METODOLOGÍA PARA LA CLASIFICACIÓN DE LA MORFOLOGÍA …

METODOLOGÍA PARA LA CLASIFICACIÓN DE

LA MORFOLOGÍA DE CORRIENTES APLICADA

A LAS CUENCAS PRIORIZADAS POR LA

GESTIÓN DEL RECURSO HÍDRICO EN

COLOMBIA

Mateo Parra Cuadros

Universidad de Antioquia

Facultad de Ingeniería

Medellín, Colombia

2021

https://co.creativecommons.net/wp-content/uploads/sites/27/2008/02/by-nc-sa.png

Metodología para la clasificación de la morfología de

corrientes aplicada a las cuencas priorizadas por la

gestión del recurso hídrico en Colombia

Mateo Parra Cuadros

Trabajo de investigación presentado como requisito parcial para optar por el título

de: Magister en Ingeniería Ambiental

Director

Esnedy Hernández Atilano

Asesor

Mario Alberto Jiménez Jaramillo

Línea de investigación:

Recurso Hídrico

Grupo de Investigación GeoLimna

Universidad de Antioquia

Facultad de Ingeniería, Escuela Ambiental

Medellín, Colombia

2021

iii

Agradecimientos

Dedicado a mis Padres y Hermanas quienes en mis momentos más abstraídos me

acompañaron y nunca dejaron de apoyarme. Especialmente a María Parra que me

motiva siempre a seguir adelante.

Agradezco a Esnedy Hernández y Karen Palacio por apoyarme y guiarme en todo el

proceso.

Al profesor Mario Jiménez quien dedicó su tiempo pacientemente para darme las bases

y motivación académica.

A los profesores Diana Agudelo, Jenny Machado, Juan Camilo Villegas, Nora Villegas

quienes me dieron muchos elementos conceptuales para la estructuración.

Al profesor Álvaro Wills por cuestionarme y despertarme el amor por esta carrera.

A Sergio Herazo, Juan Carlos Guzmán, Benjamín Atehortúa y Camilo Valderrama por

darme su tiempo para compartirles mis ideas y retroalimentármelas.

Al grupo de Investigación GeoLimna por acogerme y apoyarme a realizar este trabajo.

iv

Resumen

La clasificación de corrientes a partir de características morfológicas permite entender

una serie de vínculos entre procesos físicos, hidrológicos y sedimentológicos que

ocurren en la cuenca y sus efectos sobre la escala de tramo. No obstante, no hay un único

conjunto de variables que expliquen al mismo tiempo las diferencias morfológicas de

una corriente debido a la diversidad geológica, pedológica y climática que se presenta

entre las cuencas. En este sentido, se ha encontrado la necesidad de plantear

metodologías que permitan delimitar y clasificar los tramos de corriente en diferentes

lugares mediante diversos criterios. En este trabajo se integran procedimientos para la

delimitación automatizada de tramos de corriente a partir de puntos de cambio

significativos de pendiente, confinamiento, vegetación y sinuosidad. Se evalúa la

capacidad de cada criterio para predecir la ubicación de puntos supervisados de

cambio. Luego se usan los modelos de discriminante lineal (LDA) y árboles de decisión

(CART) para predecir el tipo de corriente de 159 tramos etiquetados con criterio de

expertos a partir de su caudal, grado de confinamiento, pendiente, potencia de la

corriente y área tributaria. Los métodos de segmentación presentan una confianza

entre el 50% y el 90% para delimitar los puntos supervisados. Los métodos de

clasificación predicen los tipos de corriente hasta un 41%. La metodología de

segmentación permite de manera automatizada dar un diagnóstico inicial de los

procesos diferenciados en la cuenca los cuales pueden tener mayor efectividad con

insumos de mayor resolución y corroboración en campo. Los métodos de clasificación

no permiten predecir satisfactoriamente los tramos de corriente por lo que se

recomienda recolectar mas información hidráulica de las cuencas para reentrenar y

validar los métodos.

Palabras Clave: Hidromorfología, Modelación Hidrológica, Gestión del Recurso

Hídrico, Machine Learning.

v

Abstract

The river classification based on morphological characteristics allows to understand

different links between physical, hydrological, and sedimentological processes that

occur in a basin and their effects on reach-scale. However, there is not a single set of

variables that simultaneously explain the morphological differences of a river due to

the geological, pedological and climatic diversity that occurs between the basins. In this

sense, the need has been found to propose methodologies to delimit and classify the

river reaches using different criteria. In this work, procedures for the automated

delimitation of stream sections are integrated from points of significant change in slope,

confinement, vegetation, and sinuosity. The ability of each criterion to predict the

location of supervised points of change is evaluated. Then the linear discriminant

analysis (LDA) and decision trees (CART) are used to predict the reach type of 159

sections based on their flow, degree of confinement, slope, stream power, and tributary

area. The segmentation methods have a confidence between 50% and 90% to delimit

the supervised points. Classification methods predict the reach types up to 41%. The

segmentation methodology allows in an automated way to give an initial diagnosis of

the differentiated processes in the basin which can have greater effectiveness with

inputs of greater resolution and corroboration in the field. Classification methods do

not allow for the satisfactory prediction of current ranges, so it is recommended to

collect more hydraulic information from the basins to retrain and validate the methods.

Keywords: Hydromorphology, Hydrological Modeling, Water Resource Management,

Machine Learning.

Contenido

Objetivos específicos ................................................................................... 17

Zona de estudio ........................................................................................... 31

Pendiente ...................................................................................................... 33

Confinamiento ............................................................................................. 35

Vegetación .................................................................................................... 41

Sinuosidad .................................................................................................... 43

Calibración y eficiencia de la segmentación ............................................ 44

Procesamiento de superficie de agua en las coberturas ......................... 46

Etiquetado de segmentos............................................................................ 47

Métodos de clasificación ............................................................................. 49

Agradecimientos .......................................................................................... iii

Resumen ........................................................................................................ iv

Abstract............................................................................................................ v

Introducción ................................................................................................. 14

1.1. Justificación......................................................................................................... 15

1.2. Antecedentes ...................................................................................................... 16

1.3. Objetivo general ................................................................................................. 17

Marco Teórico .............................................................................................. 18

2.1. Procesos geomorfológicos ................................................................................ 18

2.2. Clasificación hidromorfológica de corrientes ................................................ 19

2.3. Segmentación de redes de drenaje .................................................................. 23

2.4. Modelos predictivos de clasificación hidromorfológica .............................. 25

2.5. Marcos hidromorfológicos: Integración al diagnóstico ecosistémico ........ 28

Metodología ................................................................................................. 30

3.1. Información usada ............................................................................................. 31

3.2. Segmentación en tramos de corriente ............................................................. 32

3.3. Clasificación de tramos de corriente ............................................................... 47

Pendiente ...................................................................................................... 51

Confinamiento ............................................................................................. 56

Sinuosidad .................................................................................................... 66

Vegetación .................................................................................................... 70

Métodos unificados de segmentación ...................................................... 73

Variables predictoras .................................................................................. 76

Análisis Discriminante Lineal (LDA) ....................................................... 77

Árboles de decisión ..................................................................................... 79

Pendiente ...................................................................................................... 82

Confinamiento ............................................................................................. 83

Sinuosidad .................................................................................................... 84

Vegetación .................................................................................................... 85

Resultados ..................................................................................................... 51

4.1. Segmentación ..................................................................................................... 51

4.2. Clasificación ........................................................................................................ 76

Discusión ...................................................................................................... 82

5.1. Desempeño de los métodos de segmentación ............................................... 82

5.2. Desempeño de los métodos de clasificación .................................................. 86

Conclusiones ................................................................................................ 88

Referencias.................................................................................................... 90

Lista de figuras

Figura 2-1. Fotografía y vista en planta de los tipos de tramo. A) Coluvial, B) Cascada

C) Escalón pozo D) Lecho plano E) Pozo y rápido F) Trenzado G) Dunas onduladas

H) Lecho en roca. Adaptado de Bisson et al. (2017) y Montgomery y Buffington

(2013). ........................................................................................................................................................... 21

Figura 2-2. Influencia de las condiciones de la cuenca (topografía, flujo y suministro

de sedimentos) en los tipos de tramo de la corriente (texto azul) y las características

asociadas del tramo (ancho, profundidad, sinuosidad, gradiente de la corriente,

tamaño de grano). Los procesos dominantes se muestran para los flujos con detritos

y la influencia de la vegetación (elipses discontinuas), y se indican los tipos de

segmento de valle (coluvial, aluvial, lecho en roca). Tomado de Bisson et al. (2017).

......................................................................................................................................................................... 21

Figura 2-3. Clasificación de corrientes adaptadas a las corrientes italianas. Elaborado

de Rinaldi et al. (2013). ......................................................................................................................... 22

Figura 2-4. (A) En la parte superior se muestra el procedimiento general del paquete

FluvialCorridor. (B) En la parte inferior los objetos geográficos creados en las

diferentes etapas del proceso con las tablas que se generan en cada una. Tomado de

Roux et al. (2015). ................................................................................................................................... 24

Figura 2-5. Umbrales encontrados mediante atributos físicos para predecir la

tipología propuesta por Montgomery & Buffington (1997). (A) Beechie et al. (2006)

(B) Flores et al. (Flores et al., 2006) y (C) Altunkaynak et al. (2009). .............................. 27

Figura 3-1. Ruta metodológica. ........................................................................................................ 30

Figura 3-2. Ubicación de las cuencas de estudio con las estaciones de medición de

las variables hidráulicas. ..................................................................................................................... 32

Figura 3-3. Procedimiento general para la segmentación por pendiente. ................... 33

Figura 3-4. Pasos en la extracción y corrección de la elevación y cálculo de la

pendiente. .................................................................................................................................................. 34

Figura 3-5. Gráficas del perfil desde la cabecera (izquierda) y de la pendiente

(derecha) con los puntos de cambio significativo (línea roja discontinua). ................ 35

Figura 3-6. Procedimiento general para la segmentación por confinamiento con la

relación entre el ancho del valle y del canal activo. ............................................................... 36

Figura 3-7. Cálculo del confinamiento con el ancho del valle (Wac) y el canal activo

(Wc), los puntos de cambio se denotan de diferentes colores en el valle aluvial y en

rojo punteado en la gráfica. ............................................................................................................... 37

9


relación entre el ancho del valle y del canal activo. ............................................................... 38

Figura 3-9. Variables medidas para calcular el confinamiento con el ancho del valle

(Wac) y la amplitud del meandro (Am), los puntos de cambio se denotan de

diferentes colores en la red de drenaje y en rojo punteado en la gráfica. .................... 39


relación entre el HAND y el ancho hipotético de río trenzado. ....................................... 40

Figura 3-11. Cálculo del confinamiento con el ancho hipotético de río trenzado

(Wtrenz) y el ancho del polígono HAND (Whand), los puntos de cambio se denotan

de diferentes colores en el polígono extraído del HAND y en rojo punteado en la

gráfica. ......................................................................................................................................................... 41

Figura 3-12. Procedimiento general para la segmentación por cambios en la capa de

vegetación. ................................................................................................................................................. 41

Figura 3-13. Fondo del valle y red hídrica segmentada sobre las capas de vegetación,

los puntos de cambio se denotan de diferentes colores en el fondo del valle y en rojo

punteado en la gráfica. ......................................................................................................................... 42

Figura 3-14. Procedimiento general para la segmentación por cambios en la

sinuosidad. ................................................................................................................................................ 43

Figura 3-15. Cálculo de la sinuosidad, los puntos de cambio se denotan con

diferentes colores en la red hídrica y en rojo punteado en la gráfica. ........................... 44

Figura 3-16. Muestra de resultados del test de confianza y sensibilidad propuestos

por Orlandini (2011).............................................................................................................................. 46

Figura 3-17. Proceso de reemplazo de la cobertura de superficie de agua dentro del

valle aluvial. .............................................................................................................................................. 47

Figura 3-18. Información dada en la encuesta para etiquetar cada tramo. ................. 48

Figura 3-19. Opciones de tipología de los tramos de corriente con su respectiva

descripción en el formulario. Adaptado de Buffington et al. (2013). ............................. 49

Figura 4-1. Calibración con los test de sensibilidad y confianza de los valores de

Alpha del Test de Hubert, señalando el valor elegido para (A) Poblanco y (B)

Sinifaná. En la tabla los modelados coincidentes (MC), falsos supervisados (FS) y

falsos modelados (FM) para el Alpha de Hubert elegido en cada cuenca. ................. 52

Figura 4-2. Red de drenaje con puntos de cambio de pendiente para el río Poblanco

(A) y Sinifaná (B), los modelados coincidentes (MC), falsos supervisados (FS) y falsos

modelados (FM), en rojo se señalan los perfiles extraídos de cada cuenca ilustrados

en las figuras siguientes. ..................................................................................................................... 53

Figura 4-3. Perfiles más cortos del río Poblanco (A) y Sinifaná (B), se muestran las

alturas en línea continua con los filtros de mediana e interpolación lineal (en azul

10

claro) y de las alturas sin modificar del DEM (en naranja). También se muestran en

línea punteada los cambios de pendiente supervisados (en verde), los modelados

(en rojo) y las confluencias (en azul oscuro). ............................................................................. 54

Figura 4-4. Variación de la pendiente en el perfil en línea continua (azul claro).

Cambios de la pendiente en los perfiles del río Poblanco (A) y Sinifaná (B), los

supervisados (en verde), los modelados (en rojo) y las confluencias (en azul oscuro)

en líneas punteadas, .............................................................................................................................. 55





Figura 4-6. Red de drenaje con puntos de cambio de confinamiento con la relación

entre el ancho del valle y canal activo para el río Poblanco (A) y Sinifaná (B), los

modelados coincidentes (MC), falsos supervisados (FS) y falsos modelados (FM), en

rojo se señalan los perfiles extraídos de cada cuenca ilustrados en las figuras

siguientes. .................................................................................................................................................. 58

Figura 4-7. Variación del confinamiento de la relación entre el ancho del valle y el

canal activo en el segmento en línea continua (azul claro). Cambios del

confinamiento en los segmentos del río Poblanco (A) y Sinifaná (B), los supervisados

(en verde), los modelados (en rojo) y las confluencias (en azul oscuro) en líneas

punteadas................................................................................................................................................... 59






entre el ancho del valle y la amplitud del meandro para el río Poblanco (A) y Sinifaná

(B), los modelados coincidentes (MC), falsos supervisados (FS) y falsos modelados

(FM), en rojo se señalan los perfiles extraídos de cada cuenca ilustrados en las figuras

siguientes. .................................................................................................................................................. 62

Figura 4-10. Variación del confinamiento de la relación entre el ancho del valle y la

amplitud del meandro en el segmento en línea continua (azul claro). Cambios del



punteadas................................................................................................................................................... 63



11







siguientes. .................................................................................................................................................. 65





punteadas................................................................................................................................................... 66









siguientes. .................................................................................................................................................. 69





punteadas................................................................................................................................................... 70





Figura 4-18. Red de drenaje con puntos de cambio de vegetación para el río Poblanco

(A) y Sinifaná (B), los modelados coincidentes (MC), falsos supervisados (FS) y falsos

modelados (FM), en rojo se señalan los perfiles extraídos de cada cuenca ilustrados

en las figuras siguientes. ..................................................................................................................... 72

Figura 4-19. Variación de las coberturas en los perfiles más cortos. Las coberturas

presentadas son Territorios artificializados (1), Territorios agrícolas (2) y Bosques y

áreas seminaturales (3). El segmento en línea continua (azul claro) es la cobertura

12

predominante en cada tramo del río Poblanco (A) y Sinifaná (B), los puntos de

cambio supervisados (en verde), los modelados (en rojo) y las confluencias (en azul

oscuro) en líneas punteadas. ............................................................................................................. 73

Figura 4-20. Red de drenaje con la unificación de los puntos de cambio el río

Poblanco (A) y Sinifaná (B). ............................................................................................................... 75

Figura 4-21. Histogramas y correlogramas de las variables predictoras para la BD1

(Superior) y BD2 (Inferior). ................................................................................................................ 76

Figura 4-22. Importancia relativa de cada variable en el modelo CART. .................... 80

Figura 4-23. Algoritmo para entrenamiento del 70% de los datos y la validación con

el 30%, las variables seleccionadas en este caso son Con (confinamiento) y S

(pendiente), donde se logra una predicción del 47% del etiquetado. ............................ 80

Figura 4-24. Árboles de clasificación con tres niveles (CART Nivel 3) para las

combinaciones con mayor porcentaje de predicción: En la BD1 el confinamiento y

pendiente alcanzan un 41.18% (superior) y en la BD2 la potencia y pendiente

alcanzan un 33.3% (inferior).............................................................................................................. 81

Figura 5-1. Red de drenaje con puntos de cambio de confinamiento sobre el mapa

de morfología para el río Poblanco (A) y Sinifaná (B), los modelados coincidentes

