Více

Jak vypočítat svah řeky pro mnoho řek automaticky v ArcMap?

Jak vypočítat svah řeky pro mnoho řek automaticky v ArcMap?


Pracuji s ArcMap 10.2 a jsem v této oblasti docela nový ... Co chci udělat, je spočítat svah řeky pro mnoho řek z DTM ... Vím, že existuje způsob, jak to udělat ručně kolem Excel ... ale přemýšlel jsem, jestli existuje automatický způsob, jak to udělat ... možná také pomocí jiných programů ... mám celé území Swizerlandu k analýze ...


Pokud jste v hydrologii / oblouku nováčkem, doporučuji použít arc hydro (pro 10.2 zkuste stáhnout a dokumentaci). To vám dá průměrný sklon a 10-85 pomocí Watershed Processing - Parametry cesty toku - Parametry cesty toku z 2D čáry.

elrobis's je správné, že budete možná muset častěji vzorkovat sklon v závislosti na: (1) jak byly řeky definovány (přemýšlejte o délce, i když je to obvykle založeno na akumulaci) (2) změně sklonu v oblasti (3) jak se máte pomocí vašich výsledků. Pokud tomu tak je, můžete použít stejnou metodu stanovení svahu, ale na jemnějších úsecích / definicích řek.


& ldquoRiver & rdquo detekce v textu

Na TeX stackexchange jsme diskutovali o tom, jak detekovat „řeky“ v odstavcích v této otázce.

V této souvislosti jsou řeky pásy bílého prostoru, které jsou výsledkem náhodného zarovnání mezerových mezer v textu. Protože to může být pro čtenáře docela rušivé, špatné řeky jsou považovány za příznak špatné typografie. Příkladem textu s řekami je tento, kde protékají dvě řeky diagonálně.

Existuje zájem o automatickou detekci těchto řek, aby se jim dalo vyhnout (pravděpodobně manuální úpravou textu). Raphink dosahuje určitého pokroku na úrovni TeXu (který ví pouze o pozicích glyfů a ohraničujících rámečcích), ale cítím jistotu, že nejlepší způsob, jak detekovat řeky, je nějaké zpracování obrazu (protože tvary glyfů jsou velmi důležité a pro TeX nejsou k dispozici) . Zkoušel jsem různé způsoby, jak extrahovat řeky z výše uvedeného obrázku, ale můj jednoduchý nápad aplikovat malé množství elipsoidního rozmazání se nezdá být dost dobrý. Také jsem některé zkusil Radon Filtrování založené na transformaci Hough, ale ani s nimi jsem se nikam nedostal. Řeky jsou velmi viditelné pro obvody detekce rysů lidského oka / sítnice / mozku a nějak bych si myslel, že by to mohlo být přeloženo do nějakého druhu filtrační operace, ale nejsem schopen zajistit, aby to fungovalo. Nějaké nápady?

Abych byl konkrétní, hledám nějakou operaci, která detekuje 2 řeky na obrázku výše, ale nebude mít příliš mnoho dalších falešně pozitivních detekcí.

UPRAVIT: endolith se zeptal, proč sleduji přístup založený na zpracování obrazu, protože v TeXu máme přístup k pozicím glyfů, mezerám atd. a mohlo by být mnohem rychlejší a spolehlivější použít algoritmus, který zkoumá skutečný text. Můj důvod, proč dělat věci jinak, je ten tvar glyfů může ovlivnit, jak nápadná je řeka, a na úrovni textu je velmi obtížné tento tvar zvážit (což závisí na typu písma, ligaturování atd.). Příklad toho, jak může být důležitý tvar glyfů, zvažte následující dva příklady, kde je rozdíl mezi nimi v tom, že jsem nahradil několik glyfů jinými téměř stejnými šířkami, aby textová analýza zvážila stejně dobré / špatné. Upozorňujeme však, že řeky v prvním příkladu jsou mnohem horší než ve druhém.


Jak se měří Streamflow

Jak lze zjistit, kolik vody teče v řece? Můžeme jednoduše změřit, jak vysoko voda vzrostla / klesla? Výška povrchu vody se nazývá stupeň proudu nebo výška měřidla. USGS má však přesnější způsoby, jak určit, kolik vody teče v řece. Přečtěte si další informace.

Úvod do USGS Streamgaging

Americká geologická služba (USGS) zahájila svou první bitevní loď v roce 1889 na řece Rio Grande v Novém Mexiku, aby pomohla zjistit, zda je k dispozici dostatek vody pro zavlažovací účely, aby se podpořil nový rozvoj a západní expanze. USGS provozuje více než 8 200 nepřetržitých záznamových toků, které poskytují informace o toku pro širokou škálu použití, včetně predikce povodní, vodního hospodářství a přidělování, technického návrhu, výzkumu, provozu plavebních komor a přehrad a rekreační bezpečnosti a zábavy.

Jak se měří Streamflow

Když si užíváte posezení na klidném břehu místní řeky, můžete si položit jednu otázku: „Kolik vody teče v této řece?“ Jste na správném místě pro odpověď. USGS měří streamflow na tisících řek a potoků po mnoho desetiletí a čtením této sady webových stránek zjistíte, jak celý proces měření streamflow funguje.

Během velké bouřky často uslyšíte z rádia hlášení typu „Očekává se, že se Peachtree Creek později dnes zvedne na 14,5 stop.“ 14,5 stop, o kterém se hlasatel zmiňuje, je fáze streamu. Stupeň proudu je důležitý v tom, že jej lze použít (po složitém procesu popsaném níže) k výpočtu toku proudu nebo k množství vody, která v proudu teče v kterémkoli okamžiku.

Stupeň proudu (také nazývaný výška stupně nebo měřidla) je výška vodní hladiny ve stopách nad stanovenou nadmořskou výškou, kde je stupeň nulový. Nulová úroveň je libovolná, ale často se blíží toku. Můžete si udělat představu o tom, co je fáze streamu, když se podíváte na a obrázek společného měřidla zaměstnanců, který slouží k vizuálnímu čtení streamu proudu. Měřidlo je označeno v intervalech 1/100 a 1/10 stopy.

