Más

Rutas de archivo en una tabla PostGIS en QGIS

Rutas de archivo en una tabla PostGIS en QGIS


Tengo una tabla PostGIS en la que he almacenado la ubicación de algunas fotografías de puntos de vista. Me gustaría almacenar la ubicación del archivo de foto en un campo, pero cuando agrego una ruta de archivo en el cuadro de diálogo de la tabla de atributos en QGIS, QGIS / PostGIS elimina '' y espacios de la ruta.

¿Alguien puede ayudarme a averiguar por qué es esto? He hecho esto antes sin ningún problema.

Si ingreso los datos a través de pgAdmin, se encuentran en QGIS correctamente y puedo vincular las fotografías.


Intente citar dos veces sus caminos o escapar de sus barras. Cualquiera

"D:  Proyectos  picture.jpg">

En la tabla de atributos, debe escapar caracteres especiales como y espacio. Si tiene la siguiente ruta: "C: temp my path", debe ingresar

C:  temp  mi  ruta

De esta manera, también puede ingresar nuevas líneas " n" y pestañas " t" en un campo de texto.


Desglosar la densidad de población en diferentes componentes para comprender mejor su variación espacial

El tamaño y la densidad de la población son parámetros clave tanto en la ecología fundamental como en la aplicada, ya que afectan la resiliencia de la población a los procesos dependientes de la densidad, los cambios de hábitat y los eventos estocásticos. Por tanto, las medidas de gestión o los programas de conservación de especies eficientes requieren estimaciones precisas de las densidades de población local a lo largo del tiempo y el espacio, especialmente para las especies que se distribuyen continuamente. Para las especies sociales que viven en grupos, la densidad de población depende de diferentes componentes, a saber, el número de grupos y el tamaño del grupo, para lo cual las variaciones relativas en el espacio pueden originarse por diferentes factores ambientales. Aún se desconoce si las variaciones espaciales de densidad resultantes son provocadas principalmente por un componente o por el otro. Aquí, nuestro objetivo fue determinar la magnitud de la variación espacial en las densidades de población de una especie social que vive en grupo, es decir, el tejón europeo. Meles meles, en 13 sitios diferentes de alrededor de 50 km 2 en Francia, para descifrar si la densidad de los asentamientos, el tamaño del grupo o la proporción de variación de los asentamientos ocupados es el factor principal que explica la variación de la densidad. Además de los factores intrínsecos de la variación de la densidad, también evaluamos si las características del hábitat, como la fragmentación del hábitat, la urbanización y la disponibilidad de recursos, impulsaron tanto la variación espacial de los componentes de densidad como las densidades de población local.

Resultados

Propusimos un nuevo enfoque estandarizado que combina el uso de múltiples métodos, a saber, muestreo a distancia para estimar la densidad de grupos de asentamientos ocupados, es decir, densidad de grupo, y cámara y captura de cabello para identificación genética para determinar el tamaño medio del grupo social. La densidad de tejones adultos fue en promedio de 3,8 por km 2 (rango de 1,7 a 7,9 por km 2) y se correlacionó positivamente con la densidad de los conglomerados de sett. La densidad de tejones adultos por sitio estuvo menos relacionada con el tamaño del grupo social o con la proporción de grupos de asentamientos ocupados. La fragmentación del paisaje también explicó la variación espacial de la densidad de tejones adultos, con paisajes muy fragmentados que soportan densidades de adultos más bajas. Los componentes de densidad se vincularon de manera diferente a las variables ambientales.

Conclusiones

Estos resultados subrayan la necesidad de dividir las estimaciones de densidad de población en varios componentes en especies que viven en grupo para comprender mejor el patrón de variación temporal y espacial en la densidad de población, ya que los diferentes componentes pueden variar debido a diferentes factores ecológicos.


Introducción

Las emisiones gaseosas debidas a la producción de energía a partir de combustibles fósiles están contaminando la atmósfera gradualmente, lo que no solo disminuye la pureza del aire, sino que también afecta la salud humana. Los principales contaminantes de la combustión de combustibles fósiles son los gases de efecto invernadero, que incluyen dióxido de carbono, metano, benceno y óxidos de nitrógeno. Éstas son la principal causa del calentamiento global, la contaminación del aire y la contaminación del agua [1]. Para combatir el cambio climático, es necesario avanzar hacia energías limpias mientras se genera electricidad asequible. La generación de energía a través de fuentes de energía renovables (FER) desempeña un papel importante en la transformación del sector energético basado en combustibles fósiles hacia una energía verde sin emisiones de carbono mediante la producción de energía solar, eólica, hidroeléctrica y geotérmica [2]. Según las estadísticas proporcionadas por la Agencia Internacional de Energías Renovables, la capacidad global de generación de energía renovable aumentó en un 7,40%, lo que equivale a 176 GW, de 2018 a 2019 [2]. El crecimiento de la producción de energía renovable es espectacular, particularmente en India, donde se ha logrado un aumento del 27% en la producción de energía renovable en los últimos años, del cual el 43% corresponde al sector solar fotovoltaico (PV) [3]. El lanzamiento de la Misión Solar Nacional Jawaharlal Nehru (JNNSM) ha aumentado notablemente el despliegue de sistemas fotovoltaicos y ha dado como resultado una producción de energía solar de 32,53 GW, lo que convierte a la nación en el cuarto mayor generador de energía renovable [4]. Para 2022, JNNSM tiene un objetivo de producción de energía renovable de 175 GW, con 100 GW del sector solar según el informe de la Corporación de Energía Solar de la India (SECI) [5].

Dado que la luz solar es la principal fuente de producción de energía, la generación de energía a través de paneles fotovoltaicos está recibiendo atención en todo el mundo. Además, la disponibilidad de paneles de silicio técnicamente avanzados y una forma rentable de generar energía incluso en condiciones de poca luz motivan a los consumidores a la autogeneración. Sin embargo, la falta de disponibilidad de terreno para la instalación de sistemas fotovoltaicos montados en tierra a gran escala es el principal inconveniente. Por lo tanto, lograr la producción de energía solar objetivo solo a través de sistemas fotovoltaicos montados en tierra y en la azotea es bastante desafiante. Una de las soluciones alternativas para competir con el objetivo enmarcado por la nación es FPV, también llamado floatovoltaics, un solar fotovoltaico flotante (FSPV) o un sistema de cubierta solar flotante (FSCS) [6–8]. Esta nueva tecnología emergente en la que los paneles solares se colocan en la superficie del agua de estanques, lagos, lagunas, embalses y océanos muestra una mayor eficiencia en comparación con los sistemas fotovoltaicos montados en tierra [9]. El otro impacto ambiental significativo de colocar paneles fotovoltaicos en el agua es la reducción de la evaporación, que ayuda a ahorrar agua dulce para fines domésticos y agrícolas [10]. Los estudios revelaron que cubrir la superficie del agua tiene el potencial de mitigar la pérdida de agua por evaporación en ≤90% [11]. Esta tecnología altamente eficiente se había enfrentado a una implementación en tiempo real desde 2007 y desde entonces ha mostrado un crecimiento espectacular con una mayor eficiencia [12].

India tiene una gran cantidad de embalses y lagos naturales y artificiales. Debido al calentamiento global, el drástico aumento de la temperatura ha aumentado la pérdida de agua en los embalses abiertos debido a la evaporación [13]. Esto también afecta el rendimiento hidroeléctrico de una central hidroeléctrica (HEPP), que depende principalmente del agua almacenada en los embalses. En lugar de sistemas y tecnologías innovadores para reducir la evaporación del agua, la necesidad actual es un sistema existente simple con ventajas adicionales. La tecnología FPV abordará este problema de una mejor manera aumentando la producción de energía solar y preservando el agua para uso futuro. Al desplegar FPV en embalses con un HEPP, la producción total de energía que se suma a la hidroelectricidad puede incrementarse considerablemente [10]. Los estudios también confirmaron que cubrir & lt3% de las superficies de agua del embalse global puede aumentar considerablemente la generación de energía de un HEPP al 395,90% con 4800 horas de carga completa (FLH) [14]. Por lo tanto, instalar FPV como sistema de cobertura será útil para equilibrar la demanda de agua y energía en regiones áridas y semiáridas con limitación de agua, ya que se ha estimado aproximadamente que cada MWp puede ahorrar 25 000 metros cúbicos de agua al año [15]. Las investigaciones experimentales también han demostrado que el sistema FPV es técnicamente factible y económicamente viable para cubrir incluso la superficie total de agua de un depósito [16]. Sin embargo, la implementación de sistemas FPV a gran escala que cubren superficies enteras del reservorio restringe la irradiación entrante al cuerpo de agua que eventualmente degrada la calidad y la ecología del agua. Además, la implementación de un sistema FPV a gran escala requiere un almacenamiento mínimo de agua en un depósito para evitar varamientos [17]. Por lo tanto, considerando la generación de energía hidroeléctrica y la calidad del agua del embalse, se debe considerar una menor cobertura del embalse durante el diseño de los sistemas FPV.

La capacidad acumulada de los proyectos FPV en India ha alcanzado recientemente 2,70 MW y el país apunta a producir 1721 MW de energía renovable a través de los proyectos de la SECI, National Thermal Power Corporation, National Hydroelectric Power Corporation y empresas de distribución a nivel estatal y desarrollo urbano. autoridades [6, 8]. El primer sistema FPV en India se puso en servicio en el año 2014, con una capacidad de 10 kW en Bengala Occidental, tras lo cual la implementación de esta tecnología se había ampliado cada año hasta una capacidad acumulada actual de 2,70 MW [2, 6]. Según el análisis combinado de la Comisión de Transición Energética de la India (ETC) y el Instituto de Energía y Recursos (TERI), los cuerpos de agua con una superficie de

18 000 km 2 en los estados y territorios de la unión de la India tienen el potencial de implementar 280 GW de sistemas FPV [6]. La licitación acumulativa anunciada por el Gobierno de la India durante 2019 para las instalaciones de FPV con capacidad de 1700 MW se encuentra en etapa de desarrollo en diferentes estados del país. Teniendo en cuenta el alcance del desarrollo masivo en este sector, es obligatorio investigar el desempeño general de los sistemas FPV como cubierta de depósito para llegar a una solución de diseño amigable con el medio ambiente.

