Mehr

Die Neuklassifizierung im Landbedeckungs-Raster funktioniert nicht

Die Neuklassifizierung im Landbedeckungs-Raster funktioniert nicht


Ich bin neu bei GIS, also entschuldige ich mich, wenn diese Frage grundlegend ist, aber ich konnte meine Antwort online nicht finden.

Ich versuche, ein Landbedeckungs-Raster aus der National Land Cover Database neu zu klassifizieren. Ich möchte in ein Raster mit drei Kategorien umklassifizieren: 1 - natürliche Gebiete, 2 - landwirtschaftliche Gebiete und 3 - bebaute Gebiete.

Ich gehe zu Spatial Analyst > Reclassify und reklassifiziere dann nach eindeutigen Werten und gebe meine neuen Werte an ihren jeweiligen Stellen ein. Wenn ich umklassifiziere, erhalte ich nur einen Wert: 2. Und er entspricht nicht einmal dem, was ich als 2 eingestuft habe.

Was kann ich tun, um dies zu beheben? Ich habe keine Ahnung, was ich falsch mache.


Wie in den Kommentaren festgestellt wurde, wurde vor dem Ausführen von Reclassify eine Zeile (Wert = 21) ausgewählt. Das Werkzeug "Neu klassifizieren" hat nur die ausgewählte Zeile berücksichtigt und daher nur die Pixel mit Wert = 21 in den neuen Wert 2 umklassifiziert.

Bearbeiten: Es ist möglicherweise erwähnenswert, dass nicht erwähnt wird, ob Reclassify die Auswahl auf der Hilfeseite respektiert. Mich würde interessieren, ob es eine Dokumentation zur Verwendung von Auswahlen durch Reclassify oder Spatial Analyst gibt.


Verwendung klassifizierter und nicht klassifizierter Landbedeckungsdaten zur Schätzung des Fußabdrucks der menschlichen Besiedlung

Genaue, aktuelle Karten und georeferenzierte Daten über die Verteilung der menschlichen Bevölkerung sind unerlässlich, um die Fortschrittsmaßnahmen der Vereinten Nationen für die Ziele für nachhaltige Entwicklung zu erreichen, um Echtzeit-Krisenkartierung und -reaktionsbemühungen zu unterstützen und um viele demografische und wirtschaftliche Analysen durchzuführen. Im Dezember 2014 veröffentlichte Esri die erste Version des World Population Estimate (WPE)-Bildservice für ArcGIS Online. Der Dienst stellt einen dasymetrischen Fußabdruck menschlicher Siedlungen mit einer Auflösung von 250 Metern dar. Es ist global und enthält eine Schätzung der Bevölkerung von 2013 für jede besiedelte Zelle. Im Jahr 2016 veröffentlichte Esri einen zusätzlichen Bilddienst, der die Erdbevölkerung im Jahr 2015 mit einer Auflösung von 162 Metern darstellt. Die WPE von Esri wird erstellt, indem klassifizierte Landbedeckungsdaten, die überwiegend bebaute oder landwirtschaftliche Standorte angeben, mit panchromatischen Landsat8-Bildern, Straßenkreuzungen und bekannten besiedelten Orten kombiniert werden. Das Modell erkennt, wo Siedlungen außerhalb der als überwiegend bebaut eingestuften Gebiete wahrscheinlich vorhanden sind. Das Ergebnis ist eine globale dasymetrische Rasterfläche des Siedlungsfußabdrucks mit einer Bewertung der Wahrscheinlichkeit menschlicher Siedlungen für jede Zelle des Fußabdrucks. Bevölkerungsdaten werden dieser Siedlungswahrscheinlichkeitsoberfläche zugeordnet, indem die Bevölkerungszahlen in Polygonen überlagert werden, die Zensus-Aufzählungseinheiten oder politische Einheiten repräsentieren, die Bevölkerungserhebungen darstellen. In diesem Beitrag wird die bei Esri entwickelte Methode zur Schätzung der Siedlungswahrscheinlichkeit vorgestellt.

Schlüsselwörter: Siedlung, Netzbevölkerung, Landsat 8, Landschaftsstörung
DOI: http://doi.org/10.5334/dsj-2018-020

Abstrakt

Landbedeckungskarten spielen eine wesentliche Rolle im Umweltmanagement. Länder und Institute stehen jedoch vor vielen Herausforderungen, wenn es darum geht, ihre Landbedeckungskarten zeitnah, effizient und zeitlich harmonisiert zu aktualisieren. Um diese Probleme anzugehen, präsentieren wir eine modulare Architektur des Regional Land Cover Monitoring Systems (RLCMS), die leicht angepasst werden kann, um Landbedeckungsprodukte mit primitiven Kartenebenen zu erstellen. Primitive Kartenlayer sind eine Reihe von biophysikalischen und Endelementkarten, wobei Landbedeckungsprimitive die Rohinformationen darstellen, die für Entscheidungen in einem dichotomen Schlüssel für die Landbedeckungsklassifikation erforderlich sind. Wir präsentieren Best Practices zum Erstellen und Zusammenbauen von Primitiven aus optischen Satelliten unter Verwendung von Computertechnologien, Entscheidungsbaumlogik und Monte-Carlo-Simulationen, um ihre Unsicherheiten zu integrieren. Das Konzept wird im Kontext einer regionalen Landbedeckungskarte präsentiert, die auf einer gemeinsamen regionalen Typologie mit 18 Landbedeckungsklassen basiert, auf die sich Interessenvertreter aus Kambodscha, der DVR Laos, Myanmar, Thailand und Vietnam geeinigt haben. Wir erstellten jährliche Karten- und Unsicherheitslayer für den Zeitraum 2000–2017. Unter Berücksichtigung von Unsicherheiten fanden wir eine Gesamtgenauigkeit von 94 %. RLCMS erstellt konsistente Zeitreihenprodukte unter Verwendung kostenloser langfristiger historischer Landsat- und MODIS-Daten. Die anpassbare Architektur kann eine Vielzahl von Sensoren und Algorithmen für maschinelles Lernen umfassen, um Grundelemente zu erstellen, und die am besten geeignete Glättung kann auf Grundelementebene angewendet werden. Das System ist aufgrund seiner Verwendung öffentlich verfügbarer globaler Daten (Landsat und MODIS) und einer leicht anpassbaren Architektur, die die Integration einer anpassbaren Montagelogik ermöglicht, um verschiedene Landbedeckungstypologien basierend auf den Benutzern abzubilden, auf alle Regionen rund um den Globus übertragbar Ziele der Landschaftsüberwachung


Der Versuch, eine logistische Regression in R zu verwenden, um die Veränderung der Landbedeckung zu erklären

Hallo, ich bin etwas in einer Sackgasse. Ich möchte eine logistische Regression durchführen, um die Veränderung der Landbedeckung zu beschreiben (ich stütze meine Methodik auf das folgende Papier http://www.css.cornell.edu/faculty/dgr2/teach/R/R_lcc.pdf) das Problem ist dass, obwohl ich Landbedeckungsänderungsdaten aus dem NLCD zwischen 2006 und 2010 habe, ich keine erklärende Variable habe, die ich zu meinem Modell hinzufügen kann. Gibt es eine andere Quelle, die ich verwenden könnte, oder müsste ich meine Rasterdaten auf irgendeine Weise manipulieren? Ich würde mich über jeden Vorschlag freuen.

Verwenden Sie ein Logit-Modell, um "Änderung" und "keine Änderung" basierend auf der ursprünglichen Landbedeckungsklassifizierung vorherzusagen? Oder versuchen Sie, ein Discrete-Choice-Modell zu erstellen, das vorhersagt, WAS es ändern wird? Ersteres ist einfacher, letzteres nicht viel schwieriger. In jedem Fall müssen Sie Variablen für das ursprüngliche Pixel und einen Deskriptor für das, was dieses Pixel umgibt, einfügen. Landtransformationsmodelle (die üblicherweise durch zelluläre Automatenmodelle erstellt werden) verwenden normalerweise eine Moving Window-Analyse, um mehrere Raster zu erstellen, die eine Beschreibung der Umgebung jeder Zelle erstellen (dies wären gute erklärende/unabhängige Variablen). Ich würde das NLCD in eine Reihe von reklassifizierten Rastern mit den Werten 1 und 0 aufteilen. 1 steht für eine bestimmte Landnutzung und 0 für etwas anderes als diese Landnutzung. Sie können viele davon erstellen: einen für jeden einzigartigen Wert (Landnutzung) in Ihrem Untersuchungsgebiet.

Ein einfaches bewegliches Fenster, das Sie erstellen können, wäre eine Summation. Dies würde "1" zu dem endgültigen Ausgaberaster für jedes Auftreten einer ähnlichen Landnutzung hinzufügen, die an das mittlere Pixel angrenzt. Es kann sehr kompliziert werden, und Sie können über ein 3x3 "Summen" sich bewegendes Fenster zu Dingen wie 9x9 "Flecken"-Funktionen wechseln, um die Aneinandergrenzen von Landnutzungstypen zu analysieren. Sie sollten kein Problem damit haben, VIELE erklärende Variablen für Ihre Analyse zu finden.

In R checken Sie fokal() im Raster-Paket aus.

danke für deine ausführliche Antwort, das ist sehr hilfreich. Ich habe einige der von Ihnen erwähnten Konzepte recherchiert, ich bin völlig neu in der zellularen Automatenanalyse.

Ich möchte es vorerst so einfach wie möglich halten, also möchte ich ein Logit-Modell entwickeln, um Veränderungen (oder deren Fehlen) auf der Landbedeckung vorherzusagen. Auf diese Weise kann ich meine Analyse um den Nachbarschaftseffekt rahmen, ob eine Zelle als Funktion der sie umgebenden Zellen anfällig für Veränderungen ist (und das passt auch gut zu Waldos Geographieregel, großartig).

Die NLCD-Daten, die ich habe, haben meine Zellen in über ein Dutzend Kategorien von Landnutzung klassifiziert. Wenn ich Sie richtig verstanden habe, sollte ich als erstes eine Landnutzungskategorie auswählen (z. B. hohe Erschließung) und sie als "1" und den Rest als "0" für ein einzelnes Raster in R neu klassifizieren. Aber müsste ich dies für jede Kategorie tun, wenn ich nur daran interessiert wäre, Veränderungen für eine einzelne Kategorie der Landnutzung vorherzusagen?

Ich versuche auch, mit dem Konzept des Verschiebens von Fenstern zu ringen. Wenn ich das richtig verstehe, ist es im Wesentlichen die Methode des gleitenden Durchschnitts, aber auf einem Raster / einer Matrix? Bewegung nach oben, unten, rechts und links von meinem interessierenden Pixel, begrenzt auf die Ausdehnung benachbarter Zellen. Aber wie misst es den Abstand zwischen den Zellen? Wenn ich Ihre Erklärung verstanden habe, verwenden wir ein sich bewegendes Fenster, um ein weiteres Raster mit gemittelten Werten zu erstellen, das wir dann verwenden werden, um Änderungen vorherzusagen, ist das richtig?

Also ich habe meine beiden Raster. Ich ordne sie beide nach einer ausgewählten Kategorie neu ein. Ich verwende das sich bewegende Fenster, um den Wert beider Datensätze (?) zu mitteln und verwende den neuen Datensatz, um meine Logistikfunktion in etwa wie folgt auszuführen:

category_cells, family=binomial, data=averaged_raster)

Ich entschuldige mich Wenn der letzte Teil etwas verworren ist, bin ich mir nicht sicher, wie ich mein Raster manipulieren und mein Logit-Modell erstellen soll (obwohl nach Ihrer Erklärung ein Grund für ein transformiertes Raster für jede Kategorie wäre, damit jede Kategorie dies tun kann) eine erklärende Variable in der Regression sein?).

Auch hier denke ich, dass ich auf dem richtigen Weg bin, also noch einmal vielen Dank für Ihre vorherige Erklärung.

Bearbeiten: Ich verstehe, dass die Funktion fokal () das ist, was ich verwenden würde, um die Analyse mit bewegten Fenstern anzuwenden.


Untersuchen eines diskreten Wert-Rasters

Kartographische Modellierungsverfahren machen viel Gebrauch von Rasterebenen, die gleichmäßig verteilte, kongruent definierte Orte auf dem Boden darstellen als Zellen. In einer einzelnen Schicht ist jede Zelle mit einem gekennzeichnet Wert, die verwendet werden kann, um verschiedene diskret Arten von Orten, bekannt als Zonen oder Oberflächen, die von Zelle zu Zelle variieren, in Kontinuierlich Mode. Die regelmäßigen Beziehungen zwischen Zellen ermöglichen viele leistungsfähige Möglichkeiten, logische Beziehungen zwischen Orten und ihren Eigenschaften zu erstellen und zu verwenden, wie wir sehen werden.

Der Layer New ENgland Gap Vegetation (Gap_Veg) ist ein Raster mit diskreten Werten. Es gibt mehrere Möglichkeiten, das Raster-Dataset auszuwerten. Zum einen hat es Metadaten, die in seinem Ordner zu finden sind (oder klicken Sie hier, um die Metadaten anzuzeigen). Aber auch ohne Metadaten können wir viel über diese Schicht lernen, indem wir ihre Eigenschaften und ihre logische Konsistenz mit anderen Schichten untersuchen .

Verweise


Abstrakt

Dieses Papier konzentriert sich auf die Erweiterung der Landnutzung und Landbedeckung (LULC) und die Veränderungen der lokalen Klimazone (LCZ) in Bezug auf die zukünftige Erwärmung. Die Studie konzentriert sich auf drei Hauptteile. Zunächst analysiert diese Studie die LULC- und LCZ-Veränderungen von 1991 bis 2016 unter Verwendung von Landsat-Satellitenbilddaten. Dies zeigt die Geschichte der Stadterweiterung im Untersuchungszeitraum, die Stadtwachstumsrate und die städtische Flächenbedarfsprognose im Zieljahr (2026). Zweitens bestimmt die Studie LULC- und LCZ-Veränderungen in der Zukunft mithilfe eines räumlichen logistischen Regressionsmodells. Drittens wurde die Untersuchung der Stadterweiterung in Bezug auf die Erwärmung in der Zukunft durchgeführt. Das Ergebnis zeigt, dass das bebaute Gebiet mehr Entwicklung und Ausdehnung auf die nördlichen, südlichen und westlichen Teile von Bangkok hat. Die bebaute Oberflächentemperatur stieg und stieg zwischen 1991 und 2016 weiter an. Der Trend der Temperaturunterschiede zwischen den bebauten Gebieten und anderen Gebieten hat sich im Jahr 2026 deutlich ausgeweitet. Der größte Teil der Grünfläche im westlichen Teil von Bangkok wurde durch kompakte . ersetzt mittelhohes, kompaktes niedriges und offenes niedriges Gebäude. Der Westteil der Stadt wird laut Studie künftig etwa 1 bis 2 °C wärmer.


