PARENT SESSION
Poster Session 1 / Sesion Carteles 1: Production Systems / Sistemas de Produccion
Tuesday, January 10 / Martes, 10 de Enero, 6:00 - 7:30 pm, Salon Yucatan, Lobby Level, Fiesta Americana

Mathematical tools for the assessment of freshwater ecosystems productivity in Argentina's pampas.

Canziani, Graciela^*,1, Ferrati, Rosana¹, Vargas Russo, Manuel¹, Saavedra, Pablo¹, Dukatz, Federico¹, Grosman, Fabian¹, Sanzano, Pablo¹, Diaz, Oscar¹, ¹ Universidad Nacional del Centro, Tandil, Buenos Aires, Argentina

ABSTRACT- Some 2,000,000 ha. of pampean plains are covered by water, distributed in 2000 permanent shallow lakes. The purpose of this work is to analyze the structure and functioning of regional lentic ecosystems through the development of new tools for the observation, modeling, and monitoring of their productive aptitude based on the integration of field data and remote sensor data for a spatio-temporal analysis. The steps are: (a) to quantify physical and chemical parameters and biological variables that condition the state and aptitude of shallow lakes and their surroundings; (b) to acquire knowledge on the structure and functional dynamics of freshwater ecosystems under study, and on sociocultural and economic variables that have an impact on them; (c) to build appropriate mathematical models and to develop indicators that link remote sensor and field data for the generation of theme maps that allow spatio-temporal analysis. Since November 2004, data obtained from 22 field trips and 32 LANDSAT 5 and 7 images, -processed to extract information on area and spectral signature on each shallow lake after radiometric corrections that allow comparison of states-, is being loaded in a data base. Data were used to feed two models for state classification into three types (clear, green and brown): one uses projection into bands 1 and 4, the other is an Artificial Neural Network (ANN). A second ANN model, whose input are shallow lake area and the processed images bands, gives as output Chla and suspended solids concentrations. The predictive capability of this ANN trained with 22 input-output vectors is very satisfactory. Anyhow, this method's stability requires a higher number of vectors to train the ANN correctly and to allow backward prediction with earlier images, and forward on-line prediction of the trophic state of each shallow lake. Since primary production and turbidity condition the trophic chain, this tool coupled to mathematical models will allow to determine each fishery's potential. Taking into account the relationship between fishery's productivity and the effect of agricultural activities in the watershed, the models will permit the analysis of possible management scenarios.

SPANISH ABSTRACT- Unas 2.000.000 ha. de llanura pampeana estan bajo agua, distribuidas en 2000 lagunas permanentes. El proposito del trabajo es analizar la estructura y funcionamiento de los sistemas lenticos regionales desarrollando herramientas novedosas de observacion, modelizacion y monitoreo de su aptitud productiva basadas en la integracion de datos de campo y de sensores remotos en un analisis temporal y espacial. Los pasos seguidos son (a) cuantificar parametros fisicos, quimicos y variables biologicas que condicionan el estado y aptitud de las lagunas y su entorno; (b) adquirir conocimiento de estructura y dinamica funcional de los ecosistemas acuaticos bajo estudio, y de variables socioculturales y economicas que impacten sobre las mismas; (c) construir modelos matematicos adecuados y desarrollar indicadores que vinculen la informacion satelital con el trabajo de campo generando mapas tematicos para estudiar espacialmente la informacion obtenida. A partir de Noviembre de 2004, se estan volcando en una base de datos los de 24 campañas y de 32 imagenes LANDSAT 5 y 7 procesadas extrayendo informacion sobre superficie y firma espectral de cada laguna, previa correccion radiometrica para permitir la comparacion de estados. Con estos datos se alimentaron dos modelos de clasificacion de estados en tres tipos (claras, verdes y marrones), uno utilizando proyeccion sobre bandas 1 y 4 y otro una Red Neuronal Artificial (RNA). Un segundo modelo RNA, cuyas entradas son la superficie de la laguna y las bandas de las imagenes procesadas, obtiene como salida las concentraciones de Chla y de solidos en suspension. La capacidad de prediccion de la RNA entrenada con 22 vectores de entrada-salida es muy satisfactoria. Aun así, la estabilidad del metodo requiere un mayor numero de vectores para educar correctamente la red y poder predecir extrapolando hacia atras en el tiempo con imagenes anteriores y hacia delante para tener informacion on-line del estado trofico de la laguna. La produccion primaria y la turbidez condicionan la cadena trofica, por lo cual esta herramienta sumada a modelos matematicos permitira determinar la potencialidad pesquera. Teniendo en cuenta la relacion entre la produccion pesquera y los efectos de las actividades agropecuarias en la cuenca, permitira analizar escenarios posibles de manejo.