En este contexto, el presente estudio tiene como objetivo evaluar el rendimiento eléctrico del modelo FPV en un embalse de la India. El embalse de la presa de Mettur con plantas de energía hidroeléctrica en Tamil Nadu se selecciona como un caso de prueba. El embalse seleccionado es la principal fuente de agua para riego y beber para el distrito de Salem. La evapotranspiración potencial se calcula utilizando el método de Hamon para evaluar la pérdida de agua del depósito. La planta modelo FPV está diseñada para un área de cobertura de embalse menor para evitar obstáculos a la generación de energía hidroeléctrica y mantener la calidad del agua. El sistema también está diseñado con un espacio adecuado entre cada fila de la matriz FPV para mantener los servicios ecosistémicos positivos [18]. Los efectos de la variación en el ángulo de inclinación, los mecanismos de seguimiento y los mecanismos de montaje de las plantas modelo FPV se evalúan en detalle. Además, la huella de carbono y el costo del sistema FPV también se calculan para comprender la viabilidad ambiental y económica de esta tecnología. Finalmente, los beneficios de un HEPP-FPV híbrido se evalúan calculando los ahorros de agua directos e indirectos en el embalse y la planta modelo FPV se compara con las plantas FPV existentes en la India. Dado que Tamil Nadu Generation and Distribution Corporation (TANGEDCO) está planeando desplegar una planta FPV de 100 MW en el embalse de Mettur, los parámetros clave de diseño sugeridos en este estudio pueden ayudar durante las etapas de diseño e implementación del proyecto. La metodología simplificada seguida en el estudio también ayudará a evaluar el rendimiento general de las plantas FPV que se desplegarán en cualquier depósito en todo el mundo.


A.5 Datos de tráfico

La composición vehicular dividirá la simulación de tráfico como se muestra en la siguiente tabla. La simulación tiene tráfico para vehículos ligeros y vehículos pesados ​​en buen estado, por lo tanto, la composición vehicular debe dividir estas categorías y consideraciones:

  • Automóviles de pasajeros (PC) = 75% de los vehículos ligeros (LDV) de la simulación de tráfico.
  • Vehículos comerciales ligeros (LCV) = 10% del LDV de la simulación de tráfico.
  • Motocicletas (MC) = 15% de LDV en simulación de tráfico.
  • Vehículos pesados ​​en buen estado (HGV) = 75% de los vehículos pesados ​​(HDV).
  • Autobuses = = 25% de vehículos pesados ​​(HDV).
  • LCV y PC tienen vehículos con motores flexibles capaces de funcionar con cualquier mezcla de gasolina y etanol (Giroldo et al. 2005).
  • El tipo de combustible consumido consiste en gasolina mezclada con un 25% de etanol (E25).
  • La composición vehicular consiste en tipo de vehículos y tipo de combustible. Opcionalmente, el usuario podría tener una composición vehicular más amplia considerando más tamaños, peso bruto, etc.
  • Los porcentajes de composición se aplican a cada tipo de vehículo PC, LCV, HGV, BUS y MC.

Carros pasajeros

La composición vehicular consistió en PC usando E25, PC con motores Flex usando E25 y E100, y OC con motores para consumir solo E100. El PC con motores Flex ingresó al mercado brasileño en 2003, por lo tanto, al año 2015 los vehículos flex tienen 13 años de uso. En el otro caso, el PC con motores para E100 salió del mercado en 2007, por lo que el PC más nuevo con motor E100 tiene 9 años de uso.

Tabla 10.2: Composición vehicular de PC para aplicar en este libro
Vehículos Composición
PC_E25 37.25%
PC_FE25 22.26%
PC_FE100 37.97%
PC_E100 2.44%

Vehículos comerciales ligeros

El tipo de motor / combustible afecta de la misma manera a los vehículos comerciales ligeros con PC. Sin embargo, esta categoría tiene una fracción de vehículos que se conducen con diesel. En Brasil, todo el diesel se mezcla con aproximadamente el 5% de biodiésel, luego se denomina B5. La categorización de los nombres en LCV es similar a la de PC.

Tabla 10.3: Composición vehicular de LCV aplicada en este libro
Vehículos Composición
LCV_E25 39.13%
LCV_FE25 15.21%
LCV_FE100 25.90%
LCV_E100 1.18%
LCV_B5 18.58%

Vehículos pesados ​​buenos

HGV utiliza diésel mezclado con aproximadamente un 5% de biodiésel de caña de azúcar.

Tabla 10.4: Composición vehicular de vehículos pesados ​​aplicada en este libro
Vehículos Composición
SLT 8.38%
LT 25.50%
MONTE 15.28%
SHT 24.98%
HT 25.85%

En Brasil hay muchos tipos de buses, pero en este libro nos enfocamos en los más abundantes: Buses Urbanos, Buses Urbanos Pequeños y Autobuses de Autopista o Autocar. Según la Secretaría de Movilidad Urbana de São Paulo (Sptrans, http://www.sptrans.com.br/), la flota tiene una edad promedio de uso de 5 años y 5 meses. Para alcanzar esta edad promedio, la edad máxima de estos vehículos es de 10 años de uso.

Tabla 10.5: Composición vehicular de BUS aplicada en este libro
Vehículos Composición
UB 77.43%
SUB 9.07%
MEGABYTE 13.5%

Motocicletas

La composición vehicular consistió en Motocicletas que usan E25, y recnetmente, en el año 2010, ingresaron al mercado las motocicletas flex, las cuales pueden usar gasolina E25 o ethano E100. Por lo tanto, el flex MC más antiguo tiene 6 años.

Tabla 10.6: Composición vehicular de CM aplicada en este libro
Vehículos Composición
MC_150_E25 72.97%
MC_150_500_E25 11.28%
MC_500_E25 3.15%
MC_150_FE25 3.93%
MC_150_500_FE25 0.57%
MC_500_FE25 0.16%
MC_150_FE100 6.69%
MC_150_500_FE100 0.98%
MC_500_FE100 0.27%

Amato, F., X. Querol, C. Johansson, C. Nagl y A. Alastuey. 2010. "Una revisión sobre la eficacia de los supresores de polvo, lavado y barrido de calles como métodos de control de la gestión de residuos urbanos". Ciencia del Medio Ambiente Total 408 (16): 3070–84. doi: https: //doi.org/10.1016/j.scitotenv.2010.04.025.

Andrade, Maria de Fatima, Prashant Kumar, Edmilson Dias de Freitas, Rita Yuri Ynoue, Jorge Martins, Leila D Martins, Thiago Nogueira, et al. 2017. “Calidad del aire en la megaciudad de São Paulo: evolución en los últimos 30 años y perspectivas de futuro”. Ambiente Atmosférico 159. Elsevier: 66–82. doi: https: //doi.org/10.1016/j.atmosenv.2017.03.051.

Andrade, Maria de Fatima, Rita Y Ynoue, Edmilson Dias Freitas, Enzo Todesco, Angel Vara Vela, Sergio Ibarra, Leila Droprinchinski Martins, Jorge Alberto Martins y Vanessa Silveira Barreto Carvalho. 2015. “Sistema de pronóstico de la calidad del aire para el sureste de Brasil”. Fronteras en la ciencia ambiental 3. Fronteras: 1–12. doi: 10.3389 / fenvs.2015.00009.

Anselin, Luc. 1995. "Indicadores locales de asociación espacial: Lisa". Análisis geográfico 27 (2). Biblioteca en línea de Wiley: 93-115.

Arbor, A. 2003. "Guía del usuario de Mobile 6.1 y Mobile 6.2". División de Evaluación y Estándares, Oficina de Transporte y Calidad del Aire, USEPA, Michigan.

Baker, Monya. 2016. “¿Existe una crisis de reproducibilidad? Una encuesta sobre la naturaleza revela cómo los investigadores ven la ciencia que mueve la crisis y lo que creen que ayudará ". Naturaleza 533 (7604). Nature Publishing Group: 452–55.

Barlow. 2009. "Un libro de referencia de ciclos de conducción para su uso en la medición de las emisiones de vehículos de carretera". Transporte de Investigación Lalboratory.

Boian, Cláudia y Maria de Fátima Andrade. 2012. “Caracterización del transporte de ozono entre regiones metropolitanas”. Revista Brasileira de Meteorologia 27 (2). SciELO Brasil: 229–42.

Boulder, Colorado: UCAR / NCAR / CISL / TDD. 2017. “The Ncar Command Language (Ncl) (versión 6.4. 0)”. http://dx.doi.org/10.5065/D6WD3XH5.

Boulter y Barlow. 2009. “ARTEMIS: Informe final de evaluación y confiabilidad de modelos de emisiones de transporte y sistemas de inventario”. Transporte de Investigación Lalboratory.

Bruni, Antonio De Castro y Marcelo Pereira Bales. 2013. “Curvas de Intensidade de Uso Por Tipo de Vehículo Automotor Da Frota Da Cidade de São Paulo”. CETESB.

Oficina de Vías Públicas. 1964. "Traffic and Assignment Mannual". Washington D.C .: Departamento de Comercio, División de Planificación Urbana.

CETESB. 2015. “Emissões Veiculares No Estado de São Paulo 2014.”

———. 2016. “Emissões Veiculares No Estado de São Paulo 2016.”

Cambio, IPOC. 2006. “Directrices del Ipcc de 2006 para los inventarios nacionales de gases de efecto invernadero”. 2013-04-28]. Http://Www.ipcc-Nggip.iges.or.jp./public/2006gl/Index.html.

Chen, Rong-Horng, Li-Bin Chiang, Chung-Nan Chen y Ta-Hui Lin. 2011. "Emisiones de arranque en frío de un motor de Si que utiliza combustible mezclado con etanol y gasolina". Ingeniería Térmica Aplicada 31 (8). Elsevier: 1463–7.

colaboradores, OpenStreetMap. 2017. "Planet Dump. Obtenido de Https://Planet.osm.org". https://www.openstreetmap.org.

Cooley, David. 2018. Googleway: accede a las API de Google Maps para recuperar datos y trazar mapas.

Corvalán, Roberto M y David Vargas. 2003. “Análisis experimental de factores de deterioro de emisiones para vehículos catalíticos ligeros Estudio de caso: Santiago, Chile”. Investigación sobre transporte Parte D: Transporte y medio ambiente 8 (4). Elsevier: 315-22.

Corvalán, Roberto M, Mauricio Osses y Cristian M Urrutia. 2002. “Modelo de Emisión Caliente para Fuentes Móviles: Aplicación a la Región Metropolitana de la Ciudad de Santiago, Chile”. Revista de la Asociación de Gestión de Residuos y Aire 52 (2). Taylor y Francis: 167–74.

Davis, Nicole, James Lents, Mauricio Osses, Nick Nikkila y Matthew Barth. 2005. “Parte 3: Países en desarrollo: desarrollo y aplicación de un modelo internacional de emisiones de vehículos”. Registro de investigación de transporte: Revista de la Junta de investigación de transporte 8 (1939). Junta de Investigación de Transporte de las Academias Nacionales: 155–65.

Dijkstra, Edsger W. 1959. "Una nota sobre dos problemas relacionados con los gráficos". Numerische Mathematik 1 (1). Springer: 269–71.

Dowle, Matt y Arun Srinivasan. 2017. Data.table: extensión de "Data.frame". https://CRAN.R-project.org/package=data.table.

EJ-JRC / PBL. 2016. "Base de datos de emisiones para la investigación atmosférica global (Edgar), versión Edgar V4.3.1_v2 (1970 - 2010)". http://edgar.jrc.ec.europa.eu.

Eom, Jin, Man Park, Tae-Young Heo y Leta Huntsinger. 2006. "Mejoramiento de la predicción del tráfico diario promedio anual para instalaciones fuera de autopistas mediante la aplicación de un método estadístico espacial". Registro de investigación de transporte: Revista de la Junta de investigación de transporte 1 (1968). Junta de Investigación de Transporte de las Academias Nacionales: 20–29.