Streamgaging obvykle zahrnuje 3 kroky:

1. Měření stupně proudu—Získání nepřetržitého záznamu stupně - výška vodní hladiny v místě podél potoka nebo řeky
2. Měření výboje—Získávání pravidelných měření vypouštění (množství vody procházející místem podél potoka)
3. Vztah fázového výboje—Definování přirozeného, ​​ale často se měnícího vztahu mezi fází a výbojem pomocí vztahu fáze-výboj k převodu kontinuálně měřeného stupně na odhady toku nebo výboje

Měření stupně proudu

Většina streamgages US Geological Survey (USGS) měří fázi a skládá se ze struktury, ve které jsou umístěny nástroje používané k měření, ukládání a přenosu informací o fázi toku. Stupeň, někdy nazývaný výška měřidla, lze měřit pomocí různých metod. Jeden běžný přístup je s uklidňovací studnou na břehu řeky nebo připojenou k mostnímu molu. Voda z řeky vstupuje a opouští uklidňující studnu podvodními trubkami, což umožňuje, aby vodní plocha v ucpávací studni byla ve stejné výšce jako vodní hladina v řece. Stupeň se poté měří uvnitř klidové studny pomocí plováku nebo tlakového, optického nebo akustického snímače. Naměřená hodnota stupně se ukládá do elektronického záznamníku dat v pravidelných intervalech, obvykle každých 15 minut.

Na některých webech zaměřených na hypotéky není uklidňovací vrt proveditelný nebo jeho instalace není nákladově efektivní. Alternativně lze stupeň určit měřením tlaku potřebného k udržení malého průtoku plynu trubicí a probubláváním na pevném místě pod vodou v proudu. Měřený tlak přímo souvisí s výškou vody nad výstupem trubice v proudu. Jak se hloubka vody nad výstupem z trubice zvyšuje, je zapotřebí většího tlaku, aby se plynové bubliny protlačily trubicí.

Streamgages provozované USGS poskytují měření fáze, která jsou přesná na nejbližší 0,01 stopy nebo 0,2 procenta fáze, podle toho, která hodnota je větší. Stupeň u hypotéky musí být měřen s ohledem na konstantní referenční výšku, známou jako vztažný bod. Struktury proudových lodí jsou někdy poškozeny povodněmi nebo se mohou časem usadit. Aby se zachovala přesnost a zajistilo se, že fáze je měřena nad konstantní referenční výškou, jsou výšky struktur proudového systému a související měření stupně běžně zkoumány ve vztahu k trvalým výškovým měřítkům poblíž proudového letadla.

Přestože je fáze pro některé účely cennou informací, většina uživatelů dat o proudech se zajímá o tok nebo vypouštění - množství vody tekoucí potokem nebo řekou, obvykle vyjádřené v kubických stopách za sekundu nebo galonech za den. Není však praktické, aby streamgage nepřetržitě měřila absolutorium. Naštěstí existuje silný vztah mezi říčním stupněm a vypouštěním a ve výsledku lze z průběžného záznamu stavu zjistit nepřetržitý záznam vypouštění do řeky. Určení průtoku z etapy vyžaduje definování vztahu mezi fází a výbojem měřením průtoku v široké škále říčních stupňů.

Měření výboje

Výtok je objem vody pohybující se po proudu nebo řece za jednotku času, obvykle vyjádřený v kubických stopách za sekundu nebo galonech za den. Obecně se průtok řeky počítá vynásobením plochy vody v průřezu kanálu průměrnou rychlostí vody v tomto průřezu:

výboj = plocha x rychlost

USGS používá četné metody a typy zařízení k měření rychlosti a průřezové plochy, včetně následujícího měřiče proudu a akustického dopplerovského proudového profilu.

Schéma průřezu kanálu s podsekcemi.

Nejběžnější metodou používanou USGS pro měření rychlosti je měřič proudu. K snímání stádia a měření toku proudu však lze také použít různé pokročilé vybavení. V nejjednodušší metodě se měřič proudu otáčí s tokem řeky nebo potoka. Měřič proudu se používá k měření rychlosti vody v předem určených bodech (podsekcích) podél vyznačené čáry, visuté lanovky nebo mostu přes řeku nebo potok. V každém bodě se také měří hloubka vody. Tato měření rychlosti a hloubky se používají k výpočtu celkového objemu vody tekoucí kolem potrubí během specifického časového intervalu. Řeka nebo potok se obvykle měří na 25 až 30 pravidelně rozmístěných místech přes řeku nebo potok.

Aktuální měřič

Jednou z metod, kterou USGS používá po desetiletí k měření výboje, je metoda mechanického měřiče proudu. V této metodě je průřez kanálu proudu rozdělen do mnoha vertikálních podsekcí. V každé podsekci se plocha získá měřením šířky a hloubky podsekce a rychlost vody se určí pomocí měřiče proudu. Výboj v každé podsekci se vypočítá vynásobením oblasti podsekce naměřenou rychlostí. Celkový výboj se poté vypočítá sečtením výboje každé podsekce.

Pracovníci USGS používají k provádění měření pomocí proudových měřidel řadu typů zařízení a metod z důvodu širokého rozsahu podmínek proudu v celých Spojených státech. Šířka podsekce se obvykle měří pomocí kabelu, ocelové pásky nebo podobného zařízení. Hloubka podsekce se měří pomocí brodicí tyče, pokud to podmínky dovolí, nebo suspendováním sondážního závaží z kalibrovaného lanka a navijákového systému z mostu, lanovky nebo člunu nebo dírou vyvrtanou v ledu.

Vyvinuto na počátku 20. století a mnohokrát upraveno před rokem 1930. Zakoupeno od společnosti W. & amp L. E. Gurley Company, Troy, New York.
ID objektu: USGS-000458

Uznání: Justin Bongard, U.S. Geological Survey. Veřejná doména.

Rychlost proudu lze měřit pomocí měřiče proudu. Nejběžnějším měřičem proudu používaným USGS je měřič proudu Price AA. Proudový měřič Price AA má kolo šesti kovových kalíšků, které se točí kolem svislé osy. Elektronický signál je přenášen měřičem při každé otáčce, což umožňuje počítat a měřit otáčky. Protože rychlost otáčení kalíšků přímo souvisí s rychlostí vody, k určení rychlosti vody se používají časované otáčky. Měřič Price AA je určen k připevnění na brodivou tyč pro měření v mělkých vodách nebo k montáži těsně nad závaží zavěšeným na kabelovém a cívkovém systému pro měření v rychlé nebo hluboké vodě. V mělké vodě lze použít měřič proudu Pygmy Price. Jedná se o dvoupětinovou verzi měřiče ceny AA AA a je navržen k připevnění na brodivou tyč. Třetí mechanický měřič proudu, který je také variantou měřiče proudu Price AA, se používá k měření rychlosti vody pod ledem. Jeho rozměry mu umožňují snadno projít malým otvorem v ledu a má polymerové rotorové kolo, které brání ulpívání ledu a rozbředlého sněhu.

