METODOLOGÍA PARA LA CLASIFICACIÓN DE LA MORFOLOGÍA …
Transcript of METODOLOGÍA PARA LA CLASIFICACIÓN DE LA MORFOLOGÍA …
METODOLOGÍA PARA LA CLASIFICACIÓN DE
LA MORFOLOGÍA DE CORRIENTES APLICADA
A LAS CUENCAS PRIORIZADAS POR LA
GESTIÓN DEL RECURSO HÍDRICO EN
COLOMBIA
Mateo Parra Cuadros
Universidad de Antioquia
Facultad de Ingeniería
Medellín, Colombia
2021
Metodología para la clasificación de la morfología de
corrientes aplicada a las cuencas priorizadas por la
gestión del recurso hídrico en Colombia
Mateo Parra Cuadros
Trabajo de investigación presentado como requisito parcial para optar por el título
de: Magister en Ingeniería Ambiental
Director
Esnedy Hernández Atilano
Asesor
Mario Alberto Jiménez Jaramillo
Línea de investigación:
Recurso Hídrico
Grupo de Investigación GeoLimna
Universidad de Antioquia
Facultad de Ingeniería, Escuela Ambiental
Medellín, Colombia
2021
iii
Agradecimientos
Dedicado a mis Padres y Hermanas quienes en mis momentos más abstraídos me
acompañaron y nunca dejaron de apoyarme. Especialmente a María Parra que me
motiva siempre a seguir adelante.
Agradezco a Esnedy Hernández y Karen Palacio por apoyarme y guiarme en todo el
proceso.
Al profesor Mario Jiménez quien dedicó su tiempo pacientemente para darme las bases
y motivación académica.
A los profesores Diana Agudelo, Jenny Machado, Juan Camilo Villegas, Nora Villegas
quienes me dieron muchos elementos conceptuales para la estructuración.
Al profesor Álvaro Wills por cuestionarme y despertarme el amor por esta carrera.
A Sergio Herazo, Juan Carlos Guzmán, Benjamín Atehortúa y Camilo Valderrama por
darme su tiempo para compartirles mis ideas y retroalimentármelas.
Al grupo de Investigación GeoLimna por acogerme y apoyarme a realizar este trabajo.
iv
Resumen
La clasificación de corrientes a partir de características morfológicas permite entender
una serie de vínculos entre procesos físicos, hidrológicos y sedimentológicos que
ocurren en la cuenca y sus efectos sobre la escala de tramo. No obstante, no hay un único
conjunto de variables que expliquen al mismo tiempo las diferencias morfológicas de
una corriente debido a la diversidad geológica, pedológica y climática que se presenta
entre las cuencas. En este sentido, se ha encontrado la necesidad de plantear
metodologías que permitan delimitar y clasificar los tramos de corriente en diferentes
lugares mediante diversos criterios. En este trabajo se integran procedimientos para la
delimitación automatizada de tramos de corriente a partir de puntos de cambio
significativos de pendiente, confinamiento, vegetación y sinuosidad. Se evalúa la
capacidad de cada criterio para predecir la ubicación de puntos supervisados de
cambio. Luego se usan los modelos de discriminante lineal (LDA) y árboles de decisión
(CART) para predecir el tipo de corriente de 159 tramos etiquetados con criterio de
expertos a partir de su caudal, grado de confinamiento, pendiente, potencia de la
corriente y área tributaria. Los métodos de segmentación presentan una confianza
entre el 50% y el 90% para delimitar los puntos supervisados. Los métodos de
clasificación predicen los tipos de corriente hasta un 41%. La metodología de
segmentación permite de manera automatizada dar un diagnóstico inicial de los
procesos diferenciados en la cuenca los cuales pueden tener mayor efectividad con
insumos de mayor resolución y corroboración en campo. Los métodos de clasificación
no permiten predecir satisfactoriamente los tramos de corriente por lo que se
recomienda recolectar mas información hidráulica de las cuencas para reentrenar y
validar los métodos.
Palabras Clave: Hidromorfología, Modelación Hidrológica, Gestión del Recurso
Hídrico, Machine Learning.
v
Abstract
The river classification based on morphological characteristics allows to understand
different links between physical, hydrological, and sedimentological processes that
occur in a basin and their effects on reach-scale. However, there is not a single set of
variables that simultaneously explain the morphological differences of a river due to
the geological, pedological and climatic diversity that occurs between the basins. In this
sense, the need has been found to propose methodologies to delimit and classify the
river reaches using different criteria. In this work, procedures for the automated
delimitation of stream sections are integrated from points of significant change in slope,
confinement, vegetation, and sinuosity. The ability of each criterion to predict the
location of supervised points of change is evaluated. Then the linear discriminant
analysis (LDA) and decision trees (CART) are used to predict the reach type of 159
sections based on their flow, degree of confinement, slope, stream power, and tributary
area. The segmentation methods have a confidence between 50% and 90% to delimit
the supervised points. Classification methods predict the reach types up to 41%. The
segmentation methodology allows in an automated way to give an initial diagnosis of
the differentiated processes in the basin which can have greater effectiveness with
inputs of greater resolution and corroboration in the field. Classification methods do
not allow for the satisfactory prediction of current ranges, so it is recommended to
collect more hydraulic information from the basins to retrain and validate the methods.
Keywords: Hydromorphology, Hydrological Modeling, Water Resource Management,
Machine Learning.
Contenido
Objetivos específicos ................................................................................... 17
Zona de estudio ........................................................................................... 31
Pendiente ...................................................................................................... 33
Confinamiento ............................................................................................. 35
Vegetación .................................................................................................... 41
Sinuosidad .................................................................................................... 43
Calibración y eficiencia de la segmentación ............................................ 44
Procesamiento de superficie de agua en las coberturas ......................... 46
Etiquetado de segmentos............................................................................ 47
Métodos de clasificación ............................................................................. 49
Agradecimientos .......................................................................................... iii
Resumen ........................................................................................................ iv
Abstract............................................................................................................ v
Introducción ................................................................................................. 14
1.1. Justificación......................................................................................................... 15
1.2. Antecedentes ...................................................................................................... 16
1.3. Objetivo general ................................................................................................. 17
Marco Teórico .............................................................................................. 18
2.1. Procesos geomorfológicos ................................................................................ 18
2.2. Clasificación hidromorfológica de corrientes ................................................ 19
2.3. Segmentación de redes de drenaje .................................................................. 23
2.4. Modelos predictivos de clasificación hidromorfológica .............................. 25
2.5. Marcos hidromorfológicos: Integración al diagnóstico ecosistémico ........ 28
Metodología ................................................................................................. 30
3.1. Información usada ............................................................................................. 31
3.2. Segmentación en tramos de corriente ............................................................. 32
3.3. Clasificación de tramos de corriente ............................................................... 47
Pendiente ...................................................................................................... 51
Confinamiento ............................................................................................. 56
Sinuosidad .................................................................................................... 66
Vegetación .................................................................................................... 70
Métodos unificados de segmentación ...................................................... 73
Variables predictoras .................................................................................. 76
Análisis Discriminante Lineal (LDA) ....................................................... 77
Árboles de decisión ..................................................................................... 79
Pendiente ...................................................................................................... 82
Confinamiento ............................................................................................. 83
Sinuosidad .................................................................................................... 84
Vegetación .................................................................................................... 85
Resultados ..................................................................................................... 51
4.1. Segmentación ..................................................................................................... 51
4.2. Clasificación ........................................................................................................ 76
Discusión ...................................................................................................... 82
5.1. Desempeño de los métodos de segmentación ............................................... 82
5.2. Desempeño de los métodos de clasificación .................................................. 86
Conclusiones ................................................................................................ 88
Referencias.................................................................................................... 90
Lista de figuras
Figura 2-1. Fotografía y vista en planta de los tipos de tramo. A) Coluvial, B) Cascada
C) Escalón pozo D) Lecho plano E) Pozo y rápido F) Trenzado G) Dunas onduladas
H) Lecho en roca. Adaptado de Bisson et al. (2017) y Montgomery y Buffington
(2013). ........................................................................................................................................................... 21
Figura 2-2. Influencia de las condiciones de la cuenca (topografía, flujo y suministro
de sedimentos) en los tipos de tramo de la corriente (texto azul) y las características
asociadas del tramo (ancho, profundidad, sinuosidad, gradiente de la corriente,
tamaño de grano). Los procesos dominantes se muestran para los flujos con detritos
y la influencia de la vegetación (elipses discontinuas), y se indican los tipos de
segmento de valle (coluvial, aluvial, lecho en roca). Tomado de Bisson et al. (2017).
......................................................................................................................................................................... 21
Figura 2-3. Clasificación de corrientes adaptadas a las corrientes italianas. Elaborado
de Rinaldi et al. (2013). ......................................................................................................................... 22
Figura 2-4. (A) En la parte superior se muestra el procedimiento general del paquete
FluvialCorridor. (B) En la parte inferior los objetos geográficos creados en las
diferentes etapas del proceso con las tablas que se generan en cada una. Tomado de
Roux et al. (2015). ................................................................................................................................... 24
Figura 2-5. Umbrales encontrados mediante atributos físicos para predecir la
tipología propuesta por Montgomery & Buffington (1997). (A) Beechie et al. (2006)
(B) Flores et al. (Flores et al., 2006) y (C) Altunkaynak et al. (2009). .............................. 27
Figura 3-1. Ruta metodológica. ........................................................................................................ 30
Figura 3-2. Ubicación de las cuencas de estudio con las estaciones de medición de
las variables hidráulicas. ..................................................................................................................... 32
Figura 3-3. Procedimiento general para la segmentación por pendiente. ................... 33
Figura 3-4. Pasos en la extracción y corrección de la elevación y cálculo de la
pendiente. .................................................................................................................................................. 34
Figura 3-5. Gráficas del perfil desde la cabecera (izquierda) y de la pendiente
(derecha) con los puntos de cambio significativo (línea roja discontinua). ................ 35
Figura 3-6. Procedimiento general para la segmentación por confinamiento con la
relación entre el ancho del valle y del canal activo. ............................................................... 36
Figura 3-7. Cálculo del confinamiento con el ancho del valle (Wac) y el canal activo
(Wc), los puntos de cambio se denotan de diferentes colores en el valle aluvial y en
rojo punteado en la gráfica. ............................................................................................................... 37
9
Figura 3-8. Procedimiento general para la segmentación por confinamiento con la
relación entre el ancho del valle y del canal activo. ............................................................... 38
Figura 3-9. Variables medidas para calcular el confinamiento con el ancho del valle
(Wac) y la amplitud del meandro (Am), los puntos de cambio se denotan de
diferentes colores en la red de drenaje y en rojo punteado en la gráfica. .................... 39
Figura 3-10. Procedimiento general para la segmentación por confinamiento con la
relación entre el HAND y el ancho hipotético de río trenzado. ....................................... 40
Figura 3-11. Cálculo del confinamiento con el ancho hipotético de río trenzado
(Wtrenz) y el ancho del polígono HAND (Whand), los puntos de cambio se denotan
de diferentes colores en el polígono extraído del HAND y en rojo punteado en la
gráfica. ......................................................................................................................................................... 41
Figura 3-12. Procedimiento general para la segmentación por cambios en la capa de
vegetación. ................................................................................................................................................. 41
Figura 3-13. Fondo del valle y red hídrica segmentada sobre las capas de vegetación,
los puntos de cambio se denotan de diferentes colores en el fondo del valle y en rojo
punteado en la gráfica. ......................................................................................................................... 42
Figura 3-14. Procedimiento general para la segmentación por cambios en la
sinuosidad. ................................................................................................................................................ 43
Figura 3-15. Cálculo de la sinuosidad, los puntos de cambio se denotan con
diferentes colores en la red hídrica y en rojo punteado en la gráfica. ........................... 44
Figura 3-16. Muestra de resultados del test de confianza y sensibilidad propuestos
por Orlandini (2011).............................................................................................................................. 46
Figura 3-17. Proceso de reemplazo de la cobertura de superficie de agua dentro del
valle aluvial. .............................................................................................................................................. 47
Figura 3-18. Información dada en la encuesta para etiquetar cada tramo. ................. 48
Figura 3-19. Opciones de tipología de los tramos de corriente con su respectiva
descripción en el formulario. Adaptado de Buffington et al. (2013). ............................. 49
Figura 4-1. Calibración con los test de sensibilidad y confianza de los valores de
Alpha del Test de Hubert, señalando el valor elegido para (A) Poblanco y (B)
Sinifaná. En la tabla los modelados coincidentes (MC), falsos supervisados (FS) y
falsos modelados (FM) para el Alpha de Hubert elegido en cada cuenca. ................. 52
Figura 4-2. Red de drenaje con puntos de cambio de pendiente para el río Poblanco
(A) y Sinifaná (B), los modelados coincidentes (MC), falsos supervisados (FS) y falsos
modelados (FM), en rojo se señalan los perfiles extraídos de cada cuenca ilustrados
en las figuras siguientes. ..................................................................................................................... 53
Figura 4-3. Perfiles más cortos del río Poblanco (A) y Sinifaná (B), se muestran las
alturas en línea continua con los filtros de mediana e interpolación lineal (en azul
10
claro) y de las alturas sin modificar del DEM (en naranja). También se muestran en
línea punteada los cambios de pendiente supervisados (en verde), los modelados
(en rojo) y las confluencias (en azul oscuro). ............................................................................. 54
Figura 4-4. Variación de la pendiente en el perfil en línea continua (azul claro).