Fatima Andrade, Maria de, Regina Maura de Miranda, Adalgiza Fornaro, Americo Kerr, Beatriz Oyama, Paulo Afonso de Andre y Paulo Saldiva. 2012. “Emisiones de vehículos y Pm2. 5 concentraciones masivas en seis ciudades brasileñas ”. Calidad del aire, atmósfera y salud 5 (1). Springer: 79–88.

Freitas, Edmilson, Leila Martins, Pedro Silva Dias y María de Fátima Andrade. 2005. “Un módulo fotoquímico simple implementado en carneros para el pronóstico de concentración de ozono troposférico en el área metropolitana de São Paulo, Brasil: acoplamiento y validación”. Ambiente Atmosférico 1 (39). Elsevier: 6352–61.

Giroldo, Mauro Berti, Edward Werninghaus, Eugenio Coelho y William Makant. 2005. “Desarrollo del motor Flex Fuel 1.6l para el mercado brasileño”. En Documento técnico SAE. SAE Internacional. doi: 10.4271 / 2005-01-4130.

González, CM, CD Gómez, NY Rojas, H Acevedo y BH Aristizábal. 2017. “Impacto relativo de las emisiones industriales de contaminantes atmosféricos de origen puntual y vehicular en la carretera en una ciudad andina de tamaño mediano”. Ambiente Atmosférico 152. Elsevier: 279–89.

Goodwin, Pulles T, Ardenne J, Tooly L y Rypdal K. 2013. “EMEP / Eea Air Pollutant Emission Inventory Guidebook 2013: Inventory Managment, Improvement and Qa / Qc.” Informe técnico 2013, AEMA, Copenhague, Dinamarca.

Grell, Georg A, Steven E Peckham, Rainer Schmitz, Stuart A McKeen, Gregory Frost, William C Skamarock y Brian Eder. 2005. "Química 'en línea' totalmente acoplada dentro del modelo Wrf". Ambiente Atmosférico 39 (37). Elsevier: 6957–75.

Hoshyaripour, G., G. Brasseur, M.F. Andrade, M. Gavidia-Calderón, I. Bouarar y R.Y. Ynoue. 2016. “Predicción de la concentración de ozono a nivel del suelo en São Paulo, Brasil: modelos deterministas versus estadísticos”. Ambiente Atmosférico 145: 365–75. doi: http://dx.doi.org/10.1016/j.atmosenv.2016.09.061.

Ibarra, Sergio, Amanda Rehein, Angel Vara-Vela y Rita Ynoue. 2015. Simulación para la Región Metropolitana de Porto Alegre. Editado por Sergio Ibarra, Amanda Rehein, Angel Vara-Vela y Rita Ynoue.

Ibarra, Sergio, Rita Ynoue y Angel Vara-Vela. 2015. Inventario de emisiones y simulación atmosférica de 58 centros urbanos de América del Sur. Editado por Sergio Ibarra, Rita Ynoue y Angel Vara-Vela.

Ibarra-Espinosa, S., R. Ynoue, S. O’Sullivan, E. Pebesma, M. D. F. Andrade y M. Osses. 2017. "VEIN V0.2.2: Un paquete R para inventarios de emisiones vehiculares ascendentes". Debates sobre el desarrollo de modelos geocientíficos 2017: 1–29. doi: 10.5194 / gmd-2017-193.

———. 2018. "VEIN V0.2.2: Un paquete R para inventarios de emisiones vehiculares ascendentes". Desarrollo de modelos geocientíficos 11 (6): 2209-29. doi: 10.5194 / gmd-11-2209-2018.

Ibarra-Espinosa, Sergio. 2017. “Modelización de la contaminación atmosférica en São Paulo mediante inventarios ascendentes de emisiones de vehículos”. Tesis doctoral, Universidad de São Paulo.

Ibarra-Espinosa, Sergio, Edmilson Freitas, Rita Ynoue, Maria de Fátima Andrade y Daniel Schuch. 2018. “Hacia un Inventario Vectorial Global de Emisiones Vehiculares”. En 2018 Conjunto 14th iCACGP Quadrennial Symposium / 15th Igac Science Conference.

Ibarra-Espinosa, Sergio, Daniel Schuch y Edmilson Dias de Freitas. 2017. Eixport: un paquete R para exportar emisiones a modelos atmosféricos. https://CRAN.R-project.org/package=eixport.

Ibarra-Espinosa, Sergio, Daniel Schuch y Edmilson Dias de Freitas. 2018. "Eixport: un paquete R para exportar emisiones a modelos atmosféricos". La revista del software de código abierto. doi: 10.21105 / joss.00607.

Ihaka, Ross y Robert Gentleman. 1996. "R: Un lenguaje para análisis de datos y gráficos". Revista de estadística computacional y gráfica 5 (3). Taylor y Francis: 299–314.

J, Goodwin. 2013. “Guía de inventario de emisiones de contaminantes atmosféricos de EMEP / Eea 2013: análisis de categorías clave y elección metodológica”. Informe técnico 2013, AEMA, Copenhague, Dinamarca.

Jiménez, Jose L, Peter McClintock, GJ McRae, David D Nelson y Mark S Zahniser. 1999. "Potencia específica del vehículo: un parámetro útil para estudios de detección y emisiones remotas". En Noveno taller de emisiones de vehículos de carretera de Crc, San Diego, ca.

Koupal, John, Mitch Cumberworth, Harvey Michaels, Megan Beardsley y David Brzezinski. 2003. "Diseño e implementación de movimientos: modelo de emisión de fuente móvil de nueva generación de la EPA". Ann Arbor 1001: 48105.

Kurokawa, J., T. Ohara, T. Morikawa, S. Hanayama, G. Janssens-Maenhout, T. Fukui, K. Kawashima y H. Akimoto. 2013. “Emisiones de contaminantes atmosféricos y gases de efecto invernadero en las regiones asiáticas durante 2000-2008: Inventario regional de emisiones en Asia (Reas) versión 2.” Química y Física Atmosféricas 13 (21): 11019–58. doi: 10.5194 / acp-13-11019-2013.

Lam, William HK y Jianmin Xu. 2000. "Estimación de Aadt a partir de recuentos de períodos cortos en Hong Kong: una comparación entre el método de red neuronal y el análisis de regresión". Revista de transporte avanzado 34 (2). Biblioteca en línea de Wiley: 249–68.

Lents, James, Nicole Davis, Nick Nikkila y Mauricio Osses. 2004. “Estudio de Actividad Vehicular de São Paulo”. 605 South Palm Street, Suite C, La Habra, CA 90631, EE. UU .: Centro internacional de investigación de sistemas sostenibles.

Lowry, Michael. 2014. “Interpolación espacial de recuentos de tráfico basados ​​en la centralidad de origen-destino”. Revista de geografía del transporte 36. Elsevier: 98-105.

Lükewille, Anke, Melanie Tista y Roel Hoenders. 2017. “Informe del Inventario de Emisiones de la Unión Europea 1990-2010 en el marco de la Convención de la Unece sobre la contaminación atmosférica transfronteriza a larga distancia (Lrtap)”. Informe técnico de la AEMA.

Martins, Leila D, Maria F Andrade, Edmilson D Freitas, Angelica Pretto, Luciana V Gatti, Édler L Albuquerque, Edson Tomaz, Maria L Guardani, Maria HRB Martins y Olimpio MA Junior. 2006. “Factores de emisión para vehículos de gas que atraviesan túneles viales en São Paulo, Brasil”. Reinar. Sci. Technol. 40 (21). Publicaciones ACS: 6722–9. doi: 10.1021 / es052441u.

Matloff, Norman. 2011. El arte de la programación en R: un recorrido por el diseño de software estadístico. Sin prensa de almidón.

McGlade, J y S Vidic. 2009. “Guía de inventario de emisiones de contaminantes atmosféricos de EMEP / Eea 2009: Orientación técnica para preparar inventarios nacionales de emisiones”. Informe técnico 9/2009, AEMA, Copenhague, Dinamarca.

Mellios, G y L Ntziachristos. 2016. “EMEP / Eea Emission Inventory Guidebook Gasoline Evaporation from Vehicles”. Agencia Europea de Medio Ambiente, Copenhague.

Ministerio del Medio Ambiente. 2011. “Primeiro Inventario Nacional de Emissoes Atmosféricas Por Veiculos Automotores Rodoviarios”. Disponible en: http://www.mma.gov.br/estruturas/163/_publicacao/163_publicacao27072011055200.pdf.

Molina, Mario J y Luisa T Molina. 2004. “Megaciudades y contaminación atmosférica”. Revista de la Asociación de Gestión de Residuos y Aire 54 (6). Taylor y Francis: 644–80.

Muenchow, Jannes, Patrick Schratz y Alexander Brenning. 2018. “RQGIS: Integración de R con Qgis para geocomputación estadística”. Diario R. https://rjournal.github.io/archive/2017/RJ-2017-067/RJ-2017-067.pdf.

Nogueira, Thiago, Kely Ferreira de Souza, Adalgiza Fornaro, Maria de Fatima Andrade y Lilian Rothschild Franco de Carvalho. 2015. “Emisiones en carretera de carbonilos de vehículos propulsados ​​por mezclas de biocombustibles en túneles de tráfico en el Área Metropolitana de Sao Paulo, Brasil”. Ambiente Atmosférico 108. Pergamon: 88–97.

Ntziachristos, L y P Boulter. 2009. “EMEP / Eea Emission Inventory Guidebook Road Transport: Automobile Tire and Break Wear and Road Abrasion”. Agencia Europea de Medio Ambiente, Copenhague.

Ntziachristos, L y Z Samaras. 2016. “Guía de inventario de emisiones de EMEP / Eea Transporte por carretera: automóviles de pasajeros, camiones comerciales ligeros, vehículos pesados, incluidos autobuses y motocicletas”. Agencia Europea de Medio Ambiente, Copenhague.

Ntziachristos, Leonidas y Zissis Samaras. 2000. “Factores de emisión representativos dependientes de la velocidad para turismos con catalizador y parámetros de influencia”. Ambiente Atmosférico 34 (27). Elsevier: 4611–9.

Olivier, Johannes Gerardus Jozef, AF Bouwman, JJM Berdowski, C Veldt, JPJ Bloos, AJH Visschedijk, PYJ Zandveld, JL Haverlag y otros. 1996. "Descripción de la versión 2.0 de Edgar: Conjunto de inventarios de emisiones globales de gases de efecto invernadero y sustancias que agotan la capa de ozono para todas las fuentes antropogénicas y la mayoría de las fuentes naturales por país y en una cuadrícula de 1 grado X 1 grado". Rijksinstituut voor Volksgezondheid en Milieu RIVM.

Ortuzar, Juan de Dios y Luis G Willumsen. 2002. Transporte de modelado. Vol. 3. Wiley.

