Suite

3 : Fleuves - Géosciences


  • 3.1 : Présentation
    Les rivières sont les principales voies par lesquelles cet excès d'eau s'écoule vers l'océan. On pourrait aussi dire que les voies par lesquelles les produits de l'altération des continents sont transportés vers les océans. Les rivières présentent plusieurs caractéristiques fondamentales.
  • 3.2 : Hydrologie fluviale
    Cela comprenait la mesure du débit et des hydrogrammes
  • 3.3 : Hydraulique à canal ouvert
    Ce serait un bon endroit pour revenir en arrière et revoir le matériel sur les écoulements à ciel ouvert dans le chapitre 1. Rappelez-vous que dans les écoulements à ciel ouvert, la présence de la surface libre signifie que la géométrie de l'écoulement peut changer dans la direction de l'écoulement non seulement par étant contraint de le faire par la géométrie des frontières mais aussi par le comportement de l'écoulement lui-même.
  • 3.4 : L'énergie des rivières
    Le contenu de cette section est un peu moins grandiose que le titre ne le laisse supposer. Je voudrais présenter quelques idées de base sur l'énergétique des rivières, puis fournir un calcul pour montrer combien d'énergie est réellement dépensée par une grande rivière représentative.
  • 3.5 : La morphologie des rivières
    Je remettrai à plus tard une description des caractéristiques en plan de la rivière (c'est-à-dire ce que vous verriez depuis les airs, au-dessus de la rivière).
  • 3.6 : Classification des rivières
    Les rivières sont variées de tant de manières que vous devriez vous attendre à une classification complexe.
  • 3.7 : Variables impliquées dans les rivières
    Pensez aux variables qui décrivent les caractéristiques et le comportement des rivières. Ceux-ci entrent dans les grandes catégories d'écoulement, de sédiments, de géométrie et autres.
  • 3.8 : Transport des sédiments fluviaux
    Cette section est un bref compte rendu de la nature du transport des sédiments dans les rivières.
  • 3.9 : Morphologie et dynamique des cours d'eau sinueux
    Les deux schémas de plan les plus caractéristiques des rivières sont sinueux et tressés. Tout d'abord, gardez à l'esprit que les tendances au méandre et au tressage sont complémentaires plutôt qu'exclusives, en ce sens que de nombreux cours d'eau présentent des éléments des deux en même temps et dans le même tronçon.
  • 3.10 : Réseaux de drainage
    Le réseau de drainage d'un bassin versant est l'ensemble de tous les canaux d'un bassin versant donné : le cours d'eau principal, souvent appelé cours principal, et tous les affluents, ainsi que les affluents des affluents, etc.
  • 3.11 : Gisements fluviaux
    Les dépôts fluviaux sont une partie importante des archives sédimentaires anciennes. La raison n'est pas évidente ; après tout, les rivières drainent des zones des continents qui subissent l'érosion.
  • 3.12 : Inondations
    Voici une définition simple d'une crue fluviale : l'occurrence d'un débit d'une telle ampleur qu'il déborde les berges naturelles ou artificielles dans un tronçon de chenal fluvial. S'il existe une plaine inondable, voici une autre façon de définir une inondation : tout écoulement qui s'étend sur la plaine inondable.
  • 3.13 : Quelques aspects pratiques des rivières

Chapitre 3 : Section 2 - Rivières et bassins versants

Dans cette section, vous trouverez des documents qui soutiennent la mise en œuvre de EarthComm, Section 2 : Rivières et bassins versants.

Résultats d'apprentissage

  • Analyser les données sur une carte topographique locale pour expliquer les modèles de drainage des cours d'eau au sein de votre communauté.
  • Analyser les données sur des cartes régionales et des images satellites pour déterminer l'emplacement des bassins versants et des divisions dans votre région.
  • Obtenir l'information sur les interconnexions entre les systèmes de drainage.

En savoir plus

  1. Pour en savoir plus sur les problèmes de qualité de l'eau, visitez le site Web suivant :

Pollution de source diffuse, NOAA
Fournit un aperçu des sources de pollution diffuses et ponctuelles. Décrit les effets des sources de pollution sur les plans d'eau, tels que les ruisseaux et les rivières, et les écosystèmes.

Barrage Edwards, rivière Kennebec, Maine
Barrage Edwards et restauration Kennebec, Conseil des ressources naturelles du Maine

Barrage Quaker Neck, Neuse River, Caroline du Nord
Enlèvements du barrage de l'hôpital Quaker Neck et Cherry, Service américain de la pêche et de la faune

Barrage Kirkpatrick (également connu sous le nom de barrage Rodman), St. Johns River, Floride
Enlèvement du barrage Rodman, Tampa Bay Times

Barrage de Glen Canyon, fleuve Colorado, Arizona
Barrage de Glen Canyon - Foire aux questions, Département américain de l'Intérieur

Barrage de granit inférieur, Snake River, Idaho
Quartier Walla Walla, Corps d'ingénieurs de l'armée

Barrage Elwha et barrage Glines Canyon, rivière Elwha, Washington
Barrages Elwha et Glines Canyon, Rivière Elwha près de Port Angeles, Washington, National Park Service

    Pour en savoir plus sur les réseaux hydrographiques et le traitement des eaux usées, visitez les sites Web suivants :

Q&A sur l'eau : Utilisation de l'eau à la maison, USGS
Segment de questions et réponses qui explique comment l'eau entre et sort d'une communauté.

Système de traitement des eaux usées de la ville de New York, La ville de New York
Décrit le système de traitement des eaux usées de la ville de New York, y compris d'où vient l'eau et où elle va.