Akustický Dopplerův proudový profiler

Hydrologičtí technici US Geological Survey používají v rámci studie hmotnostní bilance fosforu akustický Dopplerův aktuální profiler k měření toku proudu na řece Boise v pamětním parku veteránů Boise.

Uznání: Tim Merrick, USGS. Veřejná doména

V posledních letech pokrok v technologii umožnil USGS provádět měření výbojů pomocí akustického dopplerovského proudového profilátoru (ADCP). ADCP používá principy Dopplerova jevu k měření rychlosti vody. Dopplerův jev je jev, který zažíváme, když projíždíme autem nebo vlakem, který zní jako houkačka. Jak auto nebo vlak projíždí, zvuk houkačky zřejmě klesá.

ADCP používá Dopplerův efekt k určení rychlosti vody vysláním zvukového impulsu do vody a měřením změny frekvence tohoto zvukového impulzu odraženého zpět do ADCP sedimentem nebo jinými částicemi transportovanými ve vodě. Změna frekvence nebo Dopplerův posun, která se měří pomocí ADCP, se převádí na rychlost vody. Zvuk se přenáší do vody z měniče na dno řeky a přijímá zpětné signály v celé hloubce. ADCP také používá akustiku k měření hloubky vody měřením doby trvání pulzu zvuku, aby dosáhl dna řeky zpět k ADCP.

Aby bylo možné provést měření průtoku, je ADCP namontován na člun nebo na malé plavidlo (výše uvedený diagram) s akustickými paprsky nasměrovanými do vody z vodní hladiny. ADCP je poté veden po povrchu řeky, aby získal měření rychlosti a hloubky přes kanál. Schopnost sledování dna akustických paprsků ADCP nebo globálního pozičního systému (GPS) se používá ke sledování postupu ADCP napříč kanálem a k měření šířky kanálu. Pomocí měření hloubky a šířky pro výpočet plochy a měření rychlosti je výboj vypočítán pomocí ADCP pomocí výboje = plocha x rychlost, podobně jako u konvenční metody měření proudu. Pro měření brodění byly rovněž vyvinuty měřiče akustické rychlosti (obrázek vlevo).

ADCP se ukázal být přínosem pro streamgaging několika způsoby. Použití ADCP snížilo čas potřebný k provedení měření výboje. ADCP umožňuje provádět měření výbojů za některých povodňových podmínek, které dříve nebyly možné. A konečně, ADCP poskytuje podrobný profil rychlosti a směru vody pro většinu průřezů namísto pouze v bodových místech s mechanickým měřičem proudu, což zlepšuje přesnost měření výboje.

Vztah fázového výboje

Proudy plynule měří stupeň, jak je uvedeno v části „Měřicí stupeň“. “Tento průběžný záznam stupně je převeden na říční vypouštění použitím vztahu fázový výboj (nazývaný také hodnocení). Vztahy fázový výboj jsou vyvinuty pro proudové proudy fyzickým měřením průtok řeky mechanickým měřičem proudu nebo ADCP v širokém rozsahu stupňů pro každé měření průtoku existuje odpovídající měření stupně. USGS provádí měření průtoku ve většině proudů každých 6 až 8 týdnů, což zajišťuje, že rozsah fáze a toky na proudovém tunelu se měří pravidelně. Zvláštní úsilí se věnuje měření extrémně vysokých a nízkých stupňů a toků, protože tato měření se vyskytují méně často. Vztah fáze a výboje závisí na tvaru, velikosti, sklonu a drsnosti kanálu na a každý je jiný.

Příklad vztahu USGS s fázovým výbojem.

Kontinuální záznam stupně je převeden na streamflow pomocí matematické hodnotící křivky. Křivka hodnocení (obr. 3) je grafické znázornění vztahu mezi fází a tokem pro danou řeku nebo tok. Počítače USGS používají tyto hodnotící křivky specifické pro dané místo k převodu údajů o hladině vody na informace o toku řeky.

Vývoj přesného vztahu fázového výboje vyžaduje četná měření výboje ve všech rozsazích stupně a průtoku. Kromě toho musí být tyto vztahy neustále kontrolovány proti probíhajícímu měření výboje, protože kanály proudu se neustále mění. Změny v proudových kanálech jsou často způsobeny erozí nebo usazováním korytových materiálů, sezónním růstem vegetace, úlomky nebo ledem. Ukázala by to nová měření výbojů vynesená na existujícím grafu vztahu fázového výboje a hodnocení by mohlo být upraveno tak, aby bylo možné odhadnout správný výboj pro měřený stupeň.

Převod informací o fázi na informace o toku dat

Většina streamgages USGS přenáší data fáze satelitem do počítačů USGS, kde se data fáze používají k odhadu toku toku pomocí vyvinutého vztahu fázového výboje (hodnocení). Informace o fázi jsou rutinně kontrolovány a kontrolovány, aby bylo zajištěno, že vypočítaný výboj je přesný. USGS má navíc zavedeny procesy kontroly kvality, které zajišťují srovnatelnou kvalitu tokových informací vykazovaných po celé zemi a jsou získávány a analyzovány pomocí konzistentních metod.

Většina informací o jevišti a streamflow produkovaných USGS je k dispozici online v téměř reálném čase prostřednictvím Web národního vodního informačního systému (NWIS). Kromě dat o streamování v reálném čase poskytuje web NWIS také přístup k denním vypouštěním a ročním maximálním vypouštěním po dobu záznamu pro všechny aktivní a ukončené streamgages provozované USGS.

Souhrn streamflow

Streamgaging zahrnuje získání kontinuálního záznamu stupně, provádění pravidelných měření výbojů, navázání a udržování vztahu mezi stupněm a výbojem a aplikaci vztahu fázového výboje k záznamu stupně k získání kontinuálního záznamu výboje. USGS poskytuje národu konzistentní a spolehlivé informace o toku dat po více než 115 let. Informace o toku USGS jsou zásadní pro podporu vodního hospodářství, řízení rizik, výzkumu životního prostředí a návrhu infrastruktury.


DIVA-GIS

DIVA-GIS je bezplatný počítačový program pro mapování a analýzu geografických dat (geografický informační systém (GIS)). S DIVA-GIS můžete vytvářet mapy světa nebo velmi malé oblasti, například pomocí státních hranic, řeky, satelitní snímek a umístění stránek, kde byl pozorován živočišný druh. Poskytujeme také bezplatná prostorová data pro celý svět, který můžete použít v DIVA-GIS nebo jiných programech.

