Water area and volume calculation of two reservoirs in Central Cuba using Remote Sensing Methods. A new perspective

dc.contributor.authorValero-Jorge, Alexeyes_ES
dc.contributor.authorGonzález-De Zayas, Robertoes_ES
dc.contributor.authorAlcántara-Martín, Anamarises_ES
dc.contributor.authorÁlvarez-Taboada, Flores_ES
dc.contributor.authorMatos-Pupo, Felipees_ES
dc.contributor.authorBrown-Manrique, Oscares_ES
dc.coverage.spatialeast=-78.72004881184465; north=21.922089475672006; name=Cubaes_ES
dc.date.accessioned2022-09-06T07:24:33Z
dc.date.available2022-09-06T07:24:33Z
dc.date.issued2022-07-26
dc.description.abstract[EN] The availability, quality and management of water constitute essential activities of national, regional and local governments and authorities. Historic annual rain (between 1961 and 2020) in Chambas River Basin (Central Cuba) was evaluated. Two remote sensing methods (Normalized Difference Water Index and RADAR images) were used to calculate the variation of water area and volumes of two reservoirs (Chambas II and Cañada Blanca) of Ciego de Ávila Province at end of wet and dry seasons from 2014-2021. The results showed that mean annual rain was 1330.9 ± 287.4 mm and it did not showed any significant tendency at evaluated period. For both reservoirs, mean water areas measured with two methods were 19 % and 8 % smaller than the mean water area reported by authorities for the same period. The static water storage capacity (water volume) of both reservoirs varied (as area) between seasons with the greatest volume in both reservoirs recorded in October of 2017 (30.5 million of m3 in Chambas II and 45.1 million of m3 in Cañada Blanca reservoir). Large deviations of water area and volumes occurred during the dry season (lower values) and the wet season of 2017 (influenced by rain associated to of Hurricane Irma) and wet season of 2020 (influenced by rain associated to tropical storm Laura). Calculated area volume models with significant statistical correlation are another useful tool that could be used to improve water management in terms of accuracy and to increase reliable results in cases where gauge measurements are scarce or not available.en_EN
dc.description.abstract[ES] La disponibilidad, calidad y manejo del agua constituye actividades esenciales de los gobiernos y autoridades regionales y locales.  Fue evaluada La lluvia anual histórica (entre 1961 y 2020) de la Cuenca del Río Chambas. Para el cálculo de la variación de las áreas y volúmenes del agua en dos reservorios de la Provincia de Ciego de Ávila al término de las temporadas lluviosa y poco lluviosa entre 2014 y 2021 fueron usados dos métodos de sensores remotos (Índice Normalizado de Diferencia de Agua e imágenes del RADAR). Los resultados mostraron que la lluvia media anual fue 1330.9±287.4 mm y no mostró tendencia significativa en el período evaluado. Para ambos reservorios, las áreas promedio de agua medidas con los dos métodos fueron 19 % y 8 % menores que el área de agua reportadas por las autoridades para el mismo período. La capacidad estática de almacenamiento de agua (volumen de agua) de los dos reservorios varió (como el área) entre temporadas, con el mayor volumen determinado en ambos reservorios en octubre de 2017 (30.5 millones de m3 en Chambas II y 45.1 millones de m3 en Cañada Blanca). Grandes desviaciones de las áreas y volúmenes del agua ocurrieron durante la temporada poco lluviosa (menores valores) y la temporada lluviosa de 2017 (influenciada por las lluvias asociadas el huracán Irma) y la temporada lluviosa de 2020 (influenciada por la lluvia asociada a la tormenta Laura). Los modelos calculados para la relación área volumen con una significación estadística son otra herramienta útil que podría ser usada para mejorar el manejo del agua en términos de precisión y el incremento de resultados confiables en casos donde la medición de los niveles de agua son escasos o no están disponibles.es_ES