Cambios de la pendiente en los perfiles del río Poblanco (A) y Sinifaná (B), los
supervisados (en verde), los modelados (en rojo) y las confluencias (en azul oscuro)
en líneas punteadas, .............................................................................................................................. 55
Figura 4-5. Calibración con los test de sensibilidad y confianza de los valores de
Alpha del Test de Hubert, señalando el valor elegido para (A) Poblanco y (B)
Sinifaná. En la tabla los modelados coincidentes (MC), falsos supervisados (FS) y
falsos modelados (FM) para el Alpha de Hubert elegido en cada cuenca. ................. 57
Figura 4-6. Red de drenaje con puntos de cambio de confinamiento con la relación
entre el ancho del valle y canal activo para el río Poblanco (A) y Sinifaná (B), los
modelados coincidentes (MC), falsos supervisados (FS) y falsos modelados (FM), en
rojo se señalan los perfiles extraídos de cada cuenca ilustrados en las figuras
siguientes. .................................................................................................................................................. 58
Figura 4-7. Variación del confinamiento de la relación entre el ancho del valle y el
canal activo en el segmento en línea continua (azul claro). Cambios del
confinamiento en los segmentos del río Poblanco (A) y Sinifaná (B), los supervisados
(en verde), los modelados (en rojo) y las confluencias (en azul oscuro) en líneas
punteadas................................................................................................................................................... 59
Figura 4-8. Calibración con los test de sensibilidad y confianza de los valores de
Alpha del Test de Hubert, señalando el valor elegido para (A) Poblanco y (B)
Sinifaná. En la tabla los modelados coincidentes (MC), falsos supervisados (FS) y
falsos modelados (FM) para el Alpha de Hubert elegido en cada cuenca. ................. 61
Figura 4-9. Red de drenaje con puntos de cambio de confinamiento con la relación
entre el ancho del valle y la amplitud del meandro para el río Poblanco (A) y Sinifaná
(B), los modelados coincidentes (MC), falsos supervisados (FS) y falsos modelados
(FM), en rojo se señalan los perfiles extraídos de cada cuenca ilustrados en las figuras
siguientes. .................................................................................................................................................. 62
Figura 4-10. Variación del confinamiento de la relación entre el ancho del valle y la
amplitud del meandro en el segmento en línea continua (azul claro). Cambios del
confinamiento en los segmentos del río Poblanco (A) y Sinifaná (B), los supervisados
(en verde), los modelados (en rojo) y las confluencias (en azul oscuro) en líneas
punteadas................................................................................................................................................... 63
Figura 4-11. Calibración con los test de sensibilidad y confianza de los valores de
Alpha del Test de Hubert, señalando el valor elegido para (A) Poblanco y (B)
11
Sinifaná. En la tabla los modelados coincidentes (MC), falsos supervisados (FS) y
falsos modelados (FM) para el Alpha de Hubert elegido en cada cuenca. ................. 65
Figura 4-12. Red de drenaje con puntos de cambio de confinamiento con la relación
entre el ancho del valle y la amplitud del meandro para el río Poblanco (A) y Sinifaná
(B), los modelados coincidentes (MC), falsos supervisados (FS) y falsos modelados
(FM), en rojo se señalan los perfiles extraídos de cada cuenca ilustrados en las figuras
siguientes. .................................................................................................................................................. 65
Figura 4-13. Variación del confinamiento de la relación entre el ancho del valle y la
amplitud del meandro en el segmento en línea continua (azul claro). Cambios del
confinamiento en los segmentos del río Poblanco (A) y Sinifaná (B), los supervisados
(en verde), los modelados (en rojo) y las confluencias (en azul oscuro) en líneas
punteadas................................................................................................................................................... 66
Figura 4-14. Calibración con los test de sensibilidad y confianza de los valores de
Alpha del Test de Hubert, señalando el valor elegido para (A) Poblanco y (B)
Sinifaná. En la tabla los modelados coincidentes (MC), falsos supervisados (FS) y
falsos modelados (FM) para el Alpha de Hubert elegido en cada cuenca. ................. 68
Figura 4-15. Red de drenaje con puntos de cambio de confinamiento con la relación
entre el ancho del valle y la amplitud del meandro para el río Poblanco (A) y Sinifaná
(B), los modelados coincidentes (MC), falsos supervisados (FS) y falsos modelados
(FM), en rojo se señalan los perfiles extraídos de cada cuenca ilustrados en las figuras
siguientes. .................................................................................................................................................. 69
Figura 4-16. Variación del confinamiento de la relación entre el ancho del valle y la
amplitud del meandro en el segmento en línea continua (azul claro). Cambios del
confinamiento en los segmentos del río Poblanco (A) y Sinifaná (B), los supervisados
(en verde), los modelados (en rojo) y las confluencias (en azul oscuro) en líneas
punteadas................................................................................................................................................... 70
Figura 4-17. Calibración con los test de sensibilidad y confianza de los valores de
Alpha del Test de Hubert, señalando el valor elegido para (A) Poblanco y (B)
Sinifaná. En la tabla los modelados coincidentes (MC), falsos supervisados (FS) y
falsos modelados (FM) para el Alpha de Hubert elegido en cada cuenca. ................. 71
Figura 4-18. Red de drenaje con puntos de cambio de vegetación para el río Poblanco
(A) y Sinifaná (B), los modelados coincidentes (MC), falsos supervisados (FS) y falsos
modelados (FM), en rojo se señalan los perfiles extraídos de cada cuenca ilustrados
en las figuras siguientes. ..................................................................................................................... 72
Figura 4-19. Variación de las coberturas en los perfiles más cortos. Las coberturas
presentadas son Territorios artificializados (1), Territorios agrícolas (2) y Bosques y
áreas seminaturales (3). El segmento en línea continua (azul claro) es la cobertura
12
predominante en cada tramo del río Poblanco (A) y Sinifaná (B), los puntos de
cambio supervisados (en verde), los modelados (en rojo) y las confluencias (en azul
oscuro) en líneas punteadas. ............................................................................................................. 73
Figura 4-20. Red de drenaje con la unificación de los puntos de cambio el río
Poblanco (A) y Sinifaná (B). ............................................................................................................... 75
Figura 4-21. Histogramas y correlogramas de las variables predictoras para la BD1
(Superior) y BD2 (Inferior). ................................................................................................................ 76
Figura 4-22. Importancia relativa de cada variable en el modelo CART. .................... 80
Figura 4-23. Algoritmo para entrenamiento del 70% de los datos y la validación con
el 30%, las variables seleccionadas en este caso son Con (confinamiento) y S
(pendiente), donde se logra una predicción del 47% del etiquetado. ............................ 80
Figura 4-24. Árboles de clasificación con tres niveles (CART Nivel 3) para las
combinaciones con mayor porcentaje de predicción: En la BD1 el confinamiento y
pendiente alcanzan un 41.18% (superior) y en la BD2 la potencia y pendiente
alcanzan un 33.3% (inferior).............................................................................................................. 81
Figura 5-1. Red de drenaje con puntos de cambio de confinamiento sobre el mapa
de morfología para el río Poblanco (A) y Sinifaná (B), los modelados coincidentes
(MC), falsos supervisados (FS) y falsos modelados (FM).................................................... 85
13
Lista de tablas
Tabla 3-1. Información primaria recopilada. ............................................................................ 31
Tabla 3-2. Datos generales de las cuencas. Fuente: PORH’s de Corantioquia y
POMCA del Río Nare Cornare. ....................................................................................................... 31
Tabla 3-3. Valores de los parámetros elegidos para calcular el valle aluvial. ........... 36
Tabla 3-4. Radios de tolerancia elegidos para cada tipo de segmentación ................. 45
Tabla 3-5. Número de tramos etiquetados por cuenca. ....................................................... 47
Tabla 3-6. Tipos de tramos etiquetados en las encuestas. ................................................... 49
Tabla 4-1. Comparación de los puntos de cambio en un radio de 100 metros con los
otros métodos. .......................................................................................................................................... 74
Tabla 4-2. Resultados del test de normalidad (Shapiro-Wilk) y multinormalidad
(Royston) para las variables transformadas por medio de potencias. ........................... 77
Tabla 4-3. Matriz en porcentaje de clase predicha versus la clase verdadera, en la
diagonal principal se presentan el porcentaje de acierto. .................................................... 77
Tabla 4-4. Resultados de las modelaciones en la BD1 (superior) y BD2 (inferior) para
las diferentes combinaciones de variables como entrada, aplicados al modelo de
discriminante lineal (LDA), árboles de decisión de 3 niveles (CART Nivel 3) y
árboles de decisión sin poda (CART MAX). Para el modelo CART Nivel 3, se
especifica el número de datos predichos en cada tipo de corriente por cada
combinación. ............................................................................................................................................. 78
Tabla 5-1. Calibración con los test de sensibilidad y confianza de los valores de
Alpha del Test de Hubert, señalando el valor elegido para (A) Poblanco y (B)
Sinifaná. En la tabla los modelados ............................................................................................... 82
14
1 Introducción
La caracterización hidromorfológica de las cuencas hidrográficas se ha convertido en
un requisito para evaluar su estado ecológico y así comenzar estrategias de monitoreo
y conservación fluvial (Vaughan et al., 2009), generando la necesidad de determinar los
procesos asociados a su morfología y dinámica. Sin embargo, no existe un único
conjunto de variables que expliquen las diferencias de estos procesos entre los tramos
de la red hídrica, debido a la diversidad geológica, pedológica y climática que hay entre
las cuencas (Stanley A Schumm & Lichty, 1965; Fonstad et al., 2010), por lo que se
dispone de una gran variedad de métodos de evaluación hidromorfológica con
diferencias notables en términos de objetivos, escalas espaciales y enfoques y, en
consecuencia, con fortalezas y deficiencias específicas (B. Belletti et al., 2014).
En las últimas décadas se han generado debates por la utilidad de métodos de
evaluación hidromorfológica particulares, ya que estos pueden ser mal aplicados
debido a la complejidad y disponibilidad que requieren en términos de variables de
entrada e interpretación de los procesos (Roper et al., 2008; Milner et al., 2013). Por
tanto, se ha recomendado que las metodologías propuestas sean adoptadas en zonas
hidrográficas específicas evaluando su desempeño y aplicabilidad (Ferreira et al., 2011;
Zaharia et al., 2018), como es el caso de las cuencas colombianas que presentan
dinámicas contrastantes en términos de la diversidad geológica, geomorfológica y
climática (Burgl, 1960; Rendón-Rivera et al., 2017), además poseen poca
instrumentación por lo que la información en muchas cuencas es limitada.
La recolección de información de la cuenca es necesaria para implementar las
metodologías de evaluación hidromorfológica, requiriendo observaciones en campo
para calibrar posteriormente los modelos y hacer control de calidad de la información.
Así mismo a medida que avanzan las tecnologías y mediciones mediante sensores
remotos se encuentran otras opciones para obtener datos primarios (Bishop et al.,
2012; Entwistle et al., 2018; Hajdukiewicz & Wyżga, 2019). También los algoritmos en
los programas de SIG (Sistemas de Información Geográficos) y las herramientas de
modelación que procesan estos conjuntos de datos avanzan rápidamente, abriendo
15 Capítulo 1: Introducción
numerosas posibilidades para automatizar la delineación y caracterización de unidades
espaciales que ayudan a encontrar indicadores de procesos, formas e intervenciones
humanas (Gurnell et al., 2016).
Buscando la aplicación de las herramientas y lineamientos para la delimitación y
clasificación de unidades de corriente con información de sensores remotos, se plantea
una metodología de clasificación hidromorfológica ajustada a la información levantada
en algunas de las cuencas priorizadas por los planes de ordenamiento hídrico (PORH)
en Colombia, que permita realizar una segmentación automatizada en tramos de
corriente diferenciados por atributos físico-bióticos y se clasifique su tipología
hidromorfológica a partir de sus características hidráulicas. Se eligen estas cuencas ya
que presentan información de varios muestreos que permiten caracterizar y validar
algunas configuraciones de corrientes dentro del territorio.
1.1. Justificación
El diagnóstico de la morfología fluvial se ha convertido en un paso fundamental para
asociar los diferentes procesos hidrodinámicos con la calidad biológica y fisicoquímica
(Diez, 2008). En efecto, la clasificación de la morfología de las corrientes mediante
información remota es requerida debido a la falta de instrumentación y a las
dificultades logísticas para analizar diferentes cuencas.
Particularmente en Colombia, en 2018 se presenta la Guía para el Ordenamiento del
Recurso Hídrico Continental Superficial (PORH) un instrumento de planificación que
establece los aspectos mínimos que deben abordar las autoridades ambientales para el
ordenamiento hídrico, incluyendo los avances técnicos que se tienen con respecto a la
estimación de la oferta hídrica y la modelación de calidad del agua. En esta guía se
plantea la necesidad de una caracterización hidromorfológica desde una visión
jerárquica de procesos, la cual permita encontrar las relaciones entre las características
hidráulicas, geomorfológicas, de calidad del agua e hidrobiológicas en sitios no
monitoreados dentro de la red de drenaje (MADS, 2018a). Adicionalmente, en 2018 se
publica la Guía técnica de criterios para el acotamiento de las rondas hídricas, que para
su delimitación se recomienda evaluar las condiciones geomorfológicas de su entorno
(MADS, 2018b).
La necesidad reflejada en las guías de incluir la evaluación morfológica en el diagnóstico
fluvial motiva la elaboración de una metodología que se ajuste a los insumos
disponibles en el país y que en la evaluación de sitios puntuales se tengan en cuenta
procesos en múltiples escalas integrando distintas disciplinas.
16 Capítulo 1: Introducción
1.2. Antecedentes
A continuación, se presentan los estudios realizados en el área de estudio en los cuales
se fundamenta este trabajo.
En la tesis doctoral de Jiménez (2015) se presenta un capítulo de morfología de
corriente y relaciones de geometría hidráulica aguas abajo para el ancho de banca llena.
Allí se encuentra una relación lineal diferenciada del ancho de la corriente y el área de
drenaje para cuatro tipos de geometrías hidráulicas, dando elementos para la elección
adecuada de la resolución de los modelos de elevación digital y para explorar el grado
de confinamiento con poca información vectorial, a partir de la premisa de que el ancho
máximo donde un río puede interactuar lateralmente es el ancho teórico de un río
trenzado.
En la tesis doctoral de Jaramillo (2015) en el capítulo de características de los tramos,
se explora la relación de los atributos hidráulicos de corrientes de Colombia, Europa y
Estados Unidos. En las secciones evaluadas de bajo gradiente los procesos de
sedimentación son dominantes y se encuentra que esa clasificación usada no permite
diferenciar las corrientes, pero es muy útil por la poca información necesaria para la
clasificación.
En la guía técnica de criterios para el acotamiento de las rondas hídricas en Colombia
realizada por el MADS (2018b), se caracterizan los tipos de ríos que se identifican en
Colombia, usados en este trabajo para elegir la tipología de corrientes adecuada.
17 Capítulo 1: Introducción
1.3. Objetivo general
Desarrollar una metodología para la clasificación de la morfología de corrientes a partir
de información de las cuencas priorizadas en la gestión del recurso hídrico en Colombia.
Objetivos específicos
❖ Discretizar la red de drenaje de una cuenca en tramos de corriente a partir de
información de sensores remotos y técnicas de segmentación, que puedan
complementarse o verificarse con la información primaria disponible.
❖ Clasificar los tramos de corriente a partir de sus características hidromorfológicas,
mediante un modelo de predicción ajustado a las cuencas priorizadas y modelos
aplicados en otros países.
❖ Analizar el desempeño de diferentes metodologías de predicción tipológica de
corrientes para diferentes cuencas.
❖ Elaborar un esquema de decisión para la aplicación de los modelos de predicción de
tipología de corrientes.
18
2 Marco Teórico
2.1. Procesos geomorfológicos
Bajo la acción de las fuerzas de gravedad la superficie terrestre es moldeada por el agua,
viento y en algunos casos hielo. Estos procesos producen formas de paisaje que están
en constante movimiento, condicionadas por su material y los forzantes externos como
la temperatura, precipitación y viento (L. Leopold et al., 1965). Algunas de estas formas
deben su origen a procesos denudacionales, deposicionales o ambos. Por lo que la
morfología de una corriente es resultado del suministro de sedimentos, capacidad de
transporte y los efectos directos e indirectos de la vegetación (Montgomery &
Buffington, 1998), de manera simplificada se afirma que “la forma implica procesos” (J.
M. Buffington & Montgomery, 2013). En este sentido, la morfología de una corriente es
posible interpretarla como el resultado del acoplamiento de procesos climáticos,
bióticos e hidromórficos que actúan sobre esta (Stanley A Schumm & Lichty, 1965;
Montgomery & Buffington, 1997).
Se debe tener precaución en el momento de inferir procesos a partir de las formas de
paisaje, ya que estas no tienen relaciones uno a uno con los procesos sobre los cuales
están creados. Procesos similares pueden producir heterogeneidad morfológica, en
cambio, distintos procesos pueden producir formas del paisaje con morfologías
similares (van Asselen & Seijmonsbergen, 2006; Bishop et al., 2012).
La cuenca hidrográfica es entonces un sistema jerárquico anidado, donde los procesos
y formas en grandes escalas dominan y determinan los procesos y formas a escalas más
pequeñas. En este sentido, se han buscado sectores en las diferentes escalas que puedan
ser comparables y de los cuales se puedan extrapolar resultados a unidades similares
en otros lugares (Rinaldi et al., 2016; Bisson et al., 2017).
Una visión geomórfica provee una plataforma física sobre la cual se pueden desarrollar
prácticas y aplicaciones interdisciplinarias de las interacciones desde diferentes
19 Capítulo 2: Marco Teórico
perspectivas (Fryirs & Brierley, 2012). Así es como la cuenca hidrográfica puede
evaluarse en general mediante tres escalas anidadas de análisis (Bisson et al., 2017). En
primer lugar, por las unidades de paisaje, fisiográficas o de valle que son diferenciadas
por la capacidad de transporte, geología, geomorfología, clima y uso del suelo de toda
la cuenca (Montgomery & Buffington, 1997; Rinaldi et al., 2013). La siguiente escala es
por tramos, donde se han encontrado diferencias entre contiguos mediante atributos
de la corriente como pendiente, geometría hidráulica (ancho, profundidad), vegetación
ribereña tamaño de sedimento y movilidad (L. Leopold & Maddock, 1953; Martínez-
Fernández et al., 2018). En esta escala se repiten secuencias de las unidades de la
corriente o desde la perspectiva biológica de mesohábitats, que pueden ser
diferenciadas por variables como rugosidad, profundidad, velocidad y sustratos.
Aunque las dimensiones de las unidades en esta escala y su extensión relativa pueden
variar también con el caudal, son generalmente constantes en un amplio rango de
caudal bajo. Las diferencias de estas unidades proveen a los organismos una diversidad
de hábitats. Estas unidades son conocidas entonces por su influencia en el intercambio
de nutrientes, abundancia de algas, producción de macroinvertebrados bénticos y la
distribución de peces (Bisson et al., 2017; Barbara Belletti et al., 2017; Muñoz Mas et al.,
2018).
2.2. Clasificación hidromorfológica de corrientes
Para clasificar las corrientes han surgido múltiples propuestas, diferenciadas por su
propósito y por su escala de enfoque. Con el tiempo se han combinado diferentes
propuestas que integran distintas visiones. Para aplicar una clasificación se debe
evaluar si está basada en una visión descriptiva o basada en procesos, ya que las formas
no están asociadas un solo proceso o pueden surgir a través de múltiples vías. Las
clasificaciones basadas en procesos se pueden utilizar para simplificar los condiciones
y mecanismos complejos del continuo dentro de un paisaje mediante la identificación
de lugares que funcionan de manera similar (G. Brierley et al., 2016). Las clasificaciones
propuestas como lo plantean Buffington y Montgomery (2013) pueden agruparse de la
siguiente manera:
• El orden de la corriente, que divide la corriente en nodos dando un número acorde
a su posición desde las cabeceras (Horton, 1945; Strahler, 1957).
• Los procesos dominantes, que divide la corriente por su producción de sedimento,
transferencia, zonas de depositación proporcionando una visión basada en
procesos por movimiento de sedimentos a través de las redes fluviales durante el
tiempo geológico (S. A. Schumm, 1977).
• Los patrones de la corriente, la mayoría de las clasificaciones poseen este tipo de
clasificación, que son por ejemplo corrientes rectas, sinuosas o trenzadas. Este tipo
de clasificación se puede dar de dos formas: 1) Relaciones cuantitativas, donde se
definen umbrales de la combinación de variables para encontrar un tipo de
20 Capítulo 2: Marco Teórico
corriente, por ejemplo, en ciertos caudales se dan las corrientes trenzadas en
pendientes más pronunciadas que los ríos sinuosos (L. B. Leopold & Wolman, 1957;
Lane, 1957). 2) Marcos conceptuales, como el de Schumm (1985) que basado en sus
observaciones clasifica las corrientes mediante su contenido de arcilla en las bancas,
el modo de transporte de sedimento, la relación entre la carga de fondo y total, entre
otras.
• Las interacciones con la llanura de inundación, por ejemplo, Nanson & Croke’s
(1992) proponen este tipo de clasificación a partir de la morfología de la llanura
inundable, donde se reflejan procesos fluviales y formaciones diferenciadas,
quienes responden a la evolución de las perturbaciones ambientales.
• El material del fondo y su movilidad, como lo plantea Gilbert et al. (1914) que
propone que los ríos de lecho rocoso se presentan donde la capacidad de transporte
excede el suministro de sedimentos y los ríos aluviales ocurren donde el suministro
coincide o excede su capacidad.
• Unidades de la corriente, son unidades morfológicas a escala de subtramo como
piscinas, barras, escalones, rápidos, que forman morfologías de escala de tramo,
como los canales de escalón-pozo o pozos y rápidos (Hawkins et al., 1993; J.
Buffington et al., 2002).
• Clasificaciones jerárquicas, donde se anidan escalas sucesivas de condiciones físicas
y biológicas, y permiten una comprensión más holística de los procesos de la cuenca.
Una de las primeras propuestas fue la de Frissell et al. (1986), donde la escala mayor
es un sistema de corriente luego de los segmentos, tramos, pozos y rápidos y
finalmente de microhábitats. Con base en esta metodología otras clasificaciones de
amplio uso surgieron (Rosgen, 1994; Montgomery & Buffington, 1997; G. J. Brierley
& Fryirs, 2013). Estas han sido adaptadas y aplicadas en otros contextos (Rinaldi,
Surian, Comiti, & Bussettini, 2015; Wheaton et al., 2015). Una de las clasificaciones
más usadas es la propuesta por Rosgen (1994), pero ha sido controvertida por ser
solo descriptiva y tener amplia subjetividad por el rol del observador (Simon et al.,
2007; Roper et al., 2008).