Ressources

Pour en savoir plus sur ce sujet, visitez les sites Web suivants :

Parties d'un système fluvial

L'eau de la Terre : les rivières et le paysage, USGS
Explique comment l'eau s'écoule dans les ruisseaux et les rivières et se combine pour créer un bassin versant.

Bassin du delta du fleuve Mississippi, Loi sur l'aménagement, la protection et la restauration des zones humides côtières
Le fleuve Mississippi est un exemple fantastique de la façon dont un delta peut changer au fil du temps. Explorez ce site pour découvrir comment le delta du fleuve Mississippi a changé au cours des temps géologiques.

Le drainage divise

Qu'est-ce qu'un bassin versant ?, NOAA
Définit un bassin versant et fournit une image qui montre les parties d'un bassin versant.

Surfez sur votre bassin versant, EPA
Identifiez le bassin versant dans lequel se trouve votre communauté et obtenez un profil environnemental de votre bassin versant.

Systèmes fluviaux et croissance communautaire

Les ruisseaux et rivières côtiers de Californie, Fondation californienne pour l'éducation sur l'eau
Décrit comment trouver votre bassin de drainage et fournit des exemples de moyens de maintenir la santé d'un bassin de drainage.


Notre calendrier d'événements, de courses et d'entraînements est régulièrement mis à jour pour vous tenir au courant des événements locaux. Pour un calendrier des événements régionaux de PNW, rendez-vous sur www.racecenter.com.

Randonnées d'entraînement Richland Sprint Tri

Les sorties d'entraînement pour le Righteous Richland Sprint Triathlon commencent le 5 juin et se déroulent tous les samedis de juin. &hellip

Nage en rivière en eau libre

Les baignades en rivière commencent le Memorial Day et se déroulent tout au long de l'été, de nombreux vendredis et samedis matins. Cocher&hellip

Les événements multisports reviennent en 2021 !

Nous ouvrirons tous nos événements multisports à l'inscription dans les prochains jours. Vérifiez le&hellip


Contexte d'utilisation

L'unité 3 est conçue pour fonctionner comme une journée d'enseignement dans une classe d'espagnol de niveau intermédiaire. Le matériel est particulièrement approprié pour un cours d'espagnol axé sur les études environnementales, les droits de l'homme, les problèmes contemporains, la conversation et/ou le changement global. Les étudiants n'ont besoin d'aucune connaissance préalable des concepts scientifiques. Le plan est pour un cours de 50 minutes, mais il peut être modifié pour s'adapter à différents horaires. Bien que les instructions ci-dessous incluent à la fois l'espagnol et l'anglais, la leçon est conçue pour se dérouler entièrement en espagnol. Les élèves devront se familiariser avec les concepts de justice environnementale et du cycle de l'eau avant cette leçon.


Ces auteurs ont contribué à parts égales : Lluís Gómez-Gener, Gerard Rocher-Ros.

Affiliations

Stream Biofilm and Ecosystem Research Laboratory, École d'architecture, de génie civil et environnemental, École Polytechnique Fédérale de Lausanne, Lausanne, Suisse

Lluís Gómez-Gener, Tom Battin, Åsa Horgby & Hannes Peter

Département d'écologie et des sciences de l'environnement, Université d'Umeå, Umeå, Suède

Gerard Rocher-Ros & Ryan A. Sponseller

École des ressources forestières et de la conservation, Université de Floride, Gainesville, Floride, États-Unis

Université de Cuiabá, Cuiabá, Brésil

Centre d'écologie et d'hydrologie, Bush Estate, Penicuik, Royaume-Uni

Département des sciences des systèmes environnementaux, ETH Zürich, Zürich, Suisse

Travis W. Drake et Johan Six

Institut de recherche pour l'environnement et les moyens de subsistance, Université Charles Darwin, Darwin, Territoire du Nord, Australie

Centre de recherche sur le biogaz et département d'études thématiques – Changement environnemental, Université de Linköping, Linköping, Suède

Programme post-universitaire en géosciences (géochimie environnementale), Institut de chimie, Université fédérale Fluminense, Niterói, Brésil

Alex Enrich-Prast & Fausto Machado-Silva

Institute for Resources, Environment and Sustainability, Université de la Colombie-Britannique, Vancouver, Colombie-Britannique, Canada

Mark S. Johnson et Mollie J. McDowell

Département des sciences de la Terre, de l'océan et de l'atmosphère, Université de la Colombie-Britannique, Vancouver, Colombie-Britannique, Canada

Mark S. Johnson et Mollie J. McDowell

École des ressources naturelles et de l'environnement, Université de Floride, Gainesville, Floride, États-Unis

Département des forêts et des ressources environnementales, North Carolina State University, Raleigh, Caroline du Nord, États-Unis

Département des ressources naturelles et de l'environnement, Université du New Hampshire, Durham, NH, États-Unis

Département d'écologie et de gestion forestières, Université suédoise des sciences agricoles, Umeå, Suède

Faculté des sciences biologiques et environnementales, Programme de recherche sur les écosystèmes et l'environnement, Université d'Helsinki, Helsinki, Finlande

Département des sciences environnementales et biologiques, Université de Finlande orientale, Kuopio, Finlande

Département de géographie, Université de Hong Kong, Pokfulam, Hong Kong

Département de géographie, Université de Caroline du Nord à Chapel Hill, Chapel Hill, Caroline du Nord, États-Unis

Département des sciences marines, Université de Göteborg, Göteborg, Suède

Centre de limnologie, Université du Wisconsin-Madison, Madison, WI, États-Unis

Département des sciences aquatiques et de l'évaluation, Université suédoise des sciences agricoles, Uppsala, Suède

National Marine Science Centre, Southern Cross University, Coffs Harbour, Nouvelle-Galles du Sud, Australie

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Contributions

L.G.-G., G.R.-R. et R.A.S ont conçu l'étude et rédigé l'article avec la contribution de M.J.C. L.G.-G. et G.R.-R. compilé, traité et analysé les données. .H. fourni des estimations de télédétection. Tous les auteurs ont contribué avec des données et ont commenté les versions antérieures de ce manuscrit.