dc.description.accrualMethodOJSes_ES
dc.description.bibliographicCitationValero-Jorge, A.; González-De Zayas, R.; Alcántara-Martín, A.; Álvarez-Taboada, F.; Matos-Pupo, F.; Brown-Manrique, O. (2022). Water area and volume calculation of two reservoirs in Central Cuba using Remote Sensing Methods. A new perspective. Revista de Teledetección. (60):71-87. https://doi.org/10.4995/raet.2022.17770es_ES
dc.description.issue60es_ES
dc.description.referencesAdediji, A., Ajibade, L.T. 2008. The change detection of major dams in Osun State, Nigeria using remote sensing (RS) and GIS techniques. Journal of Geography and Regional Planning, 1(6), 110-115.es_ES
dc.description.referencesAguilar, C., Zinnert, J.C., Polo, M.J., Young, D.R. 2012. NDVI as an indicator for changes in water availability to woody vegetation. Ecological Indicators, 23, 290-300. https://doi.org/10.1016/j.ecolind.2012.04.008es_ES
dc.description.referencesAlarcón, D. 2021. Análisis de la disminución del cuerpo de agua de la laguna de Aculeo utilizando imágenes de radar de Sentinel -1A/1B y de Global Surface Water Explorer. Revista Cartógrafo, 1(1), 5-14.es_ES
dc.description.referencesBatista Silva, J.L. 2016. Evaluación de los recursos hídricos de Cuba. Revista Geográfica, 157, 73-83.es_ES
dc.description.referencesChuvieco, E. 2008. Teledetección ambiental, la observación de la Tierra desde el espacio. 3ª edición. Editorial Ariel, Barcelona, España.es_ES
dc.description.referencesCobos, M.E., Cruz, D.D., Hernández, M. 2016. Análisis multitemporal del Índice Normalizado de Diferencia de Vegetación (NDVI) en Cuba. Revista del Jardín Botánico Nacional, 37, 15-18.es_ES
dc.description.referencesCruz Flores, D.D., Curbelo Benítez, E.A., Ferrer Sánchez, Y., Ávila, D.D. 2020. Variaciones espaciales y temporales en el Índice de Vegetación de Diferencia Normalizada en Cuba. Ecosistemas, 29(1), 1885. https://doi.org/10.7818/ECOS.1885es_ES
dc.description.referencesDenis Ávila, D. 2015. Análisis multitemporal de imágenes Landsat para evaluar las variaciones de la cobertura vegetal emergente en la laguna Leonero, Granma, Cuba. Revista del Jardín Botánico Nacional, 36, 47-53.es_ES
dc.description.referencesDe Oliveira Xavier, G., de Almeida, T., Magno Moreira de Oliveira; C., Silva de Oliveira, P.D., Barros Costa; V.H., Moreira Alves Granado, L. 2020. Estimate and evaluation of reservoir metrics in Serra da Mesa dam (GO) using the Google Earth Engine platform. Ambiente & Água - An Interdisciplinary Journal of Applied Science, 15(5), e2584. https://doi.org/10.4136/ambi-agua.2584es_ES
dc.description.referencesDi Bella, C.M., Posse, G., Beget, M.E., Fischer, M.A., Mari, N., Veron, S. 2008. La teledetección como herramienta para la prevención, seguimiento y evaluación de incendios e inundaciones. Ecosistemas, 17(3), 39-52.es_ES
dc.description.referencesDöll, P., Fiedler, K., Zhang, J. 2009. Globalscale analysis of river flow alterations due to water withdrawals and reservoirs. Hydrology and Earth System Sciences, 13, 2413-2432. https://doi.org/10.5194/hess-13-2413-2009es_ES