• Clasificaciones estadísticas, se aplican para tipificar y predecir las formas de la
corriente. Por ejemplo, se pueden usar modelos estadísticos para clasificar
objetivamente la morfología del tramo basándose en diferencias significativas en la
topografía del lecho y la arquitectura de la unidad de corriente (Beechie et al., 2006;
Flores et al., 2006; Thompson et al., 2006).
A partir de la propuesta de Montgomery y Buffington (1997) se reconocen escalas
físicas anidadas que van desde provincias geomorfológicas a unidades de corriente, e
identifican ocho morfologías de escala de tramo basadas en identificación visual, donde
se reconocen también tipos intermedios (Gomi et al., 2003; Thompson et al., 2006). Las
morfologías propuestas a escala de tramo se muestran en la Figura 2-1. Estas pueden
diferenciarse mediante variables topográficas, características del tramo, el suministro
de sedimentos y la potencia de la corriente como se muestra en la Figura 2-2.
21 Capítulo 2: Marco Teórico
Figura 2-1. Fotografía y vista en planta de los tipos de tramo. A) Coluvial, B) Cascada C) Escalón pozo
D) Lecho plano E) Pozo y rápido F) Trenzado G) Dunas onduladas H) Lecho en roca. Adaptado de Bisson et al. (2017) y Montgomery y Buffington (2013).
Figura 2-2. Influencia de las condiciones de la cuenca (topografía, flujo y suministro de sedimentos) en
los tipos de tramo de la corriente (texto azul) y las características asociadas del tramo (ancho, profundidad, sinuosidad, gradiente de la corriente, tamaño de grano). Los procesos dominantes se
muestran para los flujos con detritos y la influencia de la vegetación (elipses discontinuas), y se indican los tipos de segmento de valle (coluvial, aluvial, lecho en roca). Tomado de Bisson et al. (2017).
22 Capítulo 2: Marco Teórico
Esta clasificación es la base para adaptaciones más específicas a un contexto en
particular como la de Rinaldi et al. (2013), donde se han integrado tipos de corriente
como el anastomosado, errante y sinuoso en una escala para segmentación y se han
diferenciado mediante su grado de confinamiento y número de flujos activos como se
ilustra en la Figura 2-3.
Figura 2-3. Clasificación de corrientes adaptadas a las corrientes italianas. Elaborado de Rinaldi et al.
(2013).
Para el caso de Colombia, en la Guía Técnica de criterios para el acotamiento de las
rondas hídricas (MADS, 2018b), se proponen cuatro tipos de ríos principales,
advirtiendo que dadas las complejidades en el medio físico colombiano pueden
presentarse también situaciones intermedias que deben integrar criterios combinados.
La clasificación se basa en dos tipos de unidades dominantes, el cauce permanente y la
llanura moderna o conocida también como valle aluvial, conformada por el conjunto de
cauces que sirven para el tránsito de los caudales altos de diferentes períodos
hidrológicos e involucra la zona ribereña. Los tipos propuestos para Colombia con sus
principales características son:
• Ríos rectos de montaña: distinguidos por su confinamiento, alto gradiente
altitudinal, alta capacidad de transporte y de un solo flujo.
• Ríos sinuosos: se encuentran en zonas de bajo gradiente, con altura mixtura en tipos
de roca y sustratos aluviales, con una gran llanura de inundación.
• Ríos trenzados: dados donde la corriente tiene alta capacidad de sedimentos, con
cauces amplios, relativamente superficiales, con múltiples flujos, distinguidos por la
presencia barras.
• Ríos anastomosados: es más común en donde hay condiciones de equilibrio entre la
carga y la capacidad de la corriente, tiene varios flujos, son los que menos se
23 Capítulo 2: Marco Teórico
presentan en el país, cortan la llanura de inundación dividiéndola en varias islas
alargadas.
Las formas de corrientes propuestas para Colombia (MADS, 2018b) se ajustan a la
tipología para segmentación adaptada por Rinaldi et al. (2013), a diferencia que no se
mencionan los tipos errantes (Wandering) y meándricos (Meandering) debido a su
similitud con los ríos anastomosados y sinuosos respectivamente.
2.3. Segmentación de redes de drenaje
El avance del levantamiento de datos mediante sensores remotos en los sistemas
fluviales genera la posibilidad de automatizar los procesos de clasificación de
corrientes (Entwistle et al., 2018; Knehtl et al., 2018), por lo que se han creado
algoritmos que analizan los cambios significativos de sus atributos físicos y bióticos,
convirtiéndose en herramientas para la rápida delineación y caracterización de los
tipos de ríos y sus rasgos morfológicos. Esto permite la agrupación y extrapolación de
áreas que funcionan de manera similar (Hankin & Reeves, 1988; Dolloff et al., 1993), la
comparación y planeación de muestreos en diferentes cuencas (Wohl et al., 2007), la
descripción de los cambios físicos en las corrientes con el tiempo para prever los
cambios o tendencias esperadas ante impactos humanos o alteraciones naturales
(Gordon, 2004) y la posibilidad de ser aplicados por las autoridades encargadas del
manejo de las corrientes (Nagel et al., 2014; Rinaldi et al., 2016).
Es importante resaltar que los resultados dados por la automatización deben evaluarse
con detalle, ya que las zonas de transición entre tramos adyacentes se pueden presentar
de manera gradual o repentina, y los límites exactos de los tramos aguas arriba y aguas
abajo se convierten en algunos casos en una cuestión de juicio (Bisson et al., 2017).
Una de las generadas herramientas para realizar la segmentación de forma
automatizada por medio de información de sistemas remotos es Fluvial Corridor (Roux
et al., 2015), programada en Python para ArcGIS actualmente, también se desarrolla
para el software libre QGIS en marco del programa Trame bleue (Trame Bleue, 2020).
Esta herramienta permite extraer en primera instancia segmentos llamados objetos
geográficos unitarios (UGO) delimitados por las confluencias en la corriente, que son
desagregados o segmentados en objetos geográficos desagregados (DGO) dada una
distancia establecida o por un cambio de dirección para el caso de la sinuosidad. Para
las unidades desagregadas crearon herramientas que calculan métricas como:
pendiente, vegetación, ancho y sinuosidad. Con el fin de hallar las unidades
desagregadas contiguas que son significativamente diferentes se aplica el test de
Hubert, una técnica adaptada de las series de tiempo que agrupa las unidades en objetos
geográficos agregados (AGO) por sus diferencias estadísticamente significativas (Roux
et al., 2013). Cada una de estas métricas requiere diferentes objetos geográficos
24 Capítulo 2: Marco Teórico
unitarios para realizar el procedimiento. Las unidades requeridas y su procedimiento
general se muestran en la Figura 2-4.
Figura 2-4. (A) En la parte superior se muestra el procedimiento general del paquete FluvialCorridor.
(B) En la parte inferior los objetos geográficos creados en las diferentes etapas del proceso con las tablas que se generan en cada una. Tomado de Roux et al. (2015).
El confinamiento del valle describe el grado en que las características topográficas
limitantes como laderas, abanicos aluviales y terrazas de ríos, limitan la extensión
lateral del valle y la llanura de inundación a lo largo de un río (Nagel et al., 2014; Sutfin
& Wohl, 2019), por lo que el confinamiento es la relación entre el río y su valle o llanura
de inundación. El confinamiento del valle es una característica importante del paisaje
vinculada al hábitat acuático, la diversidad ribereña y los procesos geomórficos, por lo
que se integra como otro criterio para delimitar puntos de cambio en la cuenca. El grado
de confinamiento de la cuenca se considera un predictor de tiempos de residencia, flujo
de sedimentos y cambios en la llanura de inundación (Sutfin & Wohl, 2019).
El desempeño de este tipo de herramientas depende de la calidad de los componentes
espaciales de entrada como el modelo de elevación digital, el canal activo, la cuenca
tributaria, el valle aluvial y la red de drenaje.
25 Capítulo 2: Marco Teórico
El vector de canal activo se puede realizar con una delimitación manual por ortofoto y
se recomienda verificación en campo. El vector del valle aluvial y la red de drenaje, en
ausencia de información de campo o para su calibración, pueden ser extraídos a partir
del modelo de elevación digital, por lo que son sensibles a la resolución y su
posprocesamiento.
Hay otras opciones para extraer estos elementos iniciales. La red de drenaje y la cuenca
tributaria se pueden extraer del procesamiento del modelo de elevación digital con
herramientas como Arc Hydro (ESRI, 2020) o Grass GIS (GRASS, 2020). Para el ancho
del valle aluvial se cuenta con múltiples herramientas (J. T. Gilbert et al., 2016; Zhao et
al., 2019), que requieren múltiples parámetros de calibración dependientes de la escala,
por lo que se pueden usar también índices topográficos como el Height Above the
Nearest Drainage (HAND) (Nobre et al., 2011), que se extrae a partir de la
normalización del modelo de elevación digital con la red de drenaje.
El conjunto de métricas puede calcularse mediante otras herramientas. Por ejemplo, los
cambios de pendiente pueden extraerse mediante algoritmos de knickpoints que
requieren alta resolución de los insumos (Zahra et al., 2017). El confinamiento también
puede automatizarse con otras herramientas a escala de paisaje (Nagel et al., 2014;
O’Brien et al., 2019).
2.4. Modelos predictivos de clasificación hidromorfológica
En los últimos años, las técnicas de inteligencia artificial como las redes neuronales
artificiales (ANN), los Support Vector Machines (SVM), la lógica difusa, la programación
genética y muchos otros métodos han sido ampliamente utilizados en hidrología y en
las aplicaciones del recurso hídrico (Lopez De Mantaras & Armengol, 1998;
Raghavendra. N & Deka, 2014). Este tipo de modelos de predicción han permitido
identificar umbrales de patrones de la corriente (Bledsoe & Watson, 2001) y
combinaciones de variables físicas para establecer el tipo de tramo de corriente (Wohl
& Merritt, 2005; Beechie et al., 2006; Flores et al., 2006; Altunkaynak & Strom, 2009).
Algunos casos específicos se mencionan a continuación.
A partir del confinamiento de la corriente y la relación entre la pendiente y el caudal en
tramos de corriente, Beechie et al. (2006) mediante un simple stepwise model predijeron
algunos de los tipos de corriente propuestos por Montgomery & Buffington (1997). El
primer paso propuesto es hallar el grado de confinamiento, donde un tramo se
considera confinado si el ancho del valle aluvial es menor a cuatro veces el ancho de
banca llena de la corriente y luego encontrar el rango indicado en términos de la
pendiente y el caudal (Figura 2-5 (A)). La pendiente se halla mediante un mapa
topográfico de la USGS y el caudal se estima mediante el área de drenaje y la
precipitación aguas arriba del tramo. La precisión de este modelo es del 45%, debido a
26 Capítulo 2: Marco Teórico
la dificultad de predecir los tramos en tramos rectos, ya que estos se confunden con los
meándricos, trenzados o trenzados con islas.
Para la clasificación morfológica se ha aplicado también el modelo de clasificación y
regresión de árboles (CART) (Flores et al., 2006). Este análisis entrega un árbol de
decisión binaria, creada a partir de datos entrenados donde la variable respuesta es
particionada en grupos (nodos) buscando la varianza minimizada, la similitud
maximizada y el incremento de la pureza (De’ath & Fabricius, 2000). En la aplicación de
Flores et al. (Flores et al., 2006) se realiza un entrenamiento de 270 tramos de corriente
etiquetados con la tipología propuesta por Montgomery & Buffington (1997), se mide
la pendiente en campo y se calcula el área tributaria a cada tramo. Con la combinación
de la potencia representada como la pendiente por el área tributaria a la 0.4 (SA0.4) y la
pendiente (S), se alcanza una precisión de predicción de los tipos de corriente de un
76%. El árbol de clasificación resultante se presenta en la Figura 2-5 (B).
El uso de árboles de clasificación facilita la visualización de los datos (Caja Blanca) y
permite hacer predicciones de estos. Los resultados de estos modelos pueden generar
árboles de decisión grandes y complejos que requieren una poda (pruning), es decir,
que se usan parámetros para limitar el crecimiento del árbol, y así evitar el sobreajuste.
Los parámetros que se usan para podar el árbol son: El máximo de hojas, el mínimo de
muestras por hoja y la profundidad o nivel máximo que tiene el árbol.
También se ha aplicado el modelo de perceptrones multicapa (MP), que es la forma
estándar del modelamiento de redes neuronales, el cual modifica los métodos de
perceptrón de dos capas lineales usando tres o más capas, es decir, una entrada, una
capa oculta y una de salida. Este método tiene la ventaja de manejar interacciones
complejas no lineales, lo que hace el método aplicable para el modelamiento de
procesos naturales (Campolo et al., 1999; Coulibaly et al., 2001). En la aplicación de
Altunkaynak et al. (2009) se usa un MP con dos conjuntos de datos, el primero con
pendiente (S), ancho (w), profundidad (h) y el sedimento de tamaño 84 (d84) del tramo
y el segundo con S, h/d84 y h/d90. Entrenados en 71 y 120 tramos, y probados en 36 y
64 tramos respectivamente. Se etiquetan a partir de la tipología propuesta por
Montgomery & Buffington (1997). La relación entre h/d84 y la pendiente da una
precisión del 81%, los umbrales se presentan en la Figura 2-5 (C).
27 Capítulo 2: Marco Teórico
Figura 2-5. Umbrales encontrados mediante atributos físicos para predecir la tipología propuesta por Montgomery & Buffington (1997). (A) Beechie et al. (2006) (B) Flores et al. (Flores et al., 2006) y (C)
Altunkaynak et al. (2009).
Una técnica usada como base comparativa para la clasificación es el Análisis de
Discriminante Lineal, cuya finalidad es analizar si existen diferencias significativas
entre grupos de objetos respecto a un conjunto de variables medidas sobre los mismos
para, en el caso de que existan, explicar en qué sentido se dan y facilitar procedimientos
de clasificación sistemática de nuevas observaciones de origen desconocido en uno de
los grupos analizados. Para el caso lineal, el Análisis Discriminante se puede considerar
como un análisis de clasificación donde la variable dependiente es categórica y tiene
como categorías la etiqueta de cada uno de los grupos, mientras que las variables
independientes son continuas y determinan a qué grupos pertenecen los objetos (Kaya
et al., 2004; Sakai et al., 2007; De la fuente, 2011).
Para la aplicación de esta técnica se deben de cumplir ciertas suposiciones de
independencia de las variables. El análisis es bastante sensible a los valores atípicos y
el tamaño del grupo más pequeño debe ser mayor que el número de variables
predictoras, a continuación, se definen las suposiciones que se deben cumplir.
• Normalidad multivariable: las variables independientes son normales para cada
nivel de la variable de agrupación.
• Homogeneidad de varianza/covarianza (homoscedasticidad): Las varianzas
entre las variables de grupo son las mismas en todos los niveles de predictores.
Se puede probar con el estadístico Box’s M. Sin embargo, se ha sugerido que se
use el análisis discriminante lineal cuando las covarianzas son iguales, y que se
puede usar el análisis discriminante cuadrático cuando las covarianzas no son
iguales.
• Multicolinealidad: el poder predictivo puede disminuir con una mayor
correlación entre las variables predictoras.
28 Capítulo 2: Marco Teórico
• Independencia: se supone que los participantes se muestrean aleatoriamente, y
se supone que la puntuación de un participante en una variable es independiente
de las puntuaciones en esa variable para todos los demás participantes.
LDA busca combinaciones lineales de las variables independientes para explicar mejor
los datos y predecir las diferentes clases. Las puntuaciones discriminantes se calculan
para cada observación para cada clase en base a estas combinaciones lineales.
2.5. Marcos hidromorfológicos: Integración al diagnóstico
ecosistémico
Por la necesidad de integrar los diferentes elementos del paisaje fluvial en la gestión de
los recursos naturales, la Unión Europea introdujo el término hidromorfología en la
directiva marco del agua de (WFD) (European Comission, 2000), el concepto tiene en
consideración algunas modificaciones en los regímenes de flujo, procesos de transporte
de sedimentos, morfología de ríos e interacción lateral del canal. La hidromorfología ha
estado en constante evolución, ya que se convirtió en un tema interdisciplinario entre
hidrología, geomorfología y ecología, creando nuevas perspectivas para tener en
consideración los procesos físicos en las acciones y estrategias de gestión de las
corrientes de agua, desde donde surgió la necesidad de generar marcos que
especifiquen cuales modelos usar en diferentes escalas y condiciones particulares
(Newson & Large, 2006; Fonstad et al., 2010).
La mayoría de los marcos existentes para el diseño de la restauración fluvial inician a
partir de la definición de objetivos de restauración como prioridad. Para apoyar las
metas de la directiva marco del agua se desarrolló para Italia, por ejemplo, un marco
metodológico para el análisis, evaluación y monitoreo hidromorfológico (IDRAIM)
(Rinaldi, Surian, Comiti, Bussettini, et al., 2015), este marco incluye cuatro fases: (1)
caracterización del sistema fluvial en toda la cuenca; (2) reconstrucción de la
trayectoria evolutiva y evaluación de las condiciones actuales del río, a partir del índice
de calidad morfológica (Rinaldi et al., 2013), la clasificación de las dinámicas de los
eventos teniendo en cuenta los eventos de inundación extrema y la delineación de las
dinámicas morfológicas fluviales de la red; (3) predicción de la evolución del canal; (4)
identificación de las opciones de gestión. Los índices que componen este marco pueden
ser aplicados en otros contextos teniendo en cuenta un rango amplio de las condiciones
físicas, el grado de alteración artificial, entre otros (B. Belletti et al., 2018). Otros marcos
de referencia han integrado el componente hidromorfológico en sus políticas como
Australia (G. Brierley et al., 2011) y España (MAGRAMA, 2016).
En Colombia, en este sentido se establecieron los lineamientos de los Planes de
Ordenamiento del Recurso Hídrico (PORH) desde el 2014, instrumento de planificación
29 Capítulo 2: Marco Teórico
que permite a las Autoridades Ambientales fijar la destinación y uso de los cuerpos de
agua continentales superficiales a través de cuatro fases que se realizan en un horizonte
mínimo de diez años (MADS, 2018a). Este marco propone tener en cuenta criterios
hidromorfológicos de la corriente para la identificación de los lugares de muestreo y
para complementar los modelos de calidad de agua. La hidromorfología también se
hace presente en la guía para la delimitación de las rondas hídricas, donde se proponen
diferentes tipos de ríos para Colombia y los tipos de criterios espaciales que se deben
tener en cuenta (MADS, 2018b).