Auteurs correspondants


Il existe de nombreux facteurs, tels que l'identification de la source, [1] l'identification ou la définition de l'embouchure, et l'échelle de mesure [2] de la longueur de la rivière entre la source et l'embouchure, qui déterminent le sens précis de « rivière longueur". En conséquence, les mesures de longueur de nombreux cours d'eau ne sont que des approximations (voir aussi le paradoxe du littoral). En particulier, il semble exister un désaccord quant à savoir si le Nil [3] ou l'Amazone [4] est le plus long fleuve du monde. Le Nil a traditionnellement été considéré comme plus long, mais en 2007 et 2008, certains scientifiques ont affirmé que l'Amazone est plus longue [5] [6] [7] en mesurant la rivière plus l'estuaire du Pará adjacent et le plus long canal de marée de connexion. [8] Un article à comité de lecture publié en 2009 dans le Revue internationale de la Terre numérique conclut que le Nil est plus long. [9]

Même lorsque des cartes détaillées sont disponibles, la mesure de la longueur n'est pas toujours claire. Une rivière peut avoir plusieurs canaux, ou anabranches. La longueur peut dépendre de si le centre ou le bord de la rivière est mesuré. Il peut ne pas être clair comment mesurer la longueur à travers un lac ou un réservoir. Les changements saisonniers et annuels peuvent modifier à la fois les rivières et les lacs. D'autres facteurs peuvent modifier la longueur d'une rivière, notamment les cycles d'érosion et d'inondation, les barrages, les digues et la canalisation. De plus, la longueur des méandres peut changer considérablement au fil du temps en raison de coupures naturelles ou artificielles, lorsqu'un nouveau canal traverse une étroite bande de terre, contournant un grand coude de rivière. Par exemple, en raison de 18 coupures créées entre 1766 et 1885, la longueur du fleuve Mississippi du Caire, en Illinois, à la Nouvelle-Orléans, en Louisiane, a été réduite de 351 kilomètres (218 milles). [dix]

Ces points rendent difficile, voire impossible, d'obtenir une mesure précise de la longueur d'une rivière. L'exactitude et la précision variables rendent également difficile la comparaison de longueurs entre différentes rivières sans un certain degré d'incertitude.

Il faut tenir compte de la discussion susmentionnée lors de l'utilisation des données du tableau suivant. Pour la plupart des rivières, différentes sources fournissent des informations contradictoires sur la longueur d'un système fluvial. Les informations des différentes sources sont entre parenthèses.


Terre

En ce qui concerne la zone d'intérêt de la Terre, nous étudions les Terres procédés, matériaux et histoire. Les processus terrestres comprennent l'étude des tremblements de terre ou des mouvements de failles actifs. Les matériaux terrestres comprennent l'emplacement des ressources pétrolières et gazières ou des gisements de minerai et l'étude des minéraux qui construisent la terre solide. L'étude de l'histoire de la Terre se concentre sur l'étude des environnements sur Terre et comment ils ont changé à travers le temps. Nos recherches s'étendent sur d'immenses échelles temporelles et spatiales. Notre faculté utilise une variété d'outils pour répondre à ces questions, allant des études orientées sur le terrain à l'analyse en laboratoire et aux méthodes numériques.

Les professeurs de la zone d'intérêt pour la Terre profitent de notre superbe emplacement à Missoula, une ville du nord des Rocheuses qui se trouve au centre de cinq vallées où convergent trois grandes rivières. Le travail sur le terrain est une composante importante de la plupart de nos programmes de recherche. Notre recherche peut impliquer la cartographie d'unités rocheuses, de failles et d'autres caractéristiques géologiques. Certains géoscientifiques sont impliqués dans la surveillance de phénomènes terrestres tels que les tremblements de terre et utilisent des équipements sophistiqués pour mesurer les mouvements des plaques actives.

Bien que le travail d'un géoscientifique commence souvent à l'extérieur par des observations détaillées, ces données sont ensuite compilées, par exemple, dans une carte géologique montrant la distribution et les relations entre les différents types de roches, sédiments et âges. Ces observations primaires peuvent ensuite être complétées par des investigations en laboratoire ou informatiques. Cela comprend l'utilisation de techniques microscopiques modernes, d'analyses géochimiques, de datation radiométrique et de techniques avancées de modélisation et de visualisation informatiques.

Le département de géosciences de l'Université du Montana compte un groupe diversifié de professeurs reconnus aux niveaux national et international pour leurs recherches. Notre faculté maintient une collaboration active avec d'autres départements de l'UM et d'autres institutions de recherche à travers le pays et dans le monde. Les professeurs ont des programmes de recherche actifs et bien financés.

Notre département abrite également un certain nombre d'installations de recherche formelles avec une gamme de fonctions.


Bienvenue au parc d'État des Trois Rivières

Là où la Floride rencontre le coin sud-ouest de la Géorgie, les rivières Chattahoochee et Flint convergent pour former le lac Seminole, le cadre de ce parc paisible.

En parcourant le paysage, les visiteurs peuvent apercevoir des écureuils renards, des cerfs de Virginie, des renards gris ou de nombreuses espèces d'oiseaux indigènes et migrateurs. Les campeurs peuvent se lancer à partir d'une rampe de mise à l'eau pour profiter de l'une des meilleures pêches en eau douce de l'État ou pêcher depuis une jetée de 100 pieds dans la zone de camping. Une aire de pique-nique pittoresque avec des tables et des grillades surplombe le lac.

