Modulo 6. Modelacion Ecologica en Rios Espanol

06/11/2014

1

Modelacin ecolgica en corrientes superficiales

Prof. Javier E. Holguin Gonzalez, Dr. Sc.

Curso Modelacin Ambiental Prof. Javier Holguin Modelacin Ecolgica

Servicios Ecosistmicos

Modelacin ambiental / hdrica

Calidad del agua en ros

Gestin Integrada del Recurso Hdrico

Cambio Climtico

06/11/2014

2


Modelacin ecolgica integrada en corrientes superficiales

Contenido

I. Introduccin y conceptos basicos

II. Monitoreo y Evaluacin Integrada de la Calidad

del Agua

III. Modelacin ecolgica

IV. Modelacin ecolgica Integrada

Los recursos hdricos pueden tener muchos usos:

Produccin de agua potable

Control de inundaciones (drenaje de aguas

lluvias) y optimizacin del uso de la tierra

Rutas de transporte (navegacin)

Generacin de energa

Recreacin

Introduccin

06/11/2014

3

Produccin de agua potable

Fuente: Archivo de Fotos Proyecto Modelacin del ro Cauca

Control de inundaciones (drenaje de aguas lluvias) y optimizacin del uso de la tierra

Peter Goethals - AGUA 2005

6

06/11/2014

4

Rutas de transporte (navegacin)


Generacin de energia


06/11/2014

5

Recreacin

Del uso al abuso

El uso inadecuado o abuso amenaza la disponibilidad

del recurso hdrico en cantidad y calidad

Transporte y dilucin de la contaminacin

Sistemas de alcantarillado combinado

Vertimiento de residuos slidos

Caudal ecolgico

Introduccin

06/11/2014

6

Transporte y dilucin de la contaminacinDescarga de aguas residuales (tratadas)

Fuente: EMCALI, 2006

Entrega E.B. Paso del comercio al Ro Cauca PTAR Caaveralejo

Fuente: EMCALI, 2006

Sistemas de alcantarillado combinadosistema sostenible ?

06/11/2014

7

Vertimiento de residuos slidos

Caudal ecolgico

06/11/2014

8

Monitoreo

Modelacin

Gestin

Interpretacin de datos y evaluacin

Simulacn de opciones de manejo

Desarollo de redes de monitoreo

Modelacin y toma de decisiones en la GIRH

Necesidad de programas o planes de

proteccin y restauracin

Introduccin

- Planes de Ordenamiento del Recurso Hdrico-PORH (Decreto 3930 de 2010 )

- POMCH

Bola de cristal

Por que si ya hemos modelado el ro, 7 aos, seguimos sin recuperarlo?

06/11/2014

9

Intervencin humana y calidad ecolgica del agua

AECO, 2010



Contenido


II. Monitoreo y Evaluacin Integrada de la

Calidad del Agua



06/11/2014

10


EL mtodo DPSIR para evaluar la calidad ecolgica en ros

Urbanizacin

Industria

Agricultura

Hidro-energia

Regulacin de ros

Fuerzas

motoras

Fisicoqumico

Hidromorfolgico

Ecolgico

Estado

Perdida de habitat/especies

Biodiversidad acuatica

Impactos

Materia orgnica

Nutrientes

Cambio de:

- velocidad

- profundidad

- sinuosidad

- sedimentos

- estructura de bancas

Presiones

RespuestasSource: Kristensen, 2004

Peces

Macroinvertebrates

Macrophytes

Phytobenthos

Phytoplankton

Estado ecolgico

Estado fisicoqumico

Morfologa y rgimen

hidrolgico

excelente

buena

moderada

pobre

mala

M o n i t o r e o y c l c u l o d e l i n d i c e E v a l u a c i n

Monitoreo y Evaluacin Integrada de la Calidad del Agua

Macroinvertebrados

Ejemplo: Directiva Europea Marco del agua (WFD)

06/11/2014

11

C

Bad

WQ

Good

WQ

Relacin entre la calidad fisicoqumica del agua y laecologa en los ros

Comunidades diversas

Estrecha relacin con los impactos humanos

Comunidades y su reaccin a los impactos es "relativamente

universal"

Facilidad de identificacin (a nivel prctico)

Tiempo de ciclo de vida importante

Relativamente estacionarios

Macroinvertebrados: que son? y por que usarlos?