4. Ergebnisse

4.1. Technisches und wirtschaftliches Solarstrompotenzial auf dem Dach

Die beschriebene Methodik berechnete systematisch das verfügbare Solarstrompotenzial auf Dächern für das gesamte 100m×100m-Raster in den EU-Mitgliedstaaten. Abbildung 6 zeigt die aggregierten Ergebnisse für jedes der analysierten Länder. Die Säulenhöhe gibt das gesamte verfügbare technische Potenzial von PV-Aufdachanlagen an. Dies ist der erwartete Stromertrag (GWh/Jahr), wenn 100 % der geeigneten Aufdachanlagen unabhängig von den Kosten entwickelt wurden. Die unterschiedlichen Farben der Spalten in Abb. 6 geben an, mit welchen Stromgestehungskosten Strom erzeugt wird sowie den Anteil der einzelnen Stromgestehungskosten-Bänder (siehe Abbildungslegende) am gesamten technischen Potenzial. Die Rolle der Sonneneinstrahlung pro Land spielt eine große Rolle und in den Ländern der südlichen EU (Italien, Spanien, Portugal, Zypern, Malta) kann Solarstrom zu 6–12 EURcent/kWh produziert werden. Dies ist vor allem auf die hohe Produktivität von PV-Anlagen zurückzuführen (Abb. 4). Frankreich und Deutschland bieten erhebliche Produktionsmöglichkeiten zu relativ geringen Kosten. Ihr großer Gebäudebestand und die entsprechende Dachfläche ergeben ein hohes technisches Potenzial (> 100 TWh/Jahr für jedes Land). Ein solches Potenzial gepaart mit den geringen Kapitalkosten (Abb. 5a) ermöglicht die Entwicklung von Aufdachanlagen zu vorteilhaften Konditionen.

Abb. 6 . Technisches Potenzial von PV-Dachanlagen in jedem EU-Mitgliedstaat, ausgedrückt in GWh/Jahr. Die Farbe der Säulen zeigt an, welcher Anteil des technischen Potenzials in jedem Stromgestehungs-Band erzeugt werden kann. (Zur Interpretation der Farbhinweise in dieser Abbildungslegende wird der Leser auf die Webversion dieses Artikels verwiesen.)

Abb. 7 zeigt eine Karte mit dem technischen Potenzial jedes Landes und der insgesamt zu erwartenden Stromproduktion (GWh/Jahr) bei Vollausbau. Die Zahlen in Abb. 7 zeigen den Anteil des wirtschaftlichen Potenzials im Verhältnis zum technischen Potenzial für jedes Land. Sie geben den Prozentsatz von Dachanlagen an, die kostenwettbewerbsfähig sind und Strom zu niedrigeren Kosten produzieren als die letzten verfügbaren (2017) Endkundenstrompreise in den analysierten Ländern [49]. In diesem Sinne dienen die nationalen Endkundenstrompreise als Referenz für die Definition des wirtschaftlichen Potenzials, wobei davon ausgegangen wird, dass der Vergleich der Stromgestehungskosten und des Haushaltsstrompreises die kostenwettbewerbsfähigen Systeme definiert. Trotz der Einschränkungen einer solchen Vereinfachung sind die Endkundenstrompreise unseres Wissens der beste verfügbare Indikator, um die Wettbewerbsfähigkeit von PV-Anlagen zu beurteilen.

Abb. 7 . Technisches Strompotenzial von PV-Dachanlagen im aktuellen EU-Gebäudebestand und Anteil (%) des kostenwettbewerbsfähigen technischen Potenzials.

Bestimmte Länder wie Deutschland, Frankreich, Italien und Spanien stechen auf den Karten hervor, da sie das höchste wirtschaftliche Potenzial beherbergen, das sich in mehr Optionen für vorteilhafte Investitionen niederschlägt. Die wettbewerbsfähigen Stromgestehungskosten in diesen Ländern stammen nur teilweise von einer günstigen Solarressource. Niedrigere Finanzierungskosten (WACC) in Kombination mit höheren Endkundenstrompreisen sind wichtige Kosteneffizienztreiber [49]. gibt die Preise 2017 für Deutschland, Spanien, Italien und Frankreich mit 30,5, 23,0, 21,3 bzw. 16,9 EURcent/kWh an [49]. Ein Vergleich dieser Werte mit der Leistung des entwickelten Modells zeigt, dass PV-erzeugter Strom um 49 %, 44 %, 42 % bzw. 23 % billiger ist. Im Gegensatz zu diesem Fall stehen Länder der östlichen EU (Bulgarien, Ungarn, Rumänien, Estland) hauptsächlich aufgrund ihrer niedrigen Endkundenpreise (9,5–12 EURcent/kWh).

Die Analyse weist darauf hin, dass in den östlichen EU-Ländern (Rumänien, Polen, Ungarn, Tschechien, Slowakei, Kroatien, Litauen, Lettland, Estland) Netzparität derzeit nicht möglich ist. Diese Beobachtung ist überraschend für Länder mit günstigen Solarressourcen (z. B. Rumänien, Kroatien, Bulgarien). Die Werte in Abb. 8 zeigen, dass die Sonneneinstrahlung nicht ausschlaggebend für die wirtschaftliche Wettbewerbsfähigkeit von PV-Aufdachstrom ist. Nachbarländer mit ähnlichen solaren Ressourcen haben sehr unterschiedliche wirtschaftliche Potenziale. Zwischen den Niederlanden und Belgien sind die Unterschiede eindeutig auf die Einzelhandelspreise zurückzuführen, da der WACC ähnlich ist. Große Unterschiede im Wirtschaftspotenzial zwischen Österreich und Ungarn resultieren aus einem kombinierten Effekt. Das ähnliche technische Potenzial wird durch die hohen Finanzierungskosten Ungarns und die niedrigen Strompreise für Endkunden verringert. Ein interessanter Unterschied wird zwischen Griechenland und Bulgarien beobachtet (Abb. 8), die beide über ausgezeichnete Sonnenressourcen verfügen. Trotz des hohen WACC in beiden Ländern machen gestiegene Einzelhandelspreise in Griechenland PV wettbewerbsfähig. Der gegenteilige Effekt tritt in Estland auf, wo der WACC dem in Westeuropa ähnlich ist. Niedrige Einzelhandelspreise machen PV-Investitionen jedoch weniger attraktiv. Die verschiedenen blockierenden Faktoren erfordern offensichtlich verschiedene politische Optionen zur Steigerung der Wettbewerbsfähigkeit von PV-Dachanlagen, und diese werden im Diskussionsabschnitt hervorgehoben.

Abb. 8 . Modellierter PV-Aufdachanteil am Endstromverbrauch (Stand 2016) bei voller Ausschöpfung des ökonomischen Potenzials für die angenommenen WACC- und Endkundenstrompreiswerte.

Tabelle 2 enthält aggregierte Länderwerte der modellierten Dachflächen, die für den PV-Einsatz verfügbar sind. Es enthält auch Werte der theoretischen Stromproduktion, wenn die technischen und wirtschaftlichen Potenziale voll ausgeschöpft wurden. Diese Werte werden mit den Stromverbrauchswerten von 2016 jedes EU-Mitgliedstaats (MS) verglichen, was die wichtige potenzielle Rolle von Aufdachanlagen deutlich macht.

Tabelle 2 . Die modellierte verfügbare Fläche für die Installation von PV-Dachanlagen. Technische und wirtschaftliche Solarstrompotenziale und deren potenzieller Anteil am Stromverbrauch (Werte 2016) [50].

FRAU Verfügbare Dachfläche (km 2 ) Technisches Potenzial (GWh/Jahr) Wirtschaftliches Potenzial (GWh/Jahr) Abschluss elektr. Verbrauch (GWh/Jahr) Technisch potent. Anteil (%) des Verbrauchs Wirtschaftlich stark. Anteil (%) des Verbrauchs
CY 31 5270 5084 4399 119.8% 115.6%
PT 170 24 259 24 030 46 353 52.3% 51.8%
MT 5 782 782 2114 37.0% 37.0%
EL 128 17 090 16 866 53 463 32.0% 31.6%
ES 752 88 651 86 488 286 027 31.0% 30.2%
FR 1346 125 580 125 454 440 971 28.5% 28.4%
ES 462 65 244 61 215 233 172 28.0% 26.3%
DE 1523 104 313 103 782 517 377 20.2% 20.1%
BEIM 151 12 854 12 294 61 852 20.8% 19.9%
DK 120 5720 5720 31 152 18.4% 18.4%
SEIN 183 12 449 12 440 81 725 15.2% 15.2%
IE 56 2919 2750 26 099 11.2% 10.5%
LU 9 696 395 6372 10.9% 6.2%
SE 157 7255 3203 127 496 5.7% 2.5%
Vereinigtes Königreich 771 43 646 6517 303 902 14.4% 2.1%
SI 29 2704 54 13 026 20.8% 0.4%
NL 283 17 629 255 105 332 16.7% 0.2%
RO 354 35 877 58 43 569 82.3% 0.1%
FI 102 4941 63 80 759 6.1% 0.1%
PL 469 30 910 73 132 839 23.3% 0.1%
HR 85 7769 5 15 300 50.8% 0.0%
LV 30 1432 1 6482 22.1% 0.0%
SK 108 9079 3 24 987 36.3% 0.0%
BG 150 17 307 0 28 939 59.8% 0.0%
CZ 185 13 725 0 57 997 23.7% 0.0%
EE 27 1220 0 7139 17.1% 0.0%
HU 191 18 034 0 37 541 48.0% 0.0%
LT 58 2923 0 9750 30.0% 0.0%
EU 7935 680 276 467 532 2 786 134 24.4% 16.8%

4.2. Potenzieller Anteil der Aufdach-PV am Endstromverbrauch

Abb. 8 zeigt den potenziellen Anteil am Stromendverbrauch der Länder bei voller Ausschöpfung ihres wirtschaftlichen Potenzials. Bemerkenswert sind die Fälle Zypern und Malta, wo die einzigartige Solarressource mit guten Finanzierungsbedingungen kombiniert wird, was zu den niedrigsten Systemproduktionskosten in der EU führt. Am Fall Portugal sticht auch das hervorragende Solarpotenzial in Verbindung mit günstigen Finanzierungsbedingungen und recht hohen Endkundenpreisen (22,8 EURcent/kWh) hervor. Diese Länder könnten einen sehr hohen Anteil ihres Strombedarfs durch die Entwicklung von PV-Dachanlagen an ihren günstigsten Standorten decken.

Die zweite Ländergruppe sind Italien und Griechenland, die potenziell 30 % ihres Stromverbrauchs durch Aufdachanlagen decken könnten. Auch Frankreich, Spanien und Deutschland könnten mit solchen Systemen einen erheblichen Teil (20–30 %) ihres Jahresverbrauchs decken. Angesichts des sehr großen Energiebedarfs dieser drei Länder scheint es, dass Aufdachanlagen eine wichtige Rolle bei der EU-Energiewende spielen können, auch wenn sie nur teilweise genutzt werden.

Es scheint, dass für mehrere Länder (Tschechien, Ungarn, Bulgarien, Lettland, Estland) die Aufdach-PV-Anlagen Strom zu höheren Kosten liefern würden als die Stromtarife (hellblaue Farbe in Abb. 8). In diesen Ländern ist eine kostengünstige Produktion zumindest unter den derzeitigen finanziellen und technologischen Bedingungen nicht möglich. In acht MS (hellgelbe Farbe in Abb. 8) konnte nur ein vernachlässigbarer Teil des Gesamtverbrauchs (1%) durch kostengünstige Aufdachanlagen gedeckt werden.Das wirtschaftliche Potenzial von PV-Dachanlagen könnte 16,8 % des gesamten Stromverbrauchs in der EU decken.

Netzinfrastruktur- und Betriebskosten können einen Teil des wirtschaftlichen Potenzials für Investitionen weniger attraktiv machen. Die Priorisierung von Anlagen an den vorteilhaften Standorten, an denen die Produktionskosten am unteren Ende liegen (9-11 EURcent/kWh), ist eine risikoarme Strategie für den Einsatz von Systemen mit einem Beitrag von mindestens 50 000 GWh/Jahr in der EU.

Bei voller Ausschöpfung des technischen Potenzials könnten fünf Länder 30 % ihres Stromverbrauchs durch PV-Dachanlagen decken, vier Länder 20 % und zwei weitere mehr als 15 %. Der zusätzliche Anteil an Dachstrom in der EU würde dann 24,4% betragen. Solche Zahlen bedeuten, wenn auch nur teilweise, einen Sprung für den derzeit stagnierenden PV-Einsatz in der EU.

5. Diskussion
Die vorliegende Analyse bewertet das verfügbare Potenzial für Aufdachanlagen in der EU mit der Forschungsfrage, ob der EU-Gebäudebestand vorteilhafte Bedingungen für den PV-Einsatz bieten kann. Die vorliegende Studie liefert länderaggregierte Schätzungen, die hocheffiziente Strategien für den Einsatz von PV-Anlagen unterstützen, die bis zu 25 % des in der EU verbrauchten Stroms abdecken, um die Energie- und Klimaziele zu erreichen. Die Ergebnisse entsprechen auch der – oft ungerechtfertigten – Behauptung, dass die Photovoltaik aufgrund von Landbeschränkungen keine großen Anteile erreichen wird.

Die Quantifizierung des PV-Potenzials auf Dächern auf lokaler Ebene ermöglicht auch die Aufstellung realistischer Ziele und Umsetzungsfahrpläne. Angesichts des EE-Gesamtziels von 32 % ist der wettbewerbsfähige Stromanteil von Aufdachanlagen (16,8 %) nicht übertrieben, da der Energiemix einen sehr hohen Anteil an EE im Stromsektor erfordern wird. Das geschätzte EU-weite wirtschaftliche Potenzial von 467 TWh/Jahr kommt dem prognostizierten Bedarf an PV-Anlagen bis 2030 von 440 TWh/Jahr sehr nahe. Das Segment Elektromobilität kann mittelfristig die Auswirkungen von Energieeffizienzmaßnahmen ausgleichen und zu einem erhöhten Strombedarf in Gebäudenähe führen. Dachsysteme können einen solchen erhöhten Bedarf decken, und wenn sie hauptsächlich Strom für den lokalen Verbrauch produzieren, werden Nebenwirkungen wie Netzüberlastung und Versandkosten vermieden.

Abb. 8 zeigt Länder, in denen sofort mit der Umsetzung begonnen werden sollte. Dies sind die Länder, in denen PV-Dachanlagen einen erheblichen Anteil (30 %) des Stromverbrauchs zu wettbewerbsfähigen Kosten decken könnten: Zypern, Portugal, Malta, Griechenland, Italien, während eine zweite Gruppe von Mitgliedstaaten (Frankreich, Spanien und Deutschland) mehr als 20%. Um den Einsatz zu beschleunigen, könnten diese Länder den Einsatz in gewerblichen und öffentlichen Gebäuden begünstigen. Eine solche Praxis würde von Skaleneffekten und Replizierbarkeit profitieren und die lokalen PV-Märkte mobilisieren. Auch eine Vereinfachung von Genehmigungsverfahren und Infrastruktureingriffen zur Erhöhung der Netzkapazität an ausgewählten Standorten könnte die Bereitstellungsraten unterstützen. Die reichen Solarressourcen dieser Länder gepaart mit günstigen Finanzierungsbedingungen führen zu niedrigen Kosten für Solarstrom. Einerseits sollte den Standorten mit den niedrigsten Kosten Priorität eingeräumt werden, wie in Abb. 6 dargestellt. Ebenso wichtig ist, dass bei der Auswahl der prioritären Standorte in einem Bottom-up-Ansatz auch lokale Bedürfnisse berücksichtigt werden sollten. In diesem Sinne könnten lokale Regierungen und Gemeinden, insbesondere diejenigen, die sich in Dekarbonisierungsinitiativen wie dem Konvent der Bürgermeister (CoM) [51] engagieren, eine aktive Rolle spielen.