Pour les visiteurs qui passent la nuit, un chalet rustique et des terrains de camping complets (pas de station de vidange de raccordement aux égouts seulement) sont disponibles près du lac.


Introduction

L'endroit est appelé Three Rivers parce que Indian Creek, Golondrina (« Swallow ») Creek et Three Rivers se rejoignent près du site (McLemore, 2002). Les Amérindiens occupaient à l'origine le site il y a environ 10 000 ans. Les descendants des premiers occupants étaient les Indiens Jornada Mogollon, qui habitaient la région de 900 à 1400 après JC. Les Indiens Jornada Mogollon ont sculpté un nombre remarquable (>21 000) de pétroglyphes (Figure 2) dans le vernis du désert sur les surfaces altérées lisses et arrondies des roches basaltiques de cette région entre 900 et 1200 après JC (Weber, 1964, McLemore, 2002 ). Le vernis du désert est une fine couche d'oxyde de manganèse, d'oxyde de fer et d'argile déposée par des bactéries vivant à la surface de la roche.

Figure 2 &ndash Exemples de quelques pétroglyphes des Trois Rivières.


MATÉRIELS ET MÉTHODES

Formulation du modèle

La probabilite P(E) pour les déchets plastiques, rejetés à terre, devant être rejetés dans l'océan est construit à partir de la probabilité d'intersection de trois événements : M (mobilisation à terre), R (transport de la terre à une rivière), et O (transport du fleuve à l'océan) P ( E ) = P ( M ∩ R ∩ O ) = P ( M ) × P ( R ) × P ( O ) (1)

Pour chaque cellule de grille de 3 × 3 arcs sec, la quantité de déchets plastiques s'échappant dans l'océan est donc calculée en multipliant la probabilité P(E) avec la quantité totale de masse MPW générée (kg an −1 ) dans la cellule. L'émission annuelle totale ME de plastique dans l'océan à partir d'une rivière est ensuite calculé en accumulant ce produit pour tous m mailles contenues dans le bassin hydrographique M E = ∑ n MPW × P ( E ) (2)

De la même manière que les sédiments (31) et des débris (32), les déchets plastiques peuvent être mobilisés lors d'épisodes pluvieux (33) où le ruissellement de surface s'accumule et entraîne les déchets plastiques sur la surface. Des épisodes de pluie plus importants peuvent déclencher un transport dynamique de déchets plastiques. La quantité de ruissellement, qui est une fraction des précipitations, peut varier en fonction de l'utilisation des terres, des caractéristiques de l'événement pluvieux, de la variabilité temporelle des précipitations et de sa répartition au cours de l'année. Ces variations peuvent avoir un impact important sur le ruissellement et donc sur le transport du plastique déclenché par les précipitations. La relation entre le ruissellement et le transport du plastique, y compris les seuils hydrologiques, peut être différente selon les caractéristiques du bassin hydrographique. Dans cette étude, nous nous concentrons sur la variabilité spatiale et la différenciation. Pour cette étude, nous supposons que les données annuelles sur les vents et les précipitations sont une bonne approximation de la probabilité de transport et de mobilisation. L'analyse des précipitations mondiales suggère que les zones où les précipitations annuelles totales sont plus élevées connaissent également des précipitations plus fréquentes et34). Dans les zones avec peu ou pas de précipitations, le vent peut encore mobiliser et transporter des déchets plastiques jonchés sur terre, en particulier des décharges à ciel ouvert (35). Des études antérieures ont rapporté des corrélations positives entre le vent et les précipitations avec des observations plastiques fluviales (28). Si le plastique mobilisé par le vent atteint une rivière, un drain ou un ruisseau, la dynamique de l'écoulement transportera davantage le plastique en aval. Nous n'incluons pas de composante directionnelle pour le vent dans notre approche. Pour cette étude globale, nous visons à différencier les régions avec peu ou beaucoup de précipitations et de vent et approximons les mécanismes complexes de mobilisation plastique que nous faisons en supposant une relation linéaire entre les précipitations totales annuelles et la vitesse moyenne du vent et leur probabilité de mobilisation correspondante. Ces relations sont décrites dans le tableau S9. Dans notre cadre, nous considérons que les déchets plastiques peuvent être mobilisés à la fois par des événements de précipitations et de vent. Ainsi, la probabilité de mobilisation P(M) peut être formulé à partir de la probabilité d'union d'un événement de précipitation P et événement de vent W P ( M ) = P ( P W ) = P ( P ) + P ( W ) (3)

Les probabilités de mobilisation par les précipitations et le vent varient linéairement de 0 % (respectivement pas de pluie ou pas de vent) à 100 % correspondant à un seuil supérieur (voir tableau S9). Pour la probabilité de mobilisation par le vent, on considère la vitesse moyenne mensuelle maximale du vent (m s −1 ). Le seuil supérieur de mobilisation totale a été fixé à 32,7 m s -1 , ce qui équivaut à Beaufort 12 (c'est-à-dire qu'en conditions cycloniques, 100 % des déchets jonchés sont mobilisés). Le seuil supérieur de probabilité de mobilisation par la pluie a été déterminé lors de l'exercice de calibration du modèle présenté plus loin dans Calibration du modèle, en considérant les précipitations annuelles. Les données pour la vitesse moyenne mensuelle du vent et les précipitations annuelles proviennent d'ensembles de données mondiaux de 30 secondes d'arc distribués par WorldClim2 (29).