30
3 Metodología
En la Figura 3-1 se ilustra la ruta metodológica planteada para alcanzar los objetivos propuestos. En términos generales se realizan cuatro pasos; 1) se recopila y depura la información de las cuencas, 2) se segmenta la corriente mediante diferentes criterios (pendiente, confinamiento, vegetación y sinuosidad) de forma manual y automatizada, y se evalúa la efectividad de predicción. 3) Se establece el tipo de tramos de las cuencas mediante una clasificación supervisada por expertos, se entrena un modelo para predecir estas etiquetas del tipo a partir de las características hidráulicas de cada tramo y este resultado se compara con el de otros modelos predictivos. 4) A partir de la efectividad de los modelos para predecir la tipología de las corrientes, se propone un árbol de decisión según los diferentes insumos para cada uno de estos.
Figura 3-1. Ruta metodológica.
31 Capítulo 3: Metodología
3.1. Información usada
La información usada para el caso de estudio se presenta en la Tabla 3-1 para la fase
de segmentación y clasificación.
Tabla 3-1. Información primaria recopilada.
Fase Información Fuente Fecha
Segmentación
Modelos de elevación digital (DEM) Alos Palsar -
NASA Hasta 2011
Capas de vegetación POMCAS* 2010-2014
Ortofoto CartoAntioquia –
Alcaldía de Medellín
2011
Redes de drenaje IDEAM 2016
Clasificación
Fotografías de los tramos
Corantioquia - Cornare
2015 – 2016 Características hidráulicas de los
tramos: Caudal, ancho medio, profundidad media, radio hidráulico,
perímetro y área *Planes de ordenación y manejo de cuencas hidrográficas.
Zona de estudio
La fase de clasificación se aplica en las cuencas presentadas en la Figura 3-2 y sus
características se presentan en la Tabla 3-2. La fase de segmentación se realiza en las
cuencas del Río Poblanco y Sinifaná.
Tabla 3-2. Datos generales de las cuencas. Fuente: PORH’s de Corantioquia y POMCA del Río Nare
Cornare.
Nombre de cuenca
Área (km2)
Altura mayor
(msnm)
Altura menor
(msnm)
Longitud del cauce ppal.
(km)
Temperatura media anual (°C)
Poblanco 178.8 2700 580 30.70 17.5 Sinifaná 204.5 2690 527 47.17 27
Ríogrande 1280 3300 1100 106 15 Magallo 88 2300 539 16.76 17
San Mateo 225.5 3310 510 29.37 21 Sopetrana 115.5 2949 439 21.80 19
Nare 921.1 2513 124 82.06 19
32 Capítulo 3: Metodología
Figura 3-2. Ubicación de las cuencas de estudio con las estaciones de medición de las variables
hidráulicas.
3.2. Segmentación en tramos de corriente
Para segmentar los tramos de corriente se deben hallar nodos o puntos de cambio que
denoten procesos diferenciados. Los criterios que se evaluarán a lo largo de la corriente
son pendiente, confinamiento, vegetación y sinuosidad. Los puntos de cambio
modelados para cada criterio se hallan mediante algoritmos programados en Python y
herramientas de los paquetes ArcHydro (ESRI, 2020) y FluvialCorridor (Roux et al.,
2015) para el software ArcGIS (ESRI, 2018). Estos puntos se comparan con los ubicados
manualmente con ayuda de la ortofoto de CartoAntioquia y el modelo de elevación
digital, luego se evalúa la capacidad de predecirlos por el modelo mediante los tests de
confianza y sensibilidad adaptados de Orlandini et al. (2011).
33 Capítulo 3: Metodología
Pendiente
Para hallar los puntos donde hay un cambio significativo de pendiente en la red de
drenaje, se programa una herramienta con el siguiente proceso (Figura 3-3).
Figura 3-3. Procedimiento general para la segmentación por pendiente.
Los pasos que se ejecutan en este proceso se describen a continuación:
❖ Secuenciamiento de la red de drenaje (UGO): Los segmentos de la red de drenaje
son redireccionados y ordenados.
❖ Segmentación equidistante (DGO): La red de drenaje es segmentada a partir de
una distancia dada. Para este caso se realiza cada 100 metros.
❖ Numeración de nodos: Cada nodo de los segmentos es numerado en dirección a la
desembocadura de la cuenca.
❖ Extracción y corrección de la elevación y cálculo de la pendiente: En general lo
que se realiza en este algoritmo se enumera a continuación y se ilustra en la Figura
3-4.
1. Se extraen los puntos de cabeceras de la red de drenaje.
2. Se extrae un segmento de corriente desde cada cabecera hasta la
desembocadura y se le agrega otra línea desde la cabecera hasta el punto más
cercano de la línea divisoria de la cuenca1.
3. A esta línea combinada se le calcula la altura sobre el Modelo de elevación digital.
Para corregir el ruido de las alturas extraídas se realizan dos filtros a cada punto
de este perfil. Si un punto aguas arriba está a menor altura que el siguiente aguas
abajo, se aplica; 1) la mediana móvil, que es la media de varios puntos aguas
arriba y aguas abajo de este punto, y si esta condición se sigue cumpliendo, 2)
1 La línea desde la cabecera hasta el punto más cercano en la línea divisoria de la cuenca se agrega para que se pueda realizar la corrección del ruido de los segmentos aguas arriba.
34 Capítulo 3: Metodología
una interpolación lineal del punto aguas arriba con el siguiente aguas abajo a
igual o menor altura.
4. Finalmente, cada punto del perfil es promediado dentro de cada segmento
desagregado (DGO) y en cada uno se halla la pendiente geométrica y la
pendiente mediante la longitud del segmento.
Figura 3-4. Pasos en la extracción y corrección de la elevación y cálculo de la pendiente.
❖ Test de Hubert: Se aplica el test de Hubert (Hubert, 2000) a la pendiente definiendo
el parámetro Alpha, que evalúa la significancia entre dos segmentos consecutivos,
este parámetro se usa para calibrar la sensibilidad del modelo respecto a los puntos
de cambio supervisados.
❖ Graficador de perfiles con puntos de cambio: Se grafican los perfiles desde cada
cabecera hasta la desembocadura señalando donde hay un cambio de pendiente
como se muestra en la Figura 3-5.
35 Capítulo 3: Metodología
Figura 3-5. Gráficas del perfil desde la cabecera (izquierda) y de la pendiente (derecha) con los puntos
de cambio significativo (línea roja discontinua).
Confinamiento
El confinamiento es la relación entre el río y su valle o llanura de inundación. Para
calcularlo a lo largo de la red de drenaje se usan diferentes insumos, ya que estos
dependen de la información a detalle que se tenga de cada cuenca, por lo que se
evaluarán diferentes relaciones de estos objetos. Las relaciones para calcular el
confinamiento son entre: el ancho del valle y el ancho del canal activo, la longitud de
onda y el ancho del canal activo y el ancho de la corriente si fuera un tramo trenzado y
el Height Above the Nearest Drainage (HAND).
3.2.2.1. Relación entre el ancho del valle y del canal activo
Esta relación requiere la generación del ancho del valle aluvial y la definición de un
canal activo, que se delimitan en este caso con la ayuda de las ortofotos. Se programa
una herramienta con el siguiente proceso para hallar el confinamiento mediante esta
relación, esto se ilustra en la Figura 3-6 y una muestra de sus resultados en la Figura
3-7.
36 Capítulo 3: Metodología
Figura 3-6. Procedimiento general para la segmentación por confinamiento con la relación entre el
ancho del valle y del canal activo.
Los pasos que se ejecutan en este proceso se describen a continuación:
❖ Valle aluvial: Se calibra y extrae con la herramienta que cuenta con 10 parámetros
como el tamaño del buffer pequeño y grande, la desagregación, los umbrales y
suavizaciones del polígono, los cuales se pueden tomar como base los propuestos
en la guía de Roux (2013). Para el caso de estudio se genera el valle activo con los
siguientes parámetros:
Tabla 3-3. Valores de los parámetros elegidos para calcular el valle aluvial.
Componente Parámetro Valor
Sinifaná Poblanco
Delimitación del valle
Tolerancia de suavización 500 1 Tamaño de buffer grande 400 300
Tamaño de buffer pequeño 50 50 Paso de desagregación 20 10
Umbral mínimo -10 -10 Umbral máximo 10 10
Limpieza poligonal del valle
Distancia de agregación 200 200 Área mínima 40.000 40.000
Tamaño de huecos mínimo 100.000 100.000 Suavización del valle aluvial 200 100
❖ Segmentación equidistante: El valle aluvial es segmentado a partir de una
distancia dada. Para este caso se realiza cada 100 metros.
❖ Ancho: A los segmentos del valle aluvial y su intersección con el canal activo se les
calcula el ancho y el confinamiento dado por el cociente entre la intersección del
canal activo con el valle aluvial.
❖ Test de Hubert: Se aplica el test de Hubert (Hubert, 2000) a la relación entre el
ancho del valle y el canal activo definiendo el parámetro Alpha, que evalúa la
significancia entre dos segmentos consecutivos, este parámetro se usa para calibrar
la sensibilidad del modelo respecto a los puntos de cambio supervisados.
37 Capítulo 3: Metodología
❖ Graficador de perfiles con puntos de cambio: Se grafica la variación del ancho
del perfil desde cada cabecera hasta la desembocadura señalando donde hay un
cambio de significativo del confinamiento.
Figura 3-7. Cálculo del confinamiento con el ancho del valle (Wac) y el canal activo (Wc), los puntos de
cambio se denotan de diferentes colores en el valle aluvial y en rojo punteado en la gráfica.
3.2.2.2. Relación entre el ancho del valle y la amplitud del meandro
Esta relación requiere también la generación del ancho del valle aluvial y para
reemplazar el canal activo que requiere una delimitación manual o en campo se usa la
longitud del meandro de la corriente como proponen Alber & Piégay (2011). En este
caso el ancho del valle se calibra mediante la ortofoto. Se programa una herramienta
con el siguiente procedimiento para hallar el confinamiento mediante esta relación, se
ilustra en la Figura 3-8 y una muestra de los resultados en la Figura 3-9.
38 Capítulo 3: Metodología
Figura 3-8. Procedimiento general para la segmentación por confinamiento con la relación entre el
ancho del valle y del canal activo.
Los pasos que se ejecutan en este proceso se describen a continuación:
❖ Valle aluvial: Se calibra y extrae con la herramienta que cuenta con 10 parámetros
como el tamaño del buffer pequeño y grande, la desagregación, los umbrales y
suavizaciones del polígono, los cuales se pueden tomar como base los propuestos
en la guía de Roux (2013). Los parámetros escogidos para su se muestran en la
Tabla 3-3.
❖ Segmentación equidistante: El valle aluvial es segmentado a partir de una
distancia dada. Para este caso se realiza cada 100 metros.
❖ Desagregación de la polilínea: Esta línea es la que pasa por puntos de inflexión,
que se encuentran cuando cambia el signo del ángulo.
❖ Ancho: A los segmentos del valle aluvial se les calcula el ancho y el confinamiento
dado por el cociente entre la intersección del canal activo con la polilínea
desagregada.
❖ Morfología: A esta línea desagregada se le calculan medidas planimétricas como la
curvatura media, amplitud media y longitud de curvatura.
❖ Test de Hubert: Se intersecan los segmentos del valle aluvial con los de la línea
desagregada para su cociente, al que se aplica el test de Hubert (Hubert, 2000)
definiendo el parámetro Alpha, que evalúa la significancia entre dos segmentos
consecutivos, este parámetro se usa para calibrar la sensibilidad del modelo
respecto a los puntos de cambio supervisados.
❖ Graficador de perfiles con puntos de cambio: Se grafican el ancho de los perfiles
desde cada cabecera hasta la desembocadura señalando donde hay un cambio de
significativo del confinamiento.
39 Capítulo 3: Metodología
Figura 3-9. Variables medidas para calcular el confinamiento con el ancho del valle (Wac) y la amplitud del meandro (Am), los puntos de cambio se denotan de diferentes colores en la red de drenaje y en rojo
punteado en la gráfica.
3.2.2.3. Relación entre el HAND y el ancho hipotético de río trenzado
Esta relación requiere el ráster HAND (Nobre et al., 2011) que se genera con la
herramienta publicada por Dilts (2019), a este ráster calculado a partir del modelo de
elevación digital se le extraen los valores a un polígono, calibrado a partir de la ortofoto.
Como lo plantea Jiménez (2015) se calcula el ancho cada punto del río a partir de su
área de drenaje suponiendo que este fuera un río trenzado. Se programa una
herramienta con el siguiente procedimiento para hallar el confinamiento mediante esta
relación, se ilustra en la Figura 3-10 y una muestra de los resultados en la Figura 3-11.
40 Capítulo 3: Metodología
Figura 3-10. Procedimiento general para la segmentación por confinamiento con la relación entre el
HAND y el ancho hipotético de río trenzado.
Los pasos que se ejecutan en este proceso se describen a continuación:
❖ Segmentación equidistante: El polígono del HAND es segmentado a partir de una
distancia dada. Para este caso se realiza cada 100 metros.
❖ Ancho: A los segmentos del polígono del HAND y su intersección con el polígono de
ancho hipotético de río trenzado se les calcula el ancho y el confinamiento dado por
su cociente en cada segmento.
❖ Test de Hubert: A esta intersección se aplica el test de Hubert (Hubert, 2000) a la
relación entre el HAND y el ancho hipotético del río trenzado definiendo el
parámetro Alpha, que evalúa la significancia entre dos segmentos consecutivos, este
parámetro se usa para calibrar la sensibilidad del modelo respecto a los puntos de
cambio supervisados.
❖ Graficador de perfiles con puntos de cambio: Se grafican el ancho de perfiles
desde cada cabecera hasta la desembocadura señalando donde hay un cambio de
significativo del confinamiento.
41 Capítulo 3: Metodología
Figura 3-11. Cálculo del confinamiento con el ancho hipotético de río trenzado (Wtrenz) y el ancho del polígono HAND (Whand), los puntos de cambio se denotan de diferentes colores en el polígono extraído
del HAND y en rojo punteado en la gráfica.
Vegetación
Para conocer los puntos de cambio por vegetación se propone la evaluación de los
cambios de cobertura a lo largo del valle aluvial. Para este caso la cobertura vegetal se
toma del POMCA de Amagá con escala 1:100.000. Se programa una herramienta con el
siguiente procedimiento para hallar los cambios por vegetación, se ilustra en la Figura
3-12 y una muestra de los resultados en la Figura 3-13.
Figura 3-12. Procedimiento general para la segmentación por cambios en la capa de vegetación.
42 Capítulo 3: Metodología
Los pasos que se ejecutan en este proceso se describen a continuación:
❖ Valle aluvial: Se calibra y extrae con la herramienta que cuenta con 10 parámetros
como el tamaño del buffer pequeño y grande, la desagregación, los umbrales y
suavizaciones del polígono, los cuales se pueden tomar como base los propuestos
en la guía de Roux (2013). Los parámetros escogidos se muestran en la Tabla 3-3.
❖ Segmentación equidistante: El valle aluvial es segmentado a partir de una
distancia dada. Para este caso se realiza cada 100 metros.
❖ Test de Hubert: Se interseca el valle aluvial con la capa de vegetación y se aplica el
test de Hubert (Hubert, 2000) a los tipos de cobertura por segmento definiendo el
parámetro Alpha, que evalúa la significancia entre dos segmentos consecutivos, este
parámetro se usa para calibrar la sensibilidad del modelo respecto a los puntos de
cambio supervisados.
❖ Graficador de perfiles con puntos de cambio: Se grafican el ancho de perfiles
desde cada cabecera hasta la desembocadura señalando donde hay un cambio de
significativo de la vegetación.
Figura 3-13. Fondo del valle y red hídrica segmentada sobre las capas de vegetación, los puntos de
cambio se denotan de diferentes colores en el fondo del valle y en rojo punteado en la gráfica.
43 Capítulo 3: Metodología
Sinuosidad
Los cambios de sinuosidad se evalúan en una escala de segmento, el insumo es la red
de drenaje. Se programa una herramienta con el siguiente procedimiento para hallar
los cambios de sinuosidad, se ilustra en la Figura 3-14 y una muestra de los resultados
en la Figura 3-15.
Figura 3-14. Procedimiento general para la segmentación por cambios en la sinuosidad.
Los pasos que se ejecutan en este proceso se describen a continuación:
❖ Desagregación de la polilínea: Esta línea es la que pasa por puntos de inflexión,
que se encuentran cuando cambia el signo del ángulo en la red de drenaje.
❖ Morfología: A esta línea desagregada se le calculan medidas planimétricas como la
amplitud media y la sinuosidad.
❖ Test de Hubert: Los segmentos creados por la desagregación se les aplica el test de
Hubert (Hubert, 2000) definiendo el parámetro Alpha, que evalúa la significancia
entre dos segmentos consecutivos, este parámetro se usa para calibrar la
sensibilidad del modelo respecto a los puntos de cambio supervisados.
❖ Discontinuidades: Los puntos de cambio de sinuosidad se espacializan y se
clasifican por puntos extremos, confluencias o punto de contacto o cambio.
❖ Graficador de perfiles con puntos de cambio: Se grafican el ancho de perfiles
desde cada cabecera hasta la desembocadura señalando donde hay un cambio de
significativo del confinamiento.
44 Capítulo 3: Metodología
Figura 3-15. Cálculo de la sinuosidad, los puntos de cambio se denotan con diferentes colores en la red
hídrica y en rojo punteado en la gráfica.
Calibración y eficiencia de la segmentación
Para evaluar el desempeño de los procedimientos presentados se eligen manualmente
lugares de cambio para cada criterio, llamados puntos supervisados, estos puntos se
escogen a partir de los perfiles longitudinales con el apoyo de la imagen satelital. Para
el confinamiento y sinuosidad se toma como referencia la ortofoto de CartoAntioquia y
para la vegetación se usa la capa de cobertura del POMCA.