dc.description.referencesDu, Z., Bin, L., Feng, L., Wenbo, L., Weidong, T., Hailei, W., Yuanmiao, G., Bingyu, S., Xiaoming, Z. 2012. Estimating surface water area changes using time-series Landsat data in the Qingjiang River Basin, China. Journal of Applied Remote Sensing, 6, https://doi.org/10.1117/1.JRS.6.063609es_ES
dc.description.referencesEscobar-Flores, J.G., Sandoval, S., Valdez, R., Shahriary, E., Torres, J., Álvarez-Cárdenas, S., Gallina-Tessaro, P. 2019. Waterhole detection using a vegetation index in desert bighorn sheep (Ovis Canadensis cremnobates) habitat. PLoS ONE, 14(1), e0211202. https://doi.org/10.1371/journal.pone.0211202es_ES
dc.description.referencesFavoreto da Cunha, C., Brandão Cardoso, S., Hideo Teramoto, E., Kiang Chang, H. 2020. Modelo áreavolume para a Represa Guarapiranga empregando o índice NDWI. Holos Environment, 20(1), 137-151. https://doi.org/10.14295/holos.v20i1.12370es_ES
dc.description.referencesFuentes, I., Padarian, J., van Ogtrop, F., Vervoort, R.W. 2019. Comparison of Surface Water Volume Estimation Methodologies That Couple Surface Reflectance Data and Digital Terrain Models. Water, 11, 780. https://doi.org/10.3390/w11040780.es_ES
dc.description.referencesHaddeland, I., Skaugen, T., Lettenmaier, D.P. 2006. Anthropogenic impacts on continental surface water fluxes, Geophysical Research Letters, 33, L08406. https://doi.org/10.1029/2006GL026047es_ES
dc.description.referencesHernández, M., Cruz, D. 2016. Cobertura de vegetación natural en Parques Nacionales de Cuba: análisis multitemporal y variación futura de las condiciones bioclimáticas. Revista del Jardín Botánico Nacional, 37, 93-102.es_ES
dc.description.referencesInstituto Nacional de Recursos Hidráulicos (INRH). 2018. Boletín Hidrológico. Octubre 2018. Servicio Hidrológico y Disponibilidad. pp 16.es_ES
dc.description.referencesJakovljevic, G., Govedarica, M., Álvarez-Taboada, F. 2018. Waterbody mapping: a comparison of remotely sensed and GIS open data sources, International Journal of Remote Sensing, 40(8), 2936-2964. https://doi.org/10.1080/01431161.2018.1538584es_ES
dc.description.referencesJin, Y.Q., Yan, F. 2007. A change detection algorithm for terrain surface moisture mapping based on multiyear passive microwave remote sensing (Examples of SSM/I and TMI Channels). Hydrological Processes, 21, 1918-1924. https://doi.org/10.1002/hyp.6401es_ES
dc.description.referencesKarran, D.J., Westbrook, C.J., Wheaton, J.M., Johnston, C.A., Bedard-Haughn, A. 2016. Rapid surface water volume estimations in beaver ponds. Hydrology and Earth System Sciences Discuss., 352, 1-26. https://doi.org/10.5194/hess-2016-352.es_ES
dc.description.referencesKendall, M. 1975. Multivariate Analysis. Charles Griffin & Company, London.es_ES
dc.description.referencesLee, J.S. 1980. Digital Image Enhancement and Noise Filtering by use of Local Statistics. IEE Transactions on Pattern Analysis and Machine Intelligence, 2, 165-168. https://doi.org/10.1109/TPAMI.1980.4766994es_ES
dc.description.referencesLee, J.S. 1981a. Refined Filtering of Image Noise Using Local Statistics. Computer Graphics and Image Processing, 15(4), 380-389. https://doi.org/10.1016/S0146-664X(81)80018-4es_ES
dc.description.referencesLee, J.S. 1981b. Speckle Analysis and Smoothing of Synthetic Aperture Radar Images. Computer Graphics and Image Processing, 17(1), 24-32. https://doi.org/10.1016/S0146-664X(81)80005-6es_ES
dc.description.referencesLehner, B., Döll, P. 2004. Development and validation of a global database of lakes, reservoirs and wetlands. Journal of Hydrology, 296(1-4), 1-22. https://doi.org/10.1016/j.jhydrol.2004.03.028es_ES