P, Boulter, Barlow T, Latham S y McCrae I. 2009. “Informe de factores de emisión 2009 1. Revisión de métodos para determinar los factores de emisión de gases de escape calientes para vehículos de carretera”. Transporte de Investigación Lalboratory.

Padgham, Mark y Andreas Peutschnig. 2018. Distancias de Dodgr en gráficos dirigidos. https://github.com/ATFutures/dodgr.

Padgham, Mark, Bob Rudis, Robin Lovelace y Maëlle Salmon. 2017. "Osmdata". La revista del software de código abierto 2 (14). El diario abierto. doi: 10.21105 / joss.00305.

Patrushev, AA. 2007. "Búsqueda de ruta más corta en redes de carreteras reales con pgRouting". Software gratuito y abierto de Soruce para software libre geoespacial.

———. 2018. "Funciones simples para R: soporte estandarizado para datos vectoriales espaciales". El diario R. https://journal.r-project.org/archive/2018/RJ-2018-009/index.html.

Pebesma, Edzer J. y Roger S. Bivand. 2005. "Clases y métodos para datos espaciales en R." R Noticias 5 (2): 9–13. https://CRAN.R-project.org/doc/Rnews/.

Pebesma, Edzer, Thomas Mailund y James Hiebert. 2016. "Unidades de medida en R." El diario R 8 (2): 486–94. https://journal.r-project.org/archive/2016-2/pebesma-mailund-hiebert.pdf.

Peng, Roger D. 2015. Programación R para ciencia de datos. Leanpub.com.

Pérez-Martinez, PJ, RM Miranda, T Nogueira, ML Guardani, A Fornaro, R Ynoue y MF Andrade. 2014. “Factores de emisión de contaminantes atmosféricos de vehículos medidos dentro de túneles viales en S ao Paulo: Comparación de estudios de caso”. En t. J. Environ. Sci. Te. 11 (8). Springer: 2155–68.

Pierce, David. 2017. Ncdf4: Interfaz para archivos de datos de formato Unidata netCDF (versión 4 o anterior). https://CRAN.R-project.org/package=ncdf4.

Pulles T, Kuenen J. 2013. “EMEP / Eea Air Pollutant Emission Inventory Guidebook 2013: Uncertainties”. Informe técnico 2013, AEMA, Copenhague, Dinamarca.

Pulles, Tim y Dick Heslinga. 2010. "El arte del inventario de emisiones". TNO, Utrecht.

Equipo de desarrollo de QGIS. 2017. Sistema de información geográfica QGIS. Fundación Geoespacial de Código Abierto. http://qgis.osgeo.org.

Equipo R Core. 2017. R: un lenguaje y un entorno para la informática estadística. Viena, Austria: R Foundation for Statistical Computing. https://www.R-project.org/.

Rafee, S. A. A. 2015. “Estudo Numerico Do Impacto Das Emissões Veiculares E Fixas Da Cidade de Manaus Nas Concentrações de Poluentes Atmosféricos Da Região Amazônica.” Tesis doctoral, Londrina: Universidade Tecnologica Federal do Parana.

Réquia Jr, Weeberb Joao, Petros Koutrakis y Henrique Llacer Roig. 2015. “Distribución espacial de los inventarios de emisiones de vehículos en el Distrito Federal, Brasil”. Ambiente Atmosférico 112. Elsevier: 32–39.

Robin, Lovelace, Nowosad Jakub y Muenchow Jannes. 2019. Documentos dinámicos con R y Knitr. 1ª ed. Boca Ratón, Florida: Chapman Hall / CRC. https://geocompr.robinlovelace.net/.

S., Ibarra-Espinosa. 2017. “Modelización de la contaminación atmosférica en São Paulo mediante inventarios ascendentes de emisiones de vehículos”. Tesis doctoral, São Paulo, Brasil: Instituto de Astronomia, Geofísica e Ciências Atmosféricas, Universidade de São Paulo.

Sapp, WJ. 1938. "Funcionamiento de un Departamento de Estudios de Planificación de Carreteras". Escuela de carretera anual.

Schuch, Daniel, Sergio Ibarra-Espinosa y Edmilson Dias de Freitas. 2018. "EmissV: Un paquete R para crear emisiones vehiculares y otras mediante métodos descendentes para modelos de calidad del aire". La revista del software de código abierto. http://joss.theoj.org/papers/10.21105/joss.00662.

Schuch, Daniel, Sergio Ibarra-Espinosa, Edmilson Drias de Freitas y Maria de Fatima Andrade. 2018. "EmissV: un preprocesador para el modelo Wrf-Chem". Revista de investigación en ciencias atmosféricas 1 (2): 35–45. http://ojs.bilpublishing.com/index.php/jasr.

Selby, Brent y Kara M. Kockelman. 2013. “Predicción espacial de los niveles de tráfico en ubicaciones no medidas: aplicaciones de Kriging universal y regresión ponderada geográficamente”. Revista de geografía del transporte 29. Elsevier: 24–32.

Snyder, Michelle G., Akula Venkatram, David K. Heist, Steven G. Perry, William B. Petersen y Vlad Isakov. 2013. "RLINE: A Line Source Dispersion Model for Near-Surface Releases". Ambiente Atmosférico 77: 748–56. doi: https: //doi.org/10.1016/j.atmosenv.2013.05.074.

Ulke, Ana G y M Fátima Andrade. 2001. “Modelización de la contaminación del aire urbano en Sao Paulo, Brasil: sensibilidad de las concentraciones previstas del modelo a diferentes parametrizaciones de turbulencia”. Ambiente Atmosférico 35 (10). Elsevier: 1747–63.

USA-EPA. 2016. “AP42 Compilación de Emisiones de Resuspensión de Factores de Emisión de Carreteras Pavimentadas”. Agencia de Protección Ambiental, EE. UU..

Vara-Vela, A. 2013. “Avaliação Do Impacto Da Mudança Dos Fatores de Emissão Veicular Na Formação de Ozônio Troposférico Na Região Metropolitana de São Paulo (RMSP)”. Tesis doctoral, São Paulo, Brasil: Instituto de Astronomia, Geofísica e Ciências Atmosféricas, Universidade de São Paulo.

Vara-Vela, A., M. F. Andrade, P. Kumar, R. Y. Ynoue y A. G. Muñoz. 2016. “Impacto de las emisiones vehiculares en la formación de partículas finas en el Área Metropolitana de São Paulo: un estudio numérico con el modelo Wrf-Chem”. Atmos. Chem. y Phys. 16: 777–97. doi: 10.5194 / acp-16-777-2016.

Vivanco, Marta G y Maria de Fátima Andrade. 2006. “Validación del Inventario de Emisiones en el Área Metropolitana de Sao Paulo de Brasil, Basado en Relaciones Ambientales de Concentraciones de Co, Nmog y Nox y en un Modelo Fotoquímico”. Ambiente Atmosférico 40 (7). Elsevier: 1189–98.

Wang, Xiaokun y Kara Kockelman. 2009. "Forecasting Network Data: Spatial Interpolation of Traffic Counts from Texas Data". Registro de investigación de transporte: Revista de la Junta de investigación de transporte 1 (2105). Junta de Investigación de Transporte de las Academias Nacionales: 100–108.

Weilenmann, Martin, Jean-Yves Favez y Robert Alvarez. 2009. "Emisiones de arranque en frío de automóviles de pasajeros modernos a diferentes temperaturas ambiente bajas y su evolución sobre las categorías de la legislación de vehículos". Ambiente Atmosférico 43 (15). Elsevier: 2419-29.

Wickham, Hadley. 2009. Ggplot2: gráficos elegantes para el análisis de datos. Springer Nueva York. http://had.co.nz/ggplot2/book.

———. 2015. Paquetes de R: organice, pruebe, documente y comparta su código. "O'Reilly Media, Inc."

Wickham, Hadley y Jennifer Bryan. 2017. Readxl: leer archivos de Excel. https://CRAN.R-project.org/package=readxl.

Wickham, Hadley y Winston Chang. 2017. Devtools: herramientas para facilitar el desarrollo de paquetes R. https://CRAN.R-project.org/package=devtools.

Wickham, Hadley y Lionel Henry. 2018. Tidyr: Ordena los datos fácilmente con las funciones "Spread ()" y "Gather ()". https://CRAN.R-project.org/package=tidyr.

Wickham, Hadley, Romain Francois, Lionel Henry y Kirill Müller. 2017. Dplyr: una gramática de manipulación de datos. https://CRAN.R-project.org/package=dplyr.

Zaveri, Rahul A y Leonard K Peters. 1999. "Un nuevo mecanismo fotoquímico de estructura agrupada para aplicaciones a gran escala". Journal of Geophysical Research: Atmósferas 104 (D23). Biblioteca en línea de Wiley: 30387–30415.

Zeileis, Achim, Christian Kleiber y Simon Jackman. 2008. "Modelos de regresión para datos de recuento en R." Revista de software estadístico 27 (8). Fundación para las estadísticas de acceso abierto: 1–25.

Zhao, Fang y Soon Chung. 2001. "Factores que contribuyen al tráfico diario promedio anual en un condado de Florida: exploración con sistemas de información geográfica y modelos de regresión". Registro de investigación de transporte: Revista de la Junta de investigación de transporte 1 (1769). Junta de Investigación de Transporte de las Academias Nacionales: 113–22.

Referencias

CETESB. 2015. “Emissões Veiculares No Estado de São Paulo 2014.”

Giroldo, Mauro Berti, Edward Werninghaus, Eugenio Coelho y William Makant. 2005. “Desarrollo del motor Flex Fuel 1.6l para el mercado brasileño”. En Documento técnico SAE. SAE Internacional. doi: 10.4271 / 2005-01-4130.