Die Umsetzung in den neuen EU-Mitgliedstaaten in Osteuropa, die ein geringeres wirtschaftliches Potenzial für Aufdachanlagen haben (Länder, die in Abb. 8 gelb und hellblau dargestellt sind), wird voraussichtlich länger dauern. Bemerkenswerterweise bestehen zwischen dieser Gruppe von Mitgliedstaaten erhebliche Unterschiede, insbesondere was das verfügbare Solarpotenzial betrifft (z. B. Bulgarien vs. Estland). Vor allem Länder mit großem Solarpotenzial sollten Anstrengungen unternehmen, um Hindernisse für Photovoltaik auf Dächern zu beseitigen. Im Allgemeinen benötigen diese Länder einen zentralen Top-Down-Ansatz, um die Umsetzung voranzutreiben, da bisher der Bezahlbarkeit von Strom Priorität eingeräumt wurde. Abgesehen von der Neubewertung solcher Prioritäten und der Neubewertung konventioneller Förderpraktiken könnte der zentrale Ansatz die verfügbaren degradierten Flächen durch Installationen von PV-Anlagen auf stillgelegten Deponien [52] und Kohlebergwerken [53] nutzen. Die jüngsten Studien der Autoren zeigen, dass integrierte Lösungen mehrere Vorteile haben und – bei richtiger Konzeption – selbst in den östlichen Ländern wettbewerbsfähig sein können.

Eine hohe Durchdringung von Dach-PV in Verteilnetze kann zu Stabilitätsproblemen und Verzerrungen des Stromsystems führen. Die PV-Erzeugung auf dem Dach, die den Bedarf übersteigt, kann die Spannung erhöhen. Um diese Herausforderung zu mildern, wird in der Regel die überschüssige Solarstromproduktion eingeschränkt. Die Abschwächung solcher Effekte erfordert einen breiteren Einsatz von Batteriesystemen in Verbindung mit intelligenten Steuerungssystemen, die überschüssigen Strom nutzen und speichern [54]. Technologische Fortschritte im Bereich der Leistungselektronik können eine höhere PV-Durchdringung auf Dächern unterstützen, indem die Rolle von Wechselrichtern in dezentralen Erzeugungssystemen erweitert wird. Intelligente Wechselrichter fügen dem Netz Blindleistung hinzu oder ziehen sie ab, um die Netzspannung zu erhöhen bzw. zu reduzieren. Obwohl solche Funktionalitäten eine Steigerung der installierten PV-Kapazität von bis zu 40 % ohne Upgrades der Netzinfrastruktur ermöglichen können [55], reicht dies möglicherweise nicht aus. Solche Blindleistungssteuerungsmethoden haben Grenzen [56] und ihre alleinige Anwendung ist möglicherweise nicht effizient, um die Spannung innerhalb der gewünschten Grenzen zu halten.

Ein weiteres Ergebnis der vorliegenden Analyse ist, dass sie zeigt, dass in vielen EU-Ländern bereits eine Steckdosenparität von Aufdach-PV ohne Subventionen möglich ist. Weitere Kostensenkungen im Bereich der PV-Technologie in Verbindung mit Effizienzsteigerungen der Systeme werden die Wettbewerbsfähigkeit von PV-Dachanlagen erhöhen. Tatsächliche Installationen reagieren auf Marktsignale, die von einer Kombination von Faktoren beeinflusst werden. Dementsprechend wird das erschlossene Marktpotenzial durch die vorgestellten technischen und wirtschaftlichen Faktoren geprägt, aber auch durch politische und marktwirtschaftliche Mechanismen beeinflusst. Die vorliegende Einzelszenario-Analyse zeigt, wie der kombinierte Effekt hoher Finanzierungskosten mit niedrigen Endkundenstrompreisen das Wachstum von PV-Anlagen in bestimmten EU-Mitgliedstaaten hemmen kann. Die Autoren beabsichtigen, in einer Folgeaktivität die Sensitivität des Potenzials von Aufdachanlagen gegenüber den verschiedenen wirtschaftlichen und finanziellen Faktoren (MwSt., WACC, Kapital- und OM-Kosten) zu untersuchen. Dazu gehört auch der Fall von Null-WACC, der Barzahlungen entspricht, ein üblicher Fall für PV-Dachanlagen.

Die Ergebnisse zeigen, dass PV-Investitionen in einigen osteuropäischen Ländern trotz ähnlicher Ressourcenverfügbarkeit noch nicht attraktiv sind. Wie bereits erwähnt, machen hohe WACC und niedrige Endkundenstrompreise PV zu einer „No-Go“-Investitionsoption. Um die Investition zu einer fairen Rendite zu machen, können diese Länder die Wettbewerbsfähigkeit der Photovoltaik ohne direkte Förderprogramme für erneuerbare Energien steigern. Die Lösung liegt vielmehr in der Lösung der strukturellen Probleme bei der Finanzierung und Bepreisung von Stromoptionen. Wenn die Finanzierung der EE-Investitionen auf EU-Durchschnittsebene verfügbar wäre, würden die meisten dieser Länder für PV-Investoren attraktiv. Dies wurde auch durch eine kürzlich durchgeführte Data Envelope-Analyse gezeigt, die zeigt, dass der technische Wirkungsgrad für Solarenergie in der EU hoch ist, aber viel Raum zur Verbesserung der PV-Finanzierungskosten besteht [57]. Eine Erhöhung der Endkundenpreise ist kurzfristig wahrscheinlich eine weniger attraktive politische Option, wird jedoch längerfristig für Länder mit knappen einheimischen Energiequellen, die auf exportierte Energieträger angewiesen sind, wahrscheinlich unvermeidlich sein. Die Schließung der Lücke in der EE-Finanzierung (Abb. 5a) könnte zu einem EU-weiten Ziel werden, das nicht nur für die EU insgesamt, sondern auch für jeden Mitgliedstaat attraktiv ist. Eine solche Win-Win-Politik könnte in der EU-Energieagenda beschleunigt an Fahrt gewinnen.

Insgesamt reagieren EE-Investitionen aufgrund ihrer Kapitalintensität empfindlicher auf Schwankungen der Kapitalkosten als konventionelle Systeme [43]. Der Einsatz eines EE-Systems in einem Mitgliedstaat mit einem WACC von 12 % würde ungefähr das Doppelte kosten als die Installation desselben Systems in einem Land, in dem die Kapitalkosten 3,5 % betragen, und wäre nicht wettbewerbsfähig. Um diese Diskrepanz zu überwinden, hat ein in der EU ansässiger Think Tank, Temperton et al einige Zeit [43].

Zu berücksichtigende Bereiche Als Ergebnis der Aufdachpotenzialberechnung werden einige strategische Forschungsdimensionen für die schnelle Beschleunigung des PV-Einsatzes in den Stromerzeugungsportfolios der EU identifiziert:
ich.
Mit der entwickelten Methodik und den entwickelten Werkzeugen lassen sich Abschätzungen des Dachpotenzials für bestimmte kommunale Gebiete vornehmen und eine nachhaltige Energieplanung unterstützen, wie beispielsweise im Rahmen der Initiative Covenant of Mayors’ [51]. Dazu sollten auch effiziente Verwaltungsverfahren gehören, um einen schnellen Ausbau der Anlagen zu ermöglichen.

ii.
Zukünftige Verbesserungen der ESM-Auflösung können den Weg für die Identifizierung einzelner Gebäudegrößen sowie der Gebäudeflächendichte ebnen. Aus Planungssicht könnte die Identifizierung und Priorisierung von Gebäuden mit großen Flachdächern einen schnellen PV-Einsatz ermöglichen, der von Skaleneffekten profitiert.

iii.
Die entwickelte Methodik schätzt die verfügbare Fläche für Dachanlagen unter Verwendung von Werten der Gebäudeflächendichte als Proxy. Die modellierten Ergebnisse konnten durch Messungen in Probeflächen validiert werden. Testmessungen hätten idealerweise eine sehr hohe Genauigkeit des verfügbaren Bereichs für die Systeminstallation, höher als die der Referenzkatasterdaten, sowie eine breitere geografische Abdeckung, die ein Training und eine Validierung der modellierten Ergebnisse ermöglicht.

iv.
Die Entwicklung des gegenwärtigen Socket-Paritätsmaßes für das wirtschaftliche Potenzial nach differenzierteren Kriterien kann den Weg ebnen, kostenoptimale Standorte und die am besten geeigneten politischen Maßnahmen zu identifizieren, um solche Bedingungen zu schaffen.

6. Schlussfolgerungen
Die Analyse von Geodaten der Erdbeobachtung hat zu einem innovativen Modell zur Berechnung der Dachfläche und des technischen Potenzials für die PV-Stromerzeugung in der gesamten EU geführt. Durch den Vergleich des Geomodells mit länderspezifischen Werten für Kapitalkosten und Strompreise kann für jedes EU-Land eine Einschätzung des wirtschaftlichen Potenzials vorgenommen werden. Die entwickelte Methodik schätzt, dass fast 25 % des derzeitigen Stromverbrauchs in der EU durch Dachanlagen erzeugt werden könnten (der gesamte PV-produzierte Strom machte 2016 nur 3,94 % aus [50]). Die entwickelte Methodik ist äußerst flexibel und kann verwendet werden, um die Auswirkungen technischer und wirtschaftlicher Faktoren weiter zu untersuchen, während der paneuropäische georäumliche Ansatz beibehalten wird. Maßnahmen auf Länder- und regionaler Ebene zur Nutzung dieses Potenzials können Vorteile bringen a) für die Beschäftigung in den Bereichen Fertigung, Installation und Betrieb, b) eine stärkere Beteiligung der Bürger an der Verwirklichung des Übergangs der EU zu einem kohlenstoffarmen Energiesystem fördern.


5. Ergebnisse

Die Datenvisualisierung spiegelt speziell die Natur jedes Datensatzes oder Kombinationen von klassifizierten Werten wider, um ein definiertes Phänomen hervorzuheben. Als Klassifikationsverfahren wurden für diese Studie die flächentreue und die intervallgleiche Klassifikationsmethode gewählt. Für die aus den Landnutzungs-/Bodenbedeckungs- und Höhendatensätzen abgeleiteten Polygone wurde die flächentreue Methode gewählt. Die intervallgleiche Einteilung wurde auf der Grundlage der Gefällestufen gewählt, die in den Pufferstrecken um das Entwässerungs- und Straßennetz herum gefunden wurden. Um die Vielfältigkeit jedes der oben genannten Datensätze effektiv widerzuspiegeln, wurden diese Methoden als am besten geeignet erachtet. Die flächentreue Methode beinhaltet einen Prozess, bei dem die Polygonmerkmale der Landnutzungs-/Landbedeckungs- und Höhendatensätze kollektiv durch eine Reihe von Bruchpunkten definiert wurden, die in den Attributwerten gefunden wurden. Dieser Prozess ist eine Anwendung des Natural-Breaks-Ansatzes von Jenks und Caspall (1971). Die absolute Fläche jeder Polygonklasse ist somit einheitlich und in eine Reihe von Stufen unterteilt, die durch eine Klassengrenze definiert sind. Die Methode mit gleichen Intervallen verarbeitet die Datensätze in Bereiche von Attributwerten, die als gleich große Unterbereiche gespeichert werden. Bei den Entwässerungs- und Straßennetzen reichte jede Pufferstrecke von 0 bis 30 000 m.

Der Neuklassifizierungsprozess war der vorletzte Schritt zur optimalen Lage jedes potenziellen Niederschlagsmessstandorts durch die Definition einer Rasterzelle. Dieser Schritt ist wichtig, da zur Auswertung der kombinierten Datensätze die verarbeiteten Rasterdatensätze auf einen einheitlichen Maßstab normiert werden sollten. Durch die Anwendung eines prozentualen Einflusses wurde der abgeleitete Datensatz normalisiert. Dies ermöglichte es uns, jeden Datentyp zu einer gemeinsamen Skala zu kombinieren. Jeder abgeleitete Datensatz wurde daher durch 100 geteilt, sodass wir das Eignungsmodell ausführen konnten. Die Integration des reklassifizierten Datensatzes erfolgte durch Umwandeln jeder Schicht in eine gemeinsame Skala, gruppiert innerhalb eines Datenbereichs von 1–10, wobei die höheren Werte in eine hohe Eignung übersetzt werden, während die niedrigeren Werte weniger geeignet sind.

Um die Landbedeckung neu zu klassifizieren, wurden offene Flächen und Gebiete mit geringerer Vegetationsdichte höher eingestuft, wo weniger wahrscheinlicher Einfluss von Bäumen besteht, die den Eintrag von windgeblasenem Regen in das Messgerät nicht ablenken. Flächen mit dichter Vegetation waren bei niedrigeren Werten am wenigsten geeignet für die Aufstellung von Regenmessern.

Die Umgliederung von Entfernungen wurde durch den Prozess der Pufferung von Rasterzellenbereichen definiert, die in unmittelbarer Nähe von Straßen und Entwässerungsnetzen, wie Autobahnentwässerung oder Auslaufzonen, niedrigere Werte erhalten und als am wenigsten geeignet für die Aufstellung von Niederschlagsmessern angesehen werden. Gebiete in Entfernungen, die dem 2- bis 4-fachen der Höhe eines nahegelegenen Hindernisses entsprechen, wurden hoch eingestuft und sind daher geeignet. Bei der Neuklassifizierung der Böschungsschicht werden steile Gefälle mit niedrigeren Werten versehen und sind für die Aufstellung von Niederschlagsmessern am wenigsten geeignet. Wie zuvor definiert, sollten die Messgeräte in einem flachen Bereich abseits von Hindernissen positioniert werden und müssen für einen korrekten Betrieb in einer genau horizontalen Ebene installiert werden. Der Bodendatensatz wurde nicht als entscheidender Faktor betrachtet und ging daher nicht in das endgültige Ranking ein. Die Abbildungen 7–10 zeigen die Klassifikation und Neuklassifizierung von Landnutzung/Bodenbedeckung, Straßennetzen, Entwässerungsnetzen und Höhenlage.

Nachdem die Daten verarbeitet wurden, werden sie zum Eingang von MCA-Verfahren. Verschiedene Algorithmen können dann verwendet werden, um die endgültigen resultierenden Rankings zu vergleichen. Die gewichtete Überlagerungsmethode führt zum Schnittpunkt mehrerer Raster-(Raster-)Layer.

Der analytische Hierarchieprozess (AHP) von Saaty (1980) ist ein etabliertes Verfahren zur Gewichtung einer Reihe von Faktoren, die den Schichten einer Überlagerung entsprechen können. Darüber hinaus verwendet diese Methode eine Matrix von paarweisen Vergleichen (Verhältnissen) zwischen Faktoren. Es verwendet eine interaktive Benutzeroberfläche, die entwickelt wurde, um Gewichtungen zu erfragen und sicherzustellen, dass sie angemessen normalisiert werden. Aufgrund der Natur der bei der Analyse verwendeten Faktoren wurde die Operation der gewichteten Überlagerung gegenüber dem AHP von Saaty gewählt, was dem Entscheidungsträger die volle Kontrolle über die anzuwendenden Gewichtungen gibt. Implementierungskarten sind das Ergebnis unterschiedlicher Gewichtungszuweisungen. Das Ergebnis liefert eine Interpretation der Optimierungsausgabe und zeigt sie als Implementierungskarte an.

Schließlich wird die Implementierungskarte mit der Punktabdeckung überlagert, die die vorgeschlagene Position der Kippeimer-Regenmessstellen darstellt. Das Abdeckungsraster wird verschoben und auf die berechneten optimalen Standorte gedreht, und die abgeleiteten Koordinaten werden für die eventuelle Feldverifizierung tabellarisch dargestellt, wie in Abb. 11 gezeigt. Die roten Bereiche repräsentieren optimierte (nach den Studienkriterien) Standorte. Als Orientierung dienen die ursprünglichen, theoretischen Rasterpunkte (grüne Punkte). Mit dieser Anleitung haben NCURN-Wissenschaftler Messgeräte erkundet und eingesetzt. Der endgültige Standort wurde durch die Konstruktion eines 10-km-Radius um jeden Rasterpunkt (blauer Punkt) bestimmt. Der kürzeste Abstand zwischen dem Gitterpunkt und dem nächsten optimierten Bereich (rot) gilt als optimierter Standort. Wenn sich innerhalb von 10 km um einen Gitterpunkt keine optimierte Region befindet, wird die nächstgelegene Region verwendet. Der Anhang enthält empfohlene optimierte Standorte (Breiten- und Längengrad) für NCURN.