(MC), falsos supervisados (FS) y falsos modelados (FM).................................................... 85

13

Lista de tablas

Tabla 3-1. Información primaria recopilada. ............................................................................ 31

Tabla 3-2. Datos generales de las cuencas. Fuente: PORH’s de Corantioquia y

POMCA del Río Nare Cornare. ....................................................................................................... 31

Tabla 3-3. Valores de los parámetros elegidos para calcular el valle aluvial. ........... 36

Tabla 3-4. Radios de tolerancia elegidos para cada tipo de segmentación ................. 45

Tabla 3-5. Número de tramos etiquetados por cuenca. ....................................................... 47

Tabla 3-6. Tipos de tramos etiquetados en las encuestas. ................................................... 49

Tabla 4-1. Comparación de los puntos de cambio en un radio de 100 metros con los

otros métodos. .......................................................................................................................................... 74

Tabla 4-2. Resultados del test de normalidad (Shapiro-Wilk) y multinormalidad

(Royston) para las variables transformadas por medio de potencias. ........................... 77

Tabla 4-3. Matriz en porcentaje de clase predicha versus la clase verdadera, en la

diagonal principal se presentan el porcentaje de acierto. .................................................... 77

Tabla 4-4. Resultados de las modelaciones en la BD1 (superior) y BD2 (inferior) para

las diferentes combinaciones de variables como entrada, aplicados al modelo de

discriminante lineal (LDA), árboles de decisión de 3 niveles (CART Nivel 3) y

árboles de decisión sin poda (CART MAX). Para el modelo CART Nivel 3, se

especifica el número de datos predichos en cada tipo de corriente por cada

combinación. ............................................................................................................................................. 78

Tabla 5-1. Calibración con los test de sensibilidad y confianza de los valores de


Sinifaná. En la tabla los modelados ............................................................................................... 82

14

1 Introducción

La caracterización hidromorfológica de las cuencas hidrográficas se ha convertido en

un requisito para evaluar su estado ecológico y así comenzar estrategias de monitoreo

y conservación fluvial (Vaughan et al., 2009), generando la necesidad de determinar los

procesos asociados a su morfología y dinámica. Sin embargo, no existe un único

conjunto de variables que expliquen las diferencias de estos procesos entre los tramos

de la red hídrica, debido a la diversidad geológica, pedológica y climática que hay entre

las cuencas (Stanley A Schumm & Lichty, 1965; Fonstad et al., 2010), por lo que se

dispone de una gran variedad de métodos de evaluación hidromorfológica con

diferencias notables en términos de objetivos, escalas espaciales y enfoques y, en

consecuencia, con fortalezas y deficiencias específicas (B. Belletti et al., 2014).

En las últimas décadas se han generado debates por la utilidad de métodos de

evaluación hidromorfológica particulares, ya que estos pueden ser mal aplicados

debido a la complejidad y disponibilidad que requieren en términos de variables de

entrada e interpretación de los procesos (Roper et al., 2008; Milner et al., 2013). Por

tanto, se ha recomendado que las metodologías propuestas sean adoptadas en zonas

hidrográficas específicas evaluando su desempeño y aplicabilidad (Ferreira et al., 2011;

Zaharia et al., 2018), como es el caso de las cuencas colombianas que presentan

dinámicas contrastantes en términos de la diversidad geológica, geomorfológica y

climática (Burgl, 1960; Rendón-Rivera et al., 2017), además poseen poca

instrumentación por lo que la información en muchas cuencas es limitada.

La recolección de información de la cuenca es necesaria para implementar las

metodologías de evaluación hidromorfológica, requiriendo observaciones en campo

para calibrar posteriormente los modelos y hacer control de calidad de la información.

Así mismo a medida que avanzan las tecnologías y mediciones mediante sensores

remotos se encuentran otras opciones para obtener datos primarios (Bishop et al.,

2012; Entwistle et al., 2018; Hajdukiewicz & Wyżga, 2019). También los algoritmos en

los programas de SIG (Sistemas de Información Geográficos) y las herramientas de

modelación que procesan estos conjuntos de datos avanzan rápidamente, abriendo

15 Capítulo 1: Introducción

numerosas posibilidades para automatizar la delineación y caracterización de unidades

espaciales que ayudan a encontrar indicadores de procesos, formas e intervenciones

humanas (Gurnell et al., 2016).

Buscando la aplicación de las herramientas y lineamientos para la delimitación y

clasificación de unidades de corriente con información de sensores remotos, se plantea

una metodología de clasificación hidromorfológica ajustada a la información levantada

en algunas de las cuencas priorizadas por los planes de ordenamiento hídrico (PORH)

en Colombia, que permita realizar una segmentación automatizada en tramos de

corriente diferenciados por atributos físico-bióticos y se clasifique su tipología

hidromorfológica a partir de sus características hidráulicas. Se eligen estas cuencas ya

que presentan información de varios muestreos que permiten caracterizar y validar

algunas configuraciones de corrientes dentro del territorio.

1.1. Justificación

El diagnóstico de la morfología fluvial se ha convertido en un paso fundamental para

asociar los diferentes procesos hidrodinámicos con la calidad biológica y fisicoquímica

(Diez, 2008). En efecto, la clasificación de la morfología de las corrientes mediante

información remota es requerida debido a la falta de instrumentación y a las

dificultades logísticas para analizar diferentes cuencas.

Particularmente en Colombia, en 2018 se presenta la Guía para el Ordenamiento del

Recurso Hídrico Continental Superficial (PORH) un instrumento de planificación que

establece los aspectos mínimos que deben abordar las autoridades ambientales para el

ordenamiento hídrico, incluyendo los avances técnicos que se tienen con respecto a la

estimación de la oferta hídrica y la modelación de calidad del agua. En esta guía se

plantea la necesidad de una caracterización hidromorfológica desde una visión

jerárquica de procesos, la cual permita encontrar las relaciones entre las características

hidráulicas, geomorfológicas, de calidad del agua e hidrobiológicas en sitios no

monitoreados dentro de la red de drenaje (MADS, 2018a). Adicionalmente, en 2018 se

publica la Guía técnica de criterios para el acotamiento de las rondas hídricas, que para

su delimitación se recomienda evaluar las condiciones geomorfológicas de su entorno

(MADS, 2018b).

La necesidad reflejada en las guías de incluir la evaluación morfológica en el diagnóstico

fluvial motiva la elaboración de una metodología que se ajuste a los insumos

disponibles en el país y que en la evaluación de sitios puntuales se tengan en cuenta

procesos en múltiples escalas integrando distintas disciplinas.


1.2. Antecedentes

A continuación, se presentan los estudios realizados en el área de estudio en los cuales

se fundamenta este trabajo.

En la tesis doctoral de Jiménez (2015) se presenta un capítulo de morfología de

corriente y relaciones de geometría hidráulica aguas abajo para el ancho de banca llena.

Allí se encuentra una relación lineal diferenciada del ancho de la corriente y el área de

drenaje para cuatro tipos de geometrías hidráulicas, dando elementos para la elección

adecuada de la resolución de los modelos de elevación digital y para explorar el grado

de confinamiento con poca información vectorial, a partir de la premisa de que el ancho

máximo donde un río puede interactuar lateralmente es el ancho teórico de un río

trenzado.

En la tesis doctoral de Jaramillo (2015) en el capítulo de características de los tramos,

se explora la relación de los atributos hidráulicos de corrientes de Colombia, Europa y

Estados Unidos. En las secciones evaluadas de bajo gradiente los procesos de

sedimentación son dominantes y se encuentra que esa clasificación usada no permite

diferenciar las corrientes, pero es muy útil por la poca información necesaria para la

clasificación.

En la guía técnica de criterios para el acotamiento de las rondas hídricas en Colombia

realizada por el MADS (2018b), se caracterizan los tipos de ríos que se identifican en

Colombia, usados en este trabajo para elegir la tipología de corrientes adecuada.


1.3. Objetivo general

Desarrollar una metodología para la clasificación de la morfología de corrientes a partir

de información de las cuencas priorizadas en la gestión del recurso hídrico en Colombia.

Objetivos específicos

❖ Discretizar la red de drenaje de una cuenca en tramos de corriente a partir de

información de sensores remotos y técnicas de segmentación, que puedan

complementarse o verificarse con la información primaria disponible.

❖ Clasificar los tramos de corriente a partir de sus características hidromorfológicas,

mediante un modelo de predicción ajustado a las cuencas priorizadas y modelos

aplicados en otros países.

❖ Analizar el desempeño de diferentes metodologías de predicción tipológica de

corrientes para diferentes cuencas.

❖ Elaborar un esquema de decisión para la aplicación de los modelos de predicción de

tipología de corrientes.

18

2 Marco Teórico

2.1. Procesos geomorfológicos

Bajo la acción de las fuerzas de gravedad la superficie terrestre es moldeada por el agua,

viento y en algunos casos hielo. Estos procesos producen formas de paisaje que están

en constante movimiento, condicionadas por su material y los forzantes externos como

la temperatura, precipitación y viento (L. Leopold et al., 1965). Algunas de estas formas

deben su origen a procesos denudacionales, deposicionales o ambos. Por lo que la

morfología de una corriente es resultado del suministro de sedimentos, capacidad de

transporte y los efectos directos e indirectos de la vegetación (Montgomery &

Buffington, 1998), de manera simplificada se afirma que “la forma implica procesos” (J.

M. Buffington & Montgomery, 2013). En este sentido, la morfología de una corriente es

posible interpretarla como el resultado del acoplamiento de procesos climáticos,

bióticos e hidromórficos que actúan sobre esta (Stanley A Schumm & Lichty, 1965;

Montgomery & Buffington, 1997).

Se debe tener precaución en el momento de inferir procesos a partir de las formas de

paisaje, ya que estas no tienen relaciones uno a uno con los procesos sobre los cuales

están creados. Procesos similares pueden producir heterogeneidad morfológica, en

cambio, distintos procesos pueden producir formas del paisaje con morfologías

similares (van Asselen & Seijmonsbergen, 2006; Bishop et al., 2012).

La cuenca hidrográfica es entonces un sistema jerárquico anidado, donde los procesos

y formas en grandes escalas dominan y determinan los procesos y formas a escalas más

pequeñas. En este sentido, se han buscado sectores en las diferentes escalas que puedan

ser comparables y de los cuales se puedan extrapolar resultados a unidades similares

en otros lugares (Rinaldi et al., 2016; Bisson et al., 2017).

Una visión geomórfica provee una plataforma física sobre la cual se pueden desarrollar

prácticas y aplicaciones interdisciplinarias de las interacciones desde diferentes

19 Capítulo 2: Marco Teórico

perspectivas (Fryirs & Brierley, 2012). Así es como la cuenca hidrográfica puede

evaluarse en general mediante tres escalas anidadas de análisis (Bisson et al., 2017). En

primer lugar, por las unidades de paisaje, fisiográficas o de valle que son diferenciadas

por la capacidad de transporte, geología, geomorfología, clima y uso del suelo de toda

la cuenca (Montgomery & Buffington, 1997; Rinaldi et al., 2013). La siguiente escala es

por tramos, donde se han encontrado diferencias entre contiguos mediante atributos

de la corriente como pendiente, geometría hidráulica (ancho, profundidad), vegetación

ribereña tamaño de sedimento y movilidad (L. Leopold & Maddock, 1953; Martínez-

Fernández et al., 2018). En esta escala se repiten secuencias de las unidades de la

corriente o desde la perspectiva biológica de mesohábitats, que pueden ser

diferenciadas por variables como rugosidad, profundidad, velocidad y sustratos.

Aunque las dimensiones de las unidades en esta escala y su extensión relativa pueden

variar también con el caudal, son generalmente constantes en un amplio rango de

caudal bajo. Las diferencias de estas unidades proveen a los organismos una diversidad

de hábitats. Estas unidades son conocidas entonces por su influencia en el intercambio

de nutrientes, abundancia de algas, producción de macroinvertebrados bénticos y la

distribución de peces (Bisson et al., 2017; Barbara Belletti et al., 2017; Muñoz Mas et al.,

2018).

2.2. Clasificación hidromorfológica de corrientes

Para clasificar las corrientes han surgido múltiples propuestas, diferenciadas por su

propósito y por su escala de enfoque. Con el tiempo se han combinado diferentes

propuestas que integran distintas visiones. Para aplicar una clasificación se debe

evaluar si está basada en una visión descriptiva o basada en procesos, ya que las formas

no están asociadas un solo proceso o pueden surgir a través de múltiples vías. Las

clasificaciones basadas en procesos se pueden utilizar para simplificar los condiciones

y mecanismos complejos del continuo dentro de un paisaje mediante la identificación

de lugares que funcionan de manera similar (G. Brierley et al., 2016). Las clasificaciones

propuestas como lo plantean Buffington y Montgomery (2013) pueden agruparse de la

siguiente manera:

• El orden de la corriente, que divide la corriente en nodos dando un número acorde

a su posición desde las cabeceras (Horton, 1945; Strahler, 1957).

• Los procesos dominantes, que divide la corriente por su producción de sedimento,

transferencia, zonas de depositación proporcionando una visión basada en

procesos por movimiento de sedimentos a través de las redes fluviales durante el

tiempo geológico (S. A. Schumm, 1977).

• Los patrones de la corriente, la mayoría de las clasificaciones poseen este tipo de

clasificación, que son por ejemplo corrientes rectas, sinuosas o trenzadas. Este tipo

de clasificación se puede dar de dos formas: 1) Relaciones cuantitativas, donde se

definen umbrales de la combinación de variables para encontrar un tipo de


corriente, por ejemplo, en ciertos caudales se dan las corrientes trenzadas en

pendientes más pronunciadas que los ríos sinuosos (L. B. Leopold & Wolman, 1957;

Lane, 1957). 2) Marcos conceptuales, como el de Schumm (1985) que basado en sus

observaciones clasifica las corrientes mediante su contenido de arcilla en las bancas,

el modo de transporte de sedimento, la relación entre la carga de fondo y total, entre

otras.

• Las interacciones con la llanura de inundación, por ejemplo, Nanson & Croke’s

(1992) proponen este tipo de clasificación a partir de la morfología de la llanura

inundable, donde se reflejan procesos fluviales y formaciones diferenciadas,

quienes responden a la evolución de las perturbaciones ambientales.

• El material del fondo y su movilidad, como lo plantea Gilbert et al. (1914) que

propone que los ríos de lecho rocoso se presentan donde la capacidad de transporte

excede el suministro de sedimentos y los ríos aluviales ocurren donde el suministro

coincide o excede su capacidad.

• Unidades de la corriente, son unidades morfológicas a escala de subtramo como

piscinas, barras, escalones, rápidos, que forman morfologías de escala de tramo,

como los canales de escalón-pozo o pozos y rápidos (Hawkins et al., 1993; J.

Buffington et al., 2002).

• Clasificaciones jerárquicas, donde se anidan escalas sucesivas de condiciones físicas

y biológicas, y permiten una comprensión más holística de los procesos de la cuenca.

Una de las primeras propuestas fue la de Frissell et al. (1986), donde la escala mayor

es un sistema de corriente luego de los segmentos, tramos, pozos y rápidos y

finalmente de microhábitats. Con base en esta metodología otras clasificaciones de

amplio uso surgieron (Rosgen, 1994; Montgomery & Buffington, 1997; G. J. Brierley

& Fryirs, 2013). Estas han sido adaptadas y aplicadas en otros contextos (Rinaldi,

Surian, Comiti, & Bussettini, 2015; Wheaton et al., 2015). Una de las clasificaciones

más usadas es la propuesta por Rosgen (1994), pero ha sido controvertida por ser

solo descriptiva y tener amplia subjetividad por el rol del observador (Simon et al.,

2007; Roper et al., 2008).

• Clasificaciones estadísticas, se aplican para tipificar y predecir las formas de la

corriente. Por ejemplo, se pueden usar modelos estadísticos para clasificar

objetivamente la morfología del tramo basándose en diferencias significativas en la

topografía del lecho y la arquitectura de la unidad de corriente (Beechie et al., 2006;

Flores et al., 2006; Thompson et al., 2006).

A partir de la propuesta de Montgomery y Buffington (1997) se reconocen escalas

físicas anidadas que van desde provincias geomorfológicas a unidades de corriente, e

identifican ocho morfologías de escala de tramo basadas en identificación visual, donde

se reconocen también tipos intermedios (Gomi et al., 2003; Thompson et al., 2006). Las

morfologías propuestas a escala de tramo se muestran en la Figura 2-1. Estas pueden

diferenciarse mediante variables topográficas, características del tramo, el suministro

de sedimentos y la potencia de la corriente como se muestra en la Figura 2-2.


Figura 2-1. Fotografía y vista en planta de los tipos de tramo. A) Coluvial, B) Cascada C) Escalón pozo

D) Lecho plano E) Pozo y rápido F) Trenzado G) Dunas onduladas H) Lecho en roca. Adaptado de Bisson et al. (2017) y Montgomery y Buffington (2013).