Můžeš stažení program a přečtěte si dokumentaci.

DIVA-GIS je zvláště užitečný pro mapování a analýzu údajů o biologické rozmanitosti, jako je distribuce druhů nebo jiné „bodové distribuce“. Čte a zapisuje standardní datové formáty, jako jsou soubory tvarů ESRI, takže interoperabilita není problém. DIVA-GIS běží pouze na Windows.

Program můžete použít k analýze dat, například vytvořením mřížkových (rastrových) map distribuce biologické rozmanitosti, k nalezení oblastí, které mají vysokou, nízkou nebo doplňkovou úroveň rozmanitosti. Můžete také mapovat a dotazovat se na klimatické údaje. Distribuci druhů můžete předvídat pomocí modelů BIOCLIM nebo DOMAIN.


Metody

Sesuv půdy inventář

Inventarizační mapy sesuvů půdy ukazují umístění a také vlastnosti sesuvů půdy, které se v minulosti pohybovaly, ačkoli obvykle neukazují mechanismy, které je spustily. Inventarizační mapy proto poskytují užitečné informace o prostorovém rozložení míst existujících sesuvů půdy a potenciálu budoucích sesuvů půdy 40. Mapování sesuvů je obtížné v tropických horských prostředích, protože hustý růst vegetace zakrývá sesuvy půdy brzy poté, co k nim dojde 9.

Někdy je provádění zmírňujících opatření zdrženo kvůli nedostatečné a spolehlivé inventarizační mapě sesuvů půdy, což brání vyhodnocení nebezpečí a rizika sesuvu půdy. Využití dat dálkového průzkumu Země, jako je radar, optické satelitní snímky a interpretace leteckých snímků, jsou primární metody k získání důležitých a nákladově efektivních informací o poloze sesuvu půdy 14. Informace o sesuvu půdy pořízené z dálkově snímaných obrazů jsou spojeny zejména s morfologií, životem rostlin a hydrologickými podmínkami regionu 6.

Při zjišťování vlastností sesuvu půdy lze použít několik typů dat dálkového průzkumu Země, například produkty dálkového průzkumu Země, které zase odhalují skutečné morfodynamické vlastnosti sesuvů půdy 41. V této studii, publikované zprávy, terénní průzkumy, interpretace digitálních leteckých snímků (DAP) (měřítko 10 000–1: 50 000) za období 25 let, satelitní snímky WorldView1 z března 2011, data AIRSAR z listopadu 2004 byla použita pro těžba inventarizační mapy sesuvů půdy.

Tyto černobílé digitální obrázky s rozlišením = 0,54 m pixelu byly pořízeny v letech 1981–2006 a byly získány z archivů malajského oddělení geodetických a mapovacích služeb. Data družice WorldView-1, která má rozlišení 0,46 metru pro panchromatické pásmo, byla použita k detekci sesuvů půdy a ověření mapy inventáře sesuvů půdy získané z dat AIRSAR v oblasti studie. Data AIRSAR byla shromážděna přes studovanou oblast v listopadu 2004, během kampaně PacRim1. Tato datová sada má být porovnána s funkcemi sesuvu půdy generovanými z leteckých snímků a satelitních snímků WorldView-1, které jsou také generovány v referenčním systému UTM. Několik průzkumů pole a pozemních kontrolních bodů (GCP) bylo provedeno pomocí globálního pozičního systému (GPS) pro sběr mapovacích informací o místech sesuvu půdy (viz obrázek 2) a generování stereofonních modelů z dat digitálního leteckého snímkování.

Polní fotografie nedávno sesuvů a typů sesuvů, které byly pořízeny z terénních průzkumů od prvního autora (H. SH) (a) mělký translační sesuv půdy, (b) mělký posuvný úlomek trosek na straně silnice, (C) a (d) hluboko uložené sesuvné kameny. Šipka zobrazuje směr pohybu.

K identifikaci sesuvů půdy ve studované oblasti byly použity tři techniky. První technikou bylo přímé srovnání překrytím vektorových obrázků sesuvu půdy na rastrové obrázky DEM a AIRSAR. Druhou technikou bylo klasifikace snímků pomocí softwaru ENVI 4.8. Jedná se o oddělení sesuvů půdy od ostatních typů krajinného pokryvu v okolí. Poslední technikou je oddělení sesuvů půdy od ostatních typů krajinného pokryvu v okolí pomocí segmentace s následnou klasifikací. Tato technika byla prováděna pomocí softwaru s názvem „eCognition“. V softwaru eCognition jsou pixely segmentovány do obrazového objektu, takže proces klasifikace obrazu v tomto softwaru je založen spíše na obrazových objektech než na klasifikaci založené na pixelech, která byla dříve prováděna v softwaru ENVI 4.8 42.

Data použitá v segmentaci byla 1) C-, L- a P-pásmo (vlnové délky) se sedmi polarizačními (Chh, Lhh, Lvv, Lhv, Phh, Pvv a Phv) obrazy a 2) sklonový obraz. Při segmentaci byly použity informace o skupině pixelů uvnitř hranic sesuvu půdy. Mezi tyto informace patří: 1) Spektrální hodnoty pásma C, L a P a 2) Průměrný sklon oblasti. Tyto spektrální hodnoty mohou představovat spektrální podpisy sesuvů půdy. V segmentačních procesech využívajících software eCognition byly všechny tři pásma se sedmi polarizacemi a svahovým obrazem kombinovány, aby se identifikovaly sesuvy půdy v obrazech. Pokud lze identifikovat jeden existující sesuv půdy, lze jej použít v segmentovaném obrazu jako ukázkový polygon. Pomocí klasifikačních technik budou všechny ostatní polygony, které mají stejnou charakteristiku jasu pixelů a průměrného sklonu, zvýrazněny jako podobné 42.

Dále by měla být pomocí vhodné metody zkoumána účinnost a kvalita dat SAR a optických satelitních snímků. Pro přesnost získaného výsledku byla použita metoda odmocniny s druhou mocninou (RMSE) 43,44. Účinnost dat SAR a optických satelitních snímků se vypočítává na základě vzorce 43:

kde u je reziduální v X osa proti je reziduální v y osa.

Celková RMSE je poté odvozena jako (rovnice 2):

kde n je počet GCP u je reziduální v X osa proti je reziduální v y osa.

Celková RMSE byla vypočítána pro každou oblast, SAR a optické satelitní snímky na základě metody převzorkování nejbližšího souseda 45.