Neuklassifizierung im Landbedeckungs-Raster funktioniert nicht - Geographische Informationssysteme

American Journal of Plant Sciences Vol.06 Nr.09(2015), Beitrags-ID:57333,7 Seiten
10.4236/ajps.2015.69149

Anwendung von Fernerkundung und GIS bei der Veränderung der Waldbedeckung in Tehsil Barawal, District Dir, Pakistan

Anwar Sajjad 1* , Ahmad Hussain 2 , Umar Wahab 1 , Syed Adnan 3 , Saqib Ali 4 , Zahoor Ahmad 5 , Ashfaq Ali 6

1 Department of Environmental Sciences, University of Haripur, Haripur, Pakistan

2 Department of Forestry and Wildlife, University of Haripur, Haripur, Pakistan

3 Institute of Geographical Information Systems, National University of Sciences and Technology (NUST), Islamabad, Pakistan

4 Schlüssellabor für die Nutzung von Hubei-Insektenressourcen und nachhaltige Schädlingsbekämpfung, College of Plant Science and Technology, Huazhong Agricultural University, Wuhan, China

5 Department of Plant Pathology, College of Plant Science and Technology und das Key Lab of Crop Disease Monitoring & Safety Control in der Provinz Hubei, Huazhong Agricultural University, Wuhan, China

6 Hochschule für Gartenbau und Forstwissenschaften, Huazhong Agriculture University, Wuhan, China

Copyright & Kopie 2015 von Autoren und Scientific Research Publishing Inc.

Dieses Werk ist unter der Creative Commons Attribution International License (CC BY) lizenziert.

Eingegangen am 11. Mai 2015 akzeptiert 20. Juni 2015 veröffentlicht 23. Juni 2015

Die Wälder Pakistans replizieren zahlreiche klimatische, physiografische und edaphische Unterschiede im Land und diese Wälder stehen vor einem ernsthaften Problem der Entwaldung. Geografische Informationssystem (GIS)-Techniken und Fernerkundung (RS) von Satellitenplattformen bieten eine beste Möglichkeit, diese entwaldeten Gebiete zu identifizieren. Daher wurde in Tehsil Barawal, Distrikt Dir (U) eine GIS- und RS-basierte Studie zur Analyse der Waldbedeckung durchgeführt Veränderung. Die Hauptziele der Studie waren: 1) unterschiedliche Landnutzungs- und Landbedeckungsklassen sowie deren räumliche Verteilung im Untersuchungsgebiet zu identifizieren 2) Trend, Art, Ort und Ausmaß der Waldbedeckungsänderung zu bestimmen und 3) Karten zu Waldbedeckungsänderung in verschiedenen Zeiträumen im Untersuchungsgebiet. Zur Bewertung der Ziele wurden Fernerkundungs- und GIS-Techniken eingesetzt. Auf Landsat-5-Satellitenbildern von 2000 und 2012 wurde eine überwachte Bildklassifizierungstechnik angewendet. Fünf Hauptklassen wie Landwirtschaft, Wald, karges Land, Schnee und Wasser wurden identifiziert. Die Ergebnisse zeigten, dass die Fläche von Wald, Brachland, Landwirtschaft, Wasser und Schnee im Jahr 2000 49,54 %, 43,38 %, 5,19 %, 1,40 % und 0,49 % betrug und die Fläche 2012 37,17 %, 41,36 %, 12,69 % betrug. 5,05% bzw. 3,72%. Darüber hinaus wurde eine Abnahme von 2,02 % an Brachland, 12,37 % an Wald und 7,5% an Ackerland festgestellt.Aufgrund der hohen Entwaldungsrate und der verstärkten landwirtschaftlichen Aktivitäten wird empfohlen, im Untersuchungsgebiet eine Sensibilisierungskampagne zu starten, um diesen Wald vor weiterer Entwaldung zu schützen und zu erhalten.

Abholzung, Veränderungsanalyse, Veränderung der Waldbedeckung

In Pakistan beträgt die Waldfläche nur 4,8 Millionen Hektar der gesamten geographischen Fläche [1] [2] . 1,96 Mio. Hektar Fläche (43 % des Gesamtwaldes) besteht aus Nadelwaldwäldern 1,72 Mio. Hektar Fläche (37,2 % des Gesamtwaldes) sind Busch- oder Vorbergwälder 0,234 Mio. Hektar Fläche sind bewässerte Plantagen 0,297 Mio. Hektar Fläche sind Flussgebiete und 0,35 Mio. Hektar Fläche sind Mangroven im Delta des Indus [3] . Die Waldressourcen Pakistans befinden sich hauptsächlich in den nördlichen Teilen (15,7% in Gilgit Baltistan, 6,5% in Azad Kaschmir und 40% in Khyber Pakhtunkhwa). In Khyber Pakhtunkhwa verteilen sich die Wälder hauptsächlich über das Korakoram-, Hindukush- und Himalaya-Gebirge und Scrub, und Nadelwälder finden sich hauptsächlich in den oberen Hängen der Bezirke Dir, Swat, Mansehra und Chitral, während die Almweiden auf den Bergkämmen zu finden sind .

Der Wald bietet Güter und Dienstleistungen wie Wasser, Schutz, Hochwasser, Ordner, Nährstoffkreislauf, Kultur- und Erholungswert. Wald hilft auch bei der Bereitstellung von Lebensraum für Wildtiere und verbessert auch die Landdegradation und Wüstenbildung [4] . Bäume und Waldressourcen in Khyber Pakhtunkhwa spielen eine entscheidende Rolle für die ländliche Lebensgrundlage. Die meisten Menschen sind auf Waldressourcen angewiesen und erhalten Futter für die Instandhaltung, Holz für Häuser und Brennholz für Feuer. Darüber hinaus sammeln die Einheimischen verschiedene NTFPs aus Wäldern für den Haushalt und das Bareinkommen [5] .

Weltweit werden sechs Millionen Hektar Waldfläche durch Holzeinschlag, Landwirtschaft, Bergbau und andere menschliche Aktivitäten verändert [6] . Laut der Klimarahmenkonvention der Vereinten Nationen (UNFCCC) war die Landwirtschaft die Hauptursache für die Entwaldung. 32 % der Entwaldung sind auf kommerzielle Landwirtschaft zurückzuführen 48 % der Entwaldung sind auf bestehende Landwirtschaft zurückzuführen 14 % Holzeinschlag ist für die Entwaldung verantwortlich und 5 % der Holzsammlung ist für die Entwaldung verantwortlich [7] [8] .

Der Einsatz von GIS und Fernerkundungsdaten bei der Kartierung unterschiedlicher Bewirtschaftung von natürlichen Ressourcen und der Umweltmodellierung hat in den letzten Jahren an Bedeutung gewonnen. Die meisten Arbeiten in der Fernerkundung konzentrierten sich in den letzten Jahrzehnten hauptsächlich auf Umweltstudien. Die Bedeutung der Fernerkundung und des geografischen Informationssystems für den Wandel der Waldbedeckung und die Stadtplanung erregt nun Aufmerksamkeit und Interesse unter GIS- und Fernerkundungsfachleuten. Die Techniken werden zu einem wichtigen Bestandteil des Wassereinzugsgebietsmanagements, der Stadtplanung, der hydrologischen Modellierung, der Dürrevorhersage und der Kartierung der Waldbedeckung. Fernerkundungsdaten bieten Vorteile wie synoptische Abdeckung, Datenkonsistenz, globale Reichweite und Lesbarkeit, Präzision und maximale Genauigkeit bei der Datenbereitstellung [9] .

Geografische Informationssysteme und Fernerkundung wurden in einzelnen thematischen Analysen wie der Kartierung von Landnutzung und Landbedeckungsänderungen [9] [10] , Waldüberwachung [11] , Wassereinzugsgebietsmanagement und Waldbrandmanagement (Kachmar und Sánchez- Azofeifa, 2003) und Waldstrategiebewertung [12]. Fernerkundungsstudien zeigten, dass die Entwaldungsrate in Khyber Pakhtunkhwa hoch ist und der Wald innerhalb von 30 Jahren vollständig verschwinden wird. Bei der Baumpflanzung auf Ackerland wurden bedeutende Fortschritte erzielt, aber sie kann den Verlust an Naturwald nicht kompensieren (Suleri, 2006). Ziel der Studie war es daher 1) unterschiedliche Landnutzungs- und Landbedeckungsklassen und deren räumliche Verteilung im Untersuchungsgebiet zu identifizieren, 2) Trend, Art, Lage und Ausmaß der Waldbedeckungsänderung zu bestimmen und 3) Waldkarten zu erstellen decken Veränderungen in verschiedenen Zeiträumen in Tehsil Barawal District Dir (Upper) ab.

Geografisch liegt das Untersuchungsgebiet Tesil Barawal im Distrikt Dir Upper. Das Gebiet liegt zwischen den nördlichen Breiten 34˚37' und 35˚21' und den östlichen Längengraden 71'30' und 72˚21'. Nördlich des Gebiets liegt Chitral, Afghanistan im Westen, Dir oberer Wald im Osten im unteren Dir Maidan-Tal im südlichen Teil des Gebiets [12] [13] . Wie in Abbildung 1 gezeigt. Die Gesamtbevölkerung des Gebiets beträgt 61.674 Einwohner gemäß dem Bezirkszählungsbericht des oberen Dir 1998 (Upper Dir, 1998). Die Gegend ist

Abbildung 1 . Gestütsgebietskarte (Barawal, Dir Upper).

dominiert von verschiedenen Waldarten, dh Fichten- (Picea smithiana) und gemischten Tannen (Abies pindrow) Wäldern, Fichten (Picea smithiana), gemischten Tannen (Abies pindrow) und Kail (Pinus wallichiana) und Breitblättrigen Wäldern, Reiner Kail (Pinus wallichiana .) ) Wälder und Eichenwälder (Quercus-Arten) [14] [15] .

Die Nachklassifizierungstechnik wurde verwendet, um die Veränderung der Waldbedeckung im Untersuchungsgebiet zu analysieren. Die am häufigsten verwendete Methode wurde verwendet, um die Veränderungsdynamik der Waldbedeckung im Untersuchungsgebiet zu analysieren. Es beinhaltet die Klassifizierung und Korrektur jedes fernerfassten Bildes. Nach der eindeutigen Bildklassifizierung vergleichen Sie die resultierenden Karten Pixel für Pixel unter Verwendung einer Änderungserkennungsmatrix. Die fließenden Schritte wurden im Verfahren der Bildverarbeitung durchgeführt: 1) Datensammlung, 2) Datenaufbereitung, 3) überwachte Bildklassifizierung, 4) Analyse und 5) Erstellung von Änderungserkennungskarten. Diese Anwendungen wurden mit der Software ERDAS imagine 9.2 und Arc GIS 10 durchgeführt.

Um Veränderungen über einen bestimmten Zeitraum zu erkennen, benötigten wir zeitliche Satellitenbilder desselben Zeitraums und derselben Jahreszeit. Landsat 5-Satellitenbilder von zwei Zeiträumen, d. h. 2000 und 2012, wurden von der Website des United State of Geological Survey (http://glovis.usgs.gov/) heruntergeladen.

Der vorherige Schritt vor der Durchführung der Analyse ist die Datenvorbereitung, bei der wir die Satellitenbilder verfeinerten, um detaillierte Studien durchzuführen. Die Erkennung von Waldbedeckungsänderungen besteht aus einer Georeferenzierung und einer Untereinstellung von Bildern. Die Untereinstellung eines Bildes wird durchgeführt, um das Untersuchungsgebiet aus einer vollständigen Szene auszuschneiden.

2.5. Überwachte Bildklassifizierung

Klassifizierung ist der Vorgang des Sortierens von Pixeln in eine endliche Anzahl einzelner Klassen oder Kategorien von Daten, basierend auf ihren Datendateiwerten. Erfüllt ein Pixel einen bestimmten Satz von Kriterien, wird das Pixel der Klasse zugeordnet, die diesem Kriterium entspricht. Dieser Vorgang wird auch als Bildsegmentierung bezeichnet. Es besteht aus den folgenden drei Schritten, die verwendet wurden, um die Bilder zu klassifizieren.

Mustererkennung ist die Wissenschaft und Kunst, aussagekräftige Muster in Daten zu finden, die durch Klassifikation extrahiert werden können. Die Mustererkennung kann mit dem menschlichen Auge nach räumlicher und spektraler Verbesserung der Bilder erfolgen.

Der Analytiker ist für die Kontrolle des überwachten Trainings verantwortlich. In der Ausbildungsphase wählt der Forscher die Pixel aus, die ein Muster oder eine Landbedeckungsstruktur darstellen, die er erkennt. Vor der Klassifikation muss die Forschung die Daten und die gewünschten Klassen kennen. Sobald das Muster identifiziert ist, kann der Analytiker das Computersystem anweisen, Pixel mit ähnlichen Eigenschaften zu erkennen. Eine genaue Klassifizierung kann zu Klassen führen, die die Kategorien innerhalb der Daten darstellen, die ursprünglich im Bild identifiziert wurden. Für unsere Forschung wurde die Waldbedeckung in verschiedene Klassen oder Kategorien wie Wasser, Schnee, Wald, Landwirtschaft usw. eingeteilt. Diese Stufe gliedert sich weiter in zwei Teile:

Ÿ Auswahl der Trainingsorte―durch Verwendung der Seed-Pixel-Methode.

Ÿ Auswahl des Merkmalsraums für die Klassifizierung, der die geringste Kovarianz zwischen zwei Bändern zeigte.

Nachdem Signaturen erstellt wurden, wurden sie mit dem Signaturalarm-Dienstprogramm ausgewertet. Es hebt die Pixel im Viewer hervor, die zu einer Klasse gehören oder gemäß der Parallelepiped-Entscheidungsregel zu einer Klasse gehören.

Das Trainingsergebnis gibt einen Satz von Signaturen an, die einen Trainingscluster oder eine Probe beschreiben. Jede Signatur, die sich auf eine Klasse bezieht, wird mit einer Entscheidungsregel verwendet, um die gleichen Pixel in der Bilddatei einer Klasse zuzuordnen. Wenn die Signaturen erzeugt wurden, wurden die Pixel des Bildes basierend auf den Signaturen unter Verwendung einer Klassifizierungsentscheidungsregel in Klassen eingeordnet. Zur Klassifizierung der Pixel wurde das Maximum-Likelihood-Verfahren verwendet. Es ist ein Klassifizierungssystem, bei dem nicht identifizierte Pixel unter Verwendung von Wahrscheinlichkeitskonturen um Trainingsbereiche unter Verwendung der Maximum-Likelihood-Statistik Klassen zugeordnet werden.

Nach der Klassifizierung aller Karten wurden sie mit dem Reklassifizierungswerkzeug in Arc GIS 10 in die gewünschten Waldbedeckungsklassen umklassifiziert und dann wurden ihre jeweiligen Flächen mit der Rasterrechneroption berechnet. Außerdem werden für jedes Jahr Grafiken aller Landbedeckungsarten erstellt.

3.1. Bildklassifizierung des Jahres 2000

Das Satellitenbild des Jahres 2000 wurde in 5 Klassen eingeteilt (Abbildung 2). Das Ergebnis zeigte, dass die Fläche von Wald, Landwirtschaft, Brachland, Schnee und Wasser 19.349, 2028, 16.995, 188 und 549 Hektar betrug (Tabelle 1). Die Abbildung 3 zeigt, dass sich die Waldgebiete hauptsächlich im Südwesten und Südosten und des Untersuchungsgebietes konzentrieren, während sich die Landwirtschaft hauptsächlich im Nordwesten des Untersuchungsgebietes konzentriert. Wo der Nordosten niedrig ist

Tabelle 1 . Klassifikationsergebnisse des Bildes 2000.