Para evaluar la efectividad de predicción respecto a los puntos supervisados se usa la
metodología propuesta por Orlandini et al. (2011), donde se calculan los índices de
sensibilidad y confianza. Los índices están basados en un sistema de clasificación
binario. Estos índices evalúan la relación entre un radio definido de los puntos
supervisados y los puntos predichos. Los términos de los puntos se adaptaron como
modelados coincidentes (MC), falsos supervisados (FS) y falsos modelados (FM). Los
MC se consideran como los puntos predichos por el modelo que están en el radio de
alguno de los puntos supervisados. FM son las predicciones que no están en un radio de
un punto supervisado. FS son los radios de los supervisados donde no coincide ningún
punto de predicción. La confianza de la predicción de puntos de cambio en una cuenca
se define como:
𝑟 = ∑ 𝑀𝐶
∑ 𝑀𝐶 + ∑ 𝐹𝑀
(1)
45 Capítulo 3: Metodología
Donde ∑ 𝑀𝐶 y ∑ 𝐹𝑀 son el número total de modelados coincidentes y falsos modelados
respectivamente. Con este índice se obtiene una medida de la confianza para no
predecir puntos de cambio donde no son observados, es decir, la capacidad de no
generar falsos puntos modelados. La sensibilidad de predicción cuando se aplica a una
cuenca se define como:
𝑠 = ∑ 𝑀𝐶
∑ 𝑀𝐶 + ∑ 𝐹𝑆
Donde ∑ 𝑀𝐶 y ∑ 𝐹𝑆 son el número total de modelados coincidentes y falsos
supervisados respectivamente. Este índice provee una medida del modelo de predecir
todos los puntos de cambio observados, es decir, que no permite que hallan falsos
supervisados.
La calibración de los procedimientos de segmentación consiste en ajustar el parámetro
Alpha del Test de Hubert, que a medida que se aumenta permite identificar más
discontinuidades y, por lo tanto, mas AGO’s, pero se reduce su significancia. Cada
modelo de segmentación se corre para diferentes valores de Alpha del Test de Hubert
evaluando los valores de sensibilidad y confianza.
Se considera que una mejor predictibilidad o ajuste de un modelo es cuando se alcanza
mayor grado de sensibilidad y de confianza en conjunto. Para aplicar esta metodología
se crea un algoritmo en ArcGIS para calcular los índices, cuyas entradas son los puntos
supervisados, los puntos predichos por el modelo y el valor de radio de tolerancia de
los puntos supervisados en metros. Una muestra de los resultados se presenta en la
Figura 3-16 con un radio de tolerancia de 500 metros.
Los radios de tolerancia elegidos para la segmentación se muestran en la Tabla 3-4, los
valores escogidos se consideraron ya que la precisión de los puntos modelados depende
de la resolución del ráster y de cada tipo de segmentación, en los cuales se pueden
presentar fronteras súbitas (como en el caso de la pendiente), progresivas (como en el
caso del confinamiento) o difusas (como en el caso de la vegetación).
Tabla 3-4. Radios de tolerancia elegidos para cada tipo de segmentación
Tipo de segmentación Radio de tolerancia (metros) Pendiente 200
Confinamiento 500 Vegetación 400 Sinuosidad 200
Se considera que un Alpha indicado es aquel donde se encuentran valores mayores de
la sensibilidad y la confianza, por lo que se denomina que es un Alpha con mayor
predictibilidad.
(2)
46 Capítulo 3: Metodología
Figura 3-16. Muestra de resultados del test de confianza y sensibilidad propuestos por Orlandini (2011).
Procesamiento de superficie de agua en las coberturas
Para este caso específico se usa una capa de vegetación realizada con la metodología
adaptada para Colombia de Corine Land Cover (IDEAM, 2010). En esta se menciona que
los ríos se delimitan como superficies de agua cuando tienen más de 50 metros de
ancho, siendo una cobertura que aparece constantemente en las cuencas de estudio.
Como en la segmentación por vegetación se buscan los puntos de cambio significativos
de las coberturas a lo largo de la corriente, la superficie de agua se tiene en cuenta para
la delimitación del valle aluvial mas no como una cobertura sobre la que se evalúan los
cambios. Por eso se genera un algoritmo que reemplaza dentro del valle aluvial
segmentado la cobertura de agua por la que mayor área tiene en el segmento, este
proceso se visualiza en la Figura 3-17.
47 Capítulo 3: Metodología
Figura 3-17. Proceso de reemplazo de la cobertura de superficie de agua dentro del valle aluvial.
3.3. Clasificación de tramos de corriente
En este ítem se presentan dos métodos de clasificación (LDA y CART) que buscan a
partir de la combinación de la pendiente, el confinamiento, el caudal, el área tributaria
y la potencia, predecir el tipo de corriente etiquetado mediante encuesta a expertos.
Etiquetado de segmentos
El etiquetado de 159 segmentos se realiza de forma supervisada por expertos a partir
de fotografías y características hidráulicas levantadas entre 2015 y 2016 para los
Planes de Ordenamiento del Recurso Hídrico en Colombia (PORH) (Tabla 3-5).
Tabla 3-5. Número de tramos etiquetados por cuenca.
Fuente Número de tramos etiquetados
Cuenca Nare 66
PORH Magallo 14
PORH Poblanco 12
PORH Rio Grande 36
PORH San Mateo 12
PORH Sinifaná 13
PORH Sopetrana 6
Total 159
A
B
C
48 Capítulo 3: Metodología
El etiquetado se realiza mediante una encuesta elaborada en Google Forms. Se usa la
tipología de tramos de corriente elaborada por Montgomery et al. (1997). A cada
experto se le asignan 15 tramos y 10 opcionales para etiquetar. Cada uno de los tramos
es etiquetado como mínimo por dos expertos.
En la encuesta se muestra en primera instancia una introducción donde se describe el
fin del proyecto, la metodología a usar y se solicitan datos básicos como nombre,
afiliación, línea de investigación y tiempo de experiencia del experto. Estos dos últimos
datos son usados cuando un tramo es etiquetado de maneras distintas, por lo tanto, se
deja la etiqueta del experto que tenga mayor experiencia en una línea de investigación
a fin con la hidromorfología. Luego se muestra para cada tramo: nombre, fotografías y
características hidráulicas (Figura 3-18) para que cada experto elija entre una de las
tipologías, presentadas con una corta descripción, ilustración en planta y ejemplo
(Figura 3-19).
Figura 3-18. Información dada en la encuesta para etiquetar cada tramo.
49 Capítulo 3: Metodología
Figura 3-19. Opciones de tipología de los tramos de corriente con su respectiva descripción en el
formulario. Adaptado de Buffington et al. (2013).
De estas encuestas se etiquetan los tramos como se presentan en la Tabla 3-6.
Tabla 3-6. Tipos de tramos etiquetados en las encuestas.
Tipo de corriente Número de tramos etiquetados Cascade 36 Colluvial 27
Dune-ripple 21 Plane-Bed 27 Pool-Riffle 28 Step-Pool 20
Total 159
Métodos de clasificación
Se presentan dos técnicas de clasificación: Análisis de Discriminante Lineal (LDA) y
Árboles de clasificación (CART) con las que se entrenan y predicen los 159 segmentos
a partir de las diferentes combinaciones de caudal, confinamiento, área de drenaje,
pendiente y potencia.
50 Capítulo 3: Metodología
3.3.2.1. Análisis Discriminante Lineal (LDA)
Esta técnica se aplica mediante librerías de R. El primer paso para la aplicación de este
método es probar si cumple con las suposiciones requeridas para uso. Para probar la
multinormalidad se usa la librería MVN, donde se aplica el método de Royston e
individualmente la normalidad de Shapiro-Wilk. Cuando no se obtiene una
multinormalidad se recurre a realizar una transformación de las variables, haciendo
pruebas con las conversiones de raíz cuadrada, logarítmica y potencias en este orden.
Para realizar la conversión por medio de la potencia se usa la función Power Transform
de la librería Car, este método permite encontrar la potencia con la que se cumplen los
supuestos. Esta conversión es la última opción ya que se vuelve mas complejo explicar
una variable que tiene un coeficiente indeterminado.
Se aplica la función LDA de la librería MASS para realizar el discriminante lineal. Se
realiza una partición de 70% de los datos para entrenar el modelo y 30% para probar
su desempeño de predicción.
3.3.2.2. Árboles de decisión (CART)
Esta técnica de clasificación se aplica mediante paquetes en Python, en este caso se usan
funciones del paquete sklearn. Los datos son particionados un 70% para entrenamiento
y 30% para probar el modelo. El parámetro que se usa en este caso para limitar el
crecimiento del árbol resultante es la profundidad máxima (max_depth) igual a 3, es
decir que se permite la generación de máximo 3 niveles de decisión. Para generar los
árboles de decisión se usan múltiples combinaciones de las variables que también se
han usado en otros estudios (Beechie et al., 2006; Flores et al., 2006; Altunkaynak &
Strom, 2009). Se realiza la clasificación sobre dos bases de datos, una con los 6 tipos de
tramos de la Tabla 3-6 y otra con los tipos Cascade, Plane-Bed, Pool-Riffle, Step-Pool,
que han sido usados en otros estudios por generar diferencias que se pueden comparar.
51
4
Resultados
4.1. Segmentación
En esta sección se presentan los métodos de segmentación comparando los puntos de
cambio manuales y automatizados de la cuenca del Río Sinifaná y Poblanco, con los que
se realiza la calibración de la efectividad de predicción con diferentes valores del Alpha
del Test de Hubert, evaluados mediante los índices de confianza y sensibilidad. Con el
Alpha elegido se muestra la distribución de los puntos modelados y supervisados con
su denominación: MC: Puntos predichos que están dentro del rango de tolerancia del
punto supervisado, FM: Puntos predichos por el modelo que no están dentro de ningún
rango de tolerancia y FS: Rango de tolerancia de los puntos supervisados que no son
predichos por el modelo. También se presenta el perfil longitudinal del tramo más corto
de cada cuenca para mejor visualización de los puntos de cambio y confluencias.
Pendiente
En el caso de la pendiente la mayor confianza y sensibilidad se encuentra en valores
similares para ambas cuencas, es decir, cerca de su intersección en un Alpha de 0.45
(Figura 4-1), logrando una mayor predictibilidad de los puntos supervisados en la
cuenca del Sinifaná con una confianza de 0.91 y sensibilidad de 0.87 respecto a la cuenca
del Poblanco donde valores son 0.81 y 0.79 respectivamente para el Alpha elegido. En
ambos casos el modelo logra predecir todos los puntos supervisados con el Alpha
mayor. La distribución de los puntos modelados con el Alpha de Hubert elegido y los
puntos supervisados se muestran en la Figura 4-2, donde se observa que la mayoría de
los falsos modelados están en la parte media de la cuenca. Las confluencias generan los
mayores cambios de pendiente para los perfiles escogidos y las caídas más
significativas se predicen delimitadas con un punto inicial y final (Figura 4-3). En las
gráficas de pendiente a lo largo de los perfiles, se nota que el perfil del río Sinifaná tiene
mayor magnitud de cambios de pendiente que el de Poblanco, donde los mayores
52 Capítulo 4: Resultados
cambios están antes de las confluencias con la corriente principal, es decir en los tramos
de menor orden en su parte alta. (Figura 4-4).
Cuenca Alpha de Hubert MC FM FS
Poblanco 0.4 26 6 7 Sinifaná 0.45 39 4 6
Figura 4-1. Calibración con los test de sensibilidad y confianza de los valores de Alpha del Test de
Hubert, señalando el valor elegido para (A) Poblanco y (B) Sinifaná. En la tabla los modelados coincidentes (MC), falsos supervisados (FS) y falsos modelados (FM) para el Alpha de Hubert elegido en
cada cuenca.
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
Valo
r
Confianza Sensibilidad Elegido
A
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
Valo
r
Alpha del Test de Hubert
B
53 Capítulo 4: Resultados
Figura 4-2. Red de drenaje con puntos de cambio de pendiente para el río Poblanco (A) y Sinifaná (B), los modelados coincidentes (MC), falsos supervisados (FS) y falsos modelados (FM), en rojo se señalan
los perfiles extraídos de cada cuenca ilustrados en las figuras siguientes.
B
A
54 Capítulo 4: Resultados
Figura 4-3. Perfiles más cortos del río Poblanco (A) y Sinifaná (B), se muestran las alturas en línea
continua con los filtros de mediana e interpolación lineal (en azul claro) y de las alturas sin modificar del DEM (en naranja). También se muestran en línea punteada los cambios de pendiente supervisados
(en verde), los modelados (en rojo) y las confluencias (en azul oscuro).
A
B
55 Capítulo 4: Resultados
Figura 4-4. Variación de la pendiente en el perfil en línea continua (azul claro). Cambios de la
pendiente en los perfiles del río Poblanco (A) y Sinifaná (B), los supervisados (en verde), los modelados (en rojo) y las confluencias (en azul oscuro) en líneas punteadas,
A
B
56 Capítulo 4: Resultados
Confinamiento
4.1.2.1. Relación entre el ancho del valle y del canal activo
La mayor confianza y sensibilidad se encuentra en ambos casos en valores antes de que
la sensibilidad se vuelva constante (Figura 4-5), logrando una mayor predictibilidad
de los puntos supervisados en la cuenca del Sinifaná con una sensibilidad de 0.90 y
confianza de 0.68 respecto a la cuenca del Poblanco donde valores son 0.82 y 0.53
respectivamente para el Alpha elegido. Para el caso de Poblanco se logran predecir
todos los puntos supervisados con el Alpha mayor, en cambio, en Sinifaná en este caso
se predice un 95% de estos. La distribución de los puntos modelados con el Alpha de
Hubert elegido y los supervisados se muestra en la Figura 4-6, donde se observa que
los falsos modelados están distribuidos por toda la extensión de las dos cuencas, los
falsos supervisados en el caso de Poblanco en la parte alta, contrario a Sinifaná que se
encuentran en la media y baja. En las gráficas de confinamiento a lo largo de los perfiles
elegidos se nota que en el perfil del río Poblanco se tienen mayores magnitudes que
Sinifaná (Figura 4-7). En el río Poblanco se observan cuatros lugares con picos de
confinamiento distribuidos en todo el perfil, en cambio en Sinifaná se nota un aumento
progresivo del confinamiento desde la parte alta hasta alcanzar el mayor valor en la
parte más baja.
57 Capítulo 4: Resultados
Cuenca Alpha de Hubert MC FM FS
Poblanco 0.4 18 16 4 Sinifaná 0.65 26 12 3
Figura 4-5. Calibración con los test de sensibilidad y confianza de los valores de Alpha del Test de
Hubert, señalando el valor elegido para (A) Poblanco y (B) Sinifaná. En la tabla los modelados coincidentes (MC), falsos supervisados (FS) y falsos modelados (FM) para el Alpha de Hubert elegido en
cada cuenca.
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
Valo
r
Confianza Sensibilidad Elegido
A
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
Valo
r
Alpha del Test de Hubert
B
58 Capítulo 4: Resultados
Figura 4-6. Red de drenaje con puntos de cambio de confinamiento con la relación entre el ancho del valle y canal activo para el río Poblanco (A) y Sinifaná (B), los modelados coincidentes (MC), falsos supervisados (FS) y falsos modelados (FM), en rojo se señalan los perfiles extraídos de cada cuenca
ilustrados en las figuras siguientes.
B
A
59 Capítulo 4: Resultados
Figura 4-7. Variación del confinamiento de la relación entre el ancho del valle y el canal activo en el segmento en línea continua (azul claro). Cambios del confinamiento en los segmentos del río Poblanco
(A) y Sinifaná (B), los supervisados (en verde), los modelados (en rojo) y las confluencias (en azul oscuro) en líneas punteadas.
A
B
60 Capítulo 4: Resultados
4.1.2.2. Relación entre el ancho del valle y la amplitud del meandro
Los valores más altos de la confianza y sensibilidad se dan cuando la sensibilidad llega
a un “punto asintótico” (Figura 4-8), logrando una mayor predictibilidad de los puntos
supervisados en la cuenca del Sinifaná con una sensibilidad de 0.86 y confianza de 0.60
respecto a la cuenca del Poblanco donde valores son 0.73 y 0.37 respectivamente para
el Alpha elegido. Para el caso de Poblanco se logran predecir todos los puntos
supervisados con el mayor Alpha, en cambio, en Sinifaná en este caso se predice un 96%
de los puntos supervisados. La distribución de los puntos modelados con el Alpha y los
supervisados se muestra en la Figura 4-9, donde se observa en ambos casos que los
falsos modelados y supervisados están distribuidos por toda la cuenca. En las gráficas
de confinamiento a lo largo de los perfiles escogidos (Figura 4-10), se nota que en el
del río Poblanco se tienen las partes más confinadas en la parte más alta, en cambio, en
Sinifaná predominan los picos en la parte baja.
61 Capítulo 4: Resultados
Cuenca Alpha de Hubert MC FM FS
Poblanco 0.15 22 36 8 Sinifaná 0.20 33 22 5
Figura 4-8. Calibración con los test de sensibilidad y confianza de los valores de Alpha del Test de
Hubert, señalando el valor elegido para (A) Poblanco y (B) Sinifaná. En la tabla los modelados coincidentes (MC), falsos supervisados (FS) y falsos modelados (FM) para el Alpha de Hubert elegido en
cada cuenca.
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
Valo
r
Confianza Sensibilidad Elegido
A
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
Valo
r
Alpha del Test de Hubert
B
62 Capítulo 4: Resultados
Figura 4-9. Red de drenaje con puntos de cambio de confinamiento con la relación entre el ancho del valle y la amplitud del meandro para el río Poblanco (A) y Sinifaná (B), los modelados coincidentes (MC), falsos supervisados (FS) y falsos modelados (FM), en rojo se señalan los perfiles extraídos de
cada cuenca ilustrados en las figuras siguientes.
B
A
63 Capítulo 4: Resultados
Figura 4-10. Variación del confinamiento de la relación entre el ancho del valle y la amplitud del
meandro en el segmento en línea continua (azul claro). Cambios del confinamiento en los segmentos del río Poblanco (A) y Sinifaná (B), los supervisados (en verde), los modelados (en rojo) y las
confluencias (en azul oscuro) en líneas punteadas.