Ephemeroptera Trichoptera Haplotaxida Chironomidae

06/11/2014

12

Macroinvertebrados como indicadores del estado de ros

Algunos ejemplos clave:

Moluscos

Crustceos

Gusanos y sanguijuelas

Insectos

Evaluacin ecolgica de calidad del agua en ros

Macroinvertebrados Moluscos

Gastropodos (caracoles) y Bivalvia (principalmente mejillones de agua dulce)

http://www.peatlandsni.gov.uk/wildlife/aquainvert/snailscrust.htm


06/11/2014

13

Crustceos

MacroinvertebradosEvaluacin ecolgica de calidad del agua en ros

Gusanos (Oligochaeta) y sanguijuelas (Hirudinaea)


06/11/2014

14

Insectos

Ephemeroptera (Mayflies)

Plecoptera (Stoneflies)

Trichoptera (Caddisflies)

Diptera (True flies)

Coleoptera (escarabajos)

Hemiptera (Bugs)

Odonata (Dragonflies and Damselflies)


Plecoptera (Stoneflies)Ephemeroptera (Mayflies)

Trichoptera (Caddisflies)Diptera (True flies): larva de mosquito


06/11/2014

15

Coleoptera (escarabajos)

Whirligig Great Waterbeetlehttp://www.peatlandsni.gov.uk


Hemiptera (Bugs)

Pondskater Water boatman Water scorpion

http://www.peatlandsni.gov.uk/wildlife/aquainvert/


06/11/2014

16

Odonata (Dragonflies and Damselflies )

http://www.peatlandsni.gov.uk/wildlife/aquainvert/


Clasificacin de los Macroinvertebrados

segn la forma de alimentacin

Shredders : TrituradorasScrapers: Raspadores

Fuente: Cummins and Merritt, 1996

06/11/2014

17

Tipo de alimento y forma de alimentacin

de los Macroinvertebrados

Shredders : TrituradorasScrapers: Raspadores

Fuente: Cummins and Merritt, 1996

Concepto del Ro Continuo


Fuente: Allan, 1995 despues de Vannote et al., 1980).

06/11/2014

18

Variables (de calidad del agua y otras) que afectan las

comunidades de macroinvertebrados en ros

Fuente: De Pauw and Hawkes (1993)

Evaluacin de la calidad ecolgica del agua

Como realizar una evaluacin de la calidad ecolgica del

agua en un ro o quebrada basada en macroinvertebrados?

1. Muestreo del sitio

indice

2. Calculo del mtodo de evaluacin

Sitio a evaluar Listado de especies/taxa encontradas

(cuantitativo / cualitativo) Evaluacin final

1

0

Taxon Cantidad

Tubificidae 20

Dreissena 8

Potamopyrgus 30

Gammaridae 100

Palaemonidae 12

Chironomidae NTP 3

excelentebuenamoderadapobremala

Presencia/ausencia de un taxa particular Abundancia de un taxa Riqueza de taxa

Diversidad de taxa Sensibilidad de un taxa particular a la

contaminacin orgnica

06/11/2014

19


Evaluacin de la calidad ecolgica del agua



Contenido


II. Monitoreo y Evaluacin Integrada de la Calidad

del Agua



06/11/2014

20

Contenido

3.1 Introduccin: Mecansticos vs modelos de minera de datos


I. Arboles de decisin II. Modelos estadsticosIII. Redes neuronales artificiales (ANN)

3.2 Modelos guiados por datoscaja negra

3.3 Modelos con base en

conocimientocaja gris

I. Lgica difusa II. Redes bayesianas (BBN)III. Modelos de migracin

Modelacin y simulacin: que?

Entradas

medidasSistema

bajo

estudio

Salidas

medidas

Mu

nd

oR

ea

l

Distancia

Salidas

Modelacin

del sistema

Error

Parmetros

Salidas

calculadas

-

Calibracin

y

validacin

Mu

nd

ov

irtu

al

06/11/2014

21

Descargas de residuos

Grado de Conocimiento

Hidrodinmicos

Transporte

Morfologa

Calidad de Agua

Ecologa

Evolucin de los modelos de simulacin de corrientes superficiales

Fuente : Galvis (2004)