Figura 2-2. Influencia de las condiciones de la cuenca (topografía, flujo y suministro de sedimentos) en

los tipos de tramo de la corriente (texto azul) y las características asociadas del tramo (ancho, profundidad, sinuosidad, gradiente de la corriente, tamaño de grano). Los procesos dominantes se

muestran para los flujos con detritos y la influencia de la vegetación (elipses discontinuas), y se indican los tipos de segmento de valle (coluvial, aluvial, lecho en roca). Tomado de Bisson et al. (2017).


Esta clasificación es la base para adaptaciones más específicas a un contexto en

particular como la de Rinaldi et al. (2013), donde se han integrado tipos de corriente

como el anastomosado, errante y sinuoso en una escala para segmentación y se han

diferenciado mediante su grado de confinamiento y número de flujos activos como se

ilustra en la Figura 2-3.

Figura 2-3. Clasificación de corrientes adaptadas a las corrientes italianas. Elaborado de Rinaldi et al.

(2013).

Para el caso de Colombia, en la Guía Técnica de criterios para el acotamiento de las

rondas hídricas (MADS, 2018b), se proponen cuatro tipos de ríos principales,

advirtiendo que dadas las complejidades en el medio físico colombiano pueden

presentarse también situaciones intermedias que deben integrar criterios combinados.

La clasificación se basa en dos tipos de unidades dominantes, el cauce permanente y la

llanura moderna o conocida también como valle aluvial, conformada por el conjunto de

cauces que sirven para el tránsito de los caudales altos de diferentes períodos

hidrológicos e involucra la zona ribereña. Los tipos propuestos para Colombia con sus

principales características son:

• Ríos rectos de montaña: distinguidos por su confinamiento, alto gradiente

altitudinal, alta capacidad de transporte y de un solo flujo.

• Ríos sinuosos: se encuentran en zonas de bajo gradiente, con altura mixtura en tipos

de roca y sustratos aluviales, con una gran llanura de inundación.

• Ríos trenzados: dados donde la corriente tiene alta capacidad de sedimentos, con

cauces amplios, relativamente superficiales, con múltiples flujos, distinguidos por la

presencia barras.

• Ríos anastomosados: es más común en donde hay condiciones de equilibrio entre la

carga y la capacidad de la corriente, tiene varios flujos, son los que menos se


presentan en el país, cortan la llanura de inundación dividiéndola en varias islas

alargadas.

Las formas de corrientes propuestas para Colombia (MADS, 2018b) se ajustan a la

tipología para segmentación adaptada por Rinaldi et al. (2013), a diferencia que no se

mencionan los tipos errantes (Wandering) y meándricos (Meandering) debido a su

similitud con los ríos anastomosados y sinuosos respectivamente.

2.3. Segmentación de redes de drenaje

El avance del levantamiento de datos mediante sensores remotos en los sistemas

fluviales genera la posibilidad de automatizar los procesos de clasificación de

corrientes (Entwistle et al., 2018; Knehtl et al., 2018), por lo que se han creado

algoritmos que analizan los cambios significativos de sus atributos físicos y bióticos,

convirtiéndose en herramientas para la rápida delineación y caracterización de los

tipos de ríos y sus rasgos morfológicos. Esto permite la agrupación y extrapolación de

áreas que funcionan de manera similar (Hankin & Reeves, 1988; Dolloff et al., 1993), la

comparación y planeación de muestreos en diferentes cuencas (Wohl et al., 2007), la

descripción de los cambios físicos en las corrientes con el tiempo para prever los

cambios o tendencias esperadas ante impactos humanos o alteraciones naturales

(Gordon, 2004) y la posibilidad de ser aplicados por las autoridades encargadas del

manejo de las corrientes (Nagel et al., 2014; Rinaldi et al., 2016).

Es importante resaltar que los resultados dados por la automatización deben evaluarse

con detalle, ya que las zonas de transición entre tramos adyacentes se pueden presentar

de manera gradual o repentina, y los límites exactos de los tramos aguas arriba y aguas

abajo se convierten en algunos casos en una cuestión de juicio (Bisson et al., 2017).

Una de las generadas herramientas para realizar la segmentación de forma

automatizada por medio de información de sistemas remotos es Fluvial Corridor (Roux

et al., 2015), programada en Python para ArcGIS actualmente, también se desarrolla

para el software libre QGIS en marco del programa Trame bleue (Trame Bleue, 2020).

Esta herramienta permite extraer en primera instancia segmentos llamados objetos

geográficos unitarios (UGO) delimitados por las confluencias en la corriente, que son

desagregados o segmentados en objetos geográficos desagregados (DGO) dada una

distancia establecida o por un cambio de dirección para el caso de la sinuosidad. Para

las unidades desagregadas crearon herramientas que calculan métricas como:

pendiente, vegetación, ancho y sinuosidad. Con el fin de hallar las unidades

desagregadas contiguas que son significativamente diferentes se aplica el test de

Hubert, una técnica adaptada de las series de tiempo que agrupa las unidades en objetos

geográficos agregados (AGO) por sus diferencias estadísticamente significativas (Roux

et al., 2013). Cada una de estas métricas requiere diferentes objetos geográficos


unitarios para realizar el procedimiento. Las unidades requeridas y su procedimiento

general se muestran en la Figura 2-4.

Figura 2-4. (A) En la parte superior se muestra el procedimiento general del paquete FluvialCorridor.

(B) En la parte inferior los objetos geográficos creados en las diferentes etapas del proceso con las tablas que se generan en cada una. Tomado de Roux et al. (2015).

El confinamiento del valle describe el grado en que las características topográficas

limitantes como laderas, abanicos aluviales y terrazas de ríos, limitan la extensión

lateral del valle y la llanura de inundación a lo largo de un río (Nagel et al., 2014; Sutfin

& Wohl, 2019), por lo que el confinamiento es la relación entre el río y su valle o llanura

de inundación. El confinamiento del valle es una característica importante del paisaje

vinculada al hábitat acuático, la diversidad ribereña y los procesos geomórficos, por lo

que se integra como otro criterio para delimitar puntos de cambio en la cuenca. El grado

de confinamiento de la cuenca se considera un predictor de tiempos de residencia, flujo

de sedimentos y cambios en la llanura de inundación (Sutfin & Wohl, 2019).

El desempeño de este tipo de herramientas depende de la calidad de los componentes

espaciales de entrada como el modelo de elevación digital, el canal activo, la cuenca

tributaria, el valle aluvial y la red de drenaje.


El vector de canal activo se puede realizar con una delimitación manual por ortofoto y

se recomienda verificación en campo. El vector del valle aluvial y la red de drenaje, en

ausencia de información de campo o para su calibración, pueden ser extraídos a partir

del modelo de elevación digital, por lo que son sensibles a la resolución y su

posprocesamiento.

Hay otras opciones para extraer estos elementos iniciales. La red de drenaje y la cuenca

tributaria se pueden extraer del procesamiento del modelo de elevación digital con

herramientas como Arc Hydro (ESRI, 2020) o Grass GIS (GRASS, 2020). Para el ancho

del valle aluvial se cuenta con múltiples herramientas (J. T. Gilbert et al., 2016; Zhao et

al., 2019), que requieren múltiples parámetros de calibración dependientes de la escala,

por lo que se pueden usar también índices topográficos como el Height Above the

Nearest Drainage (HAND) (Nobre et al., 2011), que se extrae a partir de la

normalización del modelo de elevación digital con la red de drenaje.

El conjunto de métricas puede calcularse mediante otras herramientas. Por ejemplo, los

cambios de pendiente pueden extraerse mediante algoritmos de knickpoints que

requieren alta resolución de los insumos (Zahra et al., 2017). El confinamiento también

puede automatizarse con otras herramientas a escala de paisaje (Nagel et al., 2014;

O’Brien et al., 2019).

2.4. Modelos predictivos de clasificación hidromorfológica

En los últimos años, las técnicas de inteligencia artificial como las redes neuronales

artificiales (ANN), los Support Vector Machines (SVM), la lógica difusa, la programación

genética y muchos otros métodos han sido ampliamente utilizados en hidrología y en

las aplicaciones del recurso hídrico (Lopez De Mantaras & Armengol, 1998;

Raghavendra. N & Deka, 2014). Este tipo de modelos de predicción han permitido

identificar umbrales de patrones de la corriente (Bledsoe & Watson, 2001) y

combinaciones de variables físicas para establecer el tipo de tramo de corriente (Wohl

& Merritt, 2005; Beechie et al., 2006; Flores et al., 2006; Altunkaynak & Strom, 2009).

Algunos casos específicos se mencionan a continuación.

A partir del confinamiento de la corriente y la relación entre la pendiente y el caudal en

tramos de corriente, Beechie et al. (2006) mediante un simple stepwise model predijeron

algunos de los tipos de corriente propuestos por Montgomery & Buffington (1997). El

primer paso propuesto es hallar el grado de confinamiento, donde un tramo se

considera confinado si el ancho del valle aluvial es menor a cuatro veces el ancho de

banca llena de la corriente y luego encontrar el rango indicado en términos de la

pendiente y el caudal (Figura 2-5 (A)). La pendiente se halla mediante un mapa

topográfico de la USGS y el caudal se estima mediante el área de drenaje y la

precipitación aguas arriba del tramo. La precisión de este modelo es del 45%, debido a


la dificultad de predecir los tramos en tramos rectos, ya que estos se confunden con los

meándricos, trenzados o trenzados con islas.

Para la clasificación morfológica se ha aplicado también el modelo de clasificación y

regresión de árboles (CART) (Flores et al., 2006). Este análisis entrega un árbol de

decisión binaria, creada a partir de datos entrenados donde la variable respuesta es

particionada en grupos (nodos) buscando la varianza minimizada, la similitud

maximizada y el incremento de la pureza (De’ath & Fabricius, 2000). En la aplicación de

Flores et al. (Flores et al., 2006) se realiza un entrenamiento de 270 tramos de corriente

etiquetados con la tipología propuesta por Montgomery & Buffington (1997), se mide

la pendiente en campo y se calcula el área tributaria a cada tramo. Con la combinación

de la potencia representada como la pendiente por el área tributaria a la 0.4 (SA0.4) y la

pendiente (S), se alcanza una precisión de predicción de los tipos de corriente de un

76%. El árbol de clasificación resultante se presenta en la Figura 2-5 (B).

El uso de árboles de clasificación facilita la visualización de los datos (Caja Blanca) y

permite hacer predicciones de estos. Los resultados de estos modelos pueden generar

árboles de decisión grandes y complejos que requieren una poda (pruning), es decir,

que se usan parámetros para limitar el crecimiento del árbol, y así evitar el sobreajuste.

Los parámetros que se usan para podar el árbol son: El máximo de hojas, el mínimo de

muestras por hoja y la profundidad o nivel máximo que tiene el árbol.

También se ha aplicado el modelo de perceptrones multicapa (MP), que es la forma

estándar del modelamiento de redes neuronales, el cual modifica los métodos de

perceptrón de dos capas lineales usando tres o más capas, es decir, una entrada, una

capa oculta y una de salida. Este método tiene la ventaja de manejar interacciones

complejas no lineales, lo que hace el método aplicable para el modelamiento de

procesos naturales (Campolo et al., 1999; Coulibaly et al., 2001). En la aplicación de

Altunkaynak et al. (2009) se usa un MP con dos conjuntos de datos, el primero con

pendiente (S), ancho (w), profundidad (h) y el sedimento de tamaño 84 (d84) del tramo

y el segundo con S, h/d84 y h/d90. Entrenados en 71 y 120 tramos, y probados en 36 y

64 tramos respectivamente. Se etiquetan a partir de la tipología propuesta por

Montgomery & Buffington (1997). La relación entre h/d84 y la pendiente da una

precisión del 81%, los umbrales se presentan en la Figura 2-5 (C).


Figura 2-5. Umbrales encontrados mediante atributos físicos para predecir la tipología propuesta por Montgomery & Buffington (1997). (A) Beechie et al. (2006) (B) Flores et al. (Flores et al., 2006) y (C)

Altunkaynak et al. (2009).

Una técnica usada como base comparativa para la clasificación es el Análisis de

Discriminante Lineal, cuya finalidad es analizar si existen diferencias significativas

entre grupos de objetos respecto a un conjunto de variables medidas sobre los mismos

para, en el caso de que existan, explicar en qué sentido se dan y facilitar procedimientos

de clasificación sistemática de nuevas observaciones de origen desconocido en uno de

los grupos analizados. Para el caso lineal, el Análisis Discriminante se puede considerar

como un análisis de clasificación donde la variable dependiente es categórica y tiene

como categorías la etiqueta de cada uno de los grupos, mientras que las variables

independientes son continuas y determinan a qué grupos pertenecen los objetos (Kaya

et al., 2004; Sakai et al., 2007; De la fuente, 2011).

Para la aplicación de esta técnica se deben de cumplir ciertas suposiciones de

independencia de las variables. El análisis es bastante sensible a los valores atípicos y

el tamaño del grupo más pequeño debe ser mayor que el número de variables

predictoras, a continuación, se definen las suposiciones que se deben cumplir.

• Normalidad multivariable: las variables independientes son normales para cada

nivel de la variable de agrupación.

• Homogeneidad de varianza/covarianza (homoscedasticidad): Las varianzas

entre las variables de grupo son las mismas en todos los niveles de predictores.

Se puede probar con el estadístico Box’s M. Sin embargo, se ha sugerido que se

use el análisis discriminante lineal cuando las covarianzas son iguales, y que se

puede usar el análisis discriminante cuadrático cuando las covarianzas no son

iguales.

• Multicolinealidad: el poder predictivo puede disminuir con una mayor

correlación entre las variables predictoras.


• Independencia: se supone que los participantes se muestrean aleatoriamente, y

se supone que la puntuación de un participante en una variable es independiente

de las puntuaciones en esa variable para todos los demás participantes.

LDA busca combinaciones lineales de las variables independientes para explicar mejor

los datos y predecir las diferentes clases. Las puntuaciones discriminantes se calculan

para cada observación para cada clase en base a estas combinaciones lineales.

2.5. Marcos hidromorfológicos: Integración al diagnóstico

ecosistémico

Por la necesidad de integrar los diferentes elementos del paisaje fluvial en la gestión de

los recursos naturales, la Unión Europea introdujo el término hidromorfología en la

directiva marco del agua de (WFD) (European Comission, 2000), el concepto tiene en

consideración algunas modificaciones en los regímenes de flujo, procesos de transporte

de sedimentos, morfología de ríos e interacción lateral del canal. La hidromorfología ha

estado en constante evolución, ya que se convirtió en un tema interdisciplinario entre

hidrología, geomorfología y ecología, creando nuevas perspectivas para tener en

consideración los procesos físicos en las acciones y estrategias de gestión de las

corrientes de agua, desde donde surgió la necesidad de generar marcos que

especifiquen cuales modelos usar en diferentes escalas y condiciones particulares

(Newson & Large, 2006; Fonstad et al., 2010).

La mayoría de los marcos existentes para el diseño de la restauración fluvial inician a

partir de la definición de objetivos de restauración como prioridad. Para apoyar las

metas de la directiva marco del agua se desarrolló para Italia, por ejemplo, un marco

metodológico para el análisis, evaluación y monitoreo hidromorfológico (IDRAIM)

(Rinaldi, Surian, Comiti, Bussettini, et al., 2015), este marco incluye cuatro fases: (1)

caracterización del sistema fluvial en toda la cuenca; (2) reconstrucción de la

trayectoria evolutiva y evaluación de las condiciones actuales del río, a partir del índice

de calidad morfológica (Rinaldi et al., 2013), la clasificación de las dinámicas de los

eventos teniendo en cuenta los eventos de inundación extrema y la delineación de las

dinámicas morfológicas fluviales de la red; (3) predicción de la evolución del canal; (4)

identificación de las opciones de gestión. Los índices que componen este marco pueden

ser aplicados en otros contextos teniendo en cuenta un rango amplio de las condiciones

físicas, el grado de alteración artificial, entre otros (B. Belletti et al., 2018). Otros marcos

de referencia han integrado el componente hidromorfológico en sus políticas como

Australia (G. Brierley et al., 2011) y España (MAGRAMA, 2016).

En Colombia, en este sentido se establecieron los lineamientos de los Planes de

Ordenamiento del Recurso Hídrico (PORH) desde el 2014, instrumento de planificación


que permite a las Autoridades Ambientales fijar la destinación y uso de los cuerpos de

agua continentales superficiales a través de cuatro fases que se realizan en un horizonte

mínimo de diez años (MADS, 2018a). Este marco propone tener en cuenta criterios

hidromorfológicos de la corriente para la identificación de los lugares de muestreo y

para complementar los modelos de calidad de agua. La hidromorfología también se

hace presente en la guía para la delimitación de las rondas hídricas, donde se proponen

diferentes tipos de ríos para Colombia y los tipos de criterios espaciales que se deben

tener en cuenta (MADS, 2018b).