4.1.2.3. Relación entre el HAND y el ancho hipotético de río trenzado
Se logra una mayor predictibilidad de los puntos supervisados para el río Poblanco
antes de que la sensibilidad se vuelva “constante”, para el río Sinifaná esto ocurre en un
Alpha mucho mayor (Figura 4-11), en la cuenca del Sinifaná los valores mayores se dan
A
B
64 Capítulo 4: Resultados
en una sensibilidad de 0.80 y confianza de 0.63 respecto a la cuenca del Poblanco donde
valores son 0.53 y 0.38 respectivamente para el Alpha elegido. Para ambos casos con el
mayor Alpha se logra predecir el 92% de los puntos supervisados. La distribución de
los puntos modelados con el Alpha de Hubert elegido y los supervisados se muestra en
la Figura 4-12, donde se observa que los falsos modelados y supervisados están
distribuidos equitativamente por las dos cuencas. En las gráficas de confinamiento a lo
largo de los perfiles más cortos desde la cabecera (Figura 4-13), se nota que en el perfil
del río Poblanco se tienen las partes más confinadas en la parte media, en cambio, en
Sinifaná predominan los picos en la parte alta y media, y en general con mayores
magnitudes.
Cuenca Alpha de Hubert MC FM FS
Poblanco 0.25 10 16 9 Sinifaná 0.70 24 14 6
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
Valo
r
Confianza Sensibilidad Elegido
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
Valo
r
Alpha del Test de Hubert
65 Capítulo 4: Resultados
Figura 4-11. Calibración con los test de sensibilidad y confianza de los valores de Alpha del Test de Hubert, señalando el valor elegido para (A) Poblanco y (B) Sinifaná. En la tabla los modelados
coincidentes (MC), falsos supervisados (FS) y falsos modelados (FM) para el Alpha de Hubert elegido en cada cuenca.
Figura 4-12. Red de drenaje con puntos de cambio de confinamiento con la relación entre el ancho del valle y la amplitud del meandro para el río Poblanco (A) y Sinifaná (B), los modelados coincidentes (MC), falsos supervisados (FS) y falsos modelados (FM), en rojo se señalan los perfiles extraídos de
cada cuenca ilustrados en las figuras siguientes.
B
A
66 Capítulo 4: Resultados
Figura 4-13. Variación del confinamiento de la relación entre el ancho del valle y la amplitud del
meandro en el segmento en línea continua (azul claro). Cambios del confinamiento en los segmentos del río Poblanco (A) y Sinifaná (B), los supervisados (en verde), los modelados (en rojo) y las
confluencias (en azul oscuro) en líneas punteadas.
Sinuosidad
Se logra una mayor predictibilidad de los puntos supervisados para el río Poblanco
antes de que la sensibilidad se vuelva constante, para el río Sinifaná esto ocurre en un
Alpha mayor (Figura 4-14). La mayor predictibilidad se da en la cuenca del Sinifaná en
una sensibilidad de 0.89 y confianza de 0.71, en la cuenca del Poblanco los valores son
0.76 y 0.72 respectivamente para el Alpha elegido. En la cuenca del río Poblanco se logra
67 Capítulo 4: Resultados
predecir el 94% de los puntos supervisados, para el caso del río Sinifaná se logra un
92% de estos. La distribución de los puntos modelados con el Alpha de Hubert elegido
y los supervisados se muestra en la Figura 4-15, donde se observa que los falsos
modelados en ambos casos se encuentran en la parte media y alta de las cuencas, con
menores falsos supervisados en Sinifaná. En las gráficas de sinuosidad a lo largo de los
tramos más cortos desde la cabecera (Figura 4-16) se nota que en el perfil del río
Poblanco se tienen los picos de más magnitud ubicados en la parte media. En general
Sinifaná el perfil del Sinifaná tiene mayor sinuosidad, con magnitudes más altas en la
parte baja.
68 Capítulo 4: Resultados
Cuenca Alpha de Hubert MC FM FS
Poblanco 0.25 16 6 5 Sinifaná 0.5 17 7 2
Figura 4-14. Calibración con los test de sensibilidad y confianza de los valores de Alpha del Test de
Hubert, señalando el valor elegido para (A) Poblanco y (B) Sinifaná. En la tabla los modelados coincidentes (MC), falsos supervisados (FS) y falsos modelados (FM) para el Alpha de Hubert elegido en
cada cuenca.
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
Valo
r
Confianza Sensibilidad Elegido
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
Valo
r
Alpha del Test de Hubert
69 Capítulo 4: Resultados
Figura 4-15. Red de drenaje con puntos de cambio de confinamiento con la relación entre el ancho del valle y la amplitud del meandro para el río Poblanco (A) y Sinifaná (B), los modelados coincidentes (MC), falsos supervisados (FS) y falsos modelados (FM), en rojo se señalan los perfiles extraídos de
cada cuenca ilustrados en las figuras siguientes.
B
A
70 Capítulo 4: Resultados
Figura 4-16. Variación del confinamiento de la relación entre el ancho del valle y la amplitud del meandro en el segmento en línea continua (azul claro). Cambios del confinamiento en los segmentos
del río Poblanco (A) y Sinifaná (B), los supervisados (en verde), los modelados (en rojo) y las confluencias (en azul oscuro) en líneas punteadas.
Vegetación
Se logra una mayor predictibilidad de los puntos supervisados para el río Poblanco
antes de que la sensibilidad se vuelva constante, para el río Sinifaná esto ocurre en un
Alpha menor (Figura 4-17). En la cuenca del Sinifaná los mayores valores de
predictibilidad se dan en una sensibilidad de 0.87 y confianza de 0.65 respecto a la
71 Capítulo 4: Resultados
cuenca del Poblanco donde valores son 0.89 y 0.56 respectivamente para el Alpha
elegido. Para ambos casos con el mayor Alpha se logran predecir todos los puntos
supervisados. La distribución de los puntos modelados con el Alpha de Hubert elegido
y los supervisados se muestran en la Figura 4-18, donde los falsos modelados se
concentran en la parte media de las cuencas y los falsos supervisados se encuentran en
la parte media y alta. En la Figura 4-19 se pueden analizar los cambios de cobertura
para los perfiles más cortos de las cuentas. En el perfil de río Poblanco predominan los
territorios artificializados sobre los agrícolas, en cambio en el perfil del río Sinifaná
predominan los territorios agrícolas sobre los territorios artificializados y bosques.
Cuenca Alpha de Hubert MC FM FS
Poblanco 0.65 17 13 2 Sinifaná 0.45 20 11 3
Figura 4-17. Calibración con los test de sensibilidad y confianza de los valores de Alpha del Test de
Hubert, señalando el valor elegido para (A) Poblanco y (B) Sinifaná. En la tabla los modelados
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
Valo
r
Confianza Sensibilidad Elegido
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
Valo
r
Alpha del Test de Hubert
72 Capítulo 4: Resultados
coincidentes (MC), falsos supervisados (FS) y falsos modelados (FM) para el Alpha de Hubert elegido en cada cuenca.
Figura 4-18. Red de drenaje con puntos de cambio de vegetación para el río Poblanco (A) y Sinifaná (B), los modelados coincidentes (MC), falsos supervisados (FS) y falsos modelados (FM), en rojo se
señalan los perfiles extraídos de cada cuenca ilustrados en las figuras siguientes.
B
A
73 Capítulo 4: Resultados
Figura 4-19. Variación de las coberturas en los perfiles más cortos. Las coberturas presentadas son Territorios artificializados (1), Territorios agrícolas (2) y Bosques y áreas seminaturales (3). El
segmento en línea continua (azul claro) es la cobertura predominante en cada tramo del río Poblanco (A) y Sinifaná (B), los puntos de cambio supervisados (en verde), los modelados (en rojo) y las
confluencias (en azul oscuro) en líneas punteadas.
Métodos unificados de segmentación
Finalmente se comparan los puntos de cambio con el Alpha del Test de Hubert elegido
para cada método en un radio de 100 metros para las cuencas de estudio. En la Tabla
4-1 se muestra la cantidad de puntos de cambio por uno o por dos métodos que se
74 Capítulo 4: Resultados
superponen. También se presentan casos de puntos de cambio donde se superponen
tres o cuatro métodos (Tabla 4-1 – Parte Inferior).
Tabla 4-1. Comparación de los puntos de cambio en un radio de 100 metros con los otros métodos.
Poblanco
Método de segmentación
Confinamiento Sinuosidad Vegetación Pendiente Total
Confinamiento 13 3 7 6 29 Sinuosidad 3 12 2 3 20 Vegetación 7 2 18 3 30 Pendiente 6 3 3 18 30
Total 29 20 30 30 109
Sinifaná
Método de segmentación
Confinamiento Sinuosidad Vegetación Pendiente Total
Confinamiento 9 4 11 8 32 Sinuosidad 4 13 0 2 19 Vegetación 11 0 12 3 26 Pendiente 8 2 3 27 40
Total 32 19 26 40 117
Métodos Poblanco Sinifaná Confinamiento-Sinuosidad- Pendiente 1 0 Confinamiento-Sinuosidad-Vegetación 0 3 Confinamiento-Pendiente-Vegetación 0 1 Confinamiento-Sinuosidad-Vegetación-Pendiente 0 2
En la Figura 4-20 se muestra un mapa con los puntos unificados de confinamiento,
vegetación y sinuosidad que se generan por cambios laterales de la corriente y a parte
los puntos de cambio de pendiente que se presentan en la vertical.
75 Capítulo 4: Resultados
Figura 4-20. Red de drenaje con la unificación de los puntos de cambio el río Poblanco (A) y Sinifaná
(B).
B
A
76 Capítulo 4: Resultados
4.2. Clasificación
Variables predictoras
Las variables que se usarán para entrenar los modelos son el Caudal (m3/s), la
pendiente (%), el área de drenaje (km2), el grado de confinamiento y la potencia (SA0.4).
Se realiza el procesamiento sobre dos bases de datos; BD1: posee los datos de los tipos
etiquetados Cascade, Plane-Bed, Pool-Riffle, Step-Pool; y BD2: posee los datos de los 6
tipos de tramos etiquetados. La distribución de cada variable y su correlación se
presenta para ambas bases de datos en la Figura 4-21.
____________________________________________________________________________
Figura 4-21. Histogramas y correlogramas de las variables predictoras para la BD1 (Superior) y BD2
(Inferior).
BD1
BD2
77 Capítulo 4: Resultados
Análisis Discriminante Lineal (LDA)
Aplicando los test de normalidad y multinormalidad a las variables se obtiene que no
cumplen con la multinormalidad y normalidad individual, por lo tanto, se recurre a
realizar la transformación de las variables. Se realizan pruebas con las conversiones de
raíz cuadrada, logarítmica y potencias en orden. Con la transformada logarítmica el
Caudal y el Confinamiento cumplen la normalidad individual. Por la transformada de
potencia las variables que cumplen el supuesto de multinormalidad son el Caudal,
Confinamiento y Potencia (SA0.4), por lo que se decide aplicar el discriminante lineal
con estas conversiones para las variables. Los resultados de los test de las variables
transformadas se muestran en la Tabla 4-2.
Para probar si se cumple la homocedasticidad se realiza el test de Bartlett, de este se
obtiene un valor de 73.446 correspondiente a un p-value = 0.001909, por lo que no se
puede rechazar la hipótesis nula de que las varianzas son iguales.
Tabla 4-2. Resultados del test de normalidad (Shapiro-Wilk) y multinormalidad (Royston) para las
variables transformadas por medio de potencias.
Test Variable Estadístico p-value Multi/Normalidad Potencia de
normalización Royston TODAS 0.7478 0.8026 Si -
Shapiro-Wilk
Caudal 0.9931 0.6504 Si -0.05226647 Confinamiento 0.9918 0.4925 Si 0.04536442
Potencia 0.9932 0.6604 Si -0.1993076
Aplicando el modelo de discriminante lineal a la base de datos BD1, se logra en general
un porcentaje de acierto del 37.2%, en la Tabla 4-3 se muestran las clases predichas
versus las verdaderas, donde se muestra que el tipo que se predice mejor es el Colluvial
y el que menos se predice es el Plane-Bed. Los resultados de las diferentes
combinaciones de variables para las dos bases de datos se presentan en la Tabla 4-4.
Tabla 4-3. Matriz en porcentaje de clase predicha versus la clase verdadera, en la diagonal principal se
presentan el porcentaje de acierto.
Clase verdadera
Tipo de corriente
Cascade Colluvial Dune-ripple
Plane-Bed
Pool-Riffle
Step-Pool
Cla
se
pre
dic
ha
Cascade 44.4 7.4 38.1 33.3 32.1 30.0 Colluvial 13.9 85.2 0.0 18.5 3.6 20.0
Dune-ripple 13.9 0.0 33.3 14.8 10.7 10.0 Plane-Bed 5.6 0.0 0.0 7.4 21.4 5.0 Pool-Riffle 5.6 3.7 28.6 18.5 17.9 0.0 Step-Pool 16.7 3.7 0.0 7.4 14.3 35.0
78
Tabla 4-4. Resultados de las modelaciones en la BD1 (superior) y BD2 (inferior) para las diferentes combinaciones de variables como entrada, aplicados al modelo de discriminante lineal (LDA), árboles de decisión de 3 niveles (CART Nivel 3) y árboles de decisión sin poda (CART MAX). Para el modelo
CART Nivel 3, se especifica el número de datos predichos en cada tipo de corriente por cada combinación.
BD1
N° Entrada
LDA CART Nivel 3 CART Max
Predicción (%)
Número de predicciones Predicción
(%) Nivel
máximo Predicción
(%) Total (34)
Cascade (11)
Plane-Bed (7)
Pool-Riffle (11)
Step-Pool (5)
1 A, S - 10 6 1 1 2 29.41 10 50 2 Conf, Pot, Q 36.03 11 7 3 1 0 32.35 6 61.76 3 Conf, Pot, S - 12 9 2 0 1 35.29 6 52.94 4 Conf, Pot 32.43 12 6 5 0 1 35.29 9 47.05 5 Conf, Q 40.54 11 7 3 1 0 32.35 9 52.94 6 Conf, S - 14 10 0 2 2 41.18 6 55.88 7 Pot, S - 13 9 3 0 1 38.24 6 55.88 8 S - 10 8 2 0 0 29.41 8 55.88
BD2
N° Entrada
LDA CART Nivel 3 CART Max
Predicción (%)
Número de predicciones Predicción
(%) Nivel máx.
Predicción (%)
Total (48)
Cascade (10)
Colluvial (7)
Dune-ripple
(6)
Plane-Bed (8)
Pool-Riffle
(9)
Step-Pool (8)
1 A, S - 16 8 6 2 0 0 0 33.33 14 43.75
2 Conf, Pot,
Q 37.73 14 4 4 0 0 5 1 29.17 12 33.3
3 Conf, Pot, S - 12 4 6 0 0 1 1 25.00 7 41.66 4 Conf, Pot 23.89 9 1 6 0 0 1 1 18.75 13 37.5 5 Conf, Q 40.25 14 4 4 0 0 5 1 29.17 6 31.25 6 Conf, S - 12 4 0 0 0 6 2 25.00 8 35.41 7 Pot, S - 16 5 6 2 0 3 0 33.33 13 43.75 8 S - 11 6 0 4 0 1 0 22.92 14 45.83
79
Árboles de decisión (CART)
Se aplican los árboles de decisión a las diferentes combinaciones de variables
predictoras de las dos bases de datos (BD1 y BD2). Los árboles de decisión se corren
con un modelo que no tiene limitación en los niveles (CART Max), lo que genera árboles
muy complejos, pero con mejor predicción, además se corre un modelo “podado” con
tres niveles de decisión. También se aplica CART a las combinaciones que cumplen el
supuesto de multinormalidad, en este caso los que se asociaron con la pendiente no
cumplieron este supuesto Tabla 4-4.
La importancia relativa de cada variable para el modelo CART se presenta en la Figura
4-22, el área tributaria a cada tramo es la que mayor importancia de predicción y la
potencia es la que menos. Se presenta también una muestra del algoritmo con el cual se
realiza el entrenamiento con el 70% de los datos y la validación con el 30% (Figura
4-23). En la Figura 4-24 se presentan los resultados de los árboles de decisión de tres
niveles de las combinaciones que generaron mayor porcentaje de predicción. En cada
nodo se presenta la condición de la variable, el valor de pureza (Gini), el número de
muestras y el tipo de corriente en ese nivel. El nodo que se genera a la izquierda es para
el caso verdadero de la condición y a la derecha en caso de que sea falso. Los porcentajes
de predicción son bajos y muy similares a los generados por el modelo de discriminante
lineal (LDA).
80 Capítulo 4: Resultados
Figura 4-22. Importancia relativa de cada variable en el modelo CART.
Figura 4-23. Algoritmo para entrenamiento del 70% de los datos y la validación con el 30%, las variables seleccionadas en este caso son Con (confinamiento) y S (pendiente), donde se logra una
predicción del 47% del etiquetado.
81 Capítulo 4: Resultados
Figura 4-24. Árboles de clasificación con tres niveles (CART Nivel 3) para las combinaciones con mayor porcentaje de predicción: En la BD1 el confinamiento y pendiente alcanzan un 41.18% (superior) y en
la BD2 la potencia y pendiente alcanzan un 33.3% (inferior).
BD1
Confinamiento -
Pendiente
BD2
Potencia -
Pendiente
82
5
Discusión
5.1. Desempeño de los métodos de segmentación
Para comparar la efectividad de predecir los puntos supervisados por los diferentes
métodos automatizados de segmentación se agrupan los resultados en la Tabla 5-1.
Se observa en general que la segmentación por pendiente es el método que mejor se
ajusta a los puntos supervisados. Esto se debe a que los cambios de pendiente en una
corriente son más repentinos, permitiendo que sean fáciles de predecir y se visualice
mejor la elección de los puntos supervisados en la herramienta de extracción de
perfiles, además que muchos de estos pueden corroborarse en la ortofoto.