Pour la fraction mobilisée des déchets plastiques, nous calculons la probabilité d'atteindre la rivière la plus proche. Le réseau fluvial de notre modèle contient le débit moyen annuel (m 3 s −1 ) sur une résolution spatiale de 3 × 3 arc sec et a été calculé en cumulant le ruissellement annuel moyen de 0,5° × 0,5° entre 2005 et 2014 (mm an −1 ) (36) par une grille de direction d'écoulement presque globale (37). Les alvéoles dont le débit est supérieur à 0,1 m 3 s −1 sont considérées comme des rivières (38). La distance de descente la plus courte Terre (km) de chaque cellule de la grille à l'emplacement le plus proche dans le réseau fluvial est calculé sur la base des données de direction d'écoulement. Le résultat de cette étape de calcul est une grille de 3 × 3 secondes d'arc contenant la distance jusqu'à la rivière la plus proche.

La probabilité de mobilisation et la distance de déplacement jusqu'à la rivière la plus proche sont désormais déterminées, mais la probabilité d'atteindre une rivière dépend aussi du type de paysage entre le lieu de mobilisation et la rivière la plus proche. L'objectif ici est d'apprécier les différences entre, par exemple, les zones plates et montagneuses ou les zones rurales et urbaines. De la même manière que la formule de Chezy (39) et la méthode rationnelle (40) en hydrologie, nous introduisons un coefficient de « rugosité » basé sur la classification de l'occupation du sol et la pente du terrain pour approcher les mécanismes complexes du transport terrestre des déchets plastiques. Ici, la rugosité d'une cellule est définie comme la probabilité de transport vers la cellule de pente descendante la plus proche. Les cellules plus rugueuses ont une probabilité de transport plus faible, tandis que les cellules plus lisses ont une probabilité de transport plus élevée. Par exemple, les déchets plastiques seront plus susceptibles d'être transportés par le vent ou la pluie sur une surface pavée que dans une végétation dense (33, 41). Des observations de matières plastiques plus élevées sont signalées près des sorties des eaux pluviales, associées à l'utilisation des terres urbanisées, tandis que les zones plus éloignées des infrastructures ont des concentrations de déchets plastiques signalées plus faibles (41). Les zones végétalisées, telles que les forêts, offrent plus d'abris et d'enchevêtrement que les zones nues, réduisant la probabilité de transport et de mobilisation par le vent. Les différences de rugosité au sein d'une classe d'utilisation des terres, y compris les composantes directionnelles, peuvent avoir un impact substantiel à l'échelle locale, mais ne sont pas incluses dans la résolution spatiale globale des données d'utilisation des terres utilisées dans cette étude. De plus, la pente moyenne du terrain (%) est connue pour augmenter les taux d'érosion et le transport de sédiments sur la terre (42). Par conséquent, la probabilité de transport vers une rivière augmentera naturellement avec la pente du terrain. Les données sur l'utilisation des terres proviennent de la classification 30 × 30–arc sec distribuée par GLC2000 (43) et contient 23 classes d'utilisation des terres différentes (tableau S10), allant du couvert arboré, des terres arbustives et des zones cultivées aux zones artificielles et urbaines. La pente du terrain a été calculée à partir du modèle d'élévation numérique 3 × 3 arc sec fourni par HydroSHEDS (37).

Nous dérivons la rugosité de chaque cellule à partir de l'utilisation des terres et de la pente du terrain et calculons la probabilité moyenne de la cellule de grille émettrice initiale à la cellule de rivière la plus proche, selon les équations du tableau S9. Comme la rugosité est cumulée sur le chemin descendant, la probabilité résultante d'atteindre une rivière diminue de façon exponentielle avec la distance à la rivière Terre. La probabilité de transport vers une rivière est formulée comme suit P ( R ) = ( ∑ i = 1 n ν i × ( ε × s i + τ ) n ) D Terre (4) où νje est la probabilité que le plastique soit transporté vers la cellule de grille suivante associée à l'utilisation des terres (voir la classification dans le tableau S10) de la cellule de grille je, sje est le pourcentage de pente de la cellule je, ε est le coefficient qui détermine la probabilité croissante avec une pente croissante, τ est la probabilité seuil minimale pour les zones où la pente est nulle (tableau S9), et m est le nombre de cellules depuis l'origine jusqu'à la cellule de rivière la plus proche.

Par analogie au transport des feuilles (44) et des débris de bois (45) par les rivières, la probabilité dans notre modèle pour le plastique introduit dans les rivières d'atteindre l'océan augmente avec le débit de la rivière et diminue avec la distance à l'océan. Rivières avec un Strahler plus élevé (46) l'ordre des cours d'eau (SO) a une plus grande section transversale (47) et donc, en moyenne, moins de frottements (39), diminuant la probabilité que le macroplastique flottant soit intercepté. Par conséquent, pour chaque maille de la rivière, nous calculons la distance fleuve à l'océan, l'ordre des ruisseaux Strahler et le débit annuel de la rivière (m 3 s −1 ). La probabilité de transport dans l'océan est calculée comme suit P ( O ) = ( ∑ i = 1 n ( θ × SO ι + ι ) × ( κ × Q i + μ ) n ) D River (5) où θje est la probabilité liée à l'ordre du flux de Strahler pour la cellule je et est les rivières à seuil inférieur avec l'ordre des cours d'eau le plus bas. Qje est le débit de la rivière à la cellule je, κ et μ sont respectivement le coefficient de probabilité d'augmentation du débit et de probabilité de seuil inférieur (tableau S9), et m est le nombre de cellules du point d'entrée de la rivière à l'océan. Un exemple des différentes étapes menant au calcul de la probabilité d'émission P(E) est fourni dans la figure 5.