dc.description.referencesLehner, B., Liermann, C.R., Revenga, C., Vörösmarty, C., Fekete, B., Crouzet, P., Döll, P., Endejan, M., Frenken, K., Magome, J., Nilsson, C., Robertson, J.C., Rödel, R., Sindorf, N., Wisser, D. 2011. Global reservoir and dam database. Version 1.1 (GRanDv1): Dams, Revision 01. Palisades, NY: NASA Socioeconomic Data and Applications Center (SEDAC). pp. 12.es_ES
dc.description.referencesLopes, F.B., Barbosa, C.C., Novo, E M., Andrade, E.M.D., Chaves, L.C. 2014. Modelagem da qualidade das águas a partir de sensoriamento remoto hiperespectral. Revista Brasileira de Engenharia Agrícola e Ambiental, 18, 13-19. https://doi.org/10.1590/1807-1929/agriambi.v18nsupps13-s19es_ES
dc.description.referencesMachado, M.T. de S.; Baptista, G.M. de M. 2016. Sensoriamento remoto como ferramenta de monitoramento da qualidade da água do Lago Paranoá (DF). Engenharia Sanitária e Ambiental, 21(2), 357-365. http://doi.org/10.1590/s1413-41522016141970es_ES
dc.description.referencesMann H.B. 1945. Nonparametric tests against trend. Econometrica, 13, 245-259. https://doi.org/10.2307/1907187es_ES
dc.description.referencesMarchionni, D.S., Cavayas, F. 2014. La Teledetección por Radar como fuente de Información Litológica Y Estructural. Análisis Espacial de Imágenes SAR de Radarsat-1, GEOACTA, 39(1), 62-89.es_ES
dc.description.referencesMartínez, J. 2005. Percepción Remota "Fundamentos de Teledetección Espacial". Comisión Nacional del Agua, CNA. México.es_ES
dc.description.referencesMartínez, M., Martínez, M.E., Martínez, E., Renza, D. 2017. Detection of Changes in Natural Aquifer Reservoirs based on the Index of Drought. IEEE Latin America Transactions, 15(11), 2059-2063. https://doi.org/10.1109/TLA.2017.8070408es_ES
dc.description.referencesMcFeeter, S.K. 1996. The use of the normalized difference water index (NDWI) in the delineation of open water features. International Journal of Remote Sensing, 17, 1425-1432. https://doi.org/10.1080/01431169608948714es_ES
dc.description.referencesMorejón, M., Vega, M., Escarré, A., Gómez, R., Febles, J.M. 2010. Clasificación de la vegetación en los sectores superiores de cuencas de la región occidental de Pinar del Rio utilizando la teledetección. Ciencias de la Tierra y el Espacio, 11, 60-68.es_ES
dc.description.referencesMulligan, M., van Soesbergen, A., Sáenz, L. 2020. GOODD, a global dataset of more than 38000 georeferenced dams. Scientific Data, 7, 31. https://doi.org/10.1038/s41597-020-0362-5es_ES
dc.description.referencesMuro, J., Strauch, A., Fitoka, E., Tompoulidou, M., Thonfeld, F. 2019. Mapping wetland dynamics with SAR-based change detection in the cloud. Geoscience and Remote Sensing Letters IEEE, 1-4. https://doi.org/10.1109/LGRS.2019.2903596es_ES
dc.description.referencesMuro, J., Varea, A., Strauch, A., Guelmami, A., Fitoka, E., Thonfeld, F. 2020. Multitemporal optical and radar metrics for wetland mapping at national level in Albania. Heliyon, 6(8), e04496. https://doi.org/10.1016/j.heliyon.2020.e04496es_ES
dc.description.referencesNaba Sayl, K., Muhammad, N.S., El-Shafie, A. 2017. Optimization of area-volume-elevation curve using GIS-SRTM method for rainwater harvesting in arid areas. Environmental Earth Sciences, 76, 368. https://doi.org/10.1007/s12665-017-6699-1es_ES
dc.description.referencesNandi, D., Chowdhury, R., Mohapatra, J., Mohanta, K., Ray, D. 2018. Automatic Delineation of Water Bodies Using Multiple Spectral Indices. International Journal of Scientific Research in Science, Engineering and Technology, 4(4), 498-512.es_ES