Akkar S, Bommer J (2010) Ecuaciones empíricas para la predicción de PGA, PGV y aceleraciones espectrales en Europa, la región mediterránea y Oriente Medio. Seismol Res Lett 81: 195-206

Araújo M, Castro J, Marques M (2015) Vulnerabilidade sísmica e perdas sobre a propriedade do parquet industrial edificado em aço para Portugal. X Congresso de Construção Metálica e Sísmica, Coimbra (en portugues)

Atkinson G, Boore D (2006) Ecuaciones de predicción del movimiento del suelo de terremotos para el este de América del Norte. Bull Seismol Soc Am 96 (6): 2181-2205

Azevedo J, Guerreiro L, Bento R, Lopes M, Proença J (2010) Vulnerabilidad sísmica de las líneas de vida en el área metropolitana de Lisboa. Bull Earthq Eng 8: 157–180. doi: 10.1007 / s10518-009-9124-7

Baker J, Cornell C (2006) Correlación de valores espectrales de respuesta para movimientos de suelo multicomponente. Bull Seismol Soc Am 96 (1): 215-227. doi: 10.1785 / 0120050060

Bazzurro P, Luco N (2005) Contabilización de la incertidumbre y la correlación en la estimación de pérdidas por terremotos. En: Actas de ICOSSAR'05: novena conferencia internacional sobre seguridad y confiabilidad estructural, Roma, Italia

Boore D, Atkinson G (2008) Ecuaciones de predicción del movimiento del suelo para el componente horizontal promedio de PGA, PGV y PSA amortiguado al 5% en períodos espectrales entre 0.01 sy 10.0 s. Earthq Spectra 24 (1): 99-138

Campbell KW (2003) Predicción de un fuerte movimiento del suelo utilizando el método empírico híbrido y su uso en el desarrollo de las relaciones suelo-movimiento (atenuación) en el este de América del Norte. Bull Seismol Soc Am 93: 1012–1033

Carvalho A (2008) Modelação estocástica da acção sísmica em Portugal continental. Doctor. tesis, Instituto Superior Técnico, Lisboa, Portugal (en portugues)

Carvalho A, Zonno G, Franceschina G, Bilé Serra J, Campos Costa A (2008) Escenarios de terremoto para el área metropolitana de Lisboa. Soil Dyn Earthq Eng 28: 347–364. doi: 10.1016 / j.soildyn.2007.07.009

Chang SE (1996) Impacto económico de la interrupción de la línea de vida en el terremoto de Hanshin-Awaji del 17 de enero de 1995. En: Actas de la undécima conferencia sobre ingeniería sísmica, México

Chang L, Elnashai A, Spencer B Jr (2011) Modelado de redes de transporte posterior al terremoto. Struct Infrastruct Eng 8 (10): 893–911

Crowley H, Bommer J (2006) Modelización de riesgo sísmico en modelos de pérdidas por terremoto con exposición distribuida espacialmente. Bull Earthq Eng 4: 249-273. doi: 10.1007 / s10518-006-9009-y

Crowley H, Bommer J, Stafford P (2008) Desarrollos recientes en el tratamiento de la variabilidad del movimiento del suelo en modelos de pérdidas por terremotos. J Earthq Eng 12 (2): 71–80

Delavaud E, Cotton F, Akkar S, Scherbaum F, Danciu L, Beauval C, Drouet S, Douglas J, Basili R, Sandikkaya MA, Segou M, Faccioli E, Theodoulidis N (2012) evaluación del peligro sísmico en Europa. J Seismol 16 (3): 451–473

Agencia Federal para el Manejo de Emergencias (FEMA) (2012) Hazus-MH 2.1 — manual técnico del modelo de terremoto. Departamento de Seguridad Nacional, Washington

Franchin P, Lupoi A, Pinto PE (2006) Sobre el papel de las redes de carreteras en la reducción de las pérdidas humanas después de los terremotos. J Earthq Eng 10 (2): 195–206

Jayaram N, Baker J (2009) Modelo de correlación para intensidades de movimiento del suelo distribuidas espacialmente. Earthq Eng Struct Dyn 38: 1687-1708. doi: 10.1002 / eqe.922

Kang WH, Song J, Gardoni P (2008) Método de confiabilidad del sistema basado en matrices y aplicaciones para puentear redes. Reliab Eng Syst Saf 93: 1584–1593

Karaca E (2005) Estimación de pérdidas por terremotos regionales: papel de la red de transporte, sensibilidad e incertidumbre y mitigación de riesgos. Doctor. tesis, MIT, Cambridge

Kiremidjian A, Stergiou E, Lee R (2007) Problemas en la evaluación del riesgo sísmico de las redes de transporte. Earthq Geotech Eng 6: 461–480

Lee R, Kiremidjian A (2007) Incertidumbre y correlación para la evaluación de pérdidas de sistemas distribuidos espacialmente. Earthq Spectra 23 (4): 753–770

McGuire RK (2004) Análisis de peligros y riesgos sísmicos. Instituto de Investigación de Ingeniería Sísmica Monografía MNO-10, Oakland

Miller M (2014) Evaluación de riesgo sísmico de sistemas de transporte complejos. Tesis de doctorado, Universidad de Stanford

Miranda J, Carrilho F (2014) 45 anos do sismo de 28 de Fevereiro de 1969. Instituto Português do Mar e da Atmosfera, Lisboa (en portugues)

Monelli D, Pagani M, Weatherill G, Danciu L, García J (2014) Modelado de sismicidad distribuida para análisis probabilístico de riesgo sísmico: implementación y conocimientos con el motor OpenQuake. Bull Seismol Soc Am 104: 1636–1649

Moreira V (1989) Sismicidad del margen continental portugués. En: Terremotos en los márgenes pasivos del Atlántico Norte: neotectónica y rebote postglacial. Serie ASI de la OTAN (Serie C: Ciencias matemáticas y físicas), vol 266. Springer, Dordrecht

Pagani M, Monelli D, Weatherill G, Danciu L, Crowley H, Silva V, Henshaw P, Butler L, Nastasi M, Panzeri L, Simionato M, Vigano D (2014) OpenQuake-engine: un software de peligro (y riesgo) abierto para el Modelo Global de Terremotos. Seismol Res Lett 85 (3): 692–702. doi: 10.1785 / 0220130087

Pitilakis K, Alexoudi M, Argyroudis S, Monge O, Martin C (2008) Vulnerabilidad y evaluación de riesgos de las líneas de vida. En: Oliveira CS, Roca A, Goula X (eds) Evaluación y gestión del riesgo sísmico. Ingeniería geotécnica, geológica y sísmica, vol 2. Springer, Dordrecht

Equipo de desarrollo de QGIS (2016) Sistema de información geográfica QGIS. Fundación Geoespacial de Código Abierto. http://qgis.osgeo.org

Shinozuka M, Murachi Y, Dong X, Zhu Y, Orlikowski MJ (2003) Rendimiento sísmico de las redes de transporte por carretera. En: Actas del taller China-EE. UU. Sobre la protección de la infraestructura urbana y los edificios públicos contra terremotos y desastres provocados por el hombre, Beijing, China

Shinozuka M, Zhou Y, Kim S, Murachi Y, Banerjee S, Cho S, Chung H (2005) Efectos socioeconómicos de la modernización sísmica implementada en los puentes de la red de carreteras de Los Ángeles. Informe final al Departamento de Transporte de California

Silva V (2016) Problemas críticos en el modelado de pérdidas de escenarios de terremotos. J Earthq Eng. doi: 10.1080 / 13632469.2016.1138172

Silva V, Crowley H, Pagani M, Monelli D, Pinho R (2014a) Desarrollo del motor OpenQuake, el software de código abierto del Global Earthquake Model para la evaluación de riesgos sísmicos. Nat Hazards 72 (3): 1409–1427

Silva V, Crowley H, Varum H, Pinho R (2014b) Evaluación de riesgo sísmico para Portugal continental. Bull Earthq Eng 13: 429–457. doi: 10.1007 / s10518-014-9630-0

Silva V, Crowley H, Bazzurro P (2015) Exploración de mapas de peligros específicos de riesgo para Europa. Earthq Spectra. doi: 10.1193 / 112514EQS198M

Sousa ML, Oliveira CS (1997) Mapeo de peligros basado en datos macrosísmicos considerando la influencia de las condiciones geológicas. Nat Hazards 14: 207–225

Stich D, Batlló J, Macià R, Teves-Costa P, Morales J (2005) Inversión del tensor de momento con sismogramas históricos de un solo componente: los terremotos de Benavente (Portugal) y Lambesc (Francia) de 1909. Geophys J Int 162: 850–858

Suo B, Cheng Y, Zeng C, Li J (2012) Cálculo de la probabilidad de falla de sistemas en serie y en paralelo para una probabilidad imprecisa. Int J Eng Manuf 2: 79–85. doi: 10.5815 / ijem.2012.02.12

Informe de referencia SYNER-G 1 (2013a) Metodología para la evaluación de la vulnerabilidad sísmica sistémica de edificios, infraestructuras, redes e impactos socioeconómicos. Informes científicos y políticos del Centro Común de Investigación (CCI). doi: 10.2788 / 69238

Informe de referencia SYNER-G 4 (2013b) Directrices para derivar funciones de fragilidad sísmica de elementos en riesgo: edificios, líneas de vida, redes de transporte e instalaciones críticas. Informes científicos y políticos del Centro Común de Investigación (CCI). doi: 10.2788 / 19605

Tierney K (1997) Impactos comerciales del terremoto de Northridge. J Contingencias Crisis Manag 5 (2): 87–97

Vilanova S, Fonseca J (2007) Evaluación probabilística de riesgo sísmico para Portugal. Bull Seismol Soc Am 97: 1702–1717

Vilanova S, Fonseca J, Oliveira C (2012) Modelos de movimiento del suelo para la evaluación de peligros sísmicos en el oeste de Iberia: restricciones de datos instrumentales y observaciones de intensidad. Bull Seismol Soc Am 102 (1): 169-184. doi: 10.1785 / 0120110097

Weatherill G, Silva V, Crowley H, Bazzurro P (2015) Explorando el impacto de las correlaciones espaciales y las incertidumbres para el análisis de cartera en la estimación probabilística de pérdidas sísmicas. Bull Earthq Eng 13 (4): 957–981. doi: 10.1007 / s10518-015-9730-5

Wells DL, Coppersmith KJ (1994) Nuevas relaciones empíricas entre magnitud, longitud de ruptura, ancho de ruptura, área de ruptura y desplazamiento de superficie. Bull Seismol Soc Am 84: 974–1002

Woessner J, Danciu L, Giardini D, Crowley H, Cotton F, Grünthal G, Valensise G, Arvidsson R, Basili R, Demircioglu MN, Hiemer S, Meletti C, Musson RW, Rovida AN, Sesetyan K, Stucchi M, The SHARE consorcio (2015) El modelo europeo de riesgo sísmico de 2013: componentes clave y resultados. Bull Earthq Eng 13 (12): 3553–3596. doi: 10.1007 / s10518-015-9795-1


RESULTADOS

Ixodes ricinus modelado.