(UNE) Les bassins fluviaux Meycuayan et Tullahan et le réseau fluvial à Manille, aux Philippines. (B) La distance (km) à partir d'une cellule de grille de 3 × 3 arc sec jusqu'à la rivière la plus proche. (C) La distance (km) entre chaque maille de la grille et l'océan, à travers le réseau fluvial. () La probabilité qu'une cellule de la grille émette des déchets plastiques dans l'océan P(E), Éq. 1, pour une année donnée, allant de 0 à 5% pour les zones plus éloignées d'un fleuve jusqu'à 0,8% pour les zones proches d'un fleuve et proches de la côte.

Estimations basées sur l'observation

Nous avons calibré et validé le modèle d'émission de plastique fluvial à l'aide d'estimations basées sur l'observation. Nous avons utilisé trois types de données : (i) des observations visuelles de macroplastiques flottants de notre propre collection, (ii) des ensembles de données publiés d'observations visuelles de macroplastiques flottants et (iii) un ensemble de données publié de débris plastiques flottants collectés. Les observations visuelles ont été faites selon la méthode développée pour le suivi et la modélisation des charges environnementales des macro-déchets flottants fluviaux et marins. Pour cette méthode, les observations sont effectuées à partir de ponts près des embouchures des rivières. Lors de chaque mesure, tous les objets en plastique flottants sont comptés pendant une certaine durée. Les données sont normalisées dans le temps en exprimant les données en éléments en plastique flottants par heure (éléments heure –1 ). En général, la taille minimale des objets observés est de 0,5 cm et les objets sont visibles dans les 10 cm supérieurs de la colonne d'eau. Nous avons collecté 136 points de données dans 67 rivières de 14 pays. Les données collectées et publiées avant mars 2019 ont été utilisées pour le calibrage, et les données publiées après mars 2019 ont été utilisées pour valider le modèle. Par conséquent, nous avons utilisé 52 points de données pour le calibrage et 84 points de données pour la validation du modèle. Les observations de terrain publiées utilisées à la fois pour l'étalonnage et la validation ont été mesurées dans des rivières qui ont des caractéristiques mutuellement différentes concernant la superficie totale du bassin, l'utilisation moyenne des terres, les précipitations et la production de MPW (tableaux S6 et S7) et ont été collectées sur trois continents différents (fig. S4 ). Les statistiques sur les caractéristiques (minimum, médiane, maximum, premier quartile et troisième quartile) de l'ensemble de données d'observation complet, de l'ensemble de données d'étalonnage et de l'ensemble de données de validation sont répertoriées dans le tableau S11. Ce tableau montre que les ensembles de données d'étalonnage et de validation ont des statistiques comparables à l'ensemble de données total. Nous considérons que les données utilisées à la fois pour l'étalonnage et la validation sont représentatives car elles sont collectées dans différents types de rivières et de zones géographiques, tandis que les ensembles de données totaux ont des statistiques similaires. Nous utilisons l'heure de publication comme critère pour inclure les données dans l'étalonnage ou la validation. Un aperçu des données observationnelles utilisées dans cette étude est présenté dans le tableau S1 (étalonnage) et le tableau S2 (validation) (4853).

Nous avons utilisé une approche en trois étapes pour estimer le transport de masse plastique total à partir des observations de plastique flottant. Dans la première étape, le flux d'articles en plastique p (articles/heure) est converti d'articles/heure en flux massique en utilisant la masse moyenne par article c (kg par article). Pour chaque rivière, nous avons soit utilisé la masse moyenne par élément basée sur les données disponibles, soit utilisé une estimation inférieure et supérieure basée sur la fourchette disponible dans la littérature (0,002 à 0,019 kg par élément). Deuxièmement, nous avons estimé le flux massique plastique dans les 1,5 m supérieurs de la colonne d'eau en utilisant la fraction flottante. Pour cette fraction, nous avons soit utilisé la valeur des observations sur le terrain, soit utilisé une estimation inférieure et supérieure basée sur l'aire de répartition mondiale disponible (0,6 à 0,95%). Enfin, nous avons estimé le transport massique total sur l'ensemble de la colonne d'eau en utilisant la fraction de transport dans les 1,5 m supérieurs. Ici, une plage a été utilisée avec des valeurs inférieures et supérieures de 66 et 79% sur la base de mesures dans le Danube (20). Chaque étape a été réalisée à l'aide d'une plage de valeurs, produisant une estimation inférieure et supérieure basée sur l'observation. Nous avons utilisé la valeur médiane pour l'étalonnage et la validation du modèle et nous avons utilisé la plage pour quantifier l'incertitude. Notez que pour les données déjà exprimées en transport de masse (par exemple, Jones Falls et rivières japonaises), la première étape a été omise. Les données ont été recueillies à l'aide de mesures de comptage visuel de déchets macroplastiques flottants provenant de ponts (18, 26). Ceci a été converti en flux de masse (MT an −1 ) en utilisant l'équation suivante M obs = p × m p × c (6)

Avec transport de plastique flottant observé p (éléments heure −1 ), mp masse moyenne par article en plastique (kg par article) et facteur de conversion c pour tenir compte des plastiques dans les couches plus profondes. Nous avons utilisé des estimations mensuelles et annuelles dans la comparaison avec les résultats du modèle. Variables mp et c ont été mesurés à chaque rivière par échantillonnage au filet au même endroit que les mesures de comptage visuel. Si ces mesures n'étaient pas disponibles, nous avons utilisé les valeurs moyennes mondiales ou régionales (tableau S1).