dc.description.referencesNhat Quang, D., Khanh, L.N., Tam, H.S., Trung Viet, N. 2021. Remote sensing applications for reservoir water level monitoring, sustainable water surface management, and environmental risks in Quang Nam province, Vietnam. Journal of Water and Climate Change, 12(7), 3045. https://doi.org/10.2166/wcc.2021.347es_ES
dc.description.referencesPark, J.W., Korosov, A., Babiker, M., Sandven, S., Won, J.S. 2018. Efficient Thermal Noise Removal for Sentinel -1 TOPSAR Cross-Polarization Channel. IEEE Transactions on Geoscience and Remote Sensing, 56(3), 24-41. https://doi.org/10.1109/TGRS.2017.2765248es_ES
dc.description.referencesPohlert,T. 2016. Non-parametric Trend Tests and Change-Point Detection. CC BY-ND, 4.es_ES
dc.description.referencesPonvert-Delisles, B. 2016. Algunas consideraciones sobre el comportamiento de la sequía agrícola en la agricultura de Cuba y el uso de imágenes por satélites en su evaluación. Revista Cultivos Tropicales, 37(3), 22-41.es_ES
dc.description.referencesPolo, P.L. 2004. Aplicaciones de imágenes de radar, en la generación de información para la mitigación de riesgos naturales. Dialogo Andino, 23, 36-43.es_ES
dc.description.referencesRodrigues, L.N., Sano, E.E., Steenhuis, T.S., Passo, D.P. 2012. Estimation of small reservoir storage capacities with remote sensing in the Brazilian Savannah region. Water Resources Management, 26, 873-882. https://doi.org/10.1007/s11269-011-9941-8es_ES
dc.description.referencesRouse, J.W., Haas, R.H., Schell, J.A., Deering, D.W. 1973. Monitoring Vegetation Systems in the Great Plains with ERTS (Earth Resources Technology Satellite). In Proceedings of Third Earth Resources Technology Satellite Symposium, Greenbelt, ON, Canada, 10-14 December 1973; Volume SP-351, pp. 309-317.es_ES
dc.description.referencesSchwatke, C., Scherer, D., Dettmering, D. 2019. Automated Extraction of Consistent Time-Variable Water Surfaces of Lakes and Reservoirs Based on Landsat and Sentinel-2. Remote Sensing, 11, 1010. https://doi.org/10.3390/rs11091010es_ES
dc.description.referencesSuleiman, Y.M. 2014. The role of rain variability in reservoir storage management at Shiroro Hydropower Dam, Nigeria. AFRREV STECH. An International Journal of Science and Technology, 3(2), 18-30. https://doi.org/10.4314/stech.v3i2.2es_ES
dc.description.referencesValero, A., Matos-Pupo, F., Hernández, S. 2021. Uso de Dashboard y SIG en servicios climáticos de Ciego de Ávila: Nueva propuesta metodológica. Universidad&Ciencia, 10(2), 196-211.es_ES
dc.description.referencesVan Bemmelen, C.W.T., Mann, M., De Ridder, M.P., Rutten, M.M., Van De Giesen, N.C. 2016. Determining water reservoir characteristics with global elevation data. Geophysical Research Letters, 43(21), 11-278. https://doi.org/10.1002/2016GL069816es_ES
dc.description.referencesVan Den Hoek, J., Getirana, A., Chul Jung, H., Modurodoluwa A., Okeowo, M., Hyongki L. 2019. Monitoring Reservoir Drought Dynamics with Landsat and Radar/Lidar Altimetry Time Series in Persistently Cloudy Eastern Brazil. Remote Sensing, 11, 827. https://doi.org/10.3390/rs11070827es_ES
dc.description.referencesXu, H. 2006 Modification of normalized difference water index (NDWI) to enhance open water features in remotely sensed imagery. International Journal of Remote Sensing, 27, 3025-3033. https://doi.org/10.1080/01431160600589179es_ES
dc.description.referencesWang, X., Yan, Ch. Song, L., Chen, X., Xie, H., Liu, L. 2013. Analysis of lengths, water areas and volumes of the Three Gorges Reservoir at different water levels using Landsat images and SRTM DEM data. Quaternary International, 304, 115-125. https://doi.org/10.1016/j.quaint.2013.03.041es_ES