Impacto de diferentes presiones en la biota acutica

Estrs en el hbitat acutico

Fisico-quimica

Rgimen del flujo

Hidro-morfologia

Estr

s

Nivel de comunidad

Nivel de especie

Nivel de poblacin

Impacto en la biota acuatica

06/11/2014

22

C

Modelos de prediccin de hbitat: Macroinvertebrados

Una amplia variedad de factores determina si un

especie esta presente o no en un hbitat definido

Eawag2, 2010

06/11/2014

23

Modelos mecansticos vs modelos de minera de datos

Modelos mecansticos (caja blanca): conocimiento deexpertos alta, frecuentemente procesos y variables sondefinidas al comienzo, principalmente ajuste deparmetros, modelos simplificados para facilitar el acopleo mejorar tiempo de simulacin.

Modelos de minera de datos(caja negra o caja gris):

modelos guiados por datos, menor conocimiento de

expertos, bsqueda de tendencias generales o

especificas, como estn relacionadas las variables?, cuales

variables tienen el mayor impacto en las especies?

dFish/dt = f(Fish,Daphnia)

dZooplankton/dt = f(Zooplankton,Alg, Fish)

dAlg/dt = f(Alg, Daphnia, Nutrients, Light)

Nutrients

Nutrient recyclingConsumer Resource interaction

Light

De Schamphelaere, 2008

Modelacin ecolgica mecansticaModelacin de ecosistemas, redes trficas

06/11/2014

24

Modelacin de ecosistemas acuticos

AQUATOX

http://www.epa.gov/waterscience/models/aquatox/

PC LAKE


Agua

Sedimento

El problema y el sistema:

Eutroficacin de un lago poco profundo

Entrada Salida


06/11/2014

25

Dissolved P

Phytoplankton-P

Zooplankton-P

Detritus-P

1

5

3

11

7

1: P-uptake by phytoplankton2: Respiration by phytoplankton3: Mortality of phytoplankton5: Ingestion of phytoplankton by zooplankton (ingestion)6: Zooplankton faeces production (incomplete digestion / assimilation)7: Zooplankton respiration8: Zooplankton mortality11: Mineralization of detritus-P (organic P)13: Dissolved P-efflux14: Detritus P-efflux15: Algal P-efflux

Solar radiation

P-input

State Variable

Forcing function

Flows and interactions

Mathematical equations & parameters

26

8

13

14

15

Balance de masas simplificado en un lago (ejemplo)

Chlorophyll

Zooplankton dry wt

Output variable

Fuente: Uzunov et al. (2006).

Modelacin cualitativa como base de modelos mecanisticos en ros

06/11/2014

26

Modelos mecansticos vs modelos de minera de datos

Modelos mecansticos (caja blanca): conocimiento deexpertos alta, frecuentemente procesos y variables sondefinidas al comienzo, principalmente ajuste deparmetros, modelos simplificados para facilitar el acopleo mejorar tiempo de simulacin.

Modelos de minera de datos (caja negra o caja gris):

modelos guiados por datos, menor conocimiento de

expertos, bsqueda de tendencias generales o

especificas, como estn relacionadas las variables?, cuales

variables tienen el mayor impacto en las especies?


Modelos guiados por datoscaja negra

Modelos con base en conocimiento

caja gris


Modelos de prediccin de hbitat:Prediccin de macroinvertebrados

06/11/2014

27

Logistic regression

Fuente: Goethals, 2010.

Tcnica de modelacin definida por la

cantidad y tipo de datos



3.2 Modelos guiados por datos

caja negra




Contenido


06/11/2014

28

Modelos guiados por datos (data-driven)

Rapido desarrollo

Permite ganar conocimineto de los sistemas

Rapidas simulaciones

Pero son frecuentemente criticados (modelos

de caja negra)

Especial cuidado con el uso de (outliers,

extrapolacin, fuerte correlacin entre

varibles predictoras)

Que datos debes ser recolectados ?

Preguntas sobre el manejo del recurso

Mtodos de modelacin + variabilidad en el campo

Caractersticas de los datos + mtodo de monitoreo

Implementacin de la base de datos y manejo de

esta

06/11/2014

29

Analisis de los datos antes de calibracin

(entrenamiento) y validacin del modelo

Minimos-maximos y correlaciones puenden tener

serios impactos en los resultados del modelo y

valoracin del desempeo del mismo.