Figur 2 . Klassifiziertes Bild des Jahres 2000.

Figur 3 . Klassifiziertes Bild des Jahres 2012.

Ackerland. Das karge Land findet sich hauptsächlich in den zentralen Teilen und im Nordosten. In den nördlichen Seitengipfeln der Berge wurde auch Schnee gefunden.

3.2. Bildklassifizierung des Jahres 2012

Das Satellitenbild des Jahres 2012 wurde ähnlich dem von 2000 in 5 Klassen eingeteilt (Abbildung 2). Das Ergebnis zeigte, dass die Fläche von Wald, Landwirtschaft, Brachland, Schnee und Wasser 14.522, 4958, 16.156, 1450 und 1973 Hektar betrug (Tabelle 2 und Abbildung 3).

Die Abbildung 3 zeigt, dass die landwirtschaftliche Entwicklung (Eingriff) in Waldgebieten begonnen hat, die sich im Jahr 2000 auf den Südwesten und Südosten konzentrierten, wodurch die Waldfläche in diesen Gebieten abgenommen hat. In ähnlicher Weise wurden die landwirtschaftlichen Flächen auf der nordwestlichen Seite des Barawal-Tals weiterentwickelt und intensiviert, während die nordöstliche Seite ebenfalls bedeutende landwirtschaftliche Entwicklungen aufweist.

Tabelle 2 . Klassifizierungsergebnisse des Bildes 2012.

3.3. Änderungen der Landnutzung und Landbedeckung von 2000 bis 2012

Die Tabelle 3 zeigt den Vergleich, wie viele Veränderungen von 2000 bis 2012 stattgefunden haben. Die Ergebnisse zeigten, dass die Waldfläche auf 4826 Hektar verändert/verkleinert wurde, was etwa 12,37% gegenüber der des Bildes 2000 ausmacht. Ebenso die landwirtschaftliche Fläche hat sich um 2930 Hektar vergrößert, was einer Zunahme von etwa 7,5% entspricht.

3.4. Genauigkeitsbewertung mit Fehlermatrix für klassifizierte Bilder der Jahre 2000 und 2012

Die Fehlermatrix wurde berechnet, um die Genauigkeit der Klassifizierung für die Jahre 2000 und 2012 zu verstehen. Die Fehlermatrix wird Pixel für Pixel berechnet. Die Pixel wurden in Prozent umgerechnet, so dass Tabelle 4 des klassifizierten Bildes des Jahres 2000 zeigte, dass nur 8,7% der Waldfläche mit Ackerland und nur 0,4% der Landwirtschaft mit Wald vermischt wurden. In ähnlicher Weise zeigte Tabelle 5 des klassifizierten Bildes des Jahres 2012, dass 10,8 % der Waldfläche mit Landwirtschaft und 3,6 % der Landwirtschaftsfläche mit Wald vermischt wurden.

4.1. Landbedeckungsklassifizierung

In dieser Forschung haben wir zwei Satellitenbilder in fünf Hauptklassen eingeteilt, d. h. Landwirtschaft, Wald, Schnee, Wasser und karges Land. Das Hauptaugenmerk wurde auf die Waldfläche gelegt, da unser Hauptziel war, wie viel Waldfläche sich von 2000 bis 2012 verändert hat. Eine ähnliche Studie zur Landnutzungs-Landbedeckungsklassifikation wird von [16] durchgeführt.

Um quantitative Informationen über den Wald im Barawal Valley von 2000 bis 2012 zu erhalten, wurde eine Waldbedeckungsänderungserkennung unter Verwendung von geografischen Informationssystemen und Fernerkundungstechniken durchgeführt. Für die Klassifizierung und quantitative Datenanalyse auf beiden Satellitenbildern von 2000 und 2012 wurde eine Nachklassifizierungstechnik angewendet, wie sie von (Coppin et al., 2004) verwendet wurde.

Das Klassifizierungsergebnis des Satellitenbildes des Jahres 2000 zeigte, dass die prozentuale Fläche von Wald, Landwirtschaft, Brachland, Schnee und Gewässern 49,54 %, 5,19 %, 43,38 %, 0,49 % bzw. 1,4 % betrug (Tabelle 1 und Abbildung 2). In ähnlicher Weise zeigte das Klassifizierungsergebnis des Satellitenbildes des Jahres 2012, dass die Wald-, Landwirtschafts-, Brachland-, Schnee- und Wasserkörper 37,17%, 12,69%, 41,36 %, 3,73 % bzw. 5,05% betrugen (Tabelle 2 und Abbildung 3).

Von 2000 bis 2012 wird die Waldfläche um 12 % verringert und die landwirtschaftliche Fläche um 7 % vergrößert. Diese Ergebnisse ähneln einer Studie zur Bewertung der Waldbedeckung in Swat und Shangla, die zeigt, dass die Waldbedeckung in Swat um 13% und in Shangla um 11% zurückgegangen ist [17] [18] .

5. Fazit und Empfehlung

Das Klassifikationsergebnis des Satellitenbildes des Jahres 2000 zeigte, dass der Flächenanteil von Wald, Landwirtschaft, Brachland, Schnee und Gewässern 49,54 %, 5,19 %, 43,38 %, 0,49 % bzw. 1,4 % betrug. In ähnlicher Weise zeigte das Klassifizierungsergebnis des Satellitenbildes des Jahres 2012, dass Wald, Landwirtschaft, karges Land, Schnee und Wasser

Tisch 3 . Landnutzungsänderungen der Landbedeckung von 2000 bis 2012.

Tabelle 4. Fehlermatrix des klassifizierten Bildes des Jahres 2000.

Tabelle 5. Fehlermatrix des klassifizierten Bildes des Jahres 2012.

Körper waren 37,17 %, 12,69 %, 41,36 %, 3,73 % bzw. 5,05 %. Von 2000 bis 2012 wurde die Waldfläche um 12 % verringert und die landwirtschaftliche Fläche um 7 % vergrößert. Aufgrund der hohen Entwaldungsrate und der verstärkten landwirtschaftlichen Aktivitäten wird empfohlen, im Untersuchungsgebiet eine Sensibilisierungskampagne zu starten, um diesen Wald vor weiterer Entwaldung zu schützen und zu erhalten.

Diese Forschung wurde von der University of Haripur, Khyber Pakhtunkhwa, Pakistan, gefördert. Ich bin Herrn Muhammad Adnan für seine technischen Beiträge bei der Fertigstellung dieser Forschung dankbar. Dank gilt auch Ishfaq Ahmad, Rabnawaz Khan, Muhammad Adnan Safi und Majid Khan für die Begutachtung dieses Manuskripts.


Verbundene Konten

HydroShare

HydroShare ist eine Online-Kollaborationsumgebung für die gemeinsame Nutzung von Daten, Modellen und Code. In Release 1.22 (März 2018) haben wir eine leistungsstarke neue Möglichkeit zum Teilen von Model My Watershed-Projekten vorgestellt, damit andere jedes öffentlich geteilte Model My Watershed-Modellprojekt finden, anzeigen und kopieren können. Diese neue Share-Funktion nutzt CUAHSI HydroShare, eine Online-Kooperationsumgebung für den Austausch hydrologischer Daten und Modelle. Um Ihr Konto zu verknüpfen und Ihre Projekte mit dem HydroShare-Datenportal zu teilen, befolgen Sie die Schritte im Abschnitt “Speichern und Freigeben Ihres Projekts” unten (Abschnitt 8.2).

War dies hilfreich? Ja Nein Bearbeiten vorschlagen

3. Ebenen (sichtbare zugeordnete Daten) #

Model My Watershed bietet eine Reihe von Geodaten-Layern zur Visualisierung, Analyse und Modellierung. Ausführliche Informationen und Datenquellen für jeden Layer finden Sie unten, geordnet nach Typ, in der Reihenfolge, in der sie in der Layerauswahl unten links auf der Karte angezeigt werden.

Layer, die nicht für die Visualisierung zur Verfügung stehen, aber für Analyse- und Modellierungsfunktionen verwendet werden, werden unter Abschnitt 2.6 Zusätzliche Datenlayer beschrieben.

War dies hilfreich? Ja Nein Bearbeiten vorschlagen

3.1. Streams #

Kontinentales US-Stream-Netzwerk mit mittlerer Auflösung

Leider ist der hochauflösende NHD-Flowline-Vektordatensatz (nominell im Maßstab 1:24.000) in NHDplusV2 noch nicht verfügbar.

Blaue Linien werden mit einem Stil gerendert, der vom Zoomausmaß des Benutzers und von der Streamreihenfolge abhängt.

  • Größere Bäche sind mit dickeren blauen Linien versehen.
  • Kleine Streams erscheinen/verschwinden, wenn der Benutzer in den Kartenbereich hinein- und herauszoomt.

Delaware River Basin High Resolution Stream Network

Das hochauflösende Flussnetz des Delaware River Basin wurde aus dem digitalen Höhenmodell (DEM) mit einer Auflösung von 1/3 Bogensekunde (10 m) aus dem nationalen Höhendatensatz der USGS abgeleitet, der von der National Map mit FTP-Download-Optionen für die Domäne, die den Delaware River abdeckt, erhalten wurde Becken.

Diese Arbeit wurde von den Model My Watershed-Partnern an der Utah State University, David Tarboton und Nazmus Sazib, unter Verwendung der Terrain Analysis mit der Software Digital Elevation Models (TauDEM) durchgeführt. Tarboton ist der führende Entwickler der TauDEM-Software.

Die verwendeten Verarbeitungsschritte waren:

  • Definieren Sie die Domäne Delaware River Basin Terrain Analysis Analysis. Die Teile des DEM, die Ozean- oder Mündungsgebiete besetzten, die aus dem National Hydrography Dataset und anderen Datenquellen identifiziert wurden, wurden in diesem DEM ausgeblendet, wobei für Rasterzellen, die mehr als 100 m vom Ufer entfernt sind, ein Wert ohne Daten und für Rasterzellen innerhalb von -50 m festgelegt wurde 100m der Küste. Dadurch wurde sichergestellt, dass ufernahe Gitterzellen in das Meer/Ästuar abflossen, während gleichzeitig unnötige Geländeanalysen für Meer/Ästuarbereiche vermieden wurden. Die DEM wurde dann von NHDPlus auf die Wassereinzugsgrenze des Delaware River Basin zugeschnitten, mit einem 5 km langen Puffer um die Kanten, um Kanteneffekte zu vermeiden, bei denen die Wassereinzugsgrenze und die DEM inkonsistent sind.
  • Gruben entfernen. Die TauDEM-Pitremove-Funktion wurde verwendet, um das DEM hydrologisch zu konditionieren. Dadurch wurde das Niveau aller Gitterzellen, die vollständig von höherem Gelände umgeben sind, auf das Niveau des niedrigsten Pourpoints um ihren Rand angehoben, so dass es einen Pfad mit nicht zunehmender Höhe von jeder Gitterzelle zum Domänenrand gibt, entlang dem Wasser abfließen könnte.
  • D8 Durchflussrichtungen. Die TauDEM D8 Fließrichtungsfunktion wurde verwendet, um die einzelne Fließrichtung zu berechnen, die jeder Gitterzelle zu einem ihrer acht benachbarten Nachbarn zugeordnet ist.
  • D8 Beitragender Bereich. Die TauDEM D8 Contributing area-Funktion wurde verwendet, um die Anzahl der Gitterzellen zu berechnen, die durch jede Gitterzelle abfließen, die sich selbst zählt.
  • Abgänge zum Meer/ zur Mündung bestimmen. Auslasspunkte, an denen die beitragende Fläche größer als 5000 Gitterzellen (ca. 0,5 km 2 ) ist und der Fluss die Domäne verlässt, wurden als die stromabwärts gelegenen Enden eines temporären Bachnetzes bestimmt, das mit TauDEM mit einem Schwellenwert von 5000 Gitterzellen für die beitragende Fläche kartiert wurde. Diese Auslasspunkte wurden in den folgenden Berechnungen verwendet, um die Arbeiten auf Bereiche vor diesen Auslassstellen zu beschränken. Es wurde als nicht sinnvoll erachtet, ein Bachnetz für Gebiete von weniger als 0,5 km 2 abzugrenzen, die direkt ins Meer münden.
  • Peuker Douglas Talfilter. Der TauDEM Peuker Douglas Filter wurde verwendet, um Talgitterzellen zu identifizieren. Dieser Filter wählt alle Rasterzellen aus, untersucht jeden Satz von 2 x 2 Rasterzellen und hebt die Auswahl der Zelle mit der höchsten Erhebung auf. Zellen, die am Ende ausgewählt bleiben, sind „potentielle Talzellen“.
  • Gewichteter D8 Beitragender Bereich. Die beitragende Flächenfunktion von TauDEM D8 wurde mit dem Ergebnis des Peuker Douglas Valley-Filters als gewichtete Eingabe verwendet. Dies berechnet die Anzahl potenzieller Valley-Gitterzellen, die durch jede Gitterzelle abfließen.
  • Streamraster definieren. Die TauDEM-Schwellenwertfunktion wurde verwendet, um die Gitterzellen im gewichteten D8-Beitragsflächenergebnis als Kandidatenstromgitter zu definieren, die die Eingabe-Beitragsflächen-Schwellenwerte überschreiten. Es wurden Beitragsflächenschwellen von 20, 50 und 100 Gitterzellen ausgewertet. Nach Sichtprüfung wurde im Vergleich zu Konturkräuselungen und hochauflösenden NHD-Streams ein Schwellenwert von 50 Gitterzellen gewählt.
  • Stromnetz berechnen. Die TauDEM Stream Network-Funktion wurde verwendet, um ein Stream-Netzwerk von Linien (GIS-Vektorformen) aus dem 50-Zellen-Schwellenstromraster abzugrenzen. Das Ergebnis ist ein geografisches Feature-Set (Liniensatz) im GIS-Shapefile-Format.

Beachten Sie, dass dieses Verfahren und insbesondere die Verwendung des Peuker Douglas Valley-Filters und der gewichteten beitragenden Flächenfunktionen zu einem Bachnetz führt, das sich an die Komplexität der Topographie anpasst. Bei einer komplexen Topographie, die sich in einer hohen Krümmung der Konturen widerspiegeln würde, ist die Entwässerungsdichte des resultierenden Bachnetzes hoch und spiegelt dies wider. Bei weniger komplexen Topographien (glatte Konturen) ist die Drainagedichte gering. Grundlage dafür ist, dass die Kartierung von Talgitterzellen eine skelettierte (nicht verbundene) Flusskarte erzeugt, die die Variabilität der Entwässerungsdichte über die Topographie hinweg widerspiegelt. Diese Talgitterzellen wurden dann zu einem verbundenen Bachnetz geformt, indem sie als Eingabe für eine gewichtete Beitragsflächenberechnung verwendet wurden, die nur diese Gitterzellen zählte.

Weitere Einzelheiten zur Begründung dieses Ansatzes finden Sie in den folgenden Referenzen (vollständige Zitate im Abschnitt Referenzen in diesem Dokument): Tarboton & Ames (2001) Tarboton et al. (1992) Tarbotonet al. (1991).