30

3 Metodología

En la Figura 3-1 se ilustra la ruta metodológica planteada para alcanzar los objetivos propuestos. En términos generales se realizan cuatro pasos; 1) se recopila y depura la información de las cuencas, 2) se segmenta la corriente mediante diferentes criterios (pendiente, confinamiento, vegetación y sinuosidad) de forma manual y automatizada, y se evalúa la efectividad de predicción. 3) Se establece el tipo de tramos de las cuencas mediante una clasificación supervisada por expertos, se entrena un modelo para predecir estas etiquetas del tipo a partir de las características hidráulicas de cada tramo y este resultado se compara con el de otros modelos predictivos. 4) A partir de la efectividad de los modelos para predecir la tipología de las corrientes, se propone un árbol de decisión según los diferentes insumos para cada uno de estos.

Figura 3-1. Ruta metodológica.

31 Capítulo 3: Metodología

3.1. Información usada

La información usada para el caso de estudio se presenta en la Tabla 3-1 para la fase

de segmentación y clasificación.

Tabla 3-1. Información primaria recopilada.

Fase Información Fuente Fecha

Segmentación

Modelos de elevación digital (DEM) Alos Palsar -

NASA Hasta 2011

Capas de vegetación POMCAS* 2010-2014

Ortofoto CartoAntioquia –

Alcaldía de Medellín

2011

Redes de drenaje IDEAM 2016

Clasificación

Fotografías de los tramos

Corantioquia - Cornare

2015 – 2016 Características hidráulicas de los

tramos: Caudal, ancho medio, profundidad media, radio hidráulico,

perímetro y área *Planes de ordenación y manejo de cuencas hidrográficas.

Zona de estudio

La fase de clasificación se aplica en las cuencas presentadas en la Figura 3-2 y sus

características se presentan en la Tabla 3-2. La fase de segmentación se realiza en las

cuencas del Río Poblanco y Sinifaná.

Tabla 3-2. Datos generales de las cuencas. Fuente: PORH’s de Corantioquia y POMCA del Río Nare

Cornare.

Nombre de cuenca

Área (km2)

Altura mayor

(msnm)

Altura menor

(msnm)

Longitud del cauce ppal.

(km)

Temperatura media anual (°C)

Poblanco 178.8 2700 580 30.70 17.5 Sinifaná 204.5 2690 527 47.17 27

Ríogrande 1280 3300 1100 106 15 Magallo 88 2300 539 16.76 17

San Mateo 225.5 3310 510 29.37 21 Sopetrana 115.5 2949 439 21.80 19

Nare 921.1 2513 124 82.06 19


Figura 3-2. Ubicación de las cuencas de estudio con las estaciones de medición de las variables

hidráulicas.

3.2. Segmentación en tramos de corriente

Para segmentar los tramos de corriente se deben hallar nodos o puntos de cambio que

denoten procesos diferenciados. Los criterios que se evaluarán a lo largo de la corriente

son pendiente, confinamiento, vegetación y sinuosidad. Los puntos de cambio

modelados para cada criterio se hallan mediante algoritmos programados en Python y

herramientas de los paquetes ArcHydro (ESRI, 2020) y FluvialCorridor (Roux et al.,

2015) para el software ArcGIS (ESRI, 2018). Estos puntos se comparan con los ubicados

manualmente con ayuda de la ortofoto de CartoAntioquia y el modelo de elevación

digital, luego se evalúa la capacidad de predecirlos por el modelo mediante los tests de

confianza y sensibilidad adaptados de Orlandini et al. (2011).


Pendiente

Para hallar los puntos donde hay un cambio significativo de pendiente en la red de

drenaje, se programa una herramienta con el siguiente proceso (Figura 3-3).

Figura 3-3. Procedimiento general para la segmentación por pendiente.

Los pasos que se ejecutan en este proceso se describen a continuación:

❖ Secuenciamiento de la red de drenaje (UGO): Los segmentos de la red de drenaje

son redireccionados y ordenados.

❖ Segmentación equidistante (DGO): La red de drenaje es segmentada a partir de

una distancia dada. Para este caso se realiza cada 100 metros.

❖ Numeración de nodos: Cada nodo de los segmentos es numerado en dirección a la

desembocadura de la cuenca.

❖ Extracción y corrección de la elevación y cálculo de la pendiente: En general lo

que se realiza en este algoritmo se enumera a continuación y se ilustra en la Figura

3-4.

1. Se extraen los puntos de cabeceras de la red de drenaje.

2. Se extrae un segmento de corriente desde cada cabecera hasta la

desembocadura y se le agrega otra línea desde la cabecera hasta el punto más

cercano de la línea divisoria de la cuenca1.

3. A esta línea combinada se le calcula la altura sobre el Modelo de elevación digital.

Para corregir el ruido de las alturas extraídas se realizan dos filtros a cada punto

de este perfil. Si un punto aguas arriba está a menor altura que el siguiente aguas

abajo, se aplica; 1) la mediana móvil, que es la media de varios puntos aguas

arriba y aguas abajo de este punto, y si esta condición se sigue cumpliendo, 2)

1 La línea desde la cabecera hasta el punto más cercano en la línea divisoria de la cuenca se agrega para que se pueda realizar la corrección del ruido de los segmentos aguas arriba.


una interpolación lineal del punto aguas arriba con el siguiente aguas abajo a

igual o menor altura.

4. Finalmente, cada punto del perfil es promediado dentro de cada segmento

desagregado (DGO) y en cada uno se halla la pendiente geométrica y la

pendiente mediante la longitud del segmento.

Figura 3-4. Pasos en la extracción y corrección de la elevación y cálculo de la pendiente.

❖ Test de Hubert: Se aplica el test de Hubert (Hubert, 2000) a la pendiente definiendo

el parámetro Alpha, que evalúa la significancia entre dos segmentos consecutivos,

este parámetro se usa para calibrar la sensibilidad del modelo respecto a los puntos

de cambio supervisados.

❖ Graficador de perfiles con puntos de cambio: Se grafican los perfiles desde cada

cabecera hasta la desembocadura señalando donde hay un cambio de pendiente

como se muestra en la Figura 3-5.


Figura 3-5. Gráficas del perfil desde la cabecera (izquierda) y de la pendiente (derecha) con los puntos

de cambio significativo (línea roja discontinua).

Confinamiento

El confinamiento es la relación entre el río y su valle o llanura de inundación. Para

calcularlo a lo largo de la red de drenaje se usan diferentes insumos, ya que estos

dependen de la información a detalle que se tenga de cada cuenca, por lo que se

evaluarán diferentes relaciones de estos objetos. Las relaciones para calcular el

confinamiento son entre: el ancho del valle y el ancho del canal activo, la longitud de

onda y el ancho del canal activo y el ancho de la corriente si fuera un tramo trenzado y

el Height Above the Nearest Drainage (HAND).

3.2.2.1. Relación entre el ancho del valle y del canal activo

Esta relación requiere la generación del ancho del valle aluvial y la definición de un

canal activo, que se delimitan en este caso con la ayuda de las ortofotos. Se programa

una herramienta con el siguiente proceso para hallar el confinamiento mediante esta

relación, esto se ilustra en la Figura 3-6 y una muestra de sus resultados en la Figura

3-7.


Figura 3-6. Procedimiento general para la segmentación por confinamiento con la relación entre el

ancho del valle y del canal activo.


❖ Valle aluvial: Se calibra y extrae con la herramienta que cuenta con 10 parámetros

como el tamaño del buffer pequeño y grande, la desagregación, los umbrales y

suavizaciones del polígono, los cuales se pueden tomar como base los propuestos

en la guía de Roux (2013). Para el caso de estudio se genera el valle activo con los

siguientes parámetros:

Tabla 3-3. Valores de los parámetros elegidos para calcular el valle aluvial.

Componente Parámetro Valor

Sinifaná Poblanco

Delimitación del valle

Tolerancia de suavización 500 1 Tamaño de buffer grande 400 300

Tamaño de buffer pequeño 50 50 Paso de desagregación 20 10

Umbral mínimo -10 -10 Umbral máximo 10 10

Limpieza poligonal del valle

Distancia de agregación 200 200 Área mínima 40.000 40.000

Tamaño de huecos mínimo 100.000 100.000 Suavización del valle aluvial 200 100

❖ Segmentación equidistante: El valle aluvial es segmentado a partir de una

distancia dada. Para este caso se realiza cada 100 metros.

❖ Ancho: A los segmentos del valle aluvial y su intersección con el canal activo se les

calcula el ancho y el confinamiento dado por el cociente entre la intersección del

canal activo con el valle aluvial.

❖ Test de Hubert: Se aplica el test de Hubert (Hubert, 2000) a la relación entre el

ancho del valle y el canal activo definiendo el parámetro Alpha, que evalúa la

significancia entre dos segmentos consecutivos, este parámetro se usa para calibrar

la sensibilidad del modelo respecto a los puntos de cambio supervisados.


❖ Graficador de perfiles con puntos de cambio: Se grafica la variación del ancho

del perfil desde cada cabecera hasta la desembocadura señalando donde hay un

cambio de significativo del confinamiento.

Figura 3-7. Cálculo del confinamiento con el ancho del valle (Wac) y el canal activo (Wc), los puntos de

cambio se denotan de diferentes colores en el valle aluvial y en rojo punteado en la gráfica.

3.2.2.2. Relación entre el ancho del valle y la amplitud del meandro

Esta relación requiere también la generación del ancho del valle aluvial y para

reemplazar el canal activo que requiere una delimitación manual o en campo se usa la

longitud del meandro de la corriente como proponen Alber & Piégay (2011). En este

caso el ancho del valle se calibra mediante la ortofoto. Se programa una herramienta

con el siguiente procedimiento para hallar el confinamiento mediante esta relación, se

ilustra en la Figura 3-8 y una muestra de los resultados en la Figura 3-9.



ancho del valle y del canal activo.





en la guía de Roux (2013). Los parámetros escogidos para su se muestran en la

Tabla 3-3.



❖ Desagregación de la polilínea: Esta línea es la que pasa por puntos de inflexión,

que se encuentran cuando cambia el signo del ángulo.

❖ Ancho: A los segmentos del valle aluvial se les calcula el ancho y el confinamiento

dado por el cociente entre la intersección del canal activo con la polilínea

desagregada.

❖ Morfología: A esta línea desagregada se le calculan medidas planimétricas como la

curvatura media, amplitud media y longitud de curvatura.

❖ Test de Hubert: Se intersecan los segmentos del valle aluvial con los de la línea

desagregada para su cociente, al que se aplica el test de Hubert (Hubert, 2000)

definiendo el parámetro Alpha, que evalúa la significancia entre dos segmentos

consecutivos, este parámetro se usa para calibrar la sensibilidad del modelo

respecto a los puntos de cambio supervisados.

❖ Graficador de perfiles con puntos de cambio: Se grafican el ancho de los perfiles

desde cada cabecera hasta la desembocadura señalando donde hay un cambio de

significativo del confinamiento.


Figura 3-9. Variables medidas para calcular el confinamiento con el ancho del valle (Wac) y la amplitud del meandro (Am), los puntos de cambio se denotan de diferentes colores en la red de drenaje y en rojo

punteado en la gráfica.

3.2.2.3. Relación entre el HAND y el ancho hipotético de río trenzado

Esta relación requiere el ráster HAND (Nobre et al., 2011) que se genera con la

herramienta publicada por Dilts (2019), a este ráster calculado a partir del modelo de

elevación digital se le extraen los valores a un polígono, calibrado a partir de la ortofoto.

Como lo plantea Jiménez (2015) se calcula el ancho cada punto del río a partir de su

área de drenaje suponiendo que este fuera un río trenzado. Se programa una

herramienta con el siguiente procedimiento para hallar el confinamiento mediante esta

relación, se ilustra en la Figura 3-10 y una muestra de los resultados en la Figura 3-11.



HAND y el ancho hipotético de río trenzado.


❖ Segmentación equidistante: El polígono del HAND es segmentado a partir de una


❖ Ancho: A los segmentos del polígono del HAND y su intersección con el polígono de

ancho hipotético de río trenzado se les calcula el ancho y el confinamiento dado por

su cociente en cada segmento.

❖ Test de Hubert: A esta intersección se aplica el test de Hubert (Hubert, 2000) a la

relación entre el HAND y el ancho hipotético del río trenzado definiendo el

parámetro Alpha, que evalúa la significancia entre dos segmentos consecutivos, este

parámetro se usa para calibrar la sensibilidad del modelo respecto a los puntos de

cambio supervisados.

❖ Graficador de perfiles con puntos de cambio: Se grafican el ancho de perfiles




Figura 3-11. Cálculo del confinamiento con el ancho hipotético de río trenzado (Wtrenz) y el ancho del polígono HAND (Whand), los puntos de cambio se denotan de diferentes colores en el polígono extraído

del HAND y en rojo punteado en la gráfica.

Vegetación

Para conocer los puntos de cambio por vegetación se propone la evaluación de los

cambios de cobertura a lo largo del valle aluvial. Para este caso la cobertura vegetal se

toma del POMCA de Amagá con escala 1:100.000. Se programa una herramienta con el

siguiente procedimiento para hallar los cambios por vegetación, se ilustra en la Figura

3-12 y una muestra de los resultados en la Figura 3-13.

Figura 3-12. Procedimiento general para la segmentación por cambios en la capa de vegetación.






en la guía de Roux (2013). Los parámetros escogidos se muestran en la Tabla 3-3.



❖ Test de Hubert: Se interseca el valle aluvial con la capa de vegetación y se aplica el

test de Hubert (Hubert, 2000) a los tipos de cobertura por segmento definiendo el

parámetro Alpha, que evalúa la significancia entre dos segmentos consecutivos, este

parámetro se usa para calibrar la sensibilidad del modelo respecto a los puntos de

cambio supervisados.



significativo de la vegetación.

Figura 3-13. Fondo del valle y red hídrica segmentada sobre las capas de vegetación, los puntos de

cambio se denotan de diferentes colores en el fondo del valle y en rojo punteado en la gráfica.


Sinuosidad

Los cambios de sinuosidad se evalúan en una escala de segmento, el insumo es la red

de drenaje. Se programa una herramienta con el siguiente procedimiento para hallar

los cambios de sinuosidad, se ilustra en la Figura 3-14 y una muestra de los resultados

en la Figura 3-15.

Figura 3-14. Procedimiento general para la segmentación por cambios en la sinuosidad.


❖ Desagregación de la polilínea: Esta línea es la que pasa por puntos de inflexión,

que se encuentran cuando cambia el signo del ángulo en la red de drenaje.

❖ Morfología: A esta línea desagregada se le calculan medidas planimétricas como la

amplitud media y la sinuosidad.

❖ Test de Hubert: Los segmentos creados por la desagregación se les aplica el test de

Hubert (Hubert, 2000) definiendo el parámetro Alpha, que evalúa la significancia

entre dos segmentos consecutivos, este parámetro se usa para calibrar la

sensibilidad del modelo respecto a los puntos de cambio supervisados.

❖ Discontinuidades: Los puntos de cambio de sinuosidad se espacializan y se

clasifican por puntos extremos, confluencias o punto de contacto o cambio.





Figura 3-15. Cálculo de la sinuosidad, los puntos de cambio se denotan con diferentes colores en la red

hídrica y en rojo punteado en la gráfica.

Calibración y eficiencia de la segmentación

Para evaluar el desempeño de los procedimientos presentados se eligen manualmente

lugares de cambio para cada criterio, llamados puntos supervisados, estos puntos se

escogen a partir de los perfiles longitudinales con el apoyo de la imagen satelital. Para

el confinamiento y sinuosidad se toma como referencia la ortofoto de CartoAntioquia y

para la vegetación se usa la capa de cobertura del POMCA.

Para evaluar la efectividad de predicción respecto a los puntos supervisados se usa la

metodología propuesta por Orlandini et al. (2011), donde se calculan los índices de

sensibilidad y confianza. Los índices están basados en un sistema de clasificación

binario. Estos índices evalúan la relación entre un radio definido de los puntos

supervisados y los puntos predichos. Los términos de los puntos se adaptaron como

modelados coincidentes (MC), falsos supervisados (FS) y falsos modelados (FM). Los

MC se consideran como los puntos predichos por el modelo que están en el radio de

alguno de los puntos supervisados. FM son las predicciones que no están en un radio de

un punto supervisado. FS son los radios de los supervisados donde no coincide ningún

punto de predicción. La confianza de la predicción de puntos de cambio en una cuenca

se define como:

𝑟 = ∑ 𝑀𝐶

∑ 𝑀𝐶 + ∑ 𝐹𝑀

(1)


Donde ∑ 𝑀𝐶 y ∑ 𝐹𝑀 son el número total de modelados coincidentes y falsos modelados

respectivamente. Con este índice se obtiene una medida de la confianza para no

predecir puntos de cambio donde no son observados, es decir, la capacidad de no

generar falsos puntos modelados. La sensibilidad de predicción cuando se aplica a una

cuenca se define como:

𝑠 = ∑ 𝑀𝐶

∑ 𝑀𝐶 + ∑ 𝐹𝑆

Donde ∑ 𝑀𝐶 y ∑ 𝐹𝑆 son el número total de modelados coincidentes y falsos

supervisados respectivamente. Este índice provee una medida del modelo de predecir

todos los puntos de cambio observados, es decir, que no permite que hallan falsos

supervisados.