(i) Mejor modelo. Entre los 56 modelos probados con varios parámetros, el mejor, según el procedimiento de clasificación, se obtuvo con los siguientes parámetros: (i) puntos de fondo seleccionados por debajo de 1.500 m de altitud (correspondientes a 6.049 / 10.000 puntos) (ii) un principal -Procedimiento de análisis de componentes (PCA) para evitar variables correlacionadas, con los componentes seleccionados para retener el 95% de la varianza (iii) una combinación de características lineales y cuadráticas y (iv) un valor de 5 para el parámetro constante de regularización. Los detalles de los modelos probados y sus correspondientes parámetros de evaluación están disponibles en la Fig. S5 en el material complementario. Luego, estos parámetros se utilizaron para probar la influencia de la elección del radio de amortiguación y el período de tiempo en el rendimiento de los modelos. La Figura 1 muestra el área bajo la curva de funcionamiento del receptor calculada en el conjunto de datos de prueba (AUCprueba) y suma de rangos obtenidos para cada combinación. De acuerdo con estos resultados, el mejor modelo se obtuvo extrayendo las variables ambientales en una zona de amortiguamiento con un radio de 100 m alrededor del punto de muestreo y para los 2 & # x02009 años (24 & # x02009 meses) anteriores a la fecha de muestreo. Tenga en cuenta que el rendimiento del modelo & # x0201ccombination & # x0201d fue muy similar, al igual que el rendimiento de los modelos obtenidos con una extracción para los 3 & # x02009 años anteriores a la fecha de muestreo y un radio de amortiguación de 100 my para los 2 años anteriores al muestreo. fecha con un radio de amortiguación de 200 m. Además, observamos para cada radio de amortiguamiento que los modelos eran más potentes al considerar las variables extraídas para los 2 o 3 & # x02009 años anteriores a la fecha de muestreo, en lugar de considerar las condiciones del año en curso o incluso períodos de tiempo más cortos. De manera similar, los modelos obtenidos al extraer las variables dentro de zonas de amortiguamiento de 100 o 200 m de radio siempre superaron a los demás modelos. El rendimiento de los modelos con variables extraídas solo en las coordenadas de muestreo (radio & # x02009 = & # x020090 m) fue mucho menor que cualquier modelo de zona de influencia, incluso aquellos con un radio mayor de 500 m. Retenemos el mejor modelo con variables extraídas en un búfer de radio de 100 my para los 2 años anteriores a la fecha de muestreo (Fig. 1). El área global bajo la curva (AUC) obtenida (con los datos de entrenamiento y prueba) fue de 0,794 y el AUC medioprueba obtenida a través de las 20 corridas fue 0,789. El umbral que maximiza la suma de sensibilidad y especificidad fue de 0,59. Usando este umbral, el error de omisión promedio en el conjunto de datos de prueba alcanzó el 23% y la tasa de omisión en el conjunto de datos independientes fue del 11%. El modelo estimó 31 coeficientes no negativos. La idoneidad mediana prevista para todas las ocurrencias utilizadas en el modelo fue 0,74 y la idoneidad mediana para ocurrencias independientes de 2018 y 2019 fue de 0,88.

Rendimiento de modelos que predicen la idoneidad del hábitat para Ixodes ricinus. (Izquierda) Valores de las AUCprueba y la suma de rangos en función del radio de amortiguamiento y el período de tiempo (en meses) considerado para la extracción de las variables ambientales. Para las AUCprueba, los puntos indican el valor medio calculado a través de las 20 corridas y las líneas corresponden a los intervalos de confianza del 95%. El modelo & # x0201ccombination & # x0201d se refiere al modelo derivado usando para cada variable ambiental la combinación de período de tiempo y radio de zona de influencia que mejor discrimina la presencia de tick & # x02019s de las ubicaciones de fondo (t prueba). (Derecha) Características del mejor modelo elegido según los mejores valores de los gráficos de la izquierda. OE_test es el error de omisión en las muestras de prueba y OE_indep los errores de omisión en los datos adicionales independientes disponibles para 2018 y 2019.

(ii) Variables efectivas. El procedimiento de navaja (Fig.2) indicó que las cuatro variables que contienen la mayor cantidad de información importante no disponible en las otras variables (el AUC más bajosin) fueron los siguientes: (i) dimensión 1 (AUCsin = 0,748) (ii) dimensión 12 (0,776) (iii) dimensión 8 (0,780) y (iv) dimensión 5 (0,784). Las cuatro variables que contienen la mayor cantidad de información importante por sí mismas (mayor AUCsolamente) fueron los siguientes: (i) la primera dimensión del PCA (AUCsolamente = 0,641) (ii) dimensión 12 (0,617) (iii) dimensión 21 (0,591) y (iv) dimensión 8 (0,582).

Resultados de Jackknife para el mejor modelo que predice la idoneidad de los hábitats para Ixodes ricinus. Las variables Dim1 a Dim26 corresponden a los componentes del PCA necesarios para retener el 95% de la varianza. AUCtotal corresponde al desempeño del modelo con todas las variables ambientales, AUCsolamente el desempeño con solo la variable ambiental mencionada en la primera columna, y el AUCsin siendo el rendimiento con todas las variables excepto la mencionada. La columna con + / & # x02212 indica el tipo de asociación entre el componente y la presencia de Ixodes ricinus (con una asociación positiva, cuanto mayor sea el valor de la dimensión PCA, mayor será la idoneidad para las garrapatas). La última columna muestra la variable ambiental bruta más correlacionada con la dimensión PCA, con el valor de la correlación indicado entre paréntesis (Temp, temperatura RH, humedad relativa Quant, cuantil Prec, precipitación Perc, porcentaje).

La dimensión 1 del PCA está fuertemente correlacionada positivamente con el promedio de las temperaturas medias mensuales (r& # x02009 = & # x020090.91), lo que indica que la presencia de Ixodes ricinus se ve favorecido por una temperatura media más alta. La dimensión 8 se correlaciona moderadamente con el porcentaje de hierbas y vegetación herbácea (r& # x02009 = & # x020090.57) y la temperatura media durante los tres meses consecutivos más secos (r& # x02009 = & # x020090.40). Su coeficiente negativo indica que un mayor porcentaje de vegetación herbácea o herbácea o valores más altos de temperatura durante los meses más secos son menos favorables para la presencia de garrapatas. La dimensión 12 se correlaciona moderadamente negativamente con el porcentaje de superficies artificiales (r = & # x022120.51) y se correlacionó positivamente con el rango del índice de vegetación de diferencia normalizada mensual (NDVI) (r& # x02009 = & # x020090.35). Esta dimensión también se asocia negativamente con la idoneidad del hábitat para las garrapatas, lo que indica que un mayor porcentaje de superficies artificiales y un rango más bajo de valores de NDVI son más favorables para la presencia de garrapatas. Ricinus. Finalmente, la dimensión 5 se correlaciona positivamente con el NDVI mensual medio (r& # x02009 = & # x020090.72) y el NDVI mínimo y máximo (r& # x02009 = & # x020090.55 y 0.52, respectivamente) y se correlaciona negativamente con el porcentaje de áreas acuosas (r = & # x022120.56). Su coeficiente positivo indica que las áreas con valores más altos de NDVI y menos agua son más favorables para las garrapatas.

(iii) Mapas de distribución. Los mapas de la distribución de Ixodes ricinus con los valores del índice de idoneidad pronosticados por el modelo en Suiza para junio de 2009 y junio de 2018 se muestran en la Fig.3. Las proyecciones correspondientes para el mes de junio de 2015, 2016, 2017 y 2019 están disponibles en la Fig. S6. Los resultados de junio de 2009 muestran que se prevé que el 16% del territorio suizo sea adecuado para la presencia de Ixodes ricinus cuando se utiliza el umbral que maximiza la suma de especificidad y sensibilidad (umbral & # x02009 = & # x020090.59). Las áreas adecuadas se localizan principalmente en terrenos cubiertos de vegetación arbórea (48,6% de todas las áreas adecuadas) sin embargo, el 26,6% se observan en hectáreas clasificadas estadísticamente como superficies artificiales. Además, la mayoría de las áreas adecuadas se encuentran entre 500 y 1000 m de altitud (53,04%) o por debajo de 500 m (46,5%). Solo el 0,46% del área favorable se encontró por encima de los 1000 m de altitud.

Mapas de idoneidad para Ixodes ricinus. Mapa de idoneidad para Ixodes ricinus en junio de 2009 (panel superior) y junio de 2018 (panel inferior) según lo predicho por el mejor modelo (es decir, con variables ambientales extraídas con una zona de influencia de radio de 100 my para los 2 años anteriores a la fecha de muestreo). Las áreas afectadas por las transiciones de idoneidad están representadas en el panel central.

En junio de 2018, se predijo que el 25% del territorio suizo sería apto para Ixodes ricinus (considerando un umbral de 0,59). Entre junio de 2009 y junio de 2018, el área adecuada prevista aumentó en más de 4000 & # x02009km 2 (Fig.3) y solo 31 & # x02009km 2 se volvieron inadecuados.La mayor idoneidad fue particularmente pronunciada en el valle Rh & # x000f4ne (Valais), en Surselva, en Simmental, en la frontera del Jura y en otros valles laterales de altitud media a alta (círculos en el mapa). La evolución de los componentes del PCA de 2009 a 2018 en estas áreas mostró que el aumento en la idoneidad estuvo generalmente asociado con un aumento en los valores de la dimensión 1 (temperatura más cálida), un aumento en la dimensión 5 (valores más altos del NDVI), una disminución en dimensión 12 (rango más bajo de valores del NDVI), y una disminución en la dimensión 8 (temperatura durante los meses más secos) en Valais y Jura (mientras que esta última dimensión muestra un aumento de los valores en Grisones). Las nuevas áreas aptas estaban compuestas principalmente por pasto y vegetación arbórea (40,8% cada una), con una gran proporción (64,8%) ubicada a una altitud entre 500 y 1.000 m (correspondiente, por ejemplo, a la altitud de las hectáreas aptas en el límite del Jura). o en el valle de Rh & # x000f4ne). También se observó un aumento de áreas aptas principalmente en bosques entre 1000 y 1500 m (8%). El modelo también predijo áreas adecuadas por encima de los 1.500 m. Por lo tanto, estos resultados destacaron una expansión de las áreas favorables hacia altitudes más altas.

Los mapas de distribución de Ixodes ricinus para los años 2015 a 2017 (Fig. S6) indican un aumento constante y drástico en la idoneidad, que es más alto entre 2017 y 2018. De hecho, el 15,7% del territorio suizo se pronosticó como apto en 2009, el 16,8% en 2015, el 16,2% en 2016, 17,6% en 2017 y 25,4% en 2018 (considerando un umbral de 0,59 para áreas aptas). Además, el mapa calculado para 2019 predijo un aumento importante de 2018 a 2019, con un 35% del territorio suizo pronosticado como adecuado en 2019. La propagación hacia una mayor altitud también se observó entre 2018 y 2019, con una altitud máxima para los favorables. áreas que alcanzaron los 1.595 m en 2019. Los resultados indican que desde 2018, existe una probabilidad relativamente alta de que las garrapatas alcancen tales altitudes.

Chlamydiales modelado.