Measurement set

Training dataset Validation datasetEcosystem

1

2

Metodologa para el desarrollo del modelo


06/11/2014

30




caja negra




Contenido


Logistic regression




06/11/2014

31

Arboles de decisin

Modelos guiados por datos: Tcnica de aprendizaje

automatizado (algoritmos)

Fcil de aplicar

Simples Si.entonces reglas

Distribucin de los datos es de menor importancia

Mtodo transparente y fcil de interpretar

Arboles de Clasificacin (CT)

Arboles de Regresin (RT)

Arboles tipo Modelo (MT)

Arboles de decisin

Arboles de clasificacin (CT):

Variable respuesta: nominal o cualitativa

Hojas del rbol: valores de clase, no continuos

Ejemplos:

Ausente (0) y Presente (1)

Clasificacin del ndice ecolgico: excelente, buena, moderada, pobre, mala

Arboles de regresin (RT):

Variable respuesta: numrica o cuantitativa

Hojas del rbol: valores numricos constantes

Ejemplos:

Abundancia de la especie

Valor del ndice ecolgico (e.g. entre 0 y 1 o entre 0 y 100)

Arboles tipo Modelo (MT):


Hojas del rbol: ecuaciones lineales

Ejemplos:

Abundancia de la especie

Valor del ndice ecolgico (e.g. entre 0 y 1 o entre 0 y 100)

06/11/2014

32

Busqueda de valores limite (umbral) para las reglas Si-Entonces

B

Bad qualityGood quality

a

c

b

B=a

Ob

O=c

O

c

Arboles de clasificacin (CT)

Mala calidad Buena calidad

Modelo de idoneidad de hbitat: Presencia de Chironomidae

AUC = 0.71Kappa =0.52

Modelo de Evaluacin ecolgica: Prediccin del ndice Ecolgico

COD

DO

Nitrate

Good

Bad

Poor

Moderate

> 12 mg/l< 12mg/l

> 4 mg/l < 4 mg/l

< 0.59 mg/l > 0.59 mg/l

DO

< 5.5 mg/l > 5.5 mg/l

Moderate

DO

> 4mg/l

06/11/2014

33

Pt_med 0.57

0.480.360.24

Conductivity 679DO_med < 5.35

KjN_med 3.68 Pt_med 0.24KjN_med 1.93

0.37 0.600.50

BOD_med 5.65

0.12 0.22

Valor del ndice ecolgico (0 - 1)

AECO, 2010

Ejemplo de Arboles de Regresin (RT)


Hojas del rbol: valores numricos constantes

Holguin et al, 2013

Ejemplo de Arboles Tipo Modelo (MT)


Hojas del rbol: ecuaciones lineales

06/11/2014

34

Software WEKA

Arboles de clasificacin (CT): Aplicacin

Arboles de clasificacin (CT): Aplicacin

06/11/2014

35




caja negra




Contenido


Logistic regression




06/11/2014

36

Metodos estadisticos

TXLPYEg +== 0))(( immiii XXXg ++++= ...)( 22110

Modelos Lineales Generalizados

2. Prediccin de probabilidad de ocurrencia (e.g. Regresin Logstica)

1. Prediccin de ndices ecolgicos(e.g. Regresin Poisson, Regression Negativa Binomial)

0

0.2

0.4

0.6

0.8

1

0 1 2 3 4 5 6 7 8Dissolved Oxygen (mg/l)

Pro

babi

lity

of p

rese

nce

Model Lower bound (95%) Upper bound (95%)

0

10

20

30

40

50

60

0 2 4 6 8 10 12 14 16observation

BM

WP

val

ue

datamodel

Relacionando caractersticas abiticas con la ocurrencia de especies

Analisis de Sensibilidad

0

0,2

0,4

0,6

0,8

1

0 0,3 0,6 0,9 1,2 1,5Pro

babi

lity

o

f prese

nce

Depth (m)

Gammaridae

00,20,40,60,8

1

0 2 4 6 8 10

Pro

babi

lity

of p

rese

nce

width (m)

Gammaridae

0

0,2

0,4

0,6

0,8

1

0 0,2 0,4 0,6 0,8 1 1,2 1,4 1,6 1,8 2

Prob

abili

ty of

pres

ence

Flow velocity (m/s)

Gammaridae

00,20,40,60,8

1

0 2 4 6 8 10 12

Pro

babi

lity

of p

rese

nce

DO (mg/l)