Élicitation experte et bandes passantes des paramètres initiaux

To constrain our model parameters, an expert survey was conducted during the European Geosciences Union General Assembly, April 2019, in Vienna, with a panel of 24 geoscientists. In addition, the same survey was conducted online in 2020 to obtain a more global perspective from 36 geoscientists and other professionals active in plastic research. In total, this resulted in a panel of 60 experts from 39 organizations in 23 different countries across five continents (see fig. S5 for the global distribution of the expert panel). The advantage of benefitting from the intuitive experience of experts to assess complex modeling problems has been reported for hydrology (54) and ecology (55). Here, a series of seven questions related to the probability of plastic waste transport over land and through rivers were asked to individual experts. The questions are presented in table S12, while the individual responses are given in table S13. From this elicitation exercise, we calculated the average and SD of returned values for each question (table S14). These data determined the initial bandwidth for our parameters during the model calibration (i.e., while varying our model parameters when comparing with measurements, the resulting probability should remain in the range determined by experts elicited for this study, avoiding unreasonable parameter values).

The bandwidth for probabilistic parameters in our model can range between 0 and 100%. The parameter bandwidths presented in table S14 have been reduced on average by 46%. Sensitivity analyses, calibration, and validation further confine and support the parameter bandwidths and result in a parameter set that is in line with expert expectations and is optimized for the highest correlation (coefficient of determination) with field observations and the lowest ratio between observed and predicted plastic mass.

Model calibration

Our model predicts annual plastic emissions, which are scaled by monthly average discharge, to distribute these emissions over 12 months. As is common for complex environmental models, we calibrated our model, on the basis of output from the expert elicitation and sensitivity analysis, in an iterative way (56). First, we ran a version of the model to match the average values reported by the expert elicitation exercise. We evaluated the model performance by calculating the regression coefficient r 2 between the logarithms of measured and modeled monthly averaged emissions and calculated the ratio between the sum of all observed and modeled plastic emissions. Under these conditions, the model-estimated emissions appeared higher than observations. We initially decreased the probability for plastic waste to be transported from land to a river cell P(R) by progressively increasing the roughness related to land use, as introduced in Eq. 4.

Second, the model overestimated emissions of rivers where precipitation was relatively higher than other rivers, when compared to observations. We adjusted our model results by decreasing the probability of mobilization P(M) induced by precipitation, as introduced in Eq. 3 based on results from the sensitivity analysis.

Third, the emissions of river basins where the generation of MPW is occurring further away from the mouth were underestimated (e.g., the Motagua in Guatemala and the Seine in France). Therefore, we altered our model predictions by increasing the probability of transport from river entry to ocean P(O), as presented in Eq. 5.

This model calibration exercise resulted in eight global iterations that are presented in table S4, showing the score model versus measurement per iteration, for the different parameters considered by our model. Our best calibrated scenario returned a regression coefficient of determination r 2 = 0.71 between modeled and measured logarithm of monthly average emissions per river and with 51 data points modeled within one order of magnitude (fig. S1) from measurements. For this parameter set, we found that the sum of 51 predicted emissions exceeds the sum of observed emissions by only 6%, which we consider acceptable, in combination with the relatively high r 2 .

Workflow sensitivity analyses

Sensitivity analyses were performed to assess the sensitivity of the output of the model (tons of macroplastic emission per year per river mouth, ME) to parameter variations of all parameters in model Eqs. 4 and 5. Both a global sensitivity analysis and a local sensitivity analysis were conducted to assess the impact of interactions between varying parameters and the impact of varying an individual parameter. The global, all-at-a-time (AAT) sensitivity analysis provides insight into the interactions between input parameters and is implemented in this study using Monte Carlo techniques. The local, OAT sensitivity analysis provides insight into the response of the model to (extreme) variations of an individual parameter, while all other parameters are fixed. Parameters for the AAT method were randomly sampled from uniform distributions and cover a larger bandwidth than the boundaries provided by expert elicitation to explore a broader parameter space (table S15). For the AAT analysis, three river basins were selected to balance computational time and representability. For these basins, the model output of 100 parameter sets was obtained. The three river basins used for the simulation runs are the Tullahan, Motagua, and Jones Falls. These river basins have different annual rainfall, surface area, dominant land use, and average distances to the river (within the basin) and to the coast (within a river) (characteristics listed in tables S6 and S7). For the OAT analysis, each parameter was decreased and increased with an order of magnitude, while the remaining parameters remained constant (table S16), resulting in 16 simulation runs (2 simulations per parameter, for eight parameters). This analysis was performed for eight river basins (31 data points). The river basins used for the OAT analysis were the Pasig, Tullahan, Meycauayan, Jones Falls, Motagua, Ciliwung, Pesanggrahan, and Tiber (characteristics listed in table S6). We used correlation, regression analysis (coefficient of determination and Pearson correlation coefficient), and the ratio between the total simulated and observed plastic mass as evaluation metrics suggested by a study on sensitivity analysis workflows for environmental models (56). On the basis of the evaluation metrics, the sensitivity of the model was assessed, discussed, and lastly visualized in graphs and scatterplots.

Calculation process sensitivity analyses

For the AAT analysis, we performed 100 model runs for the three selected river basins, resulting in 100 output sets (plastic emission, ME) for three data points (rivers). This model output was compared with the model output of the best calibrated global parameter set for these three specific rivers. In the next step, to evaluate the performance and sensitivity of the complete parameter set, we calculated the coefficient of determination (r 2 ) of the output of the 100 randomly generated parameter sets with the output of our best calibrated global parameter set (three points per set). Subsequently, we calculated the Pearson correlation coefficient between each parameter and the corresponding coefficient of determination (r 2 ), and we calculated the Pearson correlation coefficient between each parameter and the corresponding plastic emission ME for each river basin. These two metrics provide insight into the impact of an individual parameter on the model output (plastic emission) and on the performance of the parameter variations to our best calibrated model on field observations, while other parameters are varied simultaneously. We divided the 100 parameter sets in three batches (R1 = 50 runs, R2 = 25 runs, and R3 = 25 runs) and assessed the impact of the variations of parameter values (input) on the model output for individual river basins using the method of visual inspections of the scatterplots (56).