Weitere Einzelheiten zur TauDEM-Software und zur Verwendung der einzelnen Funktionen finden Sie in der TauDEM-Dokumentation. Die TauDEM-Software ist Open Source und kann von den folgenden Websites bezogen werden:

Delaware River Basin T(X) Konzentration(en) von SRAT

Geschätzte Baseflow-Konzentrationen von Gesamtstickstoff (TN), Gesamtphosphor (TP) oder Gesamtsuspendierte Feststoffe (TSS), abgeleitet innerhalb des Delaware River Basin aus dem Modellierungsaufwand des Stream Reach Assessment Tool (SRAT). Die SRAT-geschätzten In-Stream-Konzentrationen werden in Model My Watershed angezeigt, indem das NHDplusV2-Stream-Netzwerk in Farben von Grün über Gelb bis Orange bis Rot codiert wird, wobei Grün die niedrigsten Konzentrationen und Rot die höchsten anzeigt.

Die Modellierung des Stream Reach Assessment Tool (SRAT) wurde von der Delaware River Watershed Initiative (DRWI) der William Penn Foundation (WPF) finanziert. SRAT wird aus kalibrierten MapShed-Modellläufen aller HUC-12-Gebiete im Delaware River Basin abgeleitet, wobei die MapShed-Ergebnisse auf NHDplusV2-Einzugsgebietsskalen herunterskaliert und Lasten durch das NHDplusV2-Stream-Netzwerk mit mittlerer Auflösung geleitet werden. Weitere Informationen zu SRAT finden Sie in der SRAT-Übersicht. Das Stream Reach Assessment Tool wird Ihnen durch die Zusammenarbeit vieler DRWI-Partner zur Verfügung gestellt.

Viele zusätzliche SRAT-abgeleitete Modellausgabedatenschichten können in Model My Watershed visualisiert und analysiert werden, einschließlich der Visualisierung von Schadstofffrachtraten und Bachkonzentrationen auf NHD-Einzugsgebiets- und Bachsegmentebene. Siehe unten für weitere Details.

War dies hilfreich? Ja Nein Bearbeiten vorschlagen

3.2. Abdeckungsraster #

Land: USGS Nationale Land Cover Database

Boden: Hydrologische Bodengruppen von gSSURGO

Gridded Soil Survey Geographic (gSSURGO) 2016. Datenbank für die angrenzenden Vereinigten Staaten. Landwirtschaftsministerium der Vereinigten Staaten (USDA), Natural Resources Conservation Service (NRCS). Erhalten vom USDA Geospatial Data Gateway.

Hydrologic Soil Groups ist eine gSSURGO-Bodenkategorie, basierend auf den Wasserinfiltrationsraten unter nassen, gesättigten Bedingungen. Böden mit geringer Infiltrationsrate führen zu einem hohen Abflusspotenzial. Weitere Informationen finden Sie in diesen USDA NRCS-Publikationen:

Höhe und Neigung (Prozent)

Höhen- und Neigungsabdeckungsgitter werden basierend auf dem National Hydrography Dataset (NHD) und dem National Elevation Data Snapshop Digital Elevation Model (NHDPlus [email protected] NED Snapshot DEM) visualisiert, die von der USGS öffentlich verfügbar sind.

Klima: Durchschnittlicher monatlicher Niederschlag und Temperatur

Die gerasterten monatlichen Mittelwerte für Niederschlag und Temperatur wurden von der PRISM Climate Group erhalten und sind die “AN81m” Datensätze. Kurz gesagt, diese Schichten wurden aus einem Modellierungsaufwand (Climatologically-Aided Interpolation Process) erstellt, der national verfügbare Datensätze für den Zeitraum 1981-2010 verwendet. Siehe Dokumentation.

Geschützte Länder

Die Datenschicht “Protected Lands” in Model My Watershed stammt aus dem National Inventory of Protected Areas, das 2016 vom U.S. Geological Survey Gap Analysis Program zusammengestellt und veröffentlicht wurde (Gergely und McKerro, 2016). Die Protected Areas Database of the United States (PADUS) ist das offizielle Inventar öffentlicher Parks und anderer geschützter Freiflächen. Siehe Factsheet.

Gergely, K.J. und McKerrow, A., 2016, PAD-US – National Inventory of Protected Areas (Version 1.1, August 2016): U.S. Geological Survey Fact Sheet 2013–3086, 2 S..

Neuklassifizierung des PADUS

Die Protected Areas Database (PAD) für die USA wurde über die USGS-Download-Site heruntergeladen (Link oben). Eine Liste von 60 eindeutigen Beschreibungen der vorgesehenen Nutzungsarten (d_Des_Tp) wurde aus der Spalte im rohen PAD-Quelldatensatz zusammengestellt. Aus dieser Liste wurde eine Reihe von reklassifizierten Kategorien bestimmt, die jede einzelne auf einer allgemeineren Ebene beschreiben könnten (Tabelle 1). Einige ausgewiesene Schutzgebiete wurden entfernt, wenn sie nicht in einen Neuklassifizierungstyp passten. In der Liste der eindeutig bezeichneten Typen wurde jeder Beschreibung eine der 12 verschiedenen Umklassifizierungen zugeordnet (Tabelle 2).

Diese reklassifizierten Werte wurden dann in eine Liste ganzzahliger Werte umgewandelt. Dies geschieht häufig mit kategorialen Daten, die in einem Rasterformat gespeichert sind, um die Gesamtdateigröße zu verringern. Nachdem das ursprüngliche PAD-Shapefile die Neuklassifizierungen und Raster-Identifikations-Klassifikatoren hinzugefügt hatte, wurde es in ein GEOTIFF-Raster konvertiert. Dazu wurde das National Land Cover Dataset (NLCD) 2011 verwendet, um die endgültige Verarbeitungsausdehnung, das Fang-Raster und die Zellengröße zu definieren. Das Ergebnis ist ein PAD-Raster, das das NLCD-Raster für die angrenzenden USA perfekt überlappt.

Das Quell-PAD-Dataset hatte häufig ein Problem mit überlappenden Polygonen. Ein Ausgabe-Raster dieser Daten kann nur einen Wert für einen bestimmten Bereich speichern. Wenn es also zwei überlappende Polygone mit unterschiedlichen Schutzbeschreibungen gäbe, wird nur eines davon in der erstellten endgültigen Rasterausgabe dargestellt.

Active River Area – Nordosten und Mittelatlantik

Die Datenschicht “Active River Area” wurde entwickelt, um einen Naturschutzrahmen für die Bewertung, den Schutz, das Management und die Wiederherstellung von Süßwasser- und Uferökosystemen bereitzustellen. Der Rahmen identifiziert fünf wesentliche Unterkomponenten des aktiven Flussgebiets: 1) Materialbeitragszonen, 2) Mäandergürtel, 3) Auenfeuchtgebiete, 4) Überschwemmungsgebiete und 5) Terrassen. Diese Bereiche werden durch die wesentlichen physikalischen und ökologischen Prozesse definiert und im Kontext des Kontinuums von der oberen, mittleren und unteren Wasserscheide im ARA-Rahmenpapier (Smith et al. 2008) erläutert. Weitere Details, klicken Sie hier.

Smith, M. P., R. Schiff, A. Olivero und J. MacBroom. 2008. The Active River Area: Ein Naturschutzrahmen zum Schutz von Flüssen und Bächen. Der Naturschutz. Boston, MA.

Zukünftige DRB Urban Land Forecasts (“DRB 2011 Urban Baseline”, “DRB 2100 Centers FX”, � Korridore FX”)

Diese für das Delaware River Basin (DRB) spezifischen Datenschichten wurden von Dr. C. Jantz et al. am Zentrum für Landnutzung und Nachhaltigkeit der Universität Shippensburg. Diese Layer, die zusammenfassend als DRB2100 Version 3.1 Future Land Cover Scenarios bezeichnet werden, stellen eine überarbeitete Basislinie und zukünftige Wachstumsprognosen („Korridore“ und „Zentren“) für Änderungen (Zunahmen oder Abnahmen der Ausdehnung) der “erbauten Landnutzung” in Delaware . dar River Basin, bis 2100. Um diese Prognosen zu entwickeln, wurde das SLEUTH-Städtewachstumsmodell für die Modellierung von Subregionen über den Zeitraum 2001-2006 kalibriert und für den Zeitraum 2006-2011 validiert. Die städtischen Klassen der National Land Cover Database (NLCD) wurden verwendet, um die städtische Landbedeckung als entwickelt oder nicht entwickelt für die Baseline-Schicht 2011 darzustellen. Erfahren Sie mehr über dieses Projekt:

Fast-Zonale Statistics API liefert zukünftige (2100) DRB Urban Land Forecasts

Das Drexel University College of Computing and Informatics (CCI) und die Academy of Natural Sciences (ANS) der Drexel University haben die Fast-Zonale Statistics (FZS) Application Programming Interface (API) entwickelt, die numerische Attribute (Mittelwert, Summe und Anzahl) zurückgibt. für eine übermittelte Polygon-Abfrageregion über ein beliebiges reguläres Gitter- oder Raster-Dataset. Häufige Anwendungen dieser Technologie sind die Bestimmung der Niederschlagsmenge oder undurchlässiger Oberflächen in einem Wassereinzugsgebiet. Die API wurde unter Verwendung eines GeoDjango-Web-Frameworks, Nginx, Docker, PostGIS und eines neuartigen ZGF-Algorithmus erstellt, der von den Mitgliedern dieser Organisation erstellt wurde (Haag et al. 2020). Dieser Algorithmus wird als „schnell“ bezeichnet, da zur Bestimmung der Zonensumme für ein Polygon über einer Rasterfläche nur die Zellen, die die Grenze des Polygons schneiden, und nicht alle inneren Zellen durchlaufen werden müssen. Dies bedeutet, dass der Ansatz rechnerisch mit erhöhter Datenauflösung viel besser skaliert, da der FZS-Algorithmus in Bezug auf die Länge (Meter) des Polygonumfangs und nicht auf seine Fläche (Meter im Quadrat) konstant ist. Weitere Informationen zur Interaktion mit der API finden Sie hier: http://watersheds.cci.drexel.edu/docs.

Haag, S., Tarboton, D., Smith, M. und Shokoufandeh, A. (2020). Schneller Zusammenfassungsalgorithmus für polygonale Statistiken über ein regelmäßiges Gitter. Computer und Geowissenschaften. 10.1016/j.cageo.2020.104524.

Urbanisierte Gebiete in Pennsylvania Pennsylvania

Grenzen von US EPA Urbanized Areas, die von der USEPA entwickelt wurden, um eine Reihe von analytischen Anforderungen zu unterstützen. In Pennsylvania werden diese Grenzen verwendet, um Gebiete zu identifizieren, in denen verschiedene kommunale Einheiten für die Reduzierung der Schadstofffrachten (hauptsächlich Sediment, Stickstoff und Phosphor) verantwortlich sind.

Daten zur Wasserqualität des DRB-Einzugsgebiets, T(X) jährliche Laderaten aus SRAT-Einzugsgebieten

Geschätzte durchschnittliche Einzugsraten im Einzugsgebiet für Gesamtstickstoff (TN), Gesamtphosphor (TP) oder Gesamtsuspendierte Feststoffe (TSS), abgeleitet innerhalb des Delaware River Basin aus dem Stream Reach Assessment Tool (SRAT) Modellierungsaufwand. SRAT-geschätzte Belastungsraten werden in MMW durch Schattierung der NHDplusV2-Einzugsgebiete dargestellt, wobei dunklere Schattierungen höhere mittlere jährliche Belastungsraten in Masse pro Flächeneinheit anzeigen (z. B. lbs/acre oder kg/ha).

Die Modellierung des Stream Reach Assessment Tool (SRAT) wurde von der Delaware River Watershed Initiative (DRWI) der William Penn Foundation (WPF) finanziert. SRAT wird aus kalibrierten MapShed-Modellläufen aller HUC-12-Gebiete im Delaware River Basin abgeleitet, wobei die MapShed-Ergebnisse auf NHDplusV2-Einzugsgebietsskalen herunterskaliert und Lasten durch das NHDplusV2-Stream-Netzwerk mit mittlerer Auflösung geleitet werden. Weitere Details zu SRAT

Viele zusätzliche SRAT-abgeleitete Modellausgabedatenschichten können in Model My Watershed visualisiert und analysiert werden, einschließlich der Visualisierung von Schadstofffrachtraten und Bachkonzentrationen auf NHD-Einzugsgebiets- und Bachsegmentebene. Siehe unten für weitere Details.

War dies hilfreich? Ja Nein Bearbeiten vorschlagen

3.3. Grenzen #

USGS-Unterbeckeneinheit (HUC-8)

US Geological Survey Hydrologische Einheiten der achtstelligen Ebene (Hydrologic Unit Code 8), durchschnittlich 700 Quadratmeilen (1.813 Quadratkilometer). Obwohl USGS das HUC-8-Niveau als „Subbasin“-Skala bezeichnet, entsprechen diese hydrologischen Einheiten nicht echten hydrographischen Einzugsgebieten oder Wassereinzugsgebieten, da der Hauptfluss/-strom innerhalb eines bestimmten HUC-8-Gebiets oft Beiträge von zusätzlichen, stromaufwärts gelegenen HUC- 8 Bereiche.

USGS-Wassereinzugsgebiet (HUC-10)

Hydrologische Einheiten des US Geological Survey im zehnstelligen Bereich (Hydrologic Unit Code 10), durchschnittlich 227 Quadratmeilen (588 Quadratkilometer). Obwohl USGS das HUC-10-Niveau als „Wassereinzugsgebiet“ bezeichnet, entsprechen diese hydrologischen Einheiten nicht echten hydrographischen Einzugsgebieten oder Wassereinzugsgebieten, da der Hauptfluss/-strom innerhalb eines bestimmten HUC-10-Gebiets oft Beiträge von zusätzlichen, stromaufwärts gelegenen HUC- 10 Bereiche.

USGS-Unterwassereinzugsgebiet (HUC-12)

US Geological Survey Hydrologische Einheiten der zwölfstelligen Ebene (Hydrologic Unit Code 12), durchschnittlich 40 Quadratmeilen (104 Quadratkilometer). Obwohl USGS das HUC-12-Niveau als „Subwatershed“-Skala bezeichnet, entsprechen diese hydrologischen Einheiten nicht echten hydrographischen Einzugsgebieten oder Wasserscheiden, da der Hauptfluss/-strom innerhalb eines bestimmten HUC-12-Gebiets oft Beiträge von zusätzlichen, stromaufwärts gelegenen HUC- 12 Bereiche.

Kreislinien

Kreislinien für jeden Bundesstaat in den kontinentalen Vereinigten Staaten.

Kongressbezirke

Kongressbezirke für das Repräsentantenhaus der Vereinigten Staaten für den 113. Kongress: 03.01.2013 - 03.03.2015.

Schulbezirke

Schulbezirksgrenzen in den kontinentalen Vereinigten Staaten.

Gemeinden von Pennsylvania

Die kommunalen Grenzen der Unterbezirke für den Staat Pennsylvania wurden von verschiedenen staatlichen Stellen entwickelt. Grenzen der Gemeinde Pennsylvania

War dies hilfreich? Ja Nein Bearbeiten vorschlagen

3.4. Beobachtungen #

Wetterstationen (214)

Eine Datenbank mit täglichen Wetterdaten auf nationaler Ebene (Temperatur und Niederschlag) wurde zuvor von USEPA zur Verwendung in verschiedenen Umweltsimulationsmodellen erstellt. Im Fall von MMW werden diese Daten verwendet, um tägliche Wetterdaten (dh Niederschlag und Temperatur, die für den Zeitraum 1961-1990 zusammengestellt wurden) zu schätzen, um die täglichen Abfluss- und Erosionsberechnungen im Watershed Multi-Year Model (GWLF- E-Modell, unten beschrieben) (siehe Zugriff auf USEPA Meteorological Data).