La calibración de los procedimientos de segmentación consiste en ajustar el parámetro

Alpha del Test de Hubert, que a medida que se aumenta permite identificar más

discontinuidades y, por lo tanto, mas AGO’s, pero se reduce su significancia. Cada

modelo de segmentación se corre para diferentes valores de Alpha del Test de Hubert

evaluando los valores de sensibilidad y confianza.

Se considera que una mejor predictibilidad o ajuste de un modelo es cuando se alcanza

mayor grado de sensibilidad y de confianza en conjunto. Para aplicar esta metodología

se crea un algoritmo en ArcGIS para calcular los índices, cuyas entradas son los puntos

supervisados, los puntos predichos por el modelo y el valor de radio de tolerancia de

los puntos supervisados en metros. Una muestra de los resultados se presenta en la

Figura 3-16 con un radio de tolerancia de 500 metros.

Los radios de tolerancia elegidos para la segmentación se muestran en la Tabla 3-4, los

valores escogidos se consideraron ya que la precisión de los puntos modelados depende

de la resolución del ráster y de cada tipo de segmentación, en los cuales se pueden

presentar fronteras súbitas (como en el caso de la pendiente), progresivas (como en el

caso del confinamiento) o difusas (como en el caso de la vegetación).

Tabla 3-4. Radios de tolerancia elegidos para cada tipo de segmentación

Tipo de segmentación Radio de tolerancia (metros) Pendiente 200

Confinamiento 500 Vegetación 400 Sinuosidad 200

Se considera que un Alpha indicado es aquel donde se encuentran valores mayores de

la sensibilidad y la confianza, por lo que se denomina que es un Alpha con mayor

predictibilidad.

(2)


Figura 3-16. Muestra de resultados del test de confianza y sensibilidad propuestos por Orlandini (2011).

Procesamiento de superficie de agua en las coberturas

Para este caso específico se usa una capa de vegetación realizada con la metodología

adaptada para Colombia de Corine Land Cover (IDEAM, 2010). En esta se menciona que

los ríos se delimitan como superficies de agua cuando tienen más de 50 metros de

ancho, siendo una cobertura que aparece constantemente en las cuencas de estudio.

Como en la segmentación por vegetación se buscan los puntos de cambio significativos

de las coberturas a lo largo de la corriente, la superficie de agua se tiene en cuenta para

la delimitación del valle aluvial mas no como una cobertura sobre la que se evalúan los

cambios. Por eso se genera un algoritmo que reemplaza dentro del valle aluvial

segmentado la cobertura de agua por la que mayor área tiene en el segmento, este

proceso se visualiza en la Figura 3-17.


Figura 3-17. Proceso de reemplazo de la cobertura de superficie de agua dentro del valle aluvial.

3.3. Clasificación de tramos de corriente

En este ítem se presentan dos métodos de clasificación (LDA y CART) que buscan a

partir de la combinación de la pendiente, el confinamiento, el caudal, el área tributaria

y la potencia, predecir el tipo de corriente etiquetado mediante encuesta a expertos.

Etiquetado de segmentos

El etiquetado de 159 segmentos se realiza de forma supervisada por expertos a partir

de fotografías y características hidráulicas levantadas entre 2015 y 2016 para los

Planes de Ordenamiento del Recurso Hídrico en Colombia (PORH) (Tabla 3-5).

Tabla 3-5. Número de tramos etiquetados por cuenca.

Fuente Número de tramos etiquetados

Cuenca Nare 66

PORH Magallo 14

PORH Poblanco 12

PORH Rio Grande 36

PORH San Mateo 12

PORH Sinifaná 13

PORH Sopetrana 6

Total 159

A

B

C


El etiquetado se realiza mediante una encuesta elaborada en Google Forms. Se usa la

tipología de tramos de corriente elaborada por Montgomery et al. (1997). A cada

experto se le asignan 15 tramos y 10 opcionales para etiquetar. Cada uno de los tramos

es etiquetado como mínimo por dos expertos.

En la encuesta se muestra en primera instancia una introducción donde se describe el

fin del proyecto, la metodología a usar y se solicitan datos básicos como nombre,

afiliación, línea de investigación y tiempo de experiencia del experto. Estos dos últimos

datos son usados cuando un tramo es etiquetado de maneras distintas, por lo tanto, se

deja la etiqueta del experto que tenga mayor experiencia en una línea de investigación

a fin con la hidromorfología. Luego se muestra para cada tramo: nombre, fotografías y

características hidráulicas (Figura 3-18) para que cada experto elija entre una de las

tipologías, presentadas con una corta descripción, ilustración en planta y ejemplo

(Figura 3-19).

Figura 3-18. Información dada en la encuesta para etiquetar cada tramo.


Figura 3-19. Opciones de tipología de los tramos de corriente con su respectiva descripción en el

formulario. Adaptado de Buffington et al. (2013).

De estas encuestas se etiquetan los tramos como se presentan en la Tabla 3-6.

Tabla 3-6. Tipos de tramos etiquetados en las encuestas.

Tipo de corriente Número de tramos etiquetados Cascade 36 Colluvial 27

Dune-ripple 21 Plane-Bed 27 Pool-Riffle 28 Step-Pool 20

Total 159

Métodos de clasificación

Se presentan dos técnicas de clasificación: Análisis de Discriminante Lineal (LDA) y

Árboles de clasificación (CART) con las que se entrenan y predicen los 159 segmentos

a partir de las diferentes combinaciones de caudal, confinamiento, área de drenaje,

pendiente y potencia.


3.3.2.1. Análisis Discriminante Lineal (LDA)

Esta técnica se aplica mediante librerías de R. El primer paso para la aplicación de este

método es probar si cumple con las suposiciones requeridas para uso. Para probar la

multinormalidad se usa la librería MVN, donde se aplica el método de Royston e

individualmente la normalidad de Shapiro-Wilk. Cuando no se obtiene una

multinormalidad se recurre a realizar una transformación de las variables, haciendo

pruebas con las conversiones de raíz cuadrada, logarítmica y potencias en este orden.

Para realizar la conversión por medio de la potencia se usa la función Power Transform

de la librería Car, este método permite encontrar la potencia con la que se cumplen los

supuestos. Esta conversión es la última opción ya que se vuelve mas complejo explicar

una variable que tiene un coeficiente indeterminado.

Se aplica la función LDA de la librería MASS para realizar el discriminante lineal. Se

realiza una partición de 70% de los datos para entrenar el modelo y 30% para probar

su desempeño de predicción.

3.3.2.2. Árboles de decisión (CART)

Esta técnica de clasificación se aplica mediante paquetes en Python, en este caso se usan

funciones del paquete sklearn. Los datos son particionados un 70% para entrenamiento

y 30% para probar el modelo. El parámetro que se usa en este caso para limitar el

crecimiento del árbol resultante es la profundidad máxima (max_depth) igual a 3, es

decir que se permite la generación de máximo 3 niveles de decisión. Para generar los

árboles de decisión se usan múltiples combinaciones de las variables que también se

han usado en otros estudios (Beechie et al., 2006; Flores et al., 2006; Altunkaynak &

Strom, 2009). Se realiza la clasificación sobre dos bases de datos, una con los 6 tipos de

tramos de la Tabla 3-6 y otra con los tipos Cascade, Plane-Bed, Pool-Riffle, Step-Pool,

que han sido usados en otros estudios por generar diferencias que se pueden comparar.

51

4

Resultados

4.1. Segmentación

En esta sección se presentan los métodos de segmentación comparando los puntos de

cambio manuales y automatizados de la cuenca del Río Sinifaná y Poblanco, con los que

se realiza la calibración de la efectividad de predicción con diferentes valores del Alpha

del Test de Hubert, evaluados mediante los índices de confianza y sensibilidad. Con el

Alpha elegido se muestra la distribución de los puntos modelados y supervisados con

su denominación: MC: Puntos predichos que están dentro del rango de tolerancia del

punto supervisado, FM: Puntos predichos por el modelo que no están dentro de ningún

rango de tolerancia y FS: Rango de tolerancia de los puntos supervisados que no son

predichos por el modelo. También se presenta el perfil longitudinal del tramo más corto

de cada cuenca para mejor visualización de los puntos de cambio y confluencias.

Pendiente

En el caso de la pendiente la mayor confianza y sensibilidad se encuentra en valores

similares para ambas cuencas, es decir, cerca de su intersección en un Alpha de 0.45

(Figura 4-1), logrando una mayor predictibilidad de los puntos supervisados en la

cuenca del Sinifaná con una confianza de 0.91 y sensibilidad de 0.87 respecto a la cuenca

del Poblanco donde valores son 0.81 y 0.79 respectivamente para el Alpha elegido. En

ambos casos el modelo logra predecir todos los puntos supervisados con el Alpha

mayor. La distribución de los puntos modelados con el Alpha de Hubert elegido y los

puntos supervisados se muestran en la Figura 4-2, donde se observa que la mayoría de

los falsos modelados están en la parte media de la cuenca. Las confluencias generan los

mayores cambios de pendiente para los perfiles escogidos y las caídas más

significativas se predicen delimitadas con un punto inicial y final (Figura 4-3). En las

gráficas de pendiente a lo largo de los perfiles, se nota que el perfil del río Sinifaná tiene

mayor magnitud de cambios de pendiente que el de Poblanco, donde los mayores

52 Capítulo 4: Resultados

cambios están antes de las confluencias con la corriente principal, es decir en los tramos

de menor orden en su parte alta. (Figura 4-4).

Cuenca Alpha de Hubert MC FM FS

Poblanco 0.4 26 6 7 Sinifaná 0.45 39 4 6

Figura 4-1. Calibración con los test de sensibilidad y confianza de los valores de Alpha del Test de

Hubert, señalando el valor elegido para (A) Poblanco y (B) Sinifaná. En la tabla los modelados coincidentes (MC), falsos supervisados (FS) y falsos modelados (FM) para el Alpha de Hubert elegido en

cada cuenca.

0.0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1.0

0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0

Valo

r

Confianza Sensibilidad Elegido

A

0.0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1.0

0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0

Valo

r

Alpha del Test de Hubert

B


Figura 4-2. Red de drenaje con puntos de cambio de pendiente para el río Poblanco (A) y Sinifaná (B), los modelados coincidentes (MC), falsos supervisados (FS) y falsos modelados (FM), en rojo se señalan

los perfiles extraídos de cada cuenca ilustrados en las figuras siguientes.

B

A


Figura 4-3. Perfiles más cortos del río Poblanco (A) y Sinifaná (B), se muestran las alturas en línea

continua con los filtros de mediana e interpolación lineal (en azul claro) y de las alturas sin modificar del DEM (en naranja). También se muestran en línea punteada los cambios de pendiente supervisados

(en verde), los modelados (en rojo) y las confluencias (en azul oscuro).

A

B


Figura 4-4. Variación de la pendiente en el perfil en línea continua (azul claro). Cambios de la

pendiente en los perfiles del río Poblanco (A) y Sinifaná (B), los supervisados (en verde), los modelados (en rojo) y las confluencias (en azul oscuro) en líneas punteadas,

A

B


Confinamiento

4.1.2.1. Relación entre el ancho del valle y del canal activo

La mayor confianza y sensibilidad se encuentra en ambos casos en valores antes de que

la sensibilidad se vuelva constante (Figura 4-5), logrando una mayor predictibilidad

de los puntos supervisados en la cuenca del Sinifaná con una sensibilidad de 0.90 y

confianza de 0.68 respecto a la cuenca del Poblanco donde valores son 0.82 y 0.53

respectivamente para el Alpha elegido. Para el caso de Poblanco se logran predecir

todos los puntos supervisados con el Alpha mayor, en cambio, en Sinifaná en este caso

se predice un 95% de estos. La distribución de los puntos modelados con el Alpha de

Hubert elegido y los supervisados se muestra en la Figura 4-6, donde se observa que

los falsos modelados están distribuidos por toda la extensión de las dos cuencas, los

falsos supervisados en el caso de Poblanco en la parte alta, contrario a Sinifaná que se

encuentran en la media y baja. En las gráficas de confinamiento a lo largo de los perfiles

elegidos se nota que en el perfil del río Poblanco se tienen mayores magnitudes que

Sinifaná (Figura 4-7). En el río Poblanco se observan cuatros lugares con picos de

confinamiento distribuidos en todo el perfil, en cambio en Sinifaná se nota un aumento

progresivo del confinamiento desde la parte alta hasta alcanzar el mayor valor en la

parte más baja.






cada cuenca.

0.0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1.0

0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0

Valo

r


A

0.0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1.0

0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0

Valo

r


B


Figura 4-6. Red de drenaje con puntos de cambio de confinamiento con la relación entre el ancho del valle y canal activo para el río Poblanco (A) y Sinifaná (B), los modelados coincidentes (MC), falsos supervisados (FS) y falsos modelados (FM), en rojo se señalan los perfiles extraídos de cada cuenca

ilustrados en las figuras siguientes.

B

A


Figura 4-7. Variación del confinamiento de la relación entre el ancho del valle y el canal activo en el segmento en línea continua (azul claro). Cambios del confinamiento en los segmentos del río Poblanco

(A) y Sinifaná (B), los supervisados (en verde), los modelados (en rojo) y las confluencias (en azul oscuro) en líneas punteadas.

A

B


4.1.2.2. Relación entre el ancho del valle y la amplitud del meandro

Los valores más altos de la confianza y sensibilidad se dan cuando la sensibilidad llega

a un “punto asintótico” (Figura 4-8), logrando una mayor predictibilidad de los puntos

supervisados en la cuenca del Sinifaná con una sensibilidad de 0.86 y confianza de 0.60

respecto a la cuenca del Poblanco donde valores son 0.73 y 0.37 respectivamente para

el Alpha elegido. Para el caso de Poblanco se logran predecir todos los puntos

supervisados con el mayor Alpha, en cambio, en Sinifaná en este caso se predice un 96%

de los puntos supervisados. La distribución de los puntos modelados con el Alpha y los

supervisados se muestra en la Figura 4-9, donde se observa en ambos casos que los

falsos modelados y supervisados están distribuidos por toda la cuenca. En las gráficas

de confinamiento a lo largo de los perfiles escogidos (Figura 4-10), se nota que en el

del río Poblanco se tienen las partes más confinadas en la parte más alta, en cambio, en

Sinifaná predominan los picos en la parte baja.






cada cuenca.

0.0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1.0

0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0

Valo

r


A

0.0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1.0

0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0

Valo

r


B


Figura 4-9. Red de drenaje con puntos de cambio de confinamiento con la relación entre el ancho del valle y la amplitud del meandro para el río Poblanco (A) y Sinifaná (B), los modelados coincidentes (MC), falsos supervisados (FS) y falsos modelados (FM), en rojo se señalan los perfiles extraídos de

cada cuenca ilustrados en las figuras siguientes.

B

A


Figura 4-10. Variación del confinamiento de la relación entre el ancho del valle y la amplitud del

meandro en el segmento en línea continua (azul claro). Cambios del confinamiento en los segmentos del río Poblanco (A) y Sinifaná (B), los supervisados (en verde), los modelados (en rojo) y las

confluencias (en azul oscuro) en líneas punteadas.

4.1.2.3. Relación entre el HAND y el ancho hipotético de río trenzado

Se logra una mayor predictibilidad de los puntos supervisados para el río Poblanco

antes de que la sensibilidad se vuelva “constante”, para el río Sinifaná esto ocurre en un

Alpha mucho mayor (Figura 4-11), en la cuenca del Sinifaná los valores mayores se dan

A

B


en una sensibilidad de 0.80 y confianza de 0.63 respecto a la cuenca del Poblanco donde

valores son 0.53 y 0.38 respectivamente para el Alpha elegido. Para ambos casos con el

mayor Alpha se logra predecir el 92% de los puntos supervisados. La distribución de

los puntos modelados con el Alpha de Hubert elegido y los supervisados se muestra en

la Figura 4-12, donde se observa que los falsos modelados y supervisados están

distribuidos equitativamente por las dos cuencas. En las gráficas de confinamiento a lo

largo de los perfiles más cortos desde la cabecera (Figura 4-13), se nota que en el perfil

del río Poblanco se tienen las partes más confinadas en la parte media, en cambio, en

Sinifaná predominan los picos en la parte alta y media, y en general con mayores

magnitudes.



0.0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1.0

0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0

Valo

r


0.0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1.0

0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0

Valo

r



Figura 4-11. Calibración con los test de sensibilidad y confianza de los valores de Alpha del Test de Hubert, señalando el valor elegido para (A) Poblanco y (B) Sinifaná. En la tabla los modelados

coincidentes (MC), falsos supervisados (FS) y falsos modelados (FM) para el Alpha de Hubert elegido en cada cuenca.