Gammaridae

Regresin Logstica


06/11/2014

37

00.10.20.30.40.50.60.70.80.9

1

3 4 5 6 7 8 9 10Dissolved oxygen (mg/l)

Prese

nce Ga

mm

.

e.g. 90 %

Estudio del impacto de la contaminacin del agua y la ocurrencia de macroinvertebrados

Regresin Logstica

0

0.2

0.4

0.6

0.8

1

0 0.5 1 1.5 2

Pro

bab

ility

of

pre

sen

ce o

f

Sip

hlo

nu

rus

Nitrate (mg/l)

Active Validation Model

AUC = 0.931Modelo de Regresin logisticaSimple (SLRM)

Modelo de Regresinlogistica Multiple

(MLRM)

110)( ii Xg +=

immiii XXXg ++++= ...)( 22110

Regresin Logstica: Clases

06/11/2014

38

TXLPYEg +== 0))((

immiii XXXg ++++= ...)( 22110

mm

i

iX XXXp

ppLogitg ++++=

== ...

1ln)( 22110)(

)...( 22110)()(

)(

11

11

1 mmxxx

XXXgg

g

eee

ep ++++ +=

+=

+=

Prediccin de la probabilidad de ocurrencia de especies

Regresin Logstica: Ecuaciones

Base de datos de Presencia / Ausencia

Regresin Logstica: Aplicacin

06/11/2014

39

Software XLSTAT



06/11/2014

40




caja negra




Contenido


Redes neuronales artificiales (ANN)

River characteristics Macroinvertebrates

WidthDepth

River bankspH

Presence/absence Asellus

Modelos ecolgicos para prediccin y anlisis

06/11/2014

41

Redes neuronales artificiales (ANN)

Modelos ecolgicos para prediccin y anlisis




caja negra




Contenido


06/11/2014

42

I. Modelos de Lgica difusa

Gutierrez et al, 2006

Ejemplo: el enunciado El vaso est lleno, en lgicabinaria tendra el valor de verdadero (1) si el recipientecontiene tanto liquido como su capacidad mxima lo permite;por el contrario, si el vaso contiene el 90% de su capacidadtotal, el enunciado sera falso (0). En tal caso, aunque falso,parece evidente que es casi verdadero, puesto que casi estlleno.

1 090%

100%

Gutierrez et al, 2006

La Lgica Difusa permite asignar diferentes grados decerteza; de esta forma si el vaso est al 90% de sucapacidad, el valor de verdad del enunciado sera 0.9 (casiverdadero), mientras que si contiene, por ejemplo, un 10% deliquido, el valor sera 0.1 (poco verdadero).

90%

0.9 (casi verdadero)

10%0.1(poco verdadero)


06/11/2014

43

Ej. conjuntos no difusos

En el caso de los conjuntos difusos, es posible aceptar diferentes matices para unenunciado, mientras que en los conjuntos no difusos solo existe un par deposibilidades mutuamente excluyentes. Gutierrez et al, 2006

Ej. conjuntos difusos


Modelos de idoneidad de habitat


Sistema de reglas basado en conocimiento de expertos

06/11/2014

44

Sistema de reglas basado en conocimiento de expertos

87

Modelos de idoneidad de habitat





caja negra




Contenido


06/11/2014

45

II. Redes bayesianas (BBN)

BBN son modelos con una estructura de red, que se enfoca en laslas representaciones explicitas causa-efecto entre variablesambientales y las especies biologicas




caja negra




Contenido


06/11/2014

46

El color de una idea de la resistencia a la migracin (numero de dias necesitados para migrar 1 metro). Se observan que hay varias barreras que impiden migracin

III. Modelos de migracin

El color da una idea de la resistencia a la migracin (numero de dias que senecesitan para migrar 1 metro). Se observan que hay varias barreras queimpiden migracin

III. Modelos de migracin

06/11/2014

47

As several macroinvertebrates also have adult stages whichare terresstrial, we can also extent the models to migrationover land and through the air.

Extencin al ecosistema aereo y terrestre y via

modelacin de funciones-costo (ArcGIS)

GRACIAS POR SU ATENCION

Modulo 6. Modelacion Ecologica en Rios Espanol

Documents

Transcript of Modulo 6. Modelacion Ecologica en Rios Espanol