(i) Mejor modelo. El mejor modelo para Chlamydiales bacterias, entre los 60 modelos probados con varios parámetros, se obtuvo con los siguientes parámetros: (i) el procedimiento & # x0201ccorrelation-VIF & # x0201d para seleccionar variables no correlacionadas (ii) una combinación de características lineales y cuadráticas y (iii) un valor de 1 para el parámetro constante de regularización. Los detalles de todos los modelos probados y sus correspondientes parámetros de evaluación están disponibles en la Fig. S7. Al igual que con el modelado de Ixodes ricinus, luego probamos la influencia de la elección del radio de amortiguación y el período de tiempo en el rendimiento de los modelos. La figura 4 muestra las AUCprueba y suma de rangos obtenidos para cada combinación. Según estos resultados, el modelo & # x0201ccombination & # x0201d superó a los demás modelos. A diferencia de los resultados obtenidos para Ixodes ricinus, los modelos para Chlamydiales obtuvieron mejores resultados cuando las variables se extrajeron para los 3 o 6 meses anteriores a la fecha de muestreo que cuando se consideraron 2 o 3 años antes del muestreo (Fig. 4). Además, la influencia del radio de la zona de influencia pareció ser mucho menos pronunciada que para los modelos de garrapatas. En consecuencia, conservamos el modelo & # x0201ccombination & # x0201d. Este modelo utilizó 17 variables no correlacionadas seleccionadas según el procedimiento & # x0201ccorrelation / VIF & # x0201d. La lista de estas variables, así como los resultados de la t prueba, se puede encontrar en la Fig. S8. Como el modelo & # x0201ccombination & # x0201d tiene como objetivo retener para cada variable la mejor combinación de radio de zona de influencia y período de tiempo, no todas las variables se seleccionan utilizando el mismo radio de zona de influencia o período de tiempo. Curiosamente, observamos que las variables utilizadas en el modelo implicaban un radio de amortiguación menor o igual a 200 mo superior a 1 & # x02009km (Fig. S8). Las características del modelo se resumen en la Fig. 4, a la derecha. El AUC global (con ocurrencias tanto de entrenamiento como de prueba) fue de 0,78 y el AUC medioprueba obtenido a través de las 20 carreras fue de 0,74. El umbral que maximiza la suma de sensibilidad y especificidad fue de 0,3. La idoneidad media para Chlamydiales ocurrencia en 2009 fue de 0,47 y la idoneidad media para los sitios donde Chlamydiales no se identificaron en 2009 fue 0,37. Para 2018, la idoneidad media en los puntos de ocurrencia fue de 0,46 y la idoneidad en sitios donde no Chlamydiales se identificaron fue de 0,15. El modelo estimó 35 coeficientes no negativos.

Rendimiento de modelos que predicen la idoneidad para Chlamydiales. (Izquierda) Valores de las AUCprueba y la suma de rangos en función del radio de amortiguamiento y el período de tiempo (en meses) considerado para la extracción de las variables ambientales. Para las AUCprueba, los puntos indican el valor medio calculado durante las 20 corridas y las líneas corresponden a los intervalos de confianza del 95%. El modelo & # x0201ccombination & # x0201d se refiere al modelo derivado usando para cada variable ambiental la combinación de período de tiempo y radio de zona de influencia que mejor discrimina la presencia de tick & # x02019s de las ubicaciones de fondo (t prueba). (Derecha) Características del mejor modelo elegido según los gráficos de la izquierda. La diferencia media 2009 y la diferencia media 2018 son las diferencias medias entre los valores medios de idoneidad previstos en Chlamydiales puntos de ocurrencia y en & # x0201cabsences, & # x0201d, es decir, ubicaciones donde no Chlamydiales se identificaron en 2009 y 2018, respectivamente.

(ii) Variables efectivas. Las cuatro variables que contienen la mayor cantidad de información importante que no estaba disponible en las otras variables (el AUC más bajosin) fueron (Fig.5) (i) el porcentaje de vegetación arbórea en una zona de amortiguamiento de 100 m (AUCsin = 0,75) (ii) el número de días sucesivos con una humedad relativa inferior al 80% durante los 3 & # x02009 meses anteriores al muestreo (0,77) (iii) el número de días sucesivos con una humedad relativa inferior al 70% durante los 6 & # x02009 meses muestreo anterior (0,77) y (iv) la distancia a los humedales dentro de una zona de amortiguamiento de 1 & # x02009km (0,77). Las cuatro variables que contienen la mayor cantidad de información importante por sí mismas (mayor AUCsolamente) fueron (i) el porcentaje de superficies artificiales en una zona de amortiguamiento de 100 m (AUCsolamente = 0,59) (ii) el número de días con una humedad relativa superior al 90% en una zona de amortiguamiento de 200 m durante los 2 años anteriores a la fecha de muestreo (0,57) (iii) la precipitación de los tres meses más fríos en una zona de 1,5 km amortiguador durante los 2 años anteriores al muestreo (0,55) y (iv) el porcentaje de vegetación arbórea en un amortiguador de 100 m alrededor del punto de muestreo (0,55).

Resultados de Jackknife para el mejor modelo que predice la idoneidad para Chlamydiales. La columna & # x0201cBuffer & # x0201d indica el radio de la zona de influencia alrededor del punto de muestreo y & # x0201cMonths & # x0201d el número de meses antes de la fecha de muestreo. La columna con + / & # x02212 indica el tipo de asociación entre la variable y la presencia de Chlamydiales (con una asociación positiva, cuanto mayor es el valor de la variable, mayor es la idoneidad para Chlamydiales). AUCtotal corresponde al desempeño del modelo con todas las variables ambientales, AUCsolamente el desempeño con solo la variable ambiental mencionada en la primera columna, y el AUCsin el desempeño con todas las variables excepto la mencionada. Perc, porcentaje de Temp, temperatura Prec, cantidad de precipitación 0,75, cuantil 0,75 RH, humedad relativa.

Las condiciones favorables para Chlamydiales por lo tanto, se caracterizaron por lo siguiente: (i) un menor porcentaje de superficies artificiales alrededor del punto de muestreo (7,8% en promedio para las ubicaciones de ocurrencias en una zona de amortiguamiento de 100 m versus 16,8% para las ubicaciones de fondo) (ii) un mayor porcentaje de vegetación arbórea (62,8% versus 53,1%) (iii) menor número de días con una humedad relativa superior al 90% durante los 2 años anteriores a la fecha de muestreo (21,1 versus 25,2) (iv) mayor cantidad de precipitación durante los meses más fríos (24,15 & # x02009mm versus 20,7 & # x02009mm) (v) un mayor número de días sucesivos con una humedad relativa inferior al 80% durante los tres meses anteriores (29,7 versus 27,1) e inferior al 70% durante los 6 meses anteriores (16 versus 14.4) y finalmente, (vi) una distancia más corta a los humedales (2.5 & # x02009km versus 3.1 & # x02009km).

(iii) Mapas de distribución. Los mapas de distribución de Chlamydiales con los valores de idoneidad pronosticados por el modelo en Suiza para junio de 2009 y junio de 2018 se muestran en la Fig.6. En junio de 2009, se pronosticó que el 8% del territorio suizo sería favorable para Chlamydiales bacterias (utilizando el umbral que maximiza la suma de sensibilidad y especificidad). Dado que el nicho de las bacterias está anidado dentro del nicho de la garrapata, modelar la idoneidad para Chlamydiales bacterias implicadas una multiplicación por los resultados de idoneidad para Ixodes ricinus. Por lo tanto, las áreas que se predice que serán desfavorables para la presencia de la especie de garrapata también se predice como débilmente aptas para Chlamydiales. Por el contrario, algunas áreas pronosticadas serán altamente favorables para la presencia de Ixodes ricinus en la Fig.3 no coincidió y mostró valores muy bajos en la Fig.6. Este es el caso de las áreas situadas dentro de asentamientos urbanos, para las cuales se predijo que una gran parte sería adecuada para las garrapatas pero no para las garrapatas. Chlamydiales. De hecho, la distribución de las áreas favorables para Chlamydiales dentro de las diversas categorías de clases de cobertura terrestre indica que se observan esencialmente en áreas naturales, cubiertas de vegetación arbórea (74%) o de pasto (12%), y solo el 4% de ellas se observan en regiones caracterizadas por una gran parte de elementos artificiales. Al considerar la distribución altitudinal, las áreas favorables para Chlamydiales parecen predecirse esencialmente en bosques aptos para garrapatas, entre 500 y 1000 m de altitud. Sin embargo, debido a otros factores que influyen en el modelo, en particular las condiciones climáticas, también se prevé que el 52% de esos bosques sean desfavorables para las bacterias.

Mapas de idoneidad para Chlamydiales en junio de 2009 (panel superior) y junio de 2018 (panel inferior) según lo predicho por el mejor modelo (es decir, con el conjunto de variables ambientales & # x0201ccombination & # x0201d). Las áreas afectadas por las transiciones de idoneidad están representadas en el panel central. Los puntos verdes muestran los sitios donde se tomaron muestras de las garrapatas, pero no Chlamydiales fueron identificados. Tenga en cuenta que, como se explica en el texto, estos sitios no pueden considerarse & # x0201cabsences reales & # x0201d.

En junio de 2018, se predijo que el 9% del territorio suizo era apto para la presencia de Chlamydiales. Entre junio de 2009 y 2018, más de 1.850 & # x02009km 2 se volvieron aptos para Chlamydiales, como se muestra en la Fig.6. Algunas regiones mostraron un fuerte aumento en los valores de idoneidad (más de 0,4). Sin embargo, más de 1.280 & # x02009km 2 también se estaban volviendo inadecuados. En 2018, la proporción de área adecuada dentro de las clases de cobertura terrestre fue cercana a la observada en 2009, sin embargo, hubo una clara propagación hacia una mayor altitud, con el 23% de las áreas favorables localizadas entre 1000 y 1500 m, en comparación con solo el 2% en 2009. Las nuevas áreas adecuadas coinciden con las de Ixodes ricinus en la Fig. 3 (Valle Rh & # x000f4ne, Surselva y el borde del Jura). También se predijo la expansión de áreas favorables hacia altitudes más altas, con un 45% de las nuevas hectáreas adecuadas ubicadas entre 1000 y 1500 m. La pérdida de áreas adecuadas ocurrió principalmente en la parte noroeste de Suiza y parece estar asociada con una disminución de las precipitaciones durante los tres meses más fríos junto con una disminución en el número sucesivo de días con una humedad relativa inferior al 70% durante los 6 meses anteriores. (15 de diciembre de 2017 al 15 de junio de 2018 en comparación con el 15 de diciembre de 2008 al 15 de junio de 2009).


MDTanaliza: comprensión de los modelos digitales de elevación cuando se enfrentan a flujos impulsados ​​por gravedad en un contexto de evaluación de peligros

El Modelo Digital de Elevación (DEM) es una de las entradas más importantes cuando se trabaja en simulaciones por computadora para definir áreas potencialmente afectadas por peligros de flujo impulsados ​​por la gravedad. En ocasiones solo hay un DEM disponible en el área de estudio, aunque hoy en día es más frecuente la disponibilidad de varios DEM diferentes de resolución y precisión variables, cuyas características no son necesariamente familiares para los usuarios. Esta disponibilidad puede aumentar durante eventos de emergencia en áreas de alto riesgo donde se pueden calcular DEM actualizados y más precisos cada pocos meses utilizando métodos menos costosos y más avanzados. Para diseñar mapas de peligro de flujo impulsados ​​por la gravedad, es fundamental comprender los cambios que pueden estar teniendo lugar en las simulaciones por computadora que utilizan varios DEM para obtener una comprensión general, por ejemplo, de la representación de la red de drenaje o cómo los cambios de resolución pueden hacer las trayectorias de flujo difieren y cómo esto puede afectar la interpretación de los mapas de peligro existentes que pueden mejorarse con el nuevo DEM y los mapas de base cartográfica. Para apoyar a los investigadores en estas tareas, se ha desarrollado una herramienta de software ANSI C simple y flexible llamada MDTanaliza. El objetivo de esta herramienta es analizar todas las posibles rutas de flujo impulsadas por la gravedad, recreando morfologías antiguas o nuevas y calculando varios parámetros morfométricos básicos diferentes para comprender y comparar los DEM disponibles en un área de estudio. También hemos desarrollado algunos enfoques innovadores para mejorar el análisis de la trayectoria del flujo impulsado por la gravedad: Llenando la depresión función para trabajar con DEM no sin depresión y para reducir el tiempo de cálculo del Interacción de la fuerza de la vía función que permite que las rutas de flujo anteriores impulsadas por la gravedad se consideren en el cálculo de la ruta siguiente y la Multiflujo restringido función para controlar la dispersión en el modelo de flujo multidireccional. Como ejemplo, se ha utilizado la zona de la cumbre del volcán Cotopaxi.