Konstrukce prostorové databáze

Shromažďování dat je hlavním krokem v mapování náchylnosti k sesuvům půdy, při kterém se extrahují příslušné faktory upravující sesuv půdy, aby se vytvořila prostorová databáze. Tyto procesy jsou následně hodnoceny pomocí vztahu mezi příčinnými faktory sesuvu půdy a sesuvu půdy a poté ověřením výsledků 25. Neexistují žádné univerzální pokyny týkající se výběru faktorů v mapování náchylnosti k sesuvu půdy. Jeden parametr může být důležitým řídícím faktorem pro sesuv půdy v určité oblasti, ale ne v jiné. Při výběru kauzálních faktorů je proto třeba brát v úvahu povahu studované oblasti a dostupnost údajů. Ke konstrukci prostorové databáze pomocí GIS, dat SAR a zpracování optických satelitních snímků bylo společně použito deset parametrů sklonu, aspektu, půdy, litologie, NDVI, krajinného pokryvu, vzdálenosti k silnici, vzdálenosti k odvodnění, srážek a vzdálenosti k poruše. Databáze se skládá z prostorových datových souborů vektorového typu odvozených ze softwarového balíčku Arc GIS 9.3.

V prvním kroku byl z modelu trojúhelníkové nepravidelné sítě (TIN) vyroben digitální výškový model (DEM) výzkumné oblasti pomocí AIRSAR DEM s velikostí pixelu 10 m. Sklon a parametry aspektu svahu byly získány z vygenerovaného AIRSAR DEM s velikostí pixelu 10 m. Kromě toho byla vzdálenost od drenáže vypočítána pomocí AIRSAR DEM. Zlomové linie a litologie byly odvozeny z geologické mapy v měřítku 1: 63 300 od oddělení minerálů a geověd v Malajsii. Také linie byly odvozeny ze strukturálních map a leteckých snímků. Vzdálenost od silnice byla vypočítána pomocí topografické mapy v měřítku 1: 25 000. Jako vzdálenost od silnice ve studované oblasti je zvolena 50 m nárazníková zóna, která je určena na základě sesuvů půdy po blízkost silnice. Půdní typy byly získány z půdní mapy v měřítku 1: 25 000. V tomto výzkumu byla zemská pokrývka extrahována ze satelitního snímku SPOT 5 dne 21. března 2010, který byl kalibrován pomocí pozemních kontrolních bodů (GCP) získaných během terénních prací. K vytvoření statistické charakterizace odrazivosti pro každou informační třídu mapy krajinného pokryvu byla použita metoda klasifikace supervize pomocí softwaru ENVI 4.8.

Kromě toho byla data SPOT 5 nejprve klasifikována do osmi hlavních typů krajinného pokryvu pomocí klasifikace s maximální pravděpodobností pod dohledem (MLC), a to tráva, primární les, kaučuk, kácení, sekundární les, osady, zemědělská plocha a vodní útvar. Terénní průzkum byl také použit k ospravedlnění přesnosti mapy krajinného pokryvu podle pořadí prostorového rozlišení SPOT 5 (

Navzdory předzpracování obrazu (georeferenční a orto-opravné, geo-opravné) na obrázcích SPOT 5 bylo pro další zlepšení přesnosti satelitních snímků použito 21 pozemních kontrolních bodů (GCP) získaných během terénních prohlídek. Satelitní snímek SPOT 5 byl také použit pro extrakci mapy indexu normalizované diferenční vegetace (NDVI). Hodnota NDVI byla vypočítána pomocí vzorce NDVI = (IR - R) / (IR + R), kde IR a Red jsou blízké infračervené (NIR) a červené pruhy, které jsou od 0,7 do 1 lm a 0,6 až 0,7 lm elektromagnetické spektrum. Hodnota NDVI, která indikuje přítomnost a intenzitu vegetace ve studované oblasti, byla rozdělena do deseti tříd.

Údaje o srážkách byly připraveny pomocí posledních 30 let (1981–2011) historických údajů o srážkách. V naší metodice jsme použili dlouhodobé srážky po dobu 30 let. Obrysová mapa průměrných ročních srážek je mapována z denních měření dat srážek. Pro prostorovou interpolaci na vrstevnicových mapách byla také použita metoda Kriging využívající Arc GIS 9.3. Vývojový diagram pro mapování náchylnosti k sesuvům půdy a prostorová data jsou zobrazeny na obrázku 3. Všechny faktory související se sesuvem půdy byly převedeny na rastrovou mřížku (buňky 10 × 10 m), která obsahovala 1725 řádků o 5621 sloupcích pro aplikaci tří různých GIS- založené na statistických přístupech včetně procesu analytické hierarchie (AHP), vážené lineární kombinace (WLC) a hodnocení prostorových multikriterií (SMCE).

Různé kroky přípravy mapy pro mapování náchylnosti k sesuvům půdy.

Modely mapování citlivosti na sesuv půdy

Analýza citlivosti na sesuv půdy byla provedena pomocí metod analytické hierarchie (AHP), vážené lineární kombinace (WLC) a metod hodnocení prostorového multikriteria (SMCE) v části Cameron Highlands v Malajsii pomocí statistických modelů založených na GIS a údajů dálkového průzkumu Země. Důvěryhodnost map byla také ověřena pomocí metod R-Index a ROC.

Proces analytické hierarchie (AHP) v analýzách citlivosti na sesuv půdy

AHP vyvinutý společností Saaty 17 je flexibilní nástroj pro analýzu komplikovaných problémů se zaměřením na výběr místa, územní plánování a analýzu náchylnosti k sesuvům půdy 21. AHP, což je multikriteriální rozhodování a vícecílový přístup, umožňuje aktivní účast subjektů s rozhodovací pravomocí, zejména manažerů, na racionálním dosažení dohody 46.

Tyto faktory jsou uspořádány v hierarchickém pořadí a číselné hodnoty k subjektivním úsudkům založeným na relativní důležitosti každého faktoru. Následně jsou tyto faktory syntetizovány a každý faktor je přiřazen podle jejich důležitosti 47. Kromě toho je pro využití AHP vytvořena vzájemná párová srovnávací matice. Každá vrstva založená na 9bodové hodnotící stupnici jsou vstupy do matice vyvinuté Saaty 48 (viz tabulka 1).