Tabla 5-1. Calibración con los test de sensibilidad y confianza de los valores de Alpha del Test de
Hubert, señalando el valor elegido para (A) Poblanco y (B) Sinifaná. En la tabla los modelados
Método de segmentación
Cuenca Poblanco Sinifaná
Alpha Conf Sens Alpha Conf Sens Pendiente 0.40 0.81 0.79 0.45 0.87 0.91
Confinamiento Met. - 1
0.40 0.53 0.82 0.65 0.68 0.90
Confinamiento Met. - 2
0.15 0.60 0.86 0.20 0.37 0.73
Confinamiento Met. - 3
0.25 0.38 0.53 0.70 0.63 0.80
Sinuosidad 0.25 0.72 0.76 0.50 0.71 0.89 Vegetación 0.65 0.56 0.89 0.45 0.65 0.87
Pendiente
Para realizar la segmentación por pendiente se han presentado otros métodos
novedosos que incluyen relaciones χ (Neely et al., 2017; Gailleton et al., 2019), donde
se integra también el área de drenaje. Con esta metodología se hacen pruebas para
hallar puntos de cabecera en la Isla San Cruz, USA y el Quadrilátero Ferrífero, Brasil
83 Capítulo 5: Discusión
logrando en promedio una sensibilidad de 0.89 y confianza de 0.60 con los índices
propuestos por Neely et al. (2017).
Aunque en el modelo propuesto en este trabajo se logran mayores valores promedios
de los índices de predicción, se debe tener en cuenta que los puntos supervisados como
lo menciona Gailleton et al. (2019), son elegidos por la subjetividad humana, lo que abre
la posibilidad a interpretar señales y tendencias que pueden omitir morfologías
diferentes. Para solventar esto proponen realizar una calibración con diferentes fuentes
de datos como mapas topográficos y geomórficos. En este sentido, también se deben
considerar los falsos modelados cuando realiza la calibración de la sensibilidad y la
confianza en una cuenca, ya que en la supervisión se pueden pasar por alto puntos de
cambio cuando no se percibe un cambio de tendencia.
También son relevantes los resultados del algoritmo creado para Matlab a partir de
perfiles χ por Neely et al. (2017), quienes con un radio de tolerancia de 100 metros
logran una precisión del 93% contando con un modelo de elevación digital de un metro
de pixel. Por esto se supondría que con modelos de elevación digital de mayor
resolución se conseguiría mayor efectividad en la modelación, pero también se deben
aplicar filtros más rigurosos que no alteren la tendencia de los cambios longitudinales.
Confinamiento
De los métodos para hallar los cambios significativos de confinamiento, la combinación
del fondo del valle y el canal activo es la que mejor desempeño presenta. También es
importante resaltar la combinación entre el HAND y el vector de ancho hipotético de un
río trenzado que presenta buen desempeño. El segundo caso donde se integra el ancho
del valle y la amplitud del meandro presenta muchos falsos modelados en los cambios
de dirección, por lo que no se considera en primera medida como un método confiable,
más que todo por asumir la amplitud del meandro como el canal activo, cuando se
pueden generar tramos de corriente confinados en ríos sinuosos.
En ausencia de información primaria se considera que la combinación que mejor puede
representar la relación del confinamiento es el valle aluvial por el HAND y el vector de
ancho de corriente hipotético de un río trenzado. El valle aluvial a partir del HAND en
comparación con el Valle aluvial (Valley Bottom) no requiere parámetros de escala, es
decir que, si se genera un Valle aluvial en un segmento del río y en toda la cuenca con
los mismos parámetros los resultados serán diferentes, esto no ocurre en HAND que se
extrae desde el procesamiento del DEM, esto genera ventajas en el HAND ya que no se
deben calibrar parámetros de escala que cambien los resultados facilitando su
automatización. Es importante mencionar que el proceso de limpieza del vector
resultante debe supervisarse, ya que se pueden generar múltiples objetos. Por otro
lado, el vector de ancho de corriente hipotético de un río trenzado representa mejor el
84 Capítulo 5: Discusión
canal activo que el vector generado con la amplitud del meandro, como el ancho
generado es producto de una regresión (Jiménez et al., 2015), es posible refinarlo con
más datos y complementar su delimitación con información satelital a detalle.
Como los puntos de cambio supervisados de confinamiento también son subjetivos
dependiendo del observador, se pueden usar mapas base como la geomorfología como
lo sugiere Gailleton et al. (2019). En las cuencas de estudio (Poblanco y Sinifaná), se ve
claramente que los modelados coincidentes (MC) están cerca de los cambios de
geomorfología Figura 5-1, ya que los materiales del lecho y el valle aluvial son los que
condicionan la interacción del río en la lateral. Los materiales del lecho y las bancas se
pueden integrar si se cuenta con un estudio a detalle para refinar la definición del valle
aluvial (Fryirs et al., 2016).
Sinuosidad
Se debe tener cuidado con la medición de la sinuosidad ya que esta variable es una
propiedad de escala de segmento lo cual puede generar múltiples puntos de cambio. La
sinuosidad como método de segmentación presenta una confianza estable en las dos
cuencas y es aceptable, presentando falsos modelados generalmente en los extremos:
nacimientos e intersecciones, que pueden omitirse a la hora de evaluar la
predictibilidad.
Los puntos de cambio de la sinuosidad se ven sobrepuestos con los de confinamiento,
ya que por lo general estos cambios se presentan por una diferencia significativa en el
material con el que el valle interactúa (Parsapour-Moghaddam & Rennie, 2018). Estos
puntos de cambio pueden generar diferencias en la dinámica de interacción con las
bancas, generando a largo plazo cambios en la estructura morfológica de los tramos
(Janes et al., 2017), por lo que los tramos que tienen menor confinamiento son donde
el río se puede desarrollar lateralmente generando mayor sinuosidad e interacción con
las bancas (Thayer & Ashmore, 2016).
85 Capítulo 5: Discusión
Figura 5-1. Red de drenaje con puntos de cambio de confinamiento sobre el mapa de morfología para el río Poblanco (A) y Sinifaná (B), los modelados coincidentes (MC), falsos supervisados (FS) y falsos
modelados (FM).
Vegetación
La vegetación es el método que se presenta menor predictibilidad, esto ocurre ya que
varios falsos modelados se generan muy seguidos por cambios en los patrones de varias
coberturas. Este método también se relaciona con la interacción lateral de la corriente
y esto se demuestra en que muchos puntos de cambio coinciden con los de
B
A
86 Capítulo 5: Discusión
confinamiento y sinuosidad. Aunque la vegetación por sí sola no es raramente usada
como discriminante hidrogeomórfico, la integración de la vegetación ribereña como
discriminante en los procesos acuáticos puede dar respuesta a cambios en la
disponibilidad de hábitat y capacidad de amplitud lateral de las corrientes (Shaw et al.,
2018), dando una mayor integración al componente biótico y generando un criterio
holístico de los cambios de la dinámica de la corriente.
5.2. Desempeño de los métodos de clasificación
El uso de distintos modelos de clasificación estadística y distintas combinaciones de
variables para predecir los tipos de corrientes en diferentes condiciones han generado
múltiples resultados que pueden estar condicionados a la forma de medición de
variables, nivel de resolución de los insumos, subjetividad del etiquetado de las
corrientes, las condiciones locales, entre otros. En este estudio se presentan dos
métodos de clasificación estadística que han sido anteriormente usados para
clasificación. Flores et al. (2006) logra un 76% de predictibilidad con la combinación de
la pendiente y la potencia, en comparación con este estudio donde se logra un máximo
de 61% es bajo, esto puede ser debido a que el estudio en mención contaba con los 270
tramos de corriente que habían sido etiquetados directamente en campo y cuya
pendiente se tomó con instrumentos de precisión.
La combinación del grado de confinamiento y caudal fue usado por Beechie et al.,
(2006) con un desempeño de un 45% pero con 47 tramos de corriente, este desempeño
es similar al logrado por el método de regresión lineal que fue de un 41% con estas
variables. El uso de los caudales para la predicción como se menciona en ese estudio es
inestable ya que un tipo de tramos de corriente puede darse en un rango amplio de
caudales.
La pendiente es una variable clave para la predicción de distintos tipos de tramo de
corriente. En el estudio de Altunkaynak & Strom, (2009) solo con esta variable se logra
un 72% de predicción con el uso de redes neuronales y junto con el d84 y el ancho de la
corriente son la combinación que genera mejor predictibilidad (81%).
En comparación los estudios mencionados el desempeño de los modelos aplicados en
este estudio son bajos, además el desempeño del modelo lineal (LDA) y los árboles de
decisión es muy similar, por lo que se infiere que los resultados están condicionados a
la poca cantidad de datos, la resolución del modelo de elevación y que no se realizó el
etiquetado de los segmentos en campo.
Es importante mencionar también que la fuente de estos datos estaba enfocada en las
cabeceras de la cuenca, por lo que los datos en los afluentes principales eran menos y
presentaban magnitudes muy altas, generando un efecto de outlayer respecto al resto
87 Capítulo 5: Discusión
de datos. Esto se puede ver reflejado en la alta cantidad de corrientes predichas como
Cascade y Colluvial en la Tabla 4-4. Por lo que se recomienda se tenga un número
equitativo y mayor de datos en cada categoría de predicción
88
6
Conclusiones
En este trabajo se busca la integración de herramientas que permitan la delimitación
automatizada de tramos de corriente que sean significativamente diferentes en
términos de procesos hidromorfológicos. Se encuentra que para estas cuencas la
pendiente es el criterio que mejor se ajusta a los puntos de cambio supervisados, esto
facilitado por las herramientas de filtrado de los modelos de elevación y observación de
los perfiles. Los insumos que mejor se ajustan a los cambios de confinamiento en
ausencia de información primaria son el valle aluvial extraído del HAND y el ancho del
corriente hipotético de un río trenzado.
La vegetación y la sinuosidad son criterios que mediante estas herramientas se pueden
integrar para la definición de tramos de corriente, ya que es posible modelar los puntos
de cambio supervisados con un desempeño entre el 50 y 70%. Estos procesos dan
información de la interacción fisicobiótica generada en el intercambio de energía que
tiene la corriente y su valle aluvial, generando un criterio más completo para
diagnosticar puntos de cambio en la cuenca.
La predicción de los tipos de corriente a partir de las combinaciones de variables
hidromorfológicas fue menor a un 41%, por lo que se recomienda el etiquetado en
campo de los tipos de corriente y el levantamiento de variables como la pendiente local,
el ancho de banca llena y ancho de la corriente, para lograr una mejor calibración y
desempeño de los modelos de clasificación, además de combinaciones de variables con
alta correlación como el rendimiento (Q/A).
La estructuración de esta metodología pretender dar herramientas para generar con
información secundaria la planeación y gestión de las cuencas, llegando a facilitar los
esfuerzos de monitoreo, dando la posibilidad de integrar recursos bióticos dentro de
los criterios para la elección de sitios de muestreo.
Se recomienda seguir trabajando en el levantamiento de datos unificados para explorar
la dinámica de las diferentes cuencas y tipos de corrientes que se presentan
89 Capítulo 6: Conclusiones
particularmente en el país, ya que estos esfuerzos de monitoreo permitirían la
calibración de insumos y modelos que facilitarían la exploración de las dinámicas
contrastantes de las cuencas.
90
Referencias
Alber, A., & Piégay, H. (2011). Spatial disaggregation and aggregation procedures for characterizing fluvial features at the network-scale: Application to the Rhône basin (France). Geomorphology, 125(3), 343–360. https://doi.org/10.1016/j.geomorph.2010.09.009
Altunkaynak, A., & Strom, K. B. (2009). A predictive model for reach morphology classification in mountain streams using multilayer perceptron methods. Water Resources Research, 45(12). https://doi.org/10.1029/2009WR008055
Beechie, T. J., Liermann, M., Pollock, M. M., Baker, S., & Davies, J. (2006). Channel pattern and river-floodplain dynamics in forested mountain river systems. Geomorphology, 78(1–2), 124–141. https://doi.org/10.1016/j.geomorph.2006.01.030
Belletti, B., Nardi, L., Rinaldi, M., Poppe, M., Brabec, K., Bussettini, M., Comiti, F., Gielczewski, M., Golfieri, B., Hellsten, S., Kail, J., Marchese, E., Marcinkowski, P., Okruszko, T., Paillex, A., Schirmer, M., Stelmaszczyk, M., & Surian, N. (2018). Assessing Restoration Effects on River Hydromorphology Using the Process-based Morphological Quality Index in Eight European River Reaches. Environmental Management, 61(1), 69–84. https://doi.org/10.1007/s00267-017-0961-x
Belletti, B., Rinaldi, M., Buijse, A. D., Gurnell, A. M., & Mosselman, E. (2014). A review of assessment methods for river hydromorphology. Environmental Earth Sciences, 73(5), 2079–2100. https://doi.org/10.1007/s12665-014-3558-1
Belletti, Barbara, Rinaldi, M., Bussettini, M., Comiti, F., Gurnell, A. M., Mao, L., Nardi, L., & Vezza, P. (2017). Characterising physical habitats and fluvial hydromorphology: A new system for the survey and classification of river geomorphic units. Geomorphology, 283, 143–157. https://doi.org/10.1016/j.geomorph.2017.01.032
Bishop, M. P., James, L. A., Shroder, J. F., & Walsh, S. J. (2012). Geospatial technologies and digital geomorphological mapping: Concepts, issues and research. Geomorphology, 137(1), 5–26. https://doi.org/10.1016/j.geomorph.2011.06.027
Bisson, P. A., Montgomery, D. R., & Buffington, J. M. (2017). Valley Segments, Stream Reaches, and Channel Units. In Methods in Stream Ecology: Third Edition (Vol. 1). Elsevier Inc. https://doi.org/10.1016/B978-0-12-416558-8.00002-0
Bledsoe, B. P., & Watson, C. C. (2001). Logistic analysis of channel pattern thresholds: meandering, braiding, and incising. Geomorphology, 38(3), 281–300. https://doi.org/https://doi.org/10.1016/S0169-555X(00)00099-4
Brierley, G., Camp, R., Beechie, T., Imaki, H., Jensen, M., Wheaton, J., Bouwes, N., O’Brien, G., Hough-Snee, N., Rosgen, D., Fryirs, K., & Kasprak, A. (2016). The Blurred Line between Form and Process: A Comparison of Stream Channel Classification Frameworks. Plos One, 11(3), e0150293. https://doi.org/10.1371/journal.pone.0150293
Brierley, G., Fryirs, K., Cook, N., Outhet, D., Raine, A., Parsons, L., & Healey, M. (2011). Geomorphology in action: Linking policy with on-the-ground actions through applications of the River Styles framework. Applied Geography, 31(3), 1132–1143. https://doi.org/10.1016/j.apgeog.2011.03.002
91 Capítulo 7: Referencias
Brierley, G. J., & Fryirs, K. A. (2013). Geomorphology and river management: applications of the river styles framework. John Wiley & Sons TS - RIS M4 - Citavi.
Buffington, J., Lisle, T., Woodsmith, R., & Hilton, S. (2002). Controls on the Size and Occurrence of Pools in Coarse-Grained Forest Rivers. River Research and Applications, 18, 507–531. https://doi.org/10.1002/rra.693
Buffington, J. M., & Montgomery, D. R. (2013). Geomorphic classification of rivers. In In: Shroder, J.; Wohl, E., ed. Treatise on Geomorphology; Fluvial Geomorphology, Vol. 9. San Diego, CA: Academic Press. p. 730-767. (Vol. 9, Issue 11). https://doi.org/10.1007/s10531-013-0544-y
Burgl, H. (1960). Historia Geologica De Colombia. Revista de La Academia Colombiana de Ciencias, XI(43), 137–191.
Campolo, M., Andreussi, P., & Soldati, A. (1999). River flood forecasting with a neural network model. Water Resources Research, 35(4), 1191–1197. https://doi.org/10.1029/1998WR900086
Coulibaly, P., Anctil, F., Aravena, R., & Bobée, B. (2001). Artificial neural network modeling of water table depth fluctuations. Water Resources Research, 37(4), 885–896. https://doi.org/10.1029/2000WR900368
De’ath, G., & Fabricius, K. E. (2000). Classification and regression trees: a powerful yet simple technique for ecological data analysis. Ecology, 81(11), 3178–3192.
De la fuente, S. (2011). Análisis discriminante. Facultad Ciencias Económicas y Empresariables UAM, 177–216.
Diez, J. M. (2008). Evaluación hidrodinámica del hábitat ecohidráulico dirigida a la conservación y restauración de hidrosistemas fluviales. Ingeniería e Investigación, 28(2), 97–107.
Dilts, T. (2019). Topography Tools for ArcGIS 10.3 and earlier. Esri Page. https://www.arcgis.com/home/item.html?id=b13b3b40fa3c43d4a23a1a09c5fe96b9
Dolloff, C. A., Hankin, D. G., & Reeves, G. H. (1993). Basinwide Estimation of Habitat and Fish Populations in Streams. In Gen. Tech. Rep. SE-83. Asheville, NC: U.S. Department of Agriculture, Forest Service, Southeastern Forest Experiment Station. 25 p. (Vol. 83). https://doi.org/10.2737/SE-GTR-83
Entwistle, N., Heritage, G., & Milan, D. (2018). Recent remote sensing applications for hydro and morphodynamic monitoring and modelling. Earth Surface Processes and Landforms, 43(10), 2283–2291. https://doi.org/10.1002/esp.4378
ESRI. (2020). Arc Hydro Tools (10.7.0.38). ESRI. http://downloads.esri.com/archydro/archydro/Setup/
ESRI. (2018). ArcGIS Desktop - Documentation Manual (10.5). ESRI. http://desktop.arcgis.com/es/desktop/
European Comission. (2000). EU Water Framework Directive 2000/60. 23(1). Ferreira, J., Pádua, J., Hughes, S. J., Cortes, R. M., Varandas, S., Holmes, N., & Raven, P.
(2011). Adapting and adopting River Habitat Survey: Problems and solutions for fluvial hydromorphological assessment in Portugal. Limnetica, 30(2), 263–272.