Diese Ebene kann auf der Karte visualisiert werden, indem Sie auf die Registerkarte “Beobachtungen” der Palette “Ebene” klicken und alle 214 Wetterstationen werden in Blau angezeigt (möglicherweise müssen Sie die Karte vergrößern/verkleinern). Wenn Sie auf den blauen Kreis klicken, werden Stationsinformationen für jeden Punkt auf der Karte angezeigt. Wetterdaten werden auch unten beschrieben, und benutzerdefinierte Wetterdaten können als Wasserscheiden-Mehrjahresmodell-Lauf hochgeladen werden, um ein neues Szenario basierend auf den vom Benutzer bereitgestellten Wetterdaten zu generieren.

War dies hilfreich? Ja Nein Bearbeiten vorschlagen

3.5. Grundkarten #

Topographie

Satellit

Satellit mit Straßen

Terrain

War dies hilfreich? Ja Nein Bearbeiten vorschlagen

3.6. Zusätzliche Datenschichten #

Neben den auf der Karte visualisierten Datenlayern hat die Model My Watershed Web-App auch Zugriff auf weitere Datenlayer (nicht visualisiert) zur Nutzung durch die verschiedenen Modellierungsfunktionen.

Tiere

Die Nutztierpopulationen für ein Interessengebiet werden anhand von Daten auf Kreisebene des USDA geschätzt, indem zunächst ein Durchschnitt von “Tiere pro Ackerland“ für jede Tierart für jeden Landkreis berechnet wird. Datenquelle

Punktquellen

Punktquelleneinträge von Schadstoffen, die gemäß dem National Pollutant Discharge Elimination System (NPDES) der US EPA zulässig sind, werden für jeden ausgewählten Interessenbereich auf der Registerkarte "Analysieren" und der Unterregisterkarte “Pt Sources” aufgeführt. Diese NPDES-zugelassenen Einleitungen stammen hauptsächlich aus großen kommunalen und industriellen Kläranlagen, für die ein Abflussüberwachungsbericht (DMR) vorgelegt werden muss. Die “Pt Sources”-Daten wurden aus der DMR-Datenbank der EPA erstellt, auf die über das EPA-Webportal Water Pollution Search zugegriffen werden kann. Dieselben Daten werden als Input für das MMW Watershed Multi-Year Model verwendet. Für Punktquellen, die im Delaware River Basin gesammelt wurden, wurden die Abflussmessungen (Abwasser) und die Konzentration (Stickstoff und Phosphor) direkt aus detaillierteren Abflussüberwachungsberichten auf Landesebene entnommen.

War dies hilfreich? Ja Nein Bearbeiten vorschlagen

4. Wählen Sie das Interessengebiet (AoI) #

Eine Reihe von Werkzeugen (im linken Menübereich) sind verfügbar, um Gebiete in den unteren 48 Vereinigten Staaten auszuwählen und den Modellierungsprozess zu beginnen, indem Landnutzung, hydrologische Bodengruppen und andere Statistiken zusammengefasst werden. Zu den Optionen gehören: Nach Grenze auswählen, Kostenlose Ziehung, und Wasserscheide abgrenzen.

Modellierungsoptionen werden in Abschnitt 7.0 beschrieben und einige Modellierungsworkflows erfordern die Verwendung bestimmter Area-of-Interest-Tools (wie unten angegeben):

  • Um die “Unterbeckendämpfung” Unterroutine innerhalb des “Watershed Multi-Year Model“, der Benutzer muss einen Interessenbereich definieren/auswählen, indem er entweder HUC8 oder HUC10 “Select by Boundary” wählt.
  • Um die “Watershed Mehrjahresarbeitsblatt” (alias BMP Spreadsheet Tool), der Benutzer kann nicht Verwenden Sie die HUC12-Option “Select by Boundary”.
  • Hinweis: die am besten geeignete Größe (Gesamtfläche/Ackerfläche) Ihres Interessengebiets für die Verwendung mit dem Site Storm-Modell (Technische Dokumentation hier und Leitfaden hier) liegt zwischen 1 und mehreren hundert Acres und es wird empfohlen, das Modell nicht für Gebiete zu verwenden, die viel größer als etwa 1 Quadratmeile (640 Acres) sind, obwohl die Modellierung größerer Gebiete möglich ist.
  • Hinweis: die am besten geeignete Größe (Gesamtfläche/Ackerfläche) Ihres Interessengebiets für die Verwendung mit dem Watershed-Mehrjahresmodell (Technische Dokumentation hier) ist von mehreren hundert Morgen bis

War dies hilfreich? Ja Nein Bearbeiten vorschlagen

4.1. Auswahl nach Grenze #

Wählen Sie eine vordefinierte Begrenzung aus mehreren Begrenzungstypen aus, wie oben in Abschnitt 2.3 Begrenzungen beschrieben. Wählen Sie zuerst den Begrenzungstyp aus und verwenden Sie dann dieses Auswahlwerkzeug, um eine „Hover-Over“-Funktion zu aktivieren, um den Namen jedes begrenzten Bereichs anzuzeigen. Nach der Aktivierung kann der Benutzer auf das gewünschte Gebiet klicken, um Landnutzungs- und hydrologische Bodenanalysen innerhalb des Gebiets (unter anderem) zu erstellen.

Verfügbare Grenztypen für die Bereichsauswahl sind eine Teilmenge der Grenztypen, die in der Layerauswahl unten links auf der Karte angezeigt werden. Weitere Informationen und Datenquellen für diese Layer finden Sie in Abschnitt 2.3 Grenzen dieses Handbuchs.

War dies hilfreich? Ja Nein Bearbeiten vorschlagen

4.2. Bereich zeichnen #

Hinweis: Dieses Tool für den Interessenbereich kann auch verwendet werden, um einen kleineren Unterbereich innerhalb eines größeren HUC12-Beckens zu identifizieren, um das mehrjährige Watershed-Modell für die Entwicklung eines Plans zur Verringerung der Umweltverschmutzung (PRP) in Pennsylvania, wie in Abschnitt 7.3 beschrieben, spezialisierter zu verwenden.

Kostenlose Ziehung

Ein Werkzeug, das jeder Benutzer einsetzen kann, um ein Polygon zu zeichnen und beim Schließen des Polygons (Doppelklick zum Schließen) Landnutzung und hydrologische Bodengruppen (neben anderen Statistiken) für die Fläche innerhalb des Polygons auszuschneiden.

Quadratkilometer

Ein einzelner Klick auf eine beliebige Stelle auf der Karte führt zu einer 1 km 2 großen Fläche, die Landnutzung und hydrologische Bodengruppen (unter anderem) für die Fläche innerhalb des Polygons ausschneidet.

War dies hilfreich? Ja Nein Bearbeiten vorschlagen

4.3. Wasserscheide # abgrenzen

Hinweis: Dieses Tool für den Bereich von Interesse kann auch verwendet werden, um einen kleineren Unterbereich innerhalb eines größeren HUC12-Beckens zu identifizieren, um das Mehrjahresmodell von Watershed zur Entwicklung eines Plans zur Verringerung der Umweltverschmutzung (PRP) in Pennsylvania, wie in Abschnitt 7.3 beschrieben, spezialisierter zu verwenden.

Dieses Werkzeug wählt ein Interessengebiet aus, indem es automatisch eine Wasserscheide von einem Punkt in einem Bachnetz abgrenzt, wobei topografische Daten verwendet werden, die als digitales Höhenmodell (DEM) dargestellt werden.

Sobald der Benutzer auf die Karte klickt, bewegt sich das Werkzeug von diesem Punkt bergab, um an einem zweiten Punkt auf der nächstgelegenen Flusslinie „einzurasten“. Das Tool berechnet dann die Wasserscheide stromaufwärts von diesem zweiten Punkt unter Verwendung der Rapid Watershed Delineation-Algorithmen.Die Methoden für die Abwärtsbewegung zum Bach und die Abgrenzung von Wassereinzugsgebieten verwenden beide ein Raster von Fließrichtungen, das aus einem digitalen Höhenmodell (DEM) abgeleitet wird.

Das Werkzeug gibt das abgegrenzte Wassereinzugsgebiet und die Grenze zurück, die den Funktionen des Analysegebiets von Interesse zur Verfügung gestellt werden. Für die Abgrenzung von Wassereinzugsgebieten stehen derzeit zwei DEMs und Stromnetze zur Verfügung, wie unten aufgeführt.

Kontinentale US-Streams mit mittlerer Auflösung und NHDPlus DEM

Wenn Sie „An kontinentalen US-Streams mittlerer Auflösung ausrichten“ auswählen, wird von dem Punkt, auf den Sie klicken, bergab bewegt, um den nächsten Punkt im National Hydrography Dataset mittlerer Auflösung (NHDPlus-Flusslinie) einzufangen, und berechnet die Wasserscheide stromaufwärts von diesem Punkt mit der NHDPlus-Fließrichtung mit 30 m Auflösung Netz für die kontinentalen USA.

Wenn der angeklickte Punkt keine NHDPlus-Flusslinie hat (z. B. in einem internen Entwässerungsbereich), wird die Wasserscheide ab dem angeklickten Punkt berechnet. Erfahren Sie mehr über NHDPlus. Die Modell-My-Watershed-Wasserscheidenabgrenzung verwendet das Datenmodell NHDPlus Version 2.1 mit der neuesten Inhaltsversion, auf die am 22.11.16 zugegriffen wurde.

Delaware hochauflösende Streams und 1/3 Bogensekunden (10 m) Auflösung DEM

Wenn Sie „An Delaware hochauflösenden Streams ausrichten“ auswählen, wird von dem Punkt, auf den Sie klicken, bergab bewegt, um den nächsten Punkt im hochauflösenden Streaming-Netzwerk von Delaware einzurasten, und berechnet die Wasserscheide stromaufwärts von diesem Punkt mit einer digitalen Auflösung von 1/3 Bogensekunde (10) m Höhenmodell für das Delaware River Basin aus dem National Elevation Dataset.

Das Stream-Netzwerk, an dem gefangen wurde, wurde mit TauDEM wie oben beschrieben (Delaware River Basin High Resolution Stream Network Overlay) abgegrenzt.

War dies hilfreich? Ja Nein Bearbeiten vorschlagen

4.4. Datei hochladen #

Hinweis: Dieses Tool für den Bereich von Interesse kann auch verwendet werden, um einen kleineren Unterbereich innerhalb eines größeren HUC12-Beckens zu identifizieren, um das Mehrjahresmodell von Watershed zur Entwicklung eines Plans zur Verringerung der Umweltverschmutzung (PRP) in Pennsylvania, wie in Abschnitt 7.3 beschrieben, spezialisierter zu verwenden.

Laden Sie ein Polygon für Ihre Region hoch.

  • Muss ein Shapefile (zip mit shp- und prj-Dateien) oder geojson sein
  • Nur die erste Funktion wird verwendet
War dies hilfreich? Ja Nein Bearbeiten vorschlagen

5. Analyse des Interessenbereichs (AoI) #

Sobald ein Interessengebiet ausgewählt wurde, führt Model My Watershed automatisch Geoanalysen auf kartierten Daten-Layern innerhalb des Gebiets durch. Zusammenfassende Statistiken werden in Grafiken und Tabellen für jede dieser Datenschichten bereitgestellt, die sich auf den Regenwasserabfluss und/oder die Wasserqualität auswirken:

  • Streams: Weitere Informationen zu Datenquellen finden Sie in Abschnitt 3.1 Layer: Streams.
    • Die Statistik der Stromlänge und der mittleren Kanalneigung wird für jede Stromreihenfolge (Summe aller Segmente, die zu einer Stromreihenfolge im analysierten Gebiet gehören) aus dem Continental US Medium Resolution Stream Network berechnet.
    • Die Bachlänge in landwirtschaftlichen und nichtlandwirtschaftlichen Gebieten wird mit einer impliziten Uferbreite von ca. 30 m und einem impliziten Puffer von ca. 15 m nach folgender Methodik berechnet:
      • Eine Stromvektorlinie wird zu einer 1-Pixel-Zeichenfolge gerastert, wobei die Pixel dieselbe Größe wie ein NLCD-Pixel (30 m) haben. Unter der Haube verwendet GeoTrellis den Line Drawing-Algorithmus von Bresenham, um eine Linie in Pixel zu rastern. Siehe den spezifischen GeoTrellis-Code.
      • Dieser Ansatz geht daher von einer impliziten Uferbreite von ca. 30 m und einem impliziten Puffer von ca. 15 m aus.
      • Die zusammenfassende Statistik zur “Landbedeckungsverteilung” für jede Landnutzungskategorie (Fläche, Abdeckung % und aktive Flussfläche) wird für Ihr Interessengebiet basierend auf der 2011 National Land Cover Database berechnet. Für Active River Area wird das ARA-Abdeckungsraster verwendet, um die Landfläche in Ihrem Interessengebiet auf diese Ebene zu segmentieren/zu beschneiden und die Landbedeckungsfläche innerhalb der “Active River Area – Northeast and Mid-Atlantic” zusammenzufassen.
      • In der Dropdown-Auswahlliste bietet die Auswahl “Protected Lands Distribution” eine Zusammenfassung der Landfläche und Abdeckung (%) für jede Protected Lands-Kategorie in diesem Abdeckungsraster für Ihr Interessengebiet.
      • In der Dropdown-Auswahlliste bietet die Auswahl “DRB 2100 Landprognose (Zentren oder Korridore)” eine Zusammenfassung der Landfläche und -bedeckung (%) für die prognostizierte Landbedeckung bis zum Jahr 2100 für Ihr Interessengebiet.
      War dies hilfreich? Ja Nein Bearbeiten vorschlagen

      6. Überwachen #

      Multi-Katalog-Freitextsuche für Datensätze

      Die Funktion “Monitor” in Model My Watershed ermöglicht es jedem Benutzer, mehrere Datenkataloge/Repositorys nach verwandten Datensätzen zu durchsuchen. Nach der räumlichen Analyse eines Interessengebiets kann der Benutzer in diesem Gebiet nach Datensätzen suchen, die in vier separaten Datenkatalogen enthalten sind: HydroShare, CUAHSI WDC, CINERGI und WQP (unten beschrieben). Die Liste der Datensätze kann nach Freitextsuche und nach Zeitraumabdeckung gefiltert werden. Ein Datensatz kann für zusätzliche Details ausgewählt werden, z. B. die Datensatzzusammenfassung und Links zu Quellen und Webdiensten. Sobald ein Benutzer auf das Wort “Monitor” klickt, wird im linken Seitenbereich ein Freitextsuchfeld angezeigt (siehe Abbildung unten). Wenn Sie ein Wort oder eine Textzeichenfolge eingeben und auf die Schaltfläche “suchen” klicken, wird die Suche gestartet.

      • HydroShare: HydroShare ist eine Online-Kooperationsumgebung für den Austausch hydrologischer Daten und Modelle. Sein Ziel ist es, die Erstellung, Zusammenarbeit, Entdeckung und den Zugriff auf Daten und Modellressourcen zu erleichtern, die von Mitgliedern der Hydrologie-Community geteilt werden.
      • CUAHSI WDC: Das Consortium of Universities for the Advancement of Hydrologic Science, Inc. (CUAHSI) Water Data Center (WDC) bietet Tools für den Datenzugriff, die Analyse und die Zusammenarbeit, einschließlich eines Katalogs hydrologischer Zeitreihendaten, verfügbar als Water One Flow (WOF ) und WaterML-Webdienste. : Das Community Inventory of EarthCube Resources for Geosciences Interoperability (CINERGI)-Datenportal ist Teil des Earthcube-Projekts. Dieses Datenentdeckungs- und -explorationstool für die Geowissenschaften verfügt jetzt über eine Geoportal-Schnittstelle mit über 1.000.000 durchsuchbaren Datensätzen. Jeder Benutzer kann Links zu bevorzugten Ressourcen hinzufügen, damit diese Repositorys und Datensätze durchsuchbar werden. Das Portal beherbergt einen großen Bestand an hochwertigen geowissenschaftlichen Informationsressourcen mit Standardmetadaten und nachvollziehbarer Herkunft. (WQP) ist ein kooperativer Dienst, der vom United States Geological Survey (USGS), der Environmental Protection Agency (EPA) und dem National Water Quality Monitoring Council (NWQMC) gefördert wird. Es dient Daten, die von über 400 staatlichen, bundesstaatlichen, Stammes- und lokalen Behörden gesammelt wurden.