Obecně je specifikace hodnot faktorů vzájemně propojena s výběrem osoby s rozhodovací pravomocí. Nicméně v tomto výzkumu bylo jak stanovení možností rozhodování, tak srovnání parametrů založeno na srovnání inventárních map sesuvů půdy 18. Hmotnost každého faktoru z maticového váhového faktoru byla vynásobena jeho váhovou třídou. Výsledek mapy citlivosti je zjišťován faktory s vysokým lokálním zastoupením. These representations can be based on different parameters including natural (lithology, distance to faults, etc.), man-made (roads and other engineering structures), causal (slope, aspect, lithology, etc.) and triggering (precipitation, seismicity, etc.) 18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45,46,47,48,49 . The selection of the ten causal factors in this study is based on these mentioned four criteria and also data accessibility. In AHP approach, consistency ratio (CR) Eq. (3), is utilized to show the probability that the judgments matrix was randomly created 48 .

kde RI is the average of the resulting consistency index depending on the order of the matrix given by Saaty 48 and CI is the consistency index and can be expressed as Eq. (4)

where λmax is the largest or principal eigen value of the matrix and can be easily calculated from the matrix and n is the order of the matrix.

If the CR values were greater than 0.1, the AHP model was automatically rejected. The acquisitive weights were employed by using a weighted linear sum procedure. Furthermore, the acquisitive weights were employed to calculate the landslide susceptibility models 50 .

Weighted linear combination (WLC) in landslide susceptibility analysis

Weighted linear combination (WLC) is a hybrid between qualitative and quantitative methods 21 . WLC is based on the qualitative map combination approach (heuristic analysis). This technique is a popular method that is customized in many GIS and is applicable for the flexible combination of maps. Thus the tables of scores and the map weights can be adjusted based on the expert’s judgement in the domain. First, this method requires the standardization of the classes in each factor to a common numeric range. Each factor rating was based on the relative importance of each class according to field observations and existing literature, indicating the conditions as highly susceptible to slope failure 51 .

Primary-level weights and secondary-level weights are two types of parameters weights used 15 . The primary-level weights are rule-based whereby the ratings given to each class of a parameter is based on certain criteria. In this research, this criterion can be described as landslide density. In WLC method, the landslide density is a ratio between the area of landslide pixels situated inside a category of a specific factor divided by the total area of that category. The obtained result of this criterion is converted into percentage. The secondary-level (factor weights) determine the degree of exchange of one parameter versus another parameter based on opinion-based scores 21 . Both the parameters weights are combined to estimate landslide susceptibility and classify areas in relative susceptibility categories 21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45,46,47,48,49,50,51,52 .

Citlivost S (já, j) in each pixel (já, j) can be expressed as the combination of the product of primary and secondary level weights Eqs. (5 and 6) 52 :

kde is the primary-level weight of parameter k a y is the secondary-level weight of parameter k.

The weights of ‘proportional importance’ to each attribute map layer are directly affected by the decision-maker. A total score is then obtained for each alternative. This is done by multiplying the weight allocated to each attribute by the scaled value and summing the outputs of all attributes. In this method, highest overall score can be selected from the overall scores calculated for all of the alternatives 53 . The final steps for creating the landslide susceptibility map using WLC method is the combination of all weighted layers into individual maps. Then, landslide susceptibility zones were generated based on classification of the scores of these maps 21 . The WLC method can be performed using any GIS system that has overlay techniques.

Spatial multi-criteria evaluation (SMCE) in landslide susceptibility analysis

Spatial multi-criteria evaluation (SMCE) application helps and allows users to perform multi-criteria assessment in a spatial approach. In SMCE, the alternatives are locations in the form of points, lines, areas and grid cells. Therefore, criteria could occur in the form of maps 54 . Thus, SMCE is an applied science-based method that combines spatial analysis using GIS and multi-criteria evaluation (MCE) to transform spatial and non-spatial input which generates output decision 55 . Spatial multi criteria evaluation is considered as a procedure that includes the input layers, which are the spatial representation of the criteria. They are a ‘criteria tree’ that can be standardised, grouped and weighted. In addition, the input layers (resultant decision), need to be standardised from their original values to the value range of 0–1. Furthermore, the indicators have cartographic representations (natural and administrative polygons and pixel based raster maps) and different measurement scales (nominal, ordinal, interval and ratio) 23 .

The output of SMCE is one or more ‘composite index map(s), which indicates the extent to which criteria are met or not in different areas and thereby supports decision making 56 . The multi-criteria evaluation of AHP method has been used as the theoretical background of SMCE method. There are several phases in conducting the SMCE, such as problem tree analysis, standardization, weighting and map generation. Once all the criteria and related maps or attribute tables are entered in the criteria tree, the criteria have to be standardized. The values in the various input maps have different meanings and are probably showed in different units of measurement such as percentages, meters, distance in meters, land cover classes, etc. 24 . In order to standardize input maps in SMCE environment, one of the standardization methods such as numerical, Boolean and qualitative methods can be used.

The first step for standardizing map values is to convert the actual map values to a range between 0 and 1 by using a set of equations. The next step is the determination of each indicator for intermediate or overall objectives. Finally, the landslide conditioning factors are weighted by means of direct, pairwise and rank ordering comparison and the output is a composite index map 23 .


Background & Summary

Understanding the impact of climate change on water resource across different regions is highly dependent on hydrological model and data 1 . More accurate global river networks and catchment/sub-catchment boundaries are critical to more accurate water cycle simulation, water resource and risk assessments 2 . With the undeniable impacts of climate change and human activities, the processes and fluxes of terrestrial water cycle have undergone tremendous changes, which has had significant impacts on extreme hydrological events such as droughts and floods 3,4 , and induced a series of eco-environmental effects 5 , endangering the sustainable development of social economy and ecological environment 6 . It can be seen that the construction of a complete set of global river networks and corresponding water resources zones (WRZ) has been highly valued by the international communities, government departments and academia. Meanwhile, it has become a hot issue in current research on hydrology, water resources and climate change.