dc.description.referencesWilson, E.H., Sader, S.A. 2002. Detection of forest harvest type using multiple dates of Landsat TM imagery. Remote Sensing Environment, 80, 385-396. https://doi.org/10.1016/S0034-4257(01)00318-2es_ES
dc.description.referenceshttps://doi.org/10.1016/S0034-4257(01)00318-2es_ES
dc.description.upvformatpfin87es_ES
dc.description.upvformatpinicio71es_ES
dc.identifier.doi10.4995/raet.2022.17770
dc.identifier.eissn1988-8740
dc.identifier.issn1133-0953
dc.identifier.urihttps://riunet.upv.es/handle/10251/185314
dc.languageIngléses_ES
dc.publisherUniversitat Politècnica de Valènciaes_ES
dc.relation.ispartofRevista de Teledetecciónes_ES
dc.relation.pasarelaOJS\17770es_ES
dc.relation.publisherversionhttps://doi.org/10.4995/raet.2022.17770es_ES
dc.relation.references10.1016/j.ecolind.2012.04.008es_ES
dc.relation.references10.7818/ECOS.1885es_ES
dc.relation.references10.4136/ambi-agua.2584es_ES
dc.relation.references10.5194/hess-13-2413-2009es_ES
dc.relation.references10.1117/1.JRS.6.063609es_ES
dc.relation.references10.1371/journal.pone.0211202es_ES
dc.relation.references10.14295/holos.v20i1.12370es_ES
dc.relation.references10.3390/w11040780es_ES
dc.relation.references10.1029/2006GL026047es_ES
dc.relation.references10.1080/01431161.2018.1538584es_ES
dc.relation.references10.1002/hyp.6401es_ES
dc.relation.references10.5194/hess-2016-352es_ES
dc.relation.references10.1109/TPAMI.1980.4766994es_ES
dc.relation.references10.1016/S0146-664X(81)80018-4es_ES
dc.relation.references10.1016/S0146-664X(81)80005-6es_ES
dc.relation.references10.1016/j.jhydrol.2004.03.028es_ES
dc.relation.references10.1590/1807-1929/agriambi.v18nsupps13-s19es_ES
dc.relation.references10.1590/s1413-41522016141970es_ES
dc.relation.references10.2307/1907187es_ES
dc.relation.references10.1109/TLA.2017.8070408es_ES
dc.relation.references10.1080/01431169608948714es_ES
dc.relation.references10.1038/s41597-020-0362-5es_ES
dc.relation.references10.1109/LGRS.2019.2903596es_ES
dc.relation.references10.1016/j.heliyon.2020.e04496es_ES
dc.relation.references10.1007/s12665-017-6699-1es_ES
dc.relation.references10.2166/wcc.2021.347es_ES
dc.relation.references10.1109/TGRS.2017.2765248es_ES
dc.relation.references10.1007/s11269-011-9941-8es_ES
dc.relation.references10.3390/rs11091010es_ES
dc.relation.references10.4314/stech.v3i2.2es_ES
dc.relation.references10.1002/2016GL069816es_ES
dc.relation.references10.3390/rs11070827es_ES
dc.relation.references10.1080/01431160600589179es_ES
dc.relation.references10.1016/j.quaint.2013.03.041es_ES
dc.relation.references10.1016/S0034-4257(01)00318-2es_ES
dc.rightsReconocimiento - No comercial - Compartir igual (by-nc-sa)es_ES
dc.rights.accessRightsAbiertoes_ES
dc.subjectWateres_ES
dc.subjectReservoires_ES
dc.subjectRemote sensinges_ES
dc.subjectManagementes_ES
dc.subjectCubaes_ES
dc.subjectAguaes_ES
dc.subjectReservorioes_ES
dc.subjectSensores remotoses_ES
dc.subjectManejoes_ES
dc.titleWater area and volume calculation of two reservoirs in Central Cuba using Remote Sensing Methods. A new perspectivees_ES
dc.title.alternativeCálculo del área y volumen de agua de dos reservorios de Cuba Central usando métodos de sensores remotos. Una nueva perspectivaes_ES
dc.typeArtículoes_ES
dc.type.versioninfo:eu-repo/semantics/publishedVersiones_ES
dspace.entity.typePublication
upv.uuidc4d44fcb-be57-4a9b-ace0-4d9cb0a0cb99es_ES

Archivos

Bloque original

Mostrando 1 - 1 de 1
Cargando...
Miniatura
Nombre:
Valero-JorgeGonzalez-DeAlcantara-Martin - Water area and volume calculation of two reservoirs in ....pdf
Tamaño:
4.88 MB
Formato:
Adobe Portable Document Format
Descripción:
Versión editorial