      War dies hilfreich? Ja Nein Bearbeiten vorschlagen

      7. Modellwassermenge und -qualität #

      Derzeit stehen zwei Modelle zur Auswahl, um 1) die Wasserbewegung durch Ihr Interessengebiet vorherzusagen und 2) die Wasserqualität des abfließenden Wassers oder Ihres Interessengebiets vorherzusagen.

      War dies hilfreich? Ja Nein Bearbeiten vorschlagen

      7.1. Site Storm-Modell #

      Das Model My Watershed Site Storm Model simuliert einen einzelnen 24-Stunden-Sturm durch Anwendung einer Mischung aus dem Source Loading and Management Model (SLAMM), TR-55, und dem einfachsten Verdunstungsmodell der Ernährungs- und Landwirtschaftsorganisation der Vereinten Nationen für den Abfluss Quantität und das STEP-L-Modell der EPA für die Wasserqualität im ausgewählten Interessengebiet innerhalb der kontinentalen Vereinigten Staaten.

      Die Ergebnisse werden basierend auf tatsächlichen Landbedeckungsdaten (aus der USGS National Land Cover Database 2011, NLCD2011) und tatsächlichen Bodendaten (aus der USDA Gridded Soil Survey Geographic Database, gSSURGO, 2016) für die ausgewählte Landfläche von Interesse berechnet. Weitere Informationen und Datenquellen finden Sie in Abschnitt 2.2 Abdeckungsraster.

      TR-55-Komponente

      Mit diesem Modell wird der Abfluss für alle „natürlichen“ Landnutzungsarten berechnet. Informationen zur TR-55-Kurvennummer

      SLAMM-Komponente

      Das Source Loading and Management Model (SLAMM) wird verwendet, um den Abfluss für städtische Landnutzungstypen zu berechnen.

      War dies hilfreich? Ja Nein Bearbeiten vorschlagen

      7.2. Watershed Mehrjahresmodell #

      Das Watershed Multi-Year Model in Model My Watershed simuliert 30 Jahre täglicher Wasser-, Nährstoff- und Sedimentflüsse unter Verwendung des Generalized Watershed Loading Function Enhanced (GWLF-E)-Modells, das für die MapShed-Desktop-Modellierungsanwendung von Barry M. Evans, Ph .D. und seine Gruppe an der Penn State University. Das GWLF-E-Modell ist auch eines von fünf Wasserscheidenmodellen, die innerhalb der Mehrzweck-Modellierungsanwendung BASINS der EPA verfügbar sind.

      Model My Watershed ist jetzt das primäre Framework für die Ausführung der neuesten GWLF-E-Modellversion und ersetzt MapShed und BASINS, da diese beiden Desktop-Anwendungen auf dem veralteten MapWindow GIS-Paket basieren, das nicht mehr unterstützt wird. Aus diesem Grund haben wir Ende 2014 den gesamten GWLF-E-Code von Visual Basic nach Python portiert, mit der gesamten nachfolgenden Codeentwicklung in diesem Open-Source-Repository. In ähnlicher Weise wurden alle MapWindow-basierten Geoverarbeitungsroutinen neu geschrieben, um mit der Open-Source-Engine und dem Framework für die geografische Datenverarbeitung GeoTrellis zu arbeiten, wobei der gesamte neue Code in diesem Repository enthalten ist.

      War dies hilfreich? Ja Nein Bearbeiten vorschlagen

      7.2.1. Das GWLF-Modell #

      Das in MMW und MapShed (GWLF-E) verwendete mehrjährige Core-Watershed-Simulationsmodell ist eine verbesserte Version des Generalized Watershed Loading Function (GWLF)-Modells, das zuerst von Forschern der Cornell University (Haith und Shoemaker, 1987) entwickelt wurde. Die ursprüngliche DOS-kompatible Version von GWLF wurde von Evans et al. in Visual Basic umgeschrieben. (2002), um die Integration mit ArcView© und anderen GIS-Softwarepaketen zu erleichtern, und ausgiebig in den USA und anderswo getestet. Seit 2002 wurde es wesentlich erweitert siehe Abschnitt 5.2.2 GWLF-Erweiterungen.

      Der Vorteil von GWLF (und GWLF-E) ist die Benutzerfreundlichkeit und die Abhängigkeit von Eingabedatensätzen, die weniger komplex sind als die von anderen wassereinzugsgebietsorientierten Wasserqualitätsmodellen wie SWAT, SWMM und HSPF (Deliman et al., 1999) . Das Modell wurde auch von der US-amerikanischen EPA als gutes „mittleres“ Modell gebilligt, das Algorithmen zur Simulation der meisten Schlüsselmechanismen enthält, die Nährstoff- und Sedimentflüsse innerhalb eines Einzugsgebiets steuern (US-EPA, 1999).

      Das GWLF-Modell bietet die Möglichkeit, Abfluss-, Sediment- und Nährstofffrachten (Stickstoff und Phosphor) aus einem Wassereinzugsgebiet bei unterschiedlich großen Quellgebieten (z. B. landwirtschaftliche, bewaldete und bebaute Flächen) zu simulieren. Es verfügt auch über Algorithmen zur Berechnung der Belastungen von Kläranlagen und ermöglicht die Einbeziehung von Punktquellen-Entleerungsdaten. Es ist ein kontinuierliches Simulationsmodell, das tägliche Zeitschritte für Wetterdaten und Wasserhaushaltsberechnungen verwendet. Für Sediment- und Nährstofffrachten werden monatliche Berechnungen auf Basis der zu Monatswerten kumulierten Tageswasserbilanz durchgeführt.

      GWLF wird als kombiniertes Wassereinzugsgebietsmodell mit verteilten/konzentrierten Parametern betrachtet. Für die Oberflächenbelastung wird sie in dem Sinne verteilt, dass sie mehrere Landnutzungs-/Bedeckungsszenarien ermöglicht, aber jede Fläche wird in Bezug auf verschiedene vom Modell berücksichtigte „Landschafts“-Attribute als homogen angenommen. Darüber hinaus verteilt das Modell die Quellgebiete nicht räumlich, sondern aggregiert einfach die Lasten aus jedem Quellgebiet zu einer Gesamtsumme von Wassereinzugsgebieten, d. h. es gibt keine räumliche Streckenführung. Für die Belastung unter der Oberfläche fungiert das Modell als konzentriertes Parametermodell unter Verwendung eines Wasserbilanzansatzes. Für unterirdische Strömungsbeiträge werden keine deutlich getrennten Bereiche berücksichtigt. Es werden tägliche Wasserbilanzen für eine ungesättigte Zone sowie eine gesättigte unterirdische Zone berechnet, wobei die Infiltration einfach als Differenz zwischen Niederschlag und Schneeschmelze minus Oberflächenabfluss plus Evapotranspiration berechnet wird.

      In Bezug auf wichtige Prozesse simuliert GWLF den Oberflächenabfluss unter Verwendung des SCS-CN-Ansatzes mit täglichen Wetterdaten (Temperatur und Niederschlag) aus der meteorologischen Datenverteilung des EPA Center for Exposure Assessment Modeling (CEAM). Erosion und Sedimentertrag werden anhand monatlicher Erosionsberechnungen basierend auf dem USLE-Algorithmus (mit monatlichen Niederschlags-Abfluss-Koeffizienten) und monatlichen KLSCP-Werten für jedes Quellgebiet (d. h. Landbedeckung/Bodentyp-Kombination) geschätzt. Auf die berechnete Erosion wird dann ein Sedimentförderverhältnis basierend auf der Wassereinzugsgebietsgröße und eine Transportkapazität basierend auf dem durchschnittlichen täglichen Abfluss angewendet, um die Sedimentausbeute für jedes Quellgebiet zu bestimmen. Die Nährstoffverluste an der Oberfläche werden durch Anwendung von gelösten N- und P-Koeffizienten auf den Oberflächenabfluss und einem Sedimentkoeffizienten auf den Ertragsanteil für jedes landwirtschaftliche Quellgebiet bestimmt.

      Punktquelleneinleitungen können ebenfalls zu gelösten Verlusten beitragen und werden in Kilogramm pro Monat angegeben. Auch gedüngte Bereiche sowie Kläranlagen kommen in Frage. Es wird angenommen, dass städtische Nährstoffeinträge alle Festphasen sind, und das Modell verwendet eine exponentielle Akkumulations- und Abwaschfunktion für diese Belastungen. Die unterirdischen Verluste werden unter Verwendung von gelösten N- und P-Koeffizienten für die Beiträge des flachen Grundwassers zu den Nährstofffrachten von Flüssen berechnet, und das unterirdische Teilmodell berücksichtigt nur einen einzigen, mit konzentrierten Parametern beitragenden Bereich.

      Die Evapotranspiration wird anhand von täglichen Wetterdaten und einem von der Landnutzung/Bedeckungstyp abhängigen Bedeckungsfaktor bestimmt. Schließlich wird täglich eine Wasserbilanz mit zugeführten oder berechneten Werten für Niederschlag, Schneeschmelze, anfängliche ungesättigte Zonenspeicherung, maximal verfügbare Zonenspeicherung und Evapotranspirationswerte durchgeführt.

      Es würde den Rahmen dieses Dokuments sprengen, spezifische Details über die Struktur und die technischen Komponenten zu geben, die dem ursprünglichen GWLF-Modell zugrunde liegen. Sehen Sie sich eine Kopie des GWLF-Handbuchs an. Weitere Details zur aktualisierten Version dieses Modells (GWLF-E) und den Geoverarbeitungsroutinen, die in MapShed (und damit auch in Model My Watershed) verwendet werden, um Eingabedaten für das Modell vorzubereiten, finden Sie auch im MapShed-Benutzerhandbuch, das ebenfalls unter . verfügbar ist Diese Internetseite.

      War dies hilfreich? Ja Nein Bearbeiten vorschlagen

      7.2.2. GWLF-erweitert #

      Seit seiner anfänglichen Einbindung in MapShed (und seinen Vorläufer AVGWLF) wurde das GWLF-E-Modell seit 2002 erheblich verbessert, um eine Reihe von Routinen und Funktionen einzuschließen, die im ursprünglichen GWLF-Modell nicht zu finden waren.

      Eine bedeutende Überarbeitung in einer der früheren Versionen von AVGWLF war die Aufnahme von a Flussufererosionsroutine. Diese Routine basiert auf einem in der Geomorphologie häufig verwendeten Ansatz, bei dem die monatliche Ufererosion geschätzt wird, indem zunächst eine durchschnittliche wassereinzugsgebietsspezifische Lateral Erosion Rate (LER) berechnet wird. Nachdem ein Wert für LER berechnet wurde, wird die gesamte Sedimentfracht, die durch die Ufererosion erzeugt wird, berechnet, indem die obige Erosionsrate mit der Gesamtlänge der Bäche im Einzugsgebiet (in Metern), der durchschnittlichen Uferhöhe (in Metern) multipliziert wird und ein durchschnittlicher Bodenrohdichtewert (in kg/m 3 ). In Mapshed wurden diese Parameter für die Flussufer- und Erosionsrate für Modelle optimiert, die den für Pennsylvania verfügbaren hochauflösenden Flusslinien-Datensatz verwenden. In Model My Watershed, das NHDplus v2 Fließlinien mit mittlerer Auflösung verwendet, verwenden wir einen Sedimenterosionskorrekturfaktor von 1,4, um die Schätzungen der Ufererosion in Model My Watershed mit denen in MapShed für Pennsylvania vergleichbar zu machen.

      In späteren Versionen wurde die ursprüngliche Wasserbilanzroutine innerhalb von GWLF erweitert, um zu simulieren Wasserentnahmen aus Oberflächen- und Grundwasserquellen. Innerhalb von MapShed können Informationen aus einem optionalen GIS-Layer „Wasserentnahme“ verwendet werden, um die Wassermenge zu schätzen, die jeden Monat aus verschiedenen Quellen innerhalb eines Einzugsgebiets entnommen wird. Bei Oberflächenwasserentnahmen wird die geschätzte kumulierte Wassermenge von der simulierten Komponente „Flussabfluss“ der monatlichen Wasserbilanzberechnungen abgezogen. Bei Grundwasserentnahmen wird diese Menge von der Komponente „Untergrund“ der monatlichen Wasserbilanzberechnungen abgezogen. (Hinweis: Diese spezielle Routine ist in Model My Watershed noch nicht implementiert, obwohl das GWLF-E-Modell die Simulation von „extrahiertem“ Wasser ermöglicht).

      Andere jüngste Modellrevisionen umfassen die Implementierung von eine Routine zur Entwässerung von landwirtschaftlichen Fliesen, die Fähigkeit, Abwasser aus Punktquellen (dh Flüsse) in der Hydrologie für ein bestimmtes Gebiet zu berücksichtigen, die Aufnahme neuer Routinen für eine direktere Simulation der Belastungen durch Nutztiere, eine neue Routine zur Schätzung der Krankheitserregerbelastung und die Fähigkeit, das Potenzial zu berücksichtigen Auswirkungen von Best Management Practices (BMPs) und anderen Minderungsmaßnahmen auf Schadstoffbelastungen.

      Eine weitere bedeutende Änderung war ein Verbesserung der Simulation von Hydrologie und Belastungen aus städtischen Gebieten. In der ursprünglichen Version von GWLF, die mit AVGWLF verwendet wurde, konnte eine solche Simulation nur für zwei Grundtypen von urbanisiertem oder bebautem Land durchgeführt werden (d. h. Bebauung mit geringer Dichte und Bebauung mit hoher Dichte). In sehr intensiv entwickelten Wassereinzugsgebieten kann es jedoch angemessener sein, komplexere Routinen für ein breiteres Spektrum städtischer Landschaftsbedingungen zu verwenden. Folglich wurden zusätzliche Modellierungsroutinen in die Version von GWLF aufgenommen, die in MapShed und Model My Watershed verwendet wird, um dieser Situation zu begegnen. Diese neuen Funktionen basieren auf dem von Haith (1993) an der Cornell University entwickelten RUNQUAL-Modell. Mit diesen Routinen werden die Abflussvolumina nach Verfahren berechnet, die in der Technical Release 55 des U.S. Soil Conservation Service (U.S. Soil Conservation Service, 1986) angegeben sind. Die Schadstofffrachten basieren auf exponentieller Akkumulation und Washhoff-Funktionen ähnlich denen, die in den Modellen SWMM (Huber und Dickinson, 1988) und STORM (Hydrologic Engineering Center, 1977) verwendet werden. Die durchlässigen und undurchlässigen Anteile jedes Landnutzungstyps werden separat modelliert, Abfluss und Schadstofffrachten von den verschiedenen Oberflächen werden täglich berechnet und monatlich in der Modellausgabe aggregiert. Bei den von RUNQUAL abgeleiteten Routinen wird davon ausgegangen, dass der simulierte Bereich klein genug ist, sodass die Reisezeiten in der Größenordnung von einem Tag oder weniger liegen. Sehen Sie sich eine Kopie des RUNQUAL-Handbuchs an, das weitere Details zu diesem Modell enthält.

      War dies hilfreich? Ja Nein Bearbeiten vorschlagen