B

A


Figura 4-13. Variación del confinamiento de la relación entre el ancho del valle y la amplitud del

meandro en el segmento en línea continua (azul claro). Cambios del confinamiento en los segmentos del río Poblanco (A) y Sinifaná (B), los supervisados (en verde), los modelados (en rojo) y las


Sinuosidad


antes de que la sensibilidad se vuelva constante, para el río Sinifaná esto ocurre en un

Alpha mayor (Figura 4-14). La mayor predictibilidad se da en la cuenca del Sinifaná en

una sensibilidad de 0.89 y confianza de 0.71, en la cuenca del Poblanco los valores son

0.76 y 0.72 respectivamente para el Alpha elegido. En la cuenca del río Poblanco se logra


predecir el 94% de los puntos supervisados, para el caso del río Sinifaná se logra un

92% de estos. La distribución de los puntos modelados con el Alpha de Hubert elegido

y los supervisados se muestra en la Figura 4-15, donde se observa que los falsos

modelados en ambos casos se encuentran en la parte media y alta de las cuencas, con

menores falsos supervisados en Sinifaná. En las gráficas de sinuosidad a lo largo de los

tramos más cortos desde la cabecera (Figura 4-16) se nota que en el perfil del río

Poblanco se tienen los picos de más magnitud ubicados en la parte media. En general

Sinifaná el perfil del Sinifaná tiene mayor sinuosidad, con magnitudes más altas en la

parte baja.






cada cuenca.

0.0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1.0

0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0

Valo

r


0.0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1.0

0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0

Valo

r





B

A


Figura 4-16. Variación del confinamiento de la relación entre el ancho del valle y la amplitud del meandro en el segmento en línea continua (azul claro). Cambios del confinamiento en los segmentos

del río Poblanco (A) y Sinifaná (B), los supervisados (en verde), los modelados (en rojo) y las confluencias (en azul oscuro) en líneas punteadas.

Vegetación


antes de que la sensibilidad se vuelva constante, para el río Sinifaná esto ocurre en un

Alpha menor (Figura 4-17). En la cuenca del Sinifaná los mayores valores de

predictibilidad se dan en una sensibilidad de 0.87 y confianza de 0.65 respecto a la


cuenca del Poblanco donde valores son 0.89 y 0.56 respectivamente para el Alpha

elegido. Para ambos casos con el mayor Alpha se logran predecir todos los puntos

supervisados. La distribución de los puntos modelados con el Alpha de Hubert elegido

y los supervisados se muestran en la Figura 4-18, donde los falsos modelados se

concentran en la parte media de las cuencas y los falsos supervisados se encuentran en

la parte media y alta. En la Figura 4-19 se pueden analizar los cambios de cobertura

para los perfiles más cortos de las cuentas. En el perfil de río Poblanco predominan los

territorios artificializados sobre los agrícolas, en cambio en el perfil del río Sinifaná

predominan los territorios agrícolas sobre los territorios artificializados y bosques.




Hubert, señalando el valor elegido para (A) Poblanco y (B) Sinifaná. En la tabla los modelados

0.0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1.0

0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0

Valo

r


0.0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1.0

0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0

Valo

r



coincidentes (MC), falsos supervisados (FS) y falsos modelados (FM) para el Alpha de Hubert elegido en cada cuenca.

Figura 4-18. Red de drenaje con puntos de cambio de vegetación para el río Poblanco (A) y Sinifaná (B), los modelados coincidentes (MC), falsos supervisados (FS) y falsos modelados (FM), en rojo se

señalan los perfiles extraídos de cada cuenca ilustrados en las figuras siguientes.

B

A


Figura 4-19. Variación de las coberturas en los perfiles más cortos. Las coberturas presentadas son Territorios artificializados (1), Territorios agrícolas (2) y Bosques y áreas seminaturales (3). El

segmento en línea continua (azul claro) es la cobertura predominante en cada tramo del río Poblanco (A) y Sinifaná (B), los puntos de cambio supervisados (en verde), los modelados (en rojo) y las


Métodos unificados de segmentación

Finalmente se comparan los puntos de cambio con el Alpha del Test de Hubert elegido

para cada método en un radio de 100 metros para las cuencas de estudio. En la Tabla

4-1 se muestra la cantidad de puntos de cambio por uno o por dos métodos que se


superponen. También se presentan casos de puntos de cambio donde se superponen

tres o cuatro métodos (Tabla 4-1 – Parte Inferior).

Tabla 4-1. Comparación de los puntos de cambio en un radio de 100 metros con los otros métodos.

Poblanco

Método de segmentación

Confinamiento Sinuosidad Vegetación Pendiente Total

Confinamiento 13 3 7 6 29 Sinuosidad 3 12 2 3 20 Vegetación 7 2 18 3 30 Pendiente 6 3 3 18 30

Total 29 20 30 30 109

Sinifaná


Confinamiento Sinuosidad Vegetación Pendiente Total

Confinamiento 9 4 11 8 32 Sinuosidad 4 13 0 2 19 Vegetación 11 0 12 3 26 Pendiente 8 2 3 27 40

Total 32 19 26 40 117

Métodos Poblanco Sinifaná Confinamiento-Sinuosidad- Pendiente 1 0 Confinamiento-Sinuosidad-Vegetación 0 3 Confinamiento-Pendiente-Vegetación 0 1 Confinamiento-Sinuosidad-Vegetación-Pendiente 0 2

En la Figura 4-20 se muestra un mapa con los puntos unificados de confinamiento,

vegetación y sinuosidad que se generan por cambios laterales de la corriente y a parte

los puntos de cambio de pendiente que se presentan en la vertical.


Figura 4-20. Red de drenaje con la unificación de los puntos de cambio el río Poblanco (A) y Sinifaná

(B).

B

A


4.2. Clasificación

Variables predictoras

Las variables que se usarán para entrenar los modelos son el Caudal (m3/s), la

pendiente (%), el área de drenaje (km2), el grado de confinamiento y la potencia (SA0.4).

Se realiza el procesamiento sobre dos bases de datos; BD1: posee los datos de los tipos

etiquetados Cascade, Plane-Bed, Pool-Riffle, Step-Pool; y BD2: posee los datos de los 6

tipos de tramos etiquetados. La distribución de cada variable y su correlación se

presenta para ambas bases de datos en la Figura 4-21.

____________________________________________________________________________

Figura 4-21. Histogramas y correlogramas de las variables predictoras para la BD1 (Superior) y BD2

(Inferior).

BD1

BD2


Análisis Discriminante Lineal (LDA)

Aplicando los test de normalidad y multinormalidad a las variables se obtiene que no

cumplen con la multinormalidad y normalidad individual, por lo tanto, se recurre a

realizar la transformación de las variables. Se realizan pruebas con las conversiones de

raíz cuadrada, logarítmica y potencias en orden. Con la transformada logarítmica el

Caudal y el Confinamiento cumplen la normalidad individual. Por la transformada de

potencia las variables que cumplen el supuesto de multinormalidad son el Caudal,

Confinamiento y Potencia (SA0.4), por lo que se decide aplicar el discriminante lineal

con estas conversiones para las variables. Los resultados de los test de las variables

transformadas se muestran en la Tabla 4-2.

Para probar si se cumple la homocedasticidad se realiza el test de Bartlett, de este se

obtiene un valor de 73.446 correspondiente a un p-value = 0.001909, por lo que no se

puede rechazar la hipótesis nula de que las varianzas son iguales.

Tabla 4-2. Resultados del test de normalidad (Shapiro-Wilk) y multinormalidad (Royston) para las

variables transformadas por medio de potencias.

Test Variable Estadístico p-value Multi/Normalidad Potencia de

normalización Royston TODAS 0.7478 0.8026 Si -

Shapiro-Wilk

Caudal 0.9931 0.6504 Si -0.05226647 Confinamiento 0.9918 0.4925 Si 0.04536442

Potencia 0.9932 0.6604 Si -0.1993076

Aplicando el modelo de discriminante lineal a la base de datos BD1, se logra en general

un porcentaje de acierto del 37.2%, en la Tabla 4-3 se muestran las clases predichas

versus las verdaderas, donde se muestra que el tipo que se predice mejor es el Colluvial

y el que menos se predice es el Plane-Bed. Los resultados de las diferentes

combinaciones de variables para las dos bases de datos se presentan en la Tabla 4-4.

Tabla 4-3. Matriz en porcentaje de clase predicha versus la clase verdadera, en la diagonal principal se

presentan el porcentaje de acierto.

Clase verdadera

Tipo de corriente

Cascade Colluvial Dune-ripple

Plane-Bed

Pool-Riffle

Step-Pool

Cla

se

pre

dic

ha

Cascade 44.4 7.4 38.1 33.3 32.1 30.0 Colluvial 13.9 85.2 0.0 18.5 3.6 20.0

Dune-ripple 13.9 0.0 33.3 14.8 10.7 10.0 Plane-Bed 5.6 0.0 0.0 7.4 21.4 5.0 Pool-Riffle 5.6 3.7 28.6 18.5 17.9 0.0 Step-Pool 16.7 3.7 0.0 7.4 14.3 35.0

78

Tabla 4-4. Resultados de las modelaciones en la BD1 (superior) y BD2 (inferior) para las diferentes combinaciones de variables como entrada, aplicados al modelo de discriminante lineal (LDA), árboles de decisión de 3 niveles (CART Nivel 3) y árboles de decisión sin poda (CART MAX). Para el modelo

CART Nivel 3, se especifica el número de datos predichos en cada tipo de corriente por cada combinación.

BD1

N° Entrada

LDA CART Nivel 3 CART Max

Predicción (%)

Número de predicciones Predicción

(%) Nivel

máximo Predicción

(%) Total (34)

Cascade (11)

Plane-Bed (7)

Pool-Riffle (11)

Step-Pool (5)

1 A, S - 10 6 1 1 2 29.41 10 50 2 Conf, Pot, Q 36.03 11 7 3 1 0 32.35 6 61.76 3 Conf, Pot, S - 12 9 2 0 1 35.29 6 52.94 4 Conf, Pot 32.43 12 6 5 0 1 35.29 9 47.05 5 Conf, Q 40.54 11 7 3 1 0 32.35 9 52.94 6 Conf, S - 14 10 0 2 2 41.18 6 55.88 7 Pot, S - 13 9 3 0 1 38.24 6 55.88 8 S - 10 8 2 0 0 29.41 8 55.88

BD2

N° Entrada

LDA CART Nivel 3 CART Max

Predicción (%)

Número de predicciones Predicción

(%) Nivel máx.

Predicción (%)

Total (48)

Cascade (10)

Colluvial (7)

Dune-ripple

(6)

Plane-Bed (8)

Pool-Riffle

(9)

Step-Pool (8)

1 A, S - 16 8 6 2 0 0 0 33.33 14 43.75

2 Conf, Pot,

Q 37.73 14 4 4 0 0 5 1 29.17 12 33.3

3 Conf, Pot, S - 12 4 6 0 0 1 1 25.00 7 41.66 4 Conf, Pot 23.89 9 1 6 0 0 1 1 18.75 13 37.5 5 Conf, Q 40.25 14 4 4 0 0 5 1 29.17 6 31.25 6 Conf, S - 12 4 0 0 0 6 2 25.00 8 35.41 7 Pot, S - 16 5 6 2 0 3 0 33.33 13 43.75 8 S - 11 6 0 4 0 1 0 22.92 14 45.83

79

Árboles de decisión (CART)

Se aplican los árboles de decisión a las diferentes combinaciones de variables

predictoras de las dos bases de datos (BD1 y BD2). Los árboles de decisión se corren

con un modelo que no tiene limitación en los niveles (CART Max), lo que genera árboles

muy complejos, pero con mejor predicción, además se corre un modelo “podado” con

tres niveles de decisión. También se aplica CART a las combinaciones que cumplen el

supuesto de multinormalidad, en este caso los que se asociaron con la pendiente no

cumplieron este supuesto Tabla 4-4.

La importancia relativa de cada variable para el modelo CART se presenta en la Figura

4-22, el área tributaria a cada tramo es la que mayor importancia de predicción y la

potencia es la que menos. Se presenta también una muestra del algoritmo con el cual se

realiza el entrenamiento con el 70% de los datos y la validación con el 30% (Figura

4-23). En la Figura 4-24 se presentan los resultados de los árboles de decisión de tres

niveles de las combinaciones que generaron mayor porcentaje de predicción. En cada

nodo se presenta la condición de la variable, el valor de pureza (Gini), el número de

muestras y el tipo de corriente en ese nivel. El nodo que se genera a la izquierda es para

el caso verdadero de la condición y a la derecha en caso de que sea falso. Los porcentajes

de predicción son bajos y muy similares a los generados por el modelo de discriminante

lineal (LDA).


Figura 4-22. Importancia relativa de cada variable en el modelo CART.

Figura 4-23. Algoritmo para entrenamiento del 70% de los datos y la validación con el 30%, las variables seleccionadas en este caso son Con (confinamiento) y S (pendiente), donde se logra una

predicción del 47% del etiquetado.


Figura 4-24. Árboles de clasificación con tres niveles (CART Nivel 3) para las combinaciones con mayor porcentaje de predicción: En la BD1 el confinamiento y pendiente alcanzan un 41.18% (superior) y en

la BD2 la potencia y pendiente alcanzan un 33.3% (inferior).

BD1

Confinamiento -

Pendiente

BD2

Potencia -

Pendiente

82

5

Discusión

5.1. Desempeño de los métodos de segmentación

Para comparar la efectividad de predecir los puntos supervisados por los diferentes

métodos automatizados de segmentación se agrupan los resultados en la Tabla 5-1.

Se observa en general que la segmentación por pendiente es el método que mejor se

ajusta a los puntos supervisados. Esto se debe a que los cambios de pendiente en una

corriente son más repentinos, permitiendo que sean fáciles de predecir y se visualice

mejor la elección de los puntos supervisados en la herramienta de extracción de

perfiles, además que muchos de estos pueden corroborarse en la ortofoto.

Tabla 5-1. Calibración con los test de sensibilidad y confianza de los valores de Alpha del Test de

Hubert, señalando el valor elegido para (A) Poblanco y (B) Sinifaná. En la tabla los modelados


Cuenca Poblanco Sinifaná

Alpha Conf Sens Alpha Conf Sens Pendiente 0.40 0.81 0.79 0.45 0.87 0.91

Confinamiento Met. - 1

0.40 0.53 0.82 0.65 0.68 0.90


0.15 0.60 0.86 0.20 0.37 0.73


0.25 0.38 0.53 0.70 0.63 0.80

Sinuosidad 0.25 0.72 0.76 0.50 0.71 0.89 Vegetación 0.65 0.56 0.89 0.45 0.65 0.87

Pendiente

Para realizar la segmentación por pendiente se han presentado otros métodos

novedosos que incluyen relaciones χ (Neely et al., 2017; Gailleton et al., 2019), donde

se integra también el área de drenaje. Con esta metodología se hacen pruebas para

hallar puntos de cabecera en la Isla San Cruz, USA y el Quadrilátero Ferrífero, Brasil

83 Capítulo 5: Discusión

logrando en promedio una sensibilidad de 0.89 y confianza de 0.60 con los índices

propuestos por Neely et al. (2017).

Aunque en el modelo propuesto en este trabajo se logran mayores valores promedios

de los índices de predicción, se debe tener en cuenta que los puntos supervisados como

lo menciona Gailleton et al. (2019), son elegidos por la subjetividad humana, lo que abre

la posibilidad a interpretar señales y tendencias que pueden omitir morfologías

diferentes. Para solventar esto proponen realizar una calibración con diferentes fuentes

de datos como mapas topográficos y geomórficos. En este sentido, también se deben

considerar los falsos modelados cuando realiza la calibración de la sensibilidad y la

confianza en una cuenca, ya que en la supervisión se pueden pasar por alto puntos de

cambio cuando no se percibe un cambio de tendencia.

También son relevantes los resultados del algoritmo creado para Matlab a partir de

perfiles χ por Neely et al. (2017), quienes con un radio de tolerancia de 100 metros

logran una precisión del 93% contando con un modelo de elevación digital de un metro

de pixel. Por esto se supondría que con modelos de elevación digital de mayor

resolución se conseguiría mayor efectividad en la modelación, pero también se deben

aplicar filtros más rigurosos que no alteren la tendencia de los cambios longitudinales.

Confinamiento

De los métodos para hallar los cambios significativos de confinamiento, la combinación

del fondo del valle y el canal activo es la que mejor desempeño presenta. También es

importante resaltar la combinación entre el HAND y el vector de ancho hipotético de un

río trenzado que presenta buen desempeño. El segundo caso donde se integra el ancho

del valle y la amplitud del meandro presenta muchos falsos modelados en los cambios

de dirección, por lo que no se considera en primera medida como un método confiable,

más que todo por asumir la amplitud del meandro como el canal activo, cuando se

pueden generar tramos de corriente confinados en ríos sinuosos.