At present, scholars and institutions around the world have developed numerous hydrological spatial databases at national, continental and global scales. For example, Seaber et al. constructed the hydrological unit maps of the United States in 1987, which was adopted and affirmed by the Federal Government of the United States and the United States Geological Survey (USGS) 7 . In 1996, the Global River Network and Watershed Boundary Data Set (HRDRO 1 K), derived from the USGS’ 30 arc-second digital elevation model of the world (GTOPO30, about 1 km), has been produced by the EROS Data Center of the United States Geological Survey and the United Nations Environmental Program/Global Resources Information Database (UNEP/GRID) 8 . From 2006 to 2008, the World Wildlife Fund (WWF), the USGS, the International Centre for Tropical Agriculture (CIAT), the Nature Conservancy (TNC) and Kassel University in Germany have produced a global hydrological data and maps-based (HydroSHEDS) at multiple scales, from the 90-meter resolution data (SRTM) 9 . The “stream burning” method was employed to modify the surface elevation where only the large rivers and lakes located 10 . Based on the HydroSHEDS data and hydraulic geometry equations, Andreadis in 2013 developed a simple near-global database of bankfull widths and depths of rivers 11 . And Bernhard Lehner integrated and enhanced the HydroSHEDS with a new river network routing model (HydroROUT) 12 . In 2017, the USGS has developed a new global high-resolution hydrologic derivative database, entitled Hydrologic Derivatives for Modeling and Analysis (HDMA) 13 , based on HydroSHEDS, GMTED2010 (Global Multi-resolution Terrain Elevation Data 2010) and SRTM (Shuttle Radar Topography Mission) data.

Although a large number of river network data have been published, there are still some shortcomings in river accuracy, coding methods and so on. Firstly, the above river network and basin boundary are not accurate enough without sufficient manual verification. The main reason is that it is difficult to automatically obtain the correct digital river by using the original surface DEM data and GIS software, especially in inland and plain areas, due to the low spatial or vertical resolution of DEM and the lack of auxiliary data. Secondly, the codes of river network and its corresponding basin in these above datasets are different, or their stem-branch topology relationship is not clear, which hinders the use of data in hydrology and water resources research 14 . For example, Pfafstetter coding system is widely used as the river basin division method around the world currently 15,16 , which divides the hydrological units step-by-step from large to small and from coarse to fine. However, the Pfafstetter coding system does encode topologies using a numeric coding system but not fully refers to the tree structure of river network, which is not conducive to the subsequent calculation of river network relations when less than 9 division is applied 17,18,19 . Under these circumstances, the aim of this paper is to propose a series of methods for generating and coding a global high-precision river networks and corresponding WRZ at level 1 to 4.

This study describes the database entitled “A data set of global river networks and corresponding water resources zones divisions”, the SRTM DEM and the ASTER GDEM V2 data used to produce the river network and corresponding WRZ, based on our new method. The raster data were produced at 3-arcsecond resolution for most areas, except the Greenland and Antarctica. The derived streams and catchments are globally seamless and have been coded following our new coding system.


Study location and materials used

This research work was attempted in the fourth (4th) largest catchment of Papua New Guinea. The Markham catchment is located in the eastern part of main island. Most of the area falls under Morobe province and small portion in the north and north-east of the study area comes under Madang and Eastern highland province, respectively (Fig. 1). The study area includes a geographical area extending from 145°58′27.39″E to 147°02′22.01″E and 5°51′19.41″ S to 7°31′21.93″S. Markham river is originated from Finisterre range (5°51′36.31″S and 146°13′22.40″E) in the north and gets emptied into Huon Gulf (6°44′20″S 146°58′05″) in the east after 180 km of chequered path (Fig. 1). Erap and Watut are two major tributary rivers of Markham. Upper catchment area of Markham is dominated by dense forests, rugged topography and steep slopes. Lack of proper soil conservation and management measure are exacerbated by commercial logging, mining and small scale mining on the river for alluvial gold extraction. The study area is characterised with tropical hot and humid climate with an average rainfall of 4200 mm. Markham carries flows from the 12,450 km 2 catchment with huge mobile bed load ranging from fine silt to cobbles (Tilley et al. 2006).

Location map with details of slope and sub catchments of the study area

For this research three different satellite images during 1992 to 2009 were collected from earth explorer (http://www.earthexplorer.usgs.gov) to generate normalised differential vegetation index (NDVI) data base for different year (1992, 2001 and 2009). Digital elevation model (DEM) in 30 m spatial resolution was collected from Advanced Space Thermal Emission Radiometer (ASTER) mission to produce slope map of the study area. All other collateral information that were used in this study are given in Table 1. For RUSLE model different factors like rainfall erosivity factor (R), vegetation cover factor (C), soil erodibility factor (K), slope length & steepness factor (LS) and existing soil conversion measures factor (P) were used as a mandatory input parameters, which were developed using ArcGIS spatial analyst tool from rainfall, elevation and soil data base. On the other hand rate minimum and maximum of erosion in 30 degree slope area, NDVI, and slope data base were used to calculate rate of soil erosion through E30 Modelka.


Úvod

Soil erosion is an adverse hydro-geologic phenomena consisting of detachment and transportation of surface soil particles from its initial location to the nearby location for subsequent accumulation. Water plays the key role in the detachment, transportation, and deposition phase of soil erosion processes. The soil erosion process gets accelerated by considerable human activities across many places of the globe (Gabriels and Cornelis 2009). Moreover, poor land-use practices also lead to considerable increase in the soil erosion (Arnáez et al. 2015).

Globally, a number of soil loss assessment models have been developed by several researchers, but each model has its inherent limitations based on the input availability, scale of application, and involved degree of complexity (Chandramohan et al. 2015). Hence, no single soil loss prediction model can dispense any solid outcomes for assessing the soil erosion in a regional scale application. Many complex phenomena influencing the soil erosion process were hypothesized through simplified assumptions in order to smoothen the erosion modeling process. In the literature, a number of statistical/metric (empirical), conceptual (semi-empirical), and physical process-based (deterministic) models are existing those quantify the soil erosion process is filed to regional-scale applications (Nearing et al. 2005). However, the global applications are mostly confined to the use of empirical models due to extensive data requirements and lack of expertise of the modeler. The empirical universal soil loss equation (USLE) (Wischmeier and Smith 1965) is the most conventional soil erosion model, developed based on extensive experimental data in the USA condition. The USLE model mainly accounts for the soil loss process in the form of sheet erosion followed by rill erosion occurred over an agricultural watershed. Upon gradual advancement in the soil erosion modeling, the modified universal soil loss equation (MUSLE) proposed by Williams and Berndt (1977) addressed the underlying limitations involved in USLE, i.e., non-accountability of gully erosion process and inability to compute the sediment deposition. For estimation of sediment yield, USLE solely depends on the rainfall process but MUSLE predicts the same by incorporating the effect of runoff in the form of a peak runoff factor which is a consequence of antecedent moisture condition in a locality. Further, the revised universal soil loss equation (RUSLE) is extensively adopted for soil erosion risk assessment because of its flexibility in field-scale applications and serves as a conventional tool for conservational policy implementation (Kouli et al. 2009 Chen et al. 2011 Rawat et al. 2016 Mahala 2018).

