans la version originale de GWLF utilisée avec AVGWLF, une telle simulation ne pouvait être réalisée que pour deux types de base de terrains urbanisés ou aménagés (c'est-à-dire le développement à faible densité et le développement à haute densité). Cependant, dans les bassins hydrographiques très développés, il peut être plus approprié d'utiliser des routines plus complexes pour un plus large éventail de conditions de paysage urbain. Par conséquent, des routines de modélisation supplémentaires ont été incluses avec la version de GWLF utilisée dans MapShed et Model My Watershed pour remédier à cette situation. Ces nouvelles fonctions sont basées sur le modèle RUNQUAL développé par Haith (1993) à l'Université de Cornell. Avec ces routines, les volumes de ruissellement sont calculés à partir des procédures indiquées dans la version technique 55 du Service de conservation des sols des États-Unis (Service de conservation des sols des États-Unis, 1986). Les charges de contaminants sont basées sur des fonctions exponentielles d'accumulation et de lessivage similaires à celles utilisées dans les modèles SWMM (Huber et Dickinson, 1988) et STORM (Hydrologic Engineering Center, 1977). Les fractions perméables et imperméables de chaque type d'utilisation des terres sont modélisées séparément, et les charges de ruissellement et de contaminants provenant des diverses surfaces sont calculées quotidiennement et agrégées mensuellement dans la sortie du modèle. Avec les routines dérivées de RUNQUAL, on suppose que la zone simulée est suffisamment petite pour que les temps de trajet soient de l'ordre d'un jour ou moins. Affichez une copie du manuel RUNQUAL qui contient plus de détails sur ce modèle.

      Est-ce que cela a été utile? Oui Non Suggérer une modification