Flores, A. N., Bledsoe, B. P., Cuhaciyan, C. O., & Wohl, E. E. (2006). Channel-reach morphology dependence on energy, scale, and hydroclimatic processes with implications for prediction using geospatial data. Water Resources Research, 42(6), 1–15. https://doi.org/10.1029/2005WR004226
92 Capítulo 7: Referencias
Fonstad, M. A., Marcus, W. A., & Andrew Marcus, W. (2010). High resolution, basin extent observations and implications for understanding river form and process. Earth Surface Processes and Landforms, 35(6), 680–698. https://doi.org/10.1002/esp.1969
Frissell, C. A., Liss, W. J., Warren, C. E., & Hurley, M. D. (1986). A hierarchical framework for stream habitat classification: Viewing streams in a watershed context. Environmental Management, 10(2), 199–214. https://doi.org/10.1007/BF01867358
Fryirs, K. A., & Brierley, G. J. (2012). Geomorphic Analysis of River Systems: An Approach to Reading the Landscape. In Geomorphic Analysis of River Systems: An Approach to Reading the Landscape. https://doi.org/10.1002/9781118305454
Fryirs, K. A., Wheaton, J. M., & Brierley, G. J. (2016). An approach for measuring confinement and assessing the influence of valley setting on river forms and processes. Earth Surface Processes and Landforms, 41(5), 701–710. https://doi.org/10.1002/esp.3893
Gailleton, B., Mudd, S. M., Clubb, F. J., Peifer, D., & Hurst, M. D. (2019). A segmentation approach for the reproducible extraction and quantification of knickpoints from river long profiles. Earth Surface Dynamics, 7(1), 211–230. https://doi.org/10.5194/esurf-7-211-2019
Gilbert, G. K., & Murphy, E. C. (1914). The Transportation of Debris by Running Water. In Professional Paper. https://doi.org/10.3133/pp86
Gilbert, J. T., Macfarlane, W. W., & Wheaton, J. M. (2016). The Valley Bottom Extraction Tool (V-BET): A GIS tool for delineating valley bottoms across entire drainage networks. Computers and Geosciences, 97(July), 1–14. https://doi.org/10.1016/j.cageo.2016.07.014
Gomi, T., Sidle, R. C., Woodsmith, R. D., & Bryant, M. D. (2003). Characteristics of channel steps and reach morphology in headwater streams, southeast Alaska. Geomorphology. https://doi.org/10.1016/S0169-555X(02)00338-0
Gordon, N. D. (2004). Stream hydrology : an introduction for ecologists. Wiley. https://www.wiley.com/en-us/Stream+Hydrology%3A+An+Introduction+for+Ecologists%2C+2nd+Edition-p-9780470843581
GRASS. (2020). GRASS GIS. https://grass.osgeo.org/ Gurnell, A. M., Rinaldi, M., Buijse, A. D., Brierley, G., & Piégay, H. (2016).
Hydromorphological frameworks: emerging trajectories. Aquatic Sciences, 78(1), 135–138. https://doi.org/10.1007/s00027-015-0436-1
Hajdukiewicz, H., & Wyżga, B. (2019). Aerial photo-based analysis of the hydromorphological changes of a mountain river over the last six decades: The Czarny Dunajec, Polish Carpathians. Science of the Total Environment, 648, 1598–1613. https://doi.org/10.1016/j.scitotenv.2018.08.234
Hankin, D. G., & Reeves, G. (1988). Estimating Tota Fish Abundance and Tota Habitat Area in Sma Streams Based on Visua Estimation Methods.
Hawkins, C. P., Kershner, J. L., Bisson, P. A., Bryant, M. D., Decker, L. M., Gregory, S. V, McCullough, D. A., Overton, C. K., Reeves, G. H., Steedman, R. J., & Young, M. K. (1993). A Hierarchical Approach to Classifying Stream Habitat Features. Fisheries, 18(6), 3–12. https://doi.org/10.1577/1548-
93 Capítulo 7: Referencias
8446(1993)018<0003:AHATCS>2.0.CO;2 Horton, R. E. (1945). Erosional development of streams and their drainage basins;
hydrophysical approach to quantitative morphology. Geological Society of America Bulletin, 56(3), 275–370.
Hubert, P. (2000). The segmentation procedure as a tool for discrete modeling of hydrometeorological regimes. Stochastic Environmental Research and Risk Assessment, 14(4–5), 297–304. https://doi.org/10.1007/PL00013450
IDEAM. (2010). Leyenda nacional de coberturas de la tierra: metodología CORINE Land Cover adaptada para Colombia: Escala 1: 100.000. IDEAM.
Janes, V. J. J., Nicholas, A. P., Collins, A. L., & Quine, T. A. (2017). Analysis of fundamental physical factors influencing channel bank erosion: results for contrasting catchments in England and Wales. Environmental Earth Sciences, 76(7), 1–18. https://doi.org/10.1007/s12665-017-6593-x
Jaramillo Uribe, M. (2015). Evaluation of the Potential for Riverbank Filtration in Colombia [Universidad Nacional de Colombia]. http://www.bdigital.unal.edu.co/49387/
Jiménez, M. A., Vélez, J. I., & Camacho, L. A. (2015). Morphological Representation of Drainage Networks, Implications on Solute Transport and Distributed Simulation At the Basin Scale [Universidad Nacional de Colombia]. http://bdigital.unal.edu.co/46444/
Kaya, S., Cicioǧlu Aridoǧan, B., & Demirci, M. (2004). Linear Discriminant Analysis - A Brief Tutorial. Mikrobiyoloji Bulteni.
Knehtl, M., Petkovska, V., & Urbanič, G. (2018). Is it time to eliminate field surveys from hydromorphological assessments of rivers?—Comparison between a field survey and a remote sensing approach. Ecohydrology, 11(2). https://doi.org/10.1002/eco.1924
Lane, E. W. (1957). A Study of the shape of channels formed by natural streams flowing in erodible material. U.S. Army Engineer Division, Missouri River.
Leopold, L. B., & Wolman, M. G. (1957). River channel patterns: braided, meandering, and straight. US Government Printing Office.
Leopold, L., & Maddock, T. (1953). The hydraulic geometry of stream channels and some physiographic implications (Vol. 252). US Government Printing Office.
Leopold, L., Wolman, M. G., & Miller, J. P. (1965). Fluvial Processes in Geomorphology. Geographical Review. https://doi.org/10.2307/213147
Lopez De Mantaras, R., & Armengol, E. (1998). Machine learning from examples: Inductive and Lazy methods. Data and Knowledge Engineering, 25(1–2), 99–123. https://doi.org/10.1016/S0169-023X(97)00053-0
MADS. (2018a). Guía para el Ordenamiento del Recurso Hídrico Continental Superficial (Ministerio de Ambiente y Desarrollo Sostenible (ed.)).
MADS. (2018b). Guía Técnica de criterios para el acotamiento de las rondas hídricas en Colombia. Ministerio de Ambiente, Vivienda y Desarrollo Territorial, 1–86.
MAGRAMA. (2016). Protocolo de caracterización hidromorfológica de masas de agua de la categoría ríos. 2, 115. http://www.magrama.gob.es/es/agua/temas/estado-y-calidad-de-las-aguas/protocolo_dic2015v1_tcm7-403945.pdf
Martínez-Fernández, V., Van Oorschot, M., Smit, J., González del Tánago, M., Buijse, A. D. A. D., De Smit, J., González del Tánago, M., & Buijse, A. D. A. D. (2018). Modelling
94 Capítulo 7: Referencias
feedbacks between geomorphological and riparian vegetation responses under climate change in a Mediterranean context. Earth Surface Processes and Landforms, 43(9), 1825–1835. https://doi.org/10.1002/esp.4356
Milner, V. S., Gilvear, D. J., & Willby, N. J. (2013). An assessment of variants in the professional judgement of geomorphologically based channel types. River Research and Applications, 29(2), 236–249. https://doi.org/10.1002/rra.1593
Montgomery, & Buffington, J. J. M. (1998). Channel processes, classification, and response. In River ecology and … (pp. 13–42). http://duff.ess.washington.edu/grg/publications/pdfs/montgomery-buff-1998.pdf
Montgomery, D. R., & Buffington, J. M. (1997). Channel-reach morphology in mountain drainage basins. Geological Society of America Bulletin, 109(5), 596–611.
Muñoz Mas, R., Sánchez Hernández, J., McClain, M. E., Tamatamah, R., Mukama, S. C., & Martínez-Capel, F. (2018). Investigating the influence of habitat structure and hydraulics on tropical macroinvertebrate communities. Ecohydrology and Hydrobiology. https://doi.org/10.1016/j.ecohyd.2018.07.005
Nagel, D. E., Buffington, J. M., Parkes, S. L., Wenger, S., & Goode, J. R. (2014). A landscape scale valley confinement algorithm: Delineating unconfined valley bottoms for geomorphic, aquatic, and riparian applications. Gen. Tech. Rep. RMRS-GTR-321, 321(June), 42. http://www.treesearch.fs.fed.us/pubs/45825
Nanson, G. C., & Croke, J. C. (1992). A genetic classification of floodplains. Geomorphology. https://doi.org/10.1016/0169-555X(92)90039-Q
Neely, A. B., Bookhagen, B., & Burbank, D. W. (2017). An automated knickzone selection algorithm (KZ-Picker) to analyze transient landscapes: Calibration and validation. Journal of Geophysical Research: Earth Surface, 122(6), 1236–1261. https://doi.org/10.1002/2017JF004250
Newson, M. D., & Large, A. R. G. (2006). ‘Natural’ rivers, ‘hydromorphological quality’ and river restoration: a challenging new agenda for applied fluvial geomorphology. Earth Surface Processes and Landforms, 31(13), 1606–1624. https://doi.org/10.1002/esp.1430
Nobre, A. D., Cuartas, L. A., Hodnett, M., Rennó, C. D., Rodrigues, G., Silveira, A., Waterloo, M., & Saleska, S. (2011). Height Above the Nearest Drainage - a hydrologically relevant new terrain model. Journal of Hydrology, 404(1–2), 13–29. https://doi.org/10.1016/j.jhydrol.2011.03.051
O’Brien, G. R., Wheaton, J. M., Fryirs, K., Macfarlane, W. W., Brierley, G., Whitehead, K., Gilbert, J., & Volk, C. (2019). Mapping valley bottom confinement at the network scale. Earth Surface Processes and Landforms, 44(9), esp.4615. https://doi.org/10.1002/esp.4615
Orlandini, S., Tarolli, P., Moretti, G., & Dalla Fontana, G. (2011). On the prediction of channel heads in a complex alpine terrain using gridded elevation data. Water Resources Research, 47(2), 1–12. https://doi.org/10.1029/2010WR009648
Parsapour-Moghaddam, P., & Rennie, C. D. (2018). Influence of meander confinement on hydro-morphodynamics of a cohesive meandering channel. Water (Switzerland), 10(4). https://doi.org/10.3390/w10040354
Raghavendra. N, S., & Deka, P. C. (2014). Support vector machine applications in the field of hydrology: A review. Applied Soft Computing, 19, 372–386.
95 Capítulo 7: Referencias
https://doi.org/10.1016/j.asoc.2014.02.002 Rendón-Rivera, A., Henao-Arroyave, A. M., & Osorio-Cachaya, J. G. (2017). Inventory of
the sites of geological interest, in the southwestern of Antioquia Colombia. Boletín de Ciencias de La Tierra, 41, 66–72. https://doi.org/10.15446/rbct.n41.54841
Rinaldi, M., Gurnell, A. M., González del Tánago, M., Bussettini, M., Hendriks, D., del Tánago, M. G., Bussettini, M., Hendriks, D., González del Tánago, M., Bussettini, M., & Hendriks, D. (2016). Classification of river morphology and hydrology to support management and restoration. Aquatic Sciences, 78(1), 17–33. https://doi.org/10.1007/s00027-015-0438-z M4 - Citavi
Rinaldi, M., Surian, N., Comiti, F., & Bussettini, M. (2015). A methodological framework for hydromorphological assessment, analysis and monitoring (IDRAIM) aimed at promoting integrated river management. Geomorphology, 251, 122–136. https://doi.org/10.1016/j.geomorph.2015.05.010
Rinaldi, M., Surian, N., Comiti, F., & Bussettini, M. (2013). A method for the assessment and analysis of the hydromorphological condition of Italian streams: The Morphological Quality Index (MQI). Geomorphology, 180–181(January), 96–108. https://doi.org/10.1016/j.geomorph.2012.09.009 M4 - Citavi
Rinaldi, M., Surian, N., Comiti, F., Bussettini, M., Belletti, B., Nardi, L., Lastoria, B., & Golfieri, B. (2015). Guidebook for the evaluation of stream morphological conditions by the Morphological Quality Index (MQI). In REFORM Deliverable 6.2 Part 3 (Issue March). https://doi.org/D1.1
Roper, B. B., Buffington, J. M., Archer, E., Moyer, C., & Ward, M. (2008). The Role of Observer Variation in Determining Rosgen Stream Types in Northeastern Oregon Mountain Streams. JAWRA Journal of the American Water Resources Association, 44(2), 417–427. https://doi.org/10.1111/j.1752-1688.2008.00171.x M4 - Citavi
Rosgen, D. L. (1994). A classification of natural rivers. Catena, 22(3), 169–199. Roux, C., Alber, A., Bertrand, M., Vaudor, L., & Piégay, H. (2015). “FluvialCorridor”: A new
ArcGIS toolbox package for multiscale riverscape exploration. Geomorphology, 242(October), 29–37. https://doi.org/10.1016/j.geomorph.2014.04.018
Roux, C., Alber, A., & Piégay, H. (2013). General Overview guideline for the FluvialCorridor toolbox, a new ArcGIS toolbox package for exploring multiscale riverscape at a network scale. In Sedalp (Sediment Management in Alpin Basins) and CNRS (UMR5600).
Sakai, M., Kitaoka, N., & Nakagawa, S. (2007). Power linear discriminant analysis. 2007 9th International Symposium on Signal Processing and Its Applications, ISSPA 2007, Proceedings. https://doi.org/10.1109/ISSPA.2007.4555418
Schumm, S. A. (1977). The fluvial system. New York, NY (USA) Wiley-Interscience Pub. Schumm, Stanley A. (1985). Patterns of alluvial rivers. Annual Review of Earth and
Planetary Sciences, 13(1), 5–27. Schumm, Stanley A, & Lichty, R. W. (1965). Time, space, and causality in
geomorphology. American Journal of Science, 263(2), 110–119. https://doi.org/10.2475/ajs.263.2.110 M4 - Citavi
Shaw, J. R., Cooper, D. J., & Sutfin, N. A. (2018). Applying a hydrogeomorphic channel classification to understand spatial patterns in riparian vegetation. Journal of Vegetation Science, 29(3), 550–559. https://doi.org/10.1111/jvs.12629
Simon, A., Doyle, M., Kondolf, M., Shields, F. D., Rhoads, B., & McPhillips, M. (2007).
96 Capítulo 7: Referencias
Critical Evaluation of How the Rosgen Classification and Associated “Natural Channel Design” Methods Fail to Integrate and Quantify Fluvial Processes and Channel Response. Journal of the American Water Resources Association, 43(5), 1117–1131. https://doi.org/10.1111/j.1752-1688.2007.00091.x M4 - Citavi
Strahler, A. N. (1957). Quantitative analysis of watershed geomorphology. Eos, Transactions American Geophysical Union, 38(6), 913–920.
Sutfin, N. A., & Wohl, E. (2019). Elevational differences in hydrogeomorphic disturbance regime influence sediment residence times within mountain river corridors. Nature Communications, 10(1), 1–14. https://doi.org/10.1038/s41467-019-09864-w
Thayer, J. B., & Ashmore, P. (2016). Floodplain morphology, sedimentology, and development processes of a partially alluvial channel. Geomorphology, 269, 160–174. https://doi.org/10.1016/j.geomorph.2016.06.040
Thompson, C. J., Croke, J., Ogden, R., & Wallbrink, P. (2006). A morpho-statistical classification of mountain stream reach types in southeastern Australia. Geomorphology, 81(1–2), 43–65. https://doi.org/10.1016/j.geomorph.2006.03.007
Trame Bleue. (2020). Fluvial Corridor Toolbox for QGis. https://github.com/tramebleue/fct
van Asselen, S., & Seijmonsbergen, A. C. (2006). Expert-driven semi-automated geomorphological mapping for a mountainous area using a laser DTM. Geomorphology, 78(3–4), 309–320. https://doi.org/10.1016/j.geomorph.2006.01.037
Vaughan, I. P., Diamond, M., Gurnell, A. M., Hall, K. A., Jenkins, A., Milner, N. J., Naylor, L. A., Sear, D. A., Woodward, G., & Ormerod, S. J. (2009). Integrating ecology with hydromorphology: a priority for river science and management. Aquatic Conservation: Marine and Freshwater Ecosystems, 19(1), 113–125. https://doi.org/10.1002/aqc.895
Wheaton, J. M., Fryirs, K. A., Brierley, G., Bangen, S. G., Bouwes, N., & O’Brien, G. (2015). Geomorphic mapping and taxonomy of fluvial landforms. Geomorphology, 248(November), 273–295. https://doi.org/10.1016/j.geomorph.2015.07.010
Wohl, E., Cooper, D., Poff, L., Rahel, F., Staley, D., & Winters, D. (2007). Assessment of Stream Ecosystem Function and Sensitivity in the Bighorn National Forest, Wyoming. Environmental Management, 40(2), 284–302. https://doi.org/10.1007/s00267-006-0168-z
Wohl, E., & Merritt, D. (2005). Prediction of mountain stream morphology. Water Resources Research, 41(8), 320. https://doi.org/10.1029/2004WR003779
Zaharia, L., Ioana-Toroimac, G., Moroşanu, G. A., Gălie, A. C., Moldoveanu, M., Čanjevac, I., Belleudy, P., Plantak, M., Buzjak, N., Bočić, N., Legout, C., Bigot, S., & Ciobotaru, N. (2018). Review of national methodologies for rivers’ hydromorphological assessment: A comparative approach in France, Romania, and Croatia. In Journal of Environmental Management. https://doi.org/10.1016/j.jenvman.2018.04.017
Zahra, T., Paudel, U., Hayakawa, Y. S., & Oguchi, T. (2017). Knickzone Extraction Tool (KET) - A new ArcGIS toolset for automatic extraction of knickzones from a DEM based on multi-scale stream gradients. Open Geosciences, 9(1), 73–88. https://doi.org/10.1515/geo-2017-0006
97 Capítulo 7: Referencias
Zhao, Y., Wu, P., Li, J., Lin, Q., & Lu, Y. (2019). A new algorithm for the automatic extraction of valley floor width. Geomorphology, 335, 37–47. https://doi.org/10.1016/j.geomorph.2019.03.015