En ausencia de información primaria se considera que la combinación que mejor puede

representar la relación del confinamiento es el valle aluvial por el HAND y el vector de

ancho de corriente hipotético de un río trenzado. El valle aluvial a partir del HAND en

comparación con el Valle aluvial (Valley Bottom) no requiere parámetros de escala, es

decir que, si se genera un Valle aluvial en un segmento del río y en toda la cuenca con

los mismos parámetros los resultados serán diferentes, esto no ocurre en HAND que se

extrae desde el procesamiento del DEM, esto genera ventajas en el HAND ya que no se

deben calibrar parámetros de escala que cambien los resultados facilitando su

automatización. Es importante mencionar que el proceso de limpieza del vector

resultante debe supervisarse, ya que se pueden generar múltiples objetos. Por otro

lado, el vector de ancho de corriente hipotético de un río trenzado representa mejor el


canal activo que el vector generado con la amplitud del meandro, como el ancho

generado es producto de una regresión (Jiménez et al., 2015), es posible refinarlo con

más datos y complementar su delimitación con información satelital a detalle.

Como los puntos de cambio supervisados de confinamiento también son subjetivos

dependiendo del observador, se pueden usar mapas base como la geomorfología como

lo sugiere Gailleton et al. (2019). En las cuencas de estudio (Poblanco y Sinifaná), se ve

claramente que los modelados coincidentes (MC) están cerca de los cambios de

geomorfología Figura 5-1, ya que los materiales del lecho y el valle aluvial son los que

condicionan la interacción del río en la lateral. Los materiales del lecho y las bancas se

pueden integrar si se cuenta con un estudio a detalle para refinar la definición del valle

aluvial (Fryirs et al., 2016).

Sinuosidad

Se debe tener cuidado con la medición de la sinuosidad ya que esta variable es una

propiedad de escala de segmento lo cual puede generar múltiples puntos de cambio. La

sinuosidad como método de segmentación presenta una confianza estable en las dos

cuencas y es aceptable, presentando falsos modelados generalmente en los extremos:

nacimientos e intersecciones, que pueden omitirse a la hora de evaluar la

predictibilidad.

Los puntos de cambio de la sinuosidad se ven sobrepuestos con los de confinamiento,

ya que por lo general estos cambios se presentan por una diferencia significativa en el

material con el que el valle interactúa (Parsapour-Moghaddam & Rennie, 2018). Estos

puntos de cambio pueden generar diferencias en la dinámica de interacción con las

bancas, generando a largo plazo cambios en la estructura morfológica de los tramos

(Janes et al., 2017), por lo que los tramos que tienen menor confinamiento son donde

el río se puede desarrollar lateralmente generando mayor sinuosidad e interacción con

las bancas (Thayer & Ashmore, 2016).


Figura 5-1. Red de drenaje con puntos de cambio de confinamiento sobre el mapa de morfología para el río Poblanco (A) y Sinifaná (B), los modelados coincidentes (MC), falsos supervisados (FS) y falsos

modelados (FM).

Vegetación

La vegetación es el método que se presenta menor predictibilidad, esto ocurre ya que

varios falsos modelados se generan muy seguidos por cambios en los patrones de varias

coberturas. Este método también se relaciona con la interacción lateral de la corriente

y esto se demuestra en que muchos puntos de cambio coinciden con los de

B

A


confinamiento y sinuosidad. Aunque la vegetación por sí sola no es raramente usada

como discriminante hidrogeomórfico, la integración de la vegetación ribereña como

discriminante en los procesos acuáticos puede dar respuesta a cambios en la

disponibilidad de hábitat y capacidad de amplitud lateral de las corrientes (Shaw et al.,

2018), dando una mayor integración al componente biótico y generando un criterio

holístico de los cambios de la dinámica de la corriente.

5.2. Desempeño de los métodos de clasificación

El uso de distintos modelos de clasificación estadística y distintas combinaciones de

variables para predecir los tipos de corrientes en diferentes condiciones han generado

múltiples resultados que pueden estar condicionados a la forma de medición de

variables, nivel de resolución de los insumos, subjetividad del etiquetado de las

corrientes, las condiciones locales, entre otros. En este estudio se presentan dos

métodos de clasificación estadística que han sido anteriormente usados para

clasificación. Flores et al. (2006) logra un 76% de predictibilidad con la combinación de

la pendiente y la potencia, en comparación con este estudio donde se logra un máximo

de 61% es bajo, esto puede ser debido a que el estudio en mención contaba con los 270

tramos de corriente que habían sido etiquetados directamente en campo y cuya

pendiente se tomó con instrumentos de precisión.

La combinación del grado de confinamiento y caudal fue usado por Beechie et al.,

(2006) con un desempeño de un 45% pero con 47 tramos de corriente, este desempeño

es similar al logrado por el método de regresión lineal que fue de un 41% con estas

variables. El uso de los caudales para la predicción como se menciona en ese estudio es

inestable ya que un tipo de tramos de corriente puede darse en un rango amplio de

caudales.

La pendiente es una variable clave para la predicción de distintos tipos de tramo de

corriente. En el estudio de Altunkaynak & Strom, (2009) solo con esta variable se logra

un 72% de predicción con el uso de redes neuronales y junto con el d84 y el ancho de la

corriente son la combinación que genera mejor predictibilidad (81%).

En comparación los estudios mencionados el desempeño de los modelos aplicados en

este estudio son bajos, además el desempeño del modelo lineal (LDA) y los árboles de

decisión es muy similar, por lo que se infiere que los resultados están condicionados a

la poca cantidad de datos, la resolución del modelo de elevación y que no se realizó el

etiquetado de los segmentos en campo.

Es importante mencionar también que la fuente de estos datos estaba enfocada en las

cabeceras de la cuenca, por lo que los datos en los afluentes principales eran menos y

presentaban magnitudes muy altas, generando un efecto de outlayer respecto al resto


de datos. Esto se puede ver reflejado en la alta cantidad de corrientes predichas como

Cascade y Colluvial en la Tabla 4-4. Por lo que se recomienda se tenga un número

equitativo y mayor de datos en cada categoría de predicción

88

6

Conclusiones

En este trabajo se busca la integración de herramientas que permitan la delimitación

automatizada de tramos de corriente que sean significativamente diferentes en

términos de procesos hidromorfológicos. Se encuentra que para estas cuencas la

pendiente es el criterio que mejor se ajusta a los puntos de cambio supervisados, esto

facilitado por las herramientas de filtrado de los modelos de elevación y observación de

los perfiles. Los insumos que mejor se ajustan a los cambios de confinamiento en

ausencia de información primaria son el valle aluvial extraído del HAND y el ancho del

corriente hipotético de un río trenzado.

La vegetación y la sinuosidad son criterios que mediante estas herramientas se pueden

integrar para la definición de tramos de corriente, ya que es posible modelar los puntos

de cambio supervisados con un desempeño entre el 50 y 70%. Estos procesos dan

información de la interacción fisicobiótica generada en el intercambio de energía que

tiene la corriente y su valle aluvial, generando un criterio más completo para

diagnosticar puntos de cambio en la cuenca.

La predicción de los tipos de corriente a partir de las combinaciones de variables

hidromorfológicas fue menor a un 41%, por lo que se recomienda el etiquetado en

campo de los tipos de corriente y el levantamiento de variables como la pendiente local,

el ancho de banca llena y ancho de la corriente, para lograr una mejor calibración y

desempeño de los modelos de clasificación, además de combinaciones de variables con

alta correlación como el rendimiento (Q/A).

La estructuración de esta metodología pretender dar herramientas para generar con

información secundaria la planeación y gestión de las cuencas, llegando a facilitar los

esfuerzos de monitoreo, dando la posibilidad de integrar recursos bióticos dentro de

los criterios para la elección de sitios de muestreo.

Se recomienda seguir trabajando en el levantamiento de datos unificados para explorar

la dinámica de las diferentes cuencas y tipos de corrientes que se presentan

89 Capítulo 6: Conclusiones

particularmente en el país, ya que estos esfuerzos de monitoreo permitirían la

calibración de insumos y modelos que facilitarían la exploración de las dinámicas

contrastantes de las cuencas.

90

Referencias

Alber, A., & Piégay, H. (2011). Spatial disaggregation and aggregation procedures for characterizing fluvial features at the network-scale: Application to the Rhône basin (France). Geomorphology, 125(3), 343–360. https://doi.org/10.1016/j.geomorph.2010.09.009

Altunkaynak, A., & Strom, K. B. (2009). A predictive model for reach morphology classification in mountain streams using multilayer perceptron methods. Water Resources Research, 45(12). https://doi.org/10.1029/2009WR008055

Beechie, T. J., Liermann, M., Pollock, M. M., Baker, S., & Davies, J. (2006). Channel pattern and river-floodplain dynamics in forested mountain river systems. Geomorphology, 78(1–2), 124–141. https://doi.org/10.1016/j.geomorph.2006.01.030

Belletti, B., Nardi, L., Rinaldi, M., Poppe, M., Brabec, K., Bussettini, M., Comiti, F., Gielczewski, M., Golfieri, B., Hellsten, S., Kail, J., Marchese, E., Marcinkowski, P., Okruszko, T., Paillex, A., Schirmer, M., Stelmaszczyk, M., & Surian, N. (2018). Assessing Restoration Effects on River Hydromorphology Using the Process-based Morphological Quality Index in Eight European River Reaches. Environmental Management, 61(1), 69–84. https://doi.org/10.1007/s00267-017-0961-x

Belletti, B., Rinaldi, M., Buijse, A. D., Gurnell, A. M., & Mosselman, E. (2014). A review of assessment methods for river hydromorphology. Environmental Earth Sciences, 73(5), 2079–2100. https://doi.org/10.1007/s12665-014-3558-1

Belletti, Barbara, Rinaldi, M., Bussettini, M., Comiti, F., Gurnell, A. M., Mao, L., Nardi, L., & Vezza, P. (2017). Characterising physical habitats and fluvial hydromorphology: A new system for the survey and classification of river geomorphic units. Geomorphology, 283, 143–157. https://doi.org/10.1016/j.geomorph.2017.01.032

Bishop, M. P., James, L. A., Shroder, J. F., & Walsh, S. J. (2012). Geospatial technologies and digital geomorphological mapping: Concepts, issues and research. Geomorphology, 137(1), 5–26. https://doi.org/10.1016/j.geomorph.2011.06.027

Bisson, P. A., Montgomery, D. R., & Buffington, J. M. (2017). Valley Segments, Stream Reaches, and Channel Units. In Methods in Stream Ecology: Third Edition (Vol. 1). Elsevier Inc. https://doi.org/10.1016/B978-0-12-416558-8.00002-0

Bledsoe, B. P., & Watson, C. C. (2001). Logistic analysis of channel pattern thresholds: meandering, braiding, and incising. Geomorphology, 38(3), 281–300. https://doi.org/https://doi.org/10.1016/S0169-555X(00)00099-4

Brierley, G., Camp, R., Beechie, T., Imaki, H., Jensen, M., Wheaton, J., Bouwes, N., O’Brien, G., Hough-Snee, N., Rosgen, D., Fryirs, K., & Kasprak, A. (2016). The Blurred Line between Form and Process: A Comparison of Stream Channel Classification Frameworks. Plos One, 11(3), e0150293. https://doi.org/10.1371/journal.pone.0150293

Brierley, G., Fryirs, K., Cook, N., Outhet, D., Raine, A., Parsons, L., & Healey, M. (2011). Geomorphology in action: Linking policy with on-the-ground actions through applications of the River Styles framework. Applied Geography, 31(3), 1132–1143. https://doi.org/10.1016/j.apgeog.2011.03.002

91 Capítulo 7: Referencias

Brierley, G. J., & Fryirs, K. A. (2013). Geomorphology and river management: applications of the river styles framework. John Wiley & Sons TS - RIS M4 - Citavi.

Buffington, J., Lisle, T., Woodsmith, R., & Hilton, S. (2002). Controls on the Size and Occurrence of Pools in Coarse-Grained Forest Rivers. River Research and Applications, 18, 507–531. https://doi.org/10.1002/rra.693

Buffington, J. M., & Montgomery, D. R. (2013). Geomorphic classification of rivers. In In: Shroder, J.; Wohl, E., ed. Treatise on Geomorphology; Fluvial Geomorphology, Vol. 9. San Diego, CA: Academic Press. p. 730-767. (Vol. 9, Issue 11). https://doi.org/10.1007/s10531-013-0544-y

Burgl, H. (1960). Historia Geologica De Colombia. Revista de La Academia Colombiana de Ciencias, XI(43), 137–191.

Campolo, M., Andreussi, P., & Soldati, A. (1999). River flood forecasting with a neural network model. Water Resources Research, 35(4), 1191–1197. https://doi.org/10.1029/1998WR900086

Coulibaly, P., Anctil, F., Aravena, R., & Bobée, B. (2001). Artificial neural network modeling of water table depth fluctuations. Water Resources Research, 37(4), 885–896. https://doi.org/10.1029/2000WR900368

De’ath, G., & Fabricius, K. E. (2000). Classification and regression trees: a powerful yet simple technique for ecological data analysis. Ecology, 81(11), 3178–3192.

De la fuente, S. (2011). Análisis discriminante. Facultad Ciencias Económicas y Empresariables UAM, 177–216.

Diez, J. M. (2008). Evaluación hidrodinámica del hábitat ecohidráulico dirigida a la conservación y restauración de hidrosistemas fluviales. Ingeniería e Investigación, 28(2), 97–107.

Dilts, T. (2019). Topography Tools for ArcGIS 10.3 and earlier. Esri Page. https://www.arcgis.com/home/item.html?id=b13b3b40fa3c43d4a23a1a09c5fe96b9

Dolloff, C. A., Hankin, D. G., & Reeves, G. H. (1993). Basinwide Estimation of Habitat and Fish Populations in Streams. In Gen. Tech. Rep. SE-83. Asheville, NC: U.S. Department of Agriculture, Forest Service, Southeastern Forest Experiment Station. 25 p. (Vol. 83). https://doi.org/10.2737/SE-GTR-83

Entwistle, N., Heritage, G., & Milan, D. (2018). Recent remote sensing applications for hydro and morphodynamic monitoring and modelling. Earth Surface Processes and Landforms, 43(10), 2283–2291. https://doi.org/10.1002/esp.4378

ESRI. (2020). Arc Hydro Tools (10.7.0.38). ESRI. http://downloads.esri.com/archydro/archydro/Setup/

ESRI. (2018). ArcGIS Desktop - Documentation Manual (10.5). ESRI. http://desktop.arcgis.com/es/desktop/

European Comission. (2000). EU Water Framework Directive 2000/60. 23(1). Ferreira, J., Pádua, J., Hughes, S. J., Cortes, R. M., Varandas, S., Holmes, N., & Raven, P.

(2011). Adapting and adopting River Habitat Survey: Problems and solutions for fluvial hydromorphological assessment in Portugal. Limnetica, 30(2), 263–272.

Flores, A. N., Bledsoe, B. P., Cuhaciyan, C. O., & Wohl, E. E. (2006). Channel-reach morphology dependence on energy, scale, and hydroclimatic processes with implications for prediction using geospatial data. Water Resources Research, 42(6), 1–15. https://doi.org/10.1029/2005WR004226


Fonstad, M. A., Marcus, W. A., & Andrew Marcus, W. (2010). High resolution, basin extent observations and implications for understanding river form and process. Earth Surface Processes and Landforms, 35(6), 680–698. https://doi.org/10.1002/esp.1969

Frissell, C. A., Liss, W. J., Warren, C. E., & Hurley, M. D. (1986). A hierarchical framework for stream habitat classification: Viewing streams in a watershed context. Environmental Management, 10(2), 199–214. https://doi.org/10.1007/BF01867358

Fryirs, K. A., & Brierley, G. J. (2012). Geomorphic Analysis of River Systems: An Approach to Reading the Landscape. In Geomorphic Analysis of River Systems: An Approach to Reading the Landscape. https://doi.org/10.1002/9781118305454

Fryirs, K. A., Wheaton, J. M., & Brierley, G. J. (2016). An approach for measuring confinement and assessing the influence of valley setting on river forms and processes. Earth Surface Processes and Landforms, 41(5), 701–710. https://doi.org/10.1002/esp.3893

Gailleton, B., Mudd, S. M., Clubb, F. J., Peifer, D., & Hurst, M. D. (2019). A segmentation approach for the reproducible extraction and quantification of knickpoints from river long profiles. Earth Surface Dynamics, 7(1), 211–230. https://doi.org/10.5194/esurf-7-211-2019

Gilbert, G. K., & Murphy, E. C. (1914). The Transportation of Debris by Running Water. In Professional Paper. https://doi.org/10.3133/pp86

Gilbert, J. T., Macfarlane, W. W., & Wheaton, J. M. (2016). The Valley Bottom Extraction Tool (V-BET): A GIS tool for delineating valley bottoms across entire drainage networks. Computers and Geosciences, 97(July), 1–14. https://doi.org/10.1016/j.cageo.2016.07.014

Gomi, T., Sidle, R. C., Woodsmith, R. D., & Bryant, M. D. (2003). Characteristics of channel steps and reach morphology in headwater streams, southeast Alaska. Geomorphology. https://doi.org/10.1016/S0169-555X(02)00338-0

Gordon, N. D. (2004). Stream hydrology : an introduction for ecologists. Wiley. https://www.wiley.com/en-us/Stream+Hydrology%3A+An+Introduction+for+Ecologists%2C+2nd+Edition-p-9780470843581

GRASS. (2020). GRASS GIS. https://grass.osgeo.org/ Gurnell, A. M., Rinaldi, M., Buijse, A. D., Brierley, G., & Piégay, H. (2016).