Esta es una vista previa del contenido de la suscripción, acceda a través de su institución.


Introducción

Si bien los ríos cubren & lt1% de las masas terrestres de la tierra, son invaluables para la biodiversidad y los servicios de los ecosistemas, como el agua potable y la producción de energía 1. Los ríos, por su característica estructura de red dendrítica, también integran información sobre el paisaje a través de la recolección y transporte de sedimentos, materia orgánica, nutrientes, químicos y energía 2,3. Por ejemplo, la información contenida en los sedimentos nos permite comprender cómo se forman y cambian los drenajes de los ríos con el tiempo como resultado del clima y las fuerzas tectónicas 4. Los ríos también actúan como pulmón del paisaje al liberar grandes flujos de CO2 derivado de macromoléculas de plantas terrestres, como la lignina y la celulosa, mediante la descomposición y el transporte de materia orgánica en partículas finas y gruesas 5. Las redes fluviales también juegan un papel importante en la configuración de patrones de diversidad genética y de especies para muchos organismos en el paisaje al dictar las vías de dispersión 6,7.

La materia orgánica en forma de ADN se produce a partir de organismos y también se transporta a través de los ríos a través de células, tejidos, gametos u orgánulos, y se denomina ADN ambiental (eDNA) 8,9,10. El ADN puede aislarse de estos restos de organismos en el agua, secuenciarse y asignarse de nuevo a la especie de origen mediante el método de metabarcoding de eDNA 10,11. Este elegante proceso de recolección y detección del ADN de una especie se está volviendo muy valioso para muestrear la biodiversidad en ecología y conservación 10,11,12,13,14,15,16,17. La señal espacial del eDNA, sólo se ha explorado recientemente y muestra que en los ríos el eDNA se puede transportar a grandes distancias 8,18. Por lo tanto, planteamos la hipótesis de que los ríos, a través de la agregación y el transporte de eDNA, actúan como cintas transportadoras de información sobre la biodiversidad que se pueden utilizar para estimar la riqueza de especies en amplias escalas espaciales y potencialmente a través de la interfaz tierra-agua.

La relevancia del muestreo de biodiversidad con eDNA que se encuentra en el agua de los ríos es doble. Primero, identificar los puntos críticos de biodiversidad es invaluable para priorizar los esfuerzos de conservación globales y regionales 19. Estimaciones de riqueza para establecer un lugar como hotspot o no haber sufrido por estar submuestreado 20. El submuestreo de la biodiversidad tiene muchas causas (y consecuencias) en la conservación y la ecología en general, pero principalmente proviene de los métodos de muestreo utilizados para estimar la riqueza de una manera agregada con respecto al espacio 21. Por ejemplo, un método clásico para estimar la riqueza de macroinvertebrados acuáticos en los ríos es utilizar un método kicknet, donde todos los individuos en una determinada área definida de un arroyo se recogen en una red 22. Muchas de estas muestras se toman y luego se agrupan para representar la riqueza de un tramo o cuenca fluvial completa. La combinación de muestras espacialmente autocorrelacionadas como esta provoca una subestimación de la biodiversidad en comparación con si cada especie se muestreara de forma independiente. Debido a que normalmente no es factible muestrear todas las especies de forma independiente, se recomienda la eliminación estadística del artefacto de muestreo 21. La estimación de la biodiversidad a través del eDNA es una forma potencial de muestrear cada especie independientemente del espacio a través de su ADN que se agrega y se transporta a través de la red de un río.

En segundo lugar, un método de eDNA de monitoreo de la biodiversidad en los ríos tiene varias ventajas, ya que no es letal para la mayoría de los grupos taxonómicos muestreados de manera clásica, minimiza la alteración del hábitat y puede evaluar la diversidad en todo el árbol de la vida con un protocolo de muestreo de un solo campo, lo que lo hace extremadamente costoso. eficaz. Por lo tanto, demostrar el poder de esta herramienta para monitorear la biodiversidad de grupos indicadores importantes en los ríos proporcionará una herramienta alternativa rápida, no letal y económica en comparación con los métodos clásicos.

La detección de toda la comunidad con eDNA se ha llamado el "cambio de juego" para el muestreo de biodiversidad 16, y en este estudio, trasladamos esta idea de la teoría a la práctica. Probamos la hipótesis de que el eDNA transportado en los ríos se puede utilizar de una manera sin precedentes para evaluar la biodiversidad de eucariotas. Validamos la capacidad de un método de metabarcoding de eDNA in vitro y en el lugar Evaluar comunidades de macroinvertebrados de importancia mundial y producir estimaciones de riqueza taxonómica que reflejen la biodiversidad de la cuenca hidrográfica de un río. Por último, demostramos que un gran número de phyla eucariotas de taxones acuáticos y terrestres pueden evaluarse a partir del eDNA en el agua de los ríos y respaldar la hipótesis de que los ríos son cintas transportadoras de información sobre la biodiversidad para los paisajes.


Resultados

Se encuestó a un total de 33 municipios urbanos a lo largo de la cara occidental de las montañas Wasatch. En promedio, los municipios tenían 19,64 km (desviación estándar [DE] = 30,63, rango = [0, 153,93]) de senderos todo terreno de superficie blanda. En promedio, los municipios tenían 2,10 (DE = 2,45) senderos y una densidad de senderos promedio de 0,54 km / km 2 (SD = 0,60).Excluyendo los municipios que no tenían un comienzo de sendero, los municipios con un comienzo de sendero tenían una densidad de sendero promedio de 0,78 km / km 2 (SD = 0,64) y un promedio de 3,63 senderos (SD = 3,92). Aproximadamente, dos de cada cinco municipios no tenían acceso a senderos dentro de su espacio de actividad (42,4%), y el 57% de estos no tenían senderos dentro de los 2 km de los límites municipales.

La densidad de senderos se observó en un patrón de agrupamiento significativo (I = 1.54, PAG = .06). Dado que este paso inicial se utiliza para justificar el proceder con un análisis más espacialmente local, la PAG se anota el valor, pero se considera lo suficientemente bajo para continuar con el análisis LISA. El número de cabezas de senderos no se agrupó significativamente (I = 0.06, PAG = .48) y parecía ser un patrón aleatorio. La densidad de senderos y el número de senderos se correlacionaron significativamente (r = 0.49, PAG = .004), lo que indica que un mayor número de senderos está relacionado con una mayor densidad de senderos. La Figura 3 muestra un grupo grande y positivo de densidad de senderos alrededor del área de Alpine / Pleasant Grove, lo que indica que estas áreas tienen una densidad de senderos significativamente alta, al igual que sus vecinos.

Figura 3. Grupos localizados de municipios urbanos de Utah con densidad de senderos.

El análisis muestra los resultados del análisis LISA, donde la primera palabra indica el municipio individual y la segunda palabra representa la medida agregada, o rezago, de sus vecinos (p. Ej., Highland [centro, azul] es bajo para la densidad de senderos y sus vecinos son altos para densidad de senderos).

La densidad de los senderos y los inicios de los senderos se sometieron a regresión en el conjunto de predictores a nivel municipal mediante regresión lineal múltiple. Se utilizó la eliminación hacia atrás para identificar las variables de este conjunto que fueron predictores significativos de la longitud del camino. La Tabla 1 presenta los modelos completos y reducidos para ambos conjuntos de modelos. Tanto la densidad de senderos como los inicios de senderos fueron predictores significativos para los modelos opuestos, debido a su naturaleza correlacionada. En el modelo reducido, el ingreso familiar promedio fue un predictor significativo de la densidad de los senderos y la elevación fue un predictor significativo de los inicios de los senderos.

Tabla 1. Predictores de la densidad de senderos y los inicios de senderos entre los municipios urbanos y montañosos de Utah.

Tabla 1. Predictores de la densidad de senderos y los inicios de senderos entre los municipios urbanos y montañosos de Utah.


Tendencias en el número del charrán crestado chino Thalasseus bernsteini, en peligro crítico, y del charrán crestado mayor T. bergii que anidan simpáticamente en el archipiélago de Matsu, Taiwán

El charrán crestado chino Thalasseus bernsteini (CCT) es probablemente la especie de ave marina en mayor peligro de extinción en Asia. Los archipiélagos Matsu, Penghu, Jiushan y Wuzhishan a lo largo de la costa de China, más el condado de Yeonggwang en Corea del Sur, son las cinco áreas donde se confirma que esta especie se reproduce actualmente. Según el censo y los datos históricos recopilados en el archipiélago de Matsu de 2004 a 2017, hubo un promedio de 10 ± 4 individuos adultos de TMC en el Refugio de Charrán de las Islas Matsu (MITR) durante la temporada de reproducción. CCT anidaba solo en asociación con el charrán con cresta mayor T. bergii (GCT) entre siete islas protegidas en el MITR, y el número de individuos reproductores observados de las dos especies se correlacionó positivamente (r = 0,59, P & lt 0,001). Usamos modelos lineales generalizados para examinar los efectos de las concentraciones de clorofila-a en los hábitats marinos circundantes, la frecuencia de los tifones y los cambios en la ubicación de la colonia durante la temporada sobre la variación interanual en el número de individuos reproductores y la productividad (proporciones de pollitos: adultos) de ambos. CCT y GCT en el MITR de 2004 a 2017. Las concentraciones medias de clorofila-a durante julio-agosto obtenidas del satélite MODIS se correlacionaron positivamente con el número máximo anual de GCT en el MITR, pero no con el de CCT. Además, encontramos que los eventos de abandono de nidos durante la incubación temprana en las colonias de especies mixtas se asociaron con cambios en la ubicación de la colonia durante la temporada y una cronología demorada de anidación, extendiendo así la anidación a la temporada alta de tifones durante julio y agosto. Los efectos de los cambios de colonia durante la temporada en la cronología de anidación y los efectos aditivos de los tifones causaron una disminución significativa en el éxito de reproducción de CCT durante el período de estudio. Proponemos un seguimiento más riguroso para determinar las causas fundamentales de los cambios de colonia de charranes durante la temporada y luego determinar las posibles soluciones. Además, la creación de programas educativos para aumentar la conciencia pública sobre la conservación de las aves marinas podría resultar beneficiosa.


Ver el vídeo: Using QGIS with PostGIS