The RUSLE estimates the average annual soil erosion over land surface by simple multiplication approach of several input factors, viz., rainfall erosivity factor (R), soil erodibility factor (K.), slope length and steepness, combinely known as topographic factor (LS), cover management factor (C), and conservation practice factor (P) (Renard et al. 1997). Further, from the management perspective, the sediment yield has more practical implications than the potential soil erosion in a locality. In past studies, the sediment yield was estimated for the catchment using USLE or RUSLE in conjunction with an empirical parameter called sediment delivery ratio (SDR) (Boomer et al. 2008 Alatorre et al. 2010). This factor determines the transferability of sediments from the hill slopes into the nearby streams responsible for the erosion process. The selected study region, i.e., Brahmani River basin is a highly industrialized basin, wherein extensive earthworks resulting in significant alteration to the natural soil regolith causing higher soil erosion. Moreover, the occurrence of frequent floods due to anthropogenic changes in the upstream of the Brahmani River induces profound soil detachment in the floodplain thereby moderates both detachment and transport process of soil erosion. The climate of a region corresponds to the long-term (≥ 30 years) average weather condition of a region. It accounts for acutely complex internal mechanisms associated with individual meteorological variables which are highly dynamic in nature. As defined by the intergovernmental panel on climate change (IPCC), the climate change points to an alternation in the existing climatic condition of a locality which can be detected (e.g., by some statistical means) by analyzing the change in the variability of individual climate variables that may persist for a prolonged period (IPCC 4th Assessment Report, Climate change 2007). Certainly, some of the associated factors of RUSLE model tend to alter its behavior in a climate change context hence, a significant variation will be observed in the soil erosion magnitude in the future time scales. This leads to the potential failure of the proposed policy (in baseline scenario) in the future time scales, and subsequently, the future time scales of the concerned location may experience landslide and flood havocs with very high periodicity. Ignoring these adverse consequences, a few past studies have quantified the climate change impact over catchment-scale soil erosion process with a lot of simplified assumptions.

From this extensive review, the following research gaps have been identified: (i) lack of studies in combining the RUSLE and geographical information system (GIS) approach to estimate the soil erosion potential in catchment-scale applications, (ii) a spatially distributed SDR estimation approach has not been adopted in soil erosion hazard studies, (iii) the past soil erosion modeling studies were carried out at a coarse spatial resolution which may lead to erroneous modeling outcomes, and (iv) no past studies quantified the soil erosion hazard under a climatic change context. Considering the above bottlenecks, this study tries to address the following research questions: (i) Will the GIS-RUSLE based soil erosion estimation approach provide a true insight about the catchment-scale erosion process? (ii) How useful will be the finer-scale (30 m) erosion modeling while implementing the conservation practices in critical areas? (iii) Does the SDR-based erosion assessment approach has an edge over the conventional RUSLE technique? (iv) What kind of variability in the soil erosion process could be expected in a changing future climatic scenario? Keeping these research questions in mind, the specific objectives of this study are (i) to develop an integrated GIS-based RUSLE approach to quantify the existing soil erosion potential in the Brahmani River basin, (ii) to estimate the actual soil loss (sediment yield) by a spatially distributed SDR approach over the basin, (iii) assessing the climate change impact on the soil erosion process using suitable general circulation model (GCM) for multiple future time scales.


Development of flood alert application in Mushim stream watershed Korea

Korea repeatedly experiences flash floods and droughts that cause traumatic environmental conditions with huge economic impact. Recently due to climate change, the frequency and magnitude of natural disasters associated with extreme hydrologic events increased rapidly in Korea. Floods caused the greatest damage among all natural disasters. To prevent this damage it is important to inform people about ongoing and upcoming flash flood events to avoid the loss of life and property. In this study hardware and software based smart technology is used to develop an early flood warning system for Mushim stream watershed to send to end users early flood warning messages about potentially impacted areas. Hydrologic Engineering Center's Hydrologic Modeling System (HEC-HMS) is the core of flood alert application provides the forecast with sufficient lead time and decides the threshold conditions of runoff/stage. Short range weather forecasts from Korea Meteorological Administration (KMA) at every three hours interval, are stored in hydro-meteorological database and fed in HEC-HMS for identification of flood risks. Server-Client based program used to visualize the real time flood condition and to deliver the early warning message. The findings of this study are expected to be used as basic data required for designing of flood mitigation measures at Mushim stream watershed to cope with the flash flood events in future. The flood hazard maps thus developed will be useful to policy-makers and responsible authorities, as well as to local residents in finding suitable measures for reducing flood risk in the study area.


Extension of a GIS procedure for calculating the RUSLE equation LS factor

The Universal Soil Loss Equation (USLE) and revised USLE (RUSLE) are often used to estimate soil erosion at regional landscape scales, however a major limitation is the difficulty in extracting the LS factor. The geographic information system-based (GIS-based) methods which have been developed for estimating the LS factor for USLE and RUSLE also have limitations. The unit contributing area-based estimation method (UCA) converts slope length to unit contributing area for considering two-dimensional topography, however is not able to predict the different zones of soil erosion and deposition. The flowpath and cumulative cell length-based method (FCL) overcomes this disadvantage but does not consider channel networks and flow convergence in two-dimensional topography. The purpose of this research was to overcome these limitations and extend the FCL method through inclusion of channel networks and convergence flow. We developed LS-TOOL in Microsoft's.NET environment using C♯ with a user-friendly interface. Comparing the LS factor calculated with the three methodologies (UCA, FCL and LS-TOOL), LS-TOOL delivers encouraging results. In particular, LS-TOOL uses breaks in slope identified from the DEM to locate soil erosion and deposition zones, channel networks and convergence flow areas. Comparing slope length and LS factor values generated using LS-TOOL with manual methods, LS-TOOL corresponds more closely with the reality of the Xiannangou catchment than results using UCA or FCL. The LS-TOOL algorithm can automatically calculate slope length, slope steepness, L factor, S factor, and LS factors, providing the results as ASCII files which can be easily used in some GIS software. This study is an important step forward in conducting more accurate large area erosion evaluation.

Hlavní body

► We presented an improved algorithm that can automatically calculate LS factors. ► Using slope steepness and channel networks breaks in calculating slope length. ► Calculate L factor under consideration of convergence flow. ► Our method corresponds more closely with the reality of the example catchment. ► We developed LS-TOOL application using C♯ with a user-friendly interface.


Podívejte se na video: ArcMap 10: How to delineate a watershed using a DEM: finally! watershed delineating! 3 of 4