Hydromorphological frameworks: emerging trajectories. Aquatic Sciences, 78(1), 135–138. https://doi.org/10.1007/s00027-015-0436-1

Hajdukiewicz, H., & Wyżga, B. (2019). Aerial photo-based analysis of the hydromorphological changes of a mountain river over the last six decades: The Czarny Dunajec, Polish Carpathians. Science of the Total Environment, 648, 1598–1613. https://doi.org/10.1016/j.scitotenv.2018.08.234

Hankin, D. G., & Reeves, G. (1988). Estimating Tota Fish Abundance and Tota Habitat Area in Sma Streams Based on Visua Estimation Methods.

Hawkins, C. P., Kershner, J. L., Bisson, P. A., Bryant, M. D., Decker, L. M., Gregory, S. V, McCullough, D. A., Overton, C. K., Reeves, G. H., Steedman, R. J., & Young, M. K. (1993). A Hierarchical Approach to Classifying Stream Habitat Features. Fisheries, 18(6), 3–12. https://doi.org/10.1577/1548-


8446(1993)018<0003:AHATCS>2.0.CO;2 Horton, R. E. (1945). Erosional development of streams and their drainage basins;

hydrophysical approach to quantitative morphology. Geological Society of America Bulletin, 56(3), 275–370.

Hubert, P. (2000). The segmentation procedure as a tool for discrete modeling of hydrometeorological regimes. Stochastic Environmental Research and Risk Assessment, 14(4–5), 297–304. https://doi.org/10.1007/PL00013450

IDEAM. (2010). Leyenda nacional de coberturas de la tierra: metodología CORINE Land Cover adaptada para Colombia: Escala 1: 100.000. IDEAM.

Janes, V. J. J., Nicholas, A. P., Collins, A. L., & Quine, T. A. (2017). Analysis of fundamental physical factors influencing channel bank erosion: results for contrasting catchments in England and Wales. Environmental Earth Sciences, 76(7), 1–18. https://doi.org/10.1007/s12665-017-6593-x

Jaramillo Uribe, M. (2015). Evaluation of the Potential for Riverbank Filtration in Colombia [Universidad Nacional de Colombia]. http://www.bdigital.unal.edu.co/49387/

Jiménez, M. A., Vélez, J. I., & Camacho, L. A. (2015). Morphological Representation of Drainage Networks, Implications on Solute Transport and Distributed Simulation At the Basin Scale [Universidad Nacional de Colombia]. http://bdigital.unal.edu.co/46444/

Kaya, S., Cicioǧlu Aridoǧan, B., & Demirci, M. (2004). Linear Discriminant Analysis - A Brief Tutorial. Mikrobiyoloji Bulteni.

Knehtl, M., Petkovska, V., & Urbanič, G. (2018). Is it time to eliminate field surveys from hydromorphological assessments of rivers?—Comparison between a field survey and a remote sensing approach. Ecohydrology, 11(2). https://doi.org/10.1002/eco.1924

Lane, E. W. (1957). A Study of the shape of channels formed by natural streams flowing in erodible material. U.S. Army Engineer Division, Missouri River.

Leopold, L. B., & Wolman, M. G. (1957). River channel patterns: braided, meandering, and straight. US Government Printing Office.

Leopold, L., & Maddock, T. (1953). The hydraulic geometry of stream channels and some physiographic implications (Vol. 252). US Government Printing Office.

Leopold, L., Wolman, M. G., & Miller, J. P. (1965). Fluvial Processes in Geomorphology. Geographical Review. https://doi.org/10.2307/213147

Lopez De Mantaras, R., & Armengol, E. (1998). Machine learning from examples: Inductive and Lazy methods. Data and Knowledge Engineering, 25(1–2), 99–123. https://doi.org/10.1016/S0169-023X(97)00053-0

MADS. (2018a). Guía para el Ordenamiento del Recurso Hídrico Continental Superficial (Ministerio de Ambiente y Desarrollo Sostenible (ed.)).

MADS. (2018b). Guía Técnica de criterios para el acotamiento de las rondas hídricas en Colombia. Ministerio de Ambiente, Vivienda y Desarrollo Territorial, 1–86.

MAGRAMA. (2016). Protocolo de caracterización hidromorfológica de masas de agua de la categoría ríos. 2, 115. http://www.magrama.gob.es/es/agua/temas/estado-y-calidad-de-las-aguas/protocolo_dic2015v1_tcm7-403945.pdf

Martínez-Fernández, V., Van Oorschot, M., Smit, J., González del Tánago, M., Buijse, A. D. A. D., De Smit, J., González del Tánago, M., & Buijse, A. D. A. D. (2018). Modelling


feedbacks between geomorphological and riparian vegetation responses under climate change in a Mediterranean context. Earth Surface Processes and Landforms, 43(9), 1825–1835. https://doi.org/10.1002/esp.4356

Milner, V. S., Gilvear, D. J., & Willby, N. J. (2013). An assessment of variants in the professional judgement of geomorphologically based channel types. River Research and Applications, 29(2), 236–249. https://doi.org/10.1002/rra.1593

Montgomery, & Buffington, J. J. M. (1998). Channel processes, classification, and response. In River ecology and … (pp. 13–42). http://duff.ess.washington.edu/grg/publications/pdfs/montgomery-buff-1998.pdf

Montgomery, D. R., & Buffington, J. M. (1997). Channel-reach morphology in mountain drainage basins. Geological Society of America Bulletin, 109(5), 596–611.

Muñoz Mas, R., Sánchez Hernández, J., McClain, M. E., Tamatamah, R., Mukama, S. C., & Martínez-Capel, F. (2018). Investigating the influence of habitat structure and hydraulics on tropical macroinvertebrate communities. Ecohydrology and Hydrobiology. https://doi.org/10.1016/j.ecohyd.2018.07.005

Nagel, D. E., Buffington, J. M., Parkes, S. L., Wenger, S., & Goode, J. R. (2014). A landscape scale valley confinement algorithm: Delineating unconfined valley bottoms for geomorphic, aquatic, and riparian applications. Gen. Tech. Rep. RMRS-GTR-321, 321(June), 42. http://www.treesearch.fs.fed.us/pubs/45825

Nanson, G. C., & Croke, J. C. (1992). A genetic classification of floodplains. Geomorphology. https://doi.org/10.1016/0169-555X(92)90039-Q

Neely, A. B., Bookhagen, B., & Burbank, D. W. (2017). An automated knickzone selection algorithm (KZ-Picker) to analyze transient landscapes: Calibration and validation. Journal of Geophysical Research: Earth Surface, 122(6), 1236–1261. https://doi.org/10.1002/2017JF004250

Newson, M. D., & Large, A. R. G. (2006). ‘Natural’ rivers, ‘hydromorphological quality’ and river restoration: a challenging new agenda for applied fluvial geomorphology. Earth Surface Processes and Landforms, 31(13), 1606–1624. https://doi.org/10.1002/esp.1430

Nobre, A. D., Cuartas, L. A., Hodnett, M., Rennó, C. D., Rodrigues, G., Silveira, A., Waterloo, M., & Saleska, S. (2011). Height Above the Nearest Drainage - a hydrologically relevant new terrain model. Journal of Hydrology, 404(1–2), 13–29. https://doi.org/10.1016/j.jhydrol.2011.03.051

O’Brien, G. R., Wheaton, J. M., Fryirs, K., Macfarlane, W. W., Brierley, G., Whitehead, K., Gilbert, J., & Volk, C. (2019). Mapping valley bottom confinement at the network scale. Earth Surface Processes and Landforms, 44(9), esp.4615. https://doi.org/10.1002/esp.4615

Orlandini, S., Tarolli, P., Moretti, G., & Dalla Fontana, G. (2011). On the prediction of channel heads in a complex alpine terrain using gridded elevation data. Water Resources Research, 47(2), 1–12. https://doi.org/10.1029/2010WR009648

Parsapour-Moghaddam, P., & Rennie, C. D. (2018). Influence of meander confinement on hydro-morphodynamics of a cohesive meandering channel. Water (Switzerland), 10(4). https://doi.org/10.3390/w10040354

Raghavendra. N, S., & Deka, P. C. (2014). Support vector machine applications in the field of hydrology: A review. Applied Soft Computing, 19, 372–386.


https://doi.org/10.1016/j.asoc.2014.02.002 Rendón-Rivera, A., Henao-Arroyave, A. M., & Osorio-Cachaya, J. G. (2017). Inventory of

the sites of geological interest, in the southwestern of Antioquia Colombia. Boletín de Ciencias de La Tierra, 41, 66–72. https://doi.org/10.15446/rbct.n41.54841

Rinaldi, M., Gurnell, A. M., González del Tánago, M., Bussettini, M., Hendriks, D., del Tánago, M. G., Bussettini, M., Hendriks, D., González del Tánago, M., Bussettini, M., & Hendriks, D. (2016). Classification of river morphology and hydrology to support management and restoration. Aquatic Sciences, 78(1), 17–33. https://doi.org/10.1007/s00027-015-0438-z M4 - Citavi

Rinaldi, M., Surian, N., Comiti, F., & Bussettini, M. (2015). A methodological framework for hydromorphological assessment, analysis and monitoring (IDRAIM) aimed at promoting integrated river management. Geomorphology, 251, 122–136. https://doi.org/10.1016/j.geomorph.2015.05.010

Rinaldi, M., Surian, N., Comiti, F., & Bussettini, M. (2013). A method for the assessment and analysis of the hydromorphological condition of Italian streams: The Morphological Quality Index (MQI). Geomorphology, 180–181(January), 96–108. https://doi.org/10.1016/j.geomorph.2012.09.009 M4 - Citavi

Rinaldi, M., Surian, N., Comiti, F., Bussettini, M., Belletti, B., Nardi, L., Lastoria, B., & Golfieri, B. (2015). Guidebook for the evaluation of stream morphological conditions by the Morphological Quality Index (MQI). In REFORM Deliverable 6.2 Part 3 (Issue March). https://doi.org/D1.1

Roper, B. B., Buffington, J. M., Archer, E., Moyer, C., & Ward, M. (2008). The Role of Observer Variation in Determining Rosgen Stream Types in Northeastern Oregon Mountain Streams. JAWRA Journal of the American Water Resources Association, 44(2), 417–427. https://doi.org/10.1111/j.1752-1688.2008.00171.x M4 - Citavi

Rosgen, D. L. (1994). A classification of natural rivers. Catena, 22(3), 169–199. Roux, C., Alber, A., Bertrand, M., Vaudor, L., & Piégay, H. (2015). “FluvialCorridor”: A new

ArcGIS toolbox package for multiscale riverscape exploration. Geomorphology, 242(October), 29–37. https://doi.org/10.1016/j.geomorph.2014.04.018

Roux, C., Alber, A., & Piégay, H. (2013). General Overview guideline for the FluvialCorridor toolbox, a new ArcGIS toolbox package for exploring multiscale riverscape at a network scale. In Sedalp (Sediment Management in Alpin Basins) and CNRS (UMR5600).

Sakai, M., Kitaoka, N., & Nakagawa, S. (2007). Power linear discriminant analysis. 2007 9th International Symposium on Signal Processing and Its Applications, ISSPA 2007, Proceedings. https://doi.org/10.1109/ISSPA.2007.4555418

Schumm, S. A. (1977). The fluvial system. New York, NY (USA) Wiley-Interscience Pub. Schumm, Stanley A. (1985). Patterns of alluvial rivers. Annual Review of Earth and

Planetary Sciences, 13(1), 5–27. Schumm, Stanley A, & Lichty, R. W. (1965). Time, space, and causality in

geomorphology. American Journal of Science, 263(2), 110–119. https://doi.org/10.2475/ajs.263.2.110 M4 - Citavi

Shaw, J. R., Cooper, D. J., & Sutfin, N. A. (2018). Applying a hydrogeomorphic channel classification to understand spatial patterns in riparian vegetation. Journal of Vegetation Science, 29(3), 550–559. https://doi.org/10.1111/jvs.12629

Simon, A., Doyle, M., Kondolf, M., Shields, F. D., Rhoads, B., & McPhillips, M. (2007).


Critical Evaluation of How the Rosgen Classification and Associated “Natural Channel Design” Methods Fail to Integrate and Quantify Fluvial Processes and Channel Response. Journal of the American Water Resources Association, 43(5), 1117–1131. https://doi.org/10.1111/j.1752-1688.2007.00091.x M4 - Citavi

Strahler, A. N. (1957). Quantitative analysis of watershed geomorphology. Eos, Transactions American Geophysical Union, 38(6), 913–920.

Sutfin, N. A., & Wohl, E. (2019). Elevational differences in hydrogeomorphic disturbance regime influence sediment residence times within mountain river corridors. Nature Communications, 10(1), 1–14. https://doi.org/10.1038/s41467-019-09864-w

Thayer, J. B., & Ashmore, P. (2016). Floodplain morphology, sedimentology, and development processes of a partially alluvial channel. Geomorphology, 269, 160–174. https://doi.org/10.1016/j.geomorph.2016.06.040

Thompson, C. J., Croke, J., Ogden, R., & Wallbrink, P. (2006). A morpho-statistical classification of mountain stream reach types in southeastern Australia. Geomorphology, 81(1–2), 43–65. https://doi.org/10.1016/j.geomorph.2006.03.007

Trame Bleue. (2020). Fluvial Corridor Toolbox for QGis. https://github.com/tramebleue/fct

van Asselen, S., & Seijmonsbergen, A. C. (2006). Expert-driven semi-automated geomorphological mapping for a mountainous area using a laser DTM. Geomorphology, 78(3–4), 309–320. https://doi.org/10.1016/j.geomorph.2006.01.037

Vaughan, I. P., Diamond, M., Gurnell, A. M., Hall, K. A., Jenkins, A., Milner, N. J., Naylor, L. A., Sear, D. A., Woodward, G., & Ormerod, S. J. (2009). Integrating ecology with hydromorphology: a priority for river science and management. Aquatic Conservation: Marine and Freshwater Ecosystems, 19(1), 113–125. https://doi.org/10.1002/aqc.895

Wheaton, J. M., Fryirs, K. A., Brierley, G., Bangen, S. G., Bouwes, N., & O’Brien, G. (2015). Geomorphic mapping and taxonomy of fluvial landforms. Geomorphology, 248(November), 273–295. https://doi.org/10.1016/j.geomorph.2015.07.010

Wohl, E., Cooper, D., Poff, L., Rahel, F., Staley, D., & Winters, D. (2007). Assessment of Stream Ecosystem Function and Sensitivity in the Bighorn National Forest, Wyoming. Environmental Management, 40(2), 284–302. https://doi.org/10.1007/s00267-006-0168-z

Wohl, E., & Merritt, D. (2005). Prediction of mountain stream morphology. Water Resources Research, 41(8), 320. https://doi.org/10.1029/2004WR003779

Zaharia, L., Ioana-Toroimac, G., Moroşanu, G. A., Gălie, A. C., Moldoveanu, M., Čanjevac, I., Belleudy, P., Plantak, M., Buzjak, N., Bočić, N., Legout, C., Bigot, S., & Ciobotaru, N. (2018). Review of national methodologies for rivers’ hydromorphological assessment: A comparative approach in France, Romania, and Croatia. In Journal of Environmental Management. https://doi.org/10.1016/j.jenvman.2018.04.017

Zahra, T., Paudel, U., Hayakawa, Y. S., & Oguchi, T. (2017). Knickzone Extraction Tool (KET) - A new ArcGIS toolset for automatic extraction of knickzones from a DEM based on multi-scale stream gradients. Open Geosciences, 9(1), 73–88. https://doi.org/10.1515/geo-2017-0006


Zhao, Y., Wu, P., Li, J., Lin, Q., & Lu, Y. (2019). A new algorithm for the automatic extraction of valley floor width. Geomorphology, 335, 37–47. https://doi.org/10.1016/j.geomorph.2019.03.015

Documents

METODOLOGÍA PARA LA CLASIFICACIÓN DE LA MORFOLOGÍA …