For the OAT analysis, we performed 16 model runs for nine selected rivers with 31 data points (monthly and annual data, varying per river). Each parameter was increased or decreased by a factor of 10. The output (tons of plastic emission per river) was compared to both our best calibrated model and field observations. Subsequently, the coefficient of determination for the individual 16 scenarios and the best calibrated scenarios was calculated compared to the observations. Last, the ratio between the sum of modeled and observed plastic emissions was calculated for 16 scenarios and the best calibrated scenario.

Sensitivity analyses discussion

Figure S6 and table S17 show that the model is sensitive to all parameter values (adjusting parameter values leads to changes in model output) but not in an equal manner. Increasing probabilistic parameters results in increased model output however, the r 2 can decrease for both increasing and decreasing parameter values. Low correlation values (ranging between −0.10 and 0.10, for example) imply that variations (within bandwidths listed in table S15) have limited impact on the output of the model, while high correlation values (between −0.50 and −1.00 and between 0.50 and 1.00) imply that variations of parameter values have a greater impact on the model output and, therefore, on the coefficient of determination with the best calibrated scenario. After the first 50 runs (R1), we fixed the lower threshold stream order probability and lower threshold discharge probability from Eq. 5. These parameters show strong positive correlations with the r 2 , and hence, variations in these parameters have a large impact on the model output. This confirms the sensitivity of the model for river transport, P(O) in the framework, and supports assigning a realistic bandwidth to the parameters (as supported by expert elicitation). The next 25 runs (R2) reveal a high sensitivity for the stream order (and, to a lesser extent, discharge) coefficients, the coefficients that cause the threshold probability to increase for bigger rivers. Increasing the stream order coefficient results in a strong negative r 2 . Parameters are included in Eqs. 4 and 5, further described in table S9. On the basis of individual assessments of river basins, this parameter was fixed at a lower value, according to the best calibrated scenario, confirming both the sensitivity and the selected confined bandwidth. Last, R3 further confirms sensitivity to remaining parameters.

Responses for individual river basins can be different, for example, river basins with higher precipitation rates (Tullahan) have a higher correlation between the rainfall coefficient and model output. Scatterplots between the coefficient of determination of the model output and parameter variations for each parameter are presented in figs. S7 and S8. These scatterplots show that increasing parameter values results in higher model output for most parameters. This correlation depends on the parameter (sensitivity) and the river basin characteristics. The optimum value for a parameter can be assessed with the r 2 , showing that increasing parameter values can lead to a decreased performance. The longest river, the Motagua River, is very sensitive to the probability for plastic to be transported downstream.

The one-order-of-magnitude OAT sensitivity analysis shows that the model is sensitive to all parameter variations (fig. S9 and table S18) however, there are substantial differences between the r 2 and ratio (modeled divided by observed total plastic emissions) per parameter. Increasing or decreasing the plastic mobilization probability P(M), by altering the rainfall and wind coefficient, reduces the r 2 from 0.76 (best calibrated scenario) to between 0.28 and 0.66. The total plastic emission ratio varies between 0.23 and 2.40. These results suggest that increasing or decreasing wind and rainfall mobilization by a factor of 10 results in under- or overestimations of the model between a factor of 2.4 and 4. Variations of an order of magnitude in the probability for waste to reach a river P(R), by changing the slope and land use parameters, yield an r 2 between 0.45 and 0.82 and a ratio of emission between 0.46 and 1.46. The model is most sensitive to changes in probability of waste in a river to reach the ocean, P(O). A decrease of an order of magnitude of the lower thresholds of stream order and discharge probability results in a negative r 2 and large ratios between total observed and simulated plastic mass. The sensitivity of the model in correlation (r 2 ) and the ratio between simulated and observed plastic emissions are presented per parameter and grouped for mobilization and for overland and riverine transport of plastic. Variations of parameters by a factor of 10 result in small ratios in output for mobilization and overland transport. For riverine transport, a decrease in the threshold for the probability of plastic to be transported 1 km downstream by a factor of 10 (from

99 to 9.9%, for example) results in a factor of

350 lower modeled transport. Calibration on field observations and parameter assessments from expert elicitation suggest river transport probabilities between 80 and 100%.

The sensitivity analyses show that the model output is sensitive to all parameters, both when they are varied simultaneously in interaction with other parameters (AAT) and individually (OAT). The AAT analysis indicates that the sensitivity also depends on river basin characteristics. The model performance decreases when parameter values move outside the bandwidth provided by expert elicitation and calibration, when compared to field observations. Both analyses suggest that the model is the most sensitive to the probability for plastic to be transported downstream a river.

Validation

We compared our best calibrated model simulation with independent field observations (tables S2 and S3). Data points were collected from published literature on (macro)plastic transport. These 84 data points originate from 51 rivers in six countries. We consider the Besos River (10 data points) an outlier because there are four weirs that may act as a sink for plastics (27) directly upstream of the observation point (28). The remaining 74 data points are roughly within one order of magnitude from modeled values, and we demonstrated a good order-of-magnitude correlation (coefficient of determination, r 2 = 0.74, m = 74). The ratio between the sum of the modeled and observed data points is 1.73. Data points range from rivers with small emissions (

0.1 MT month –1 ) to large emissions (

10,000 MT month –1 ) (fig. S2). We do recognize that most of the data points used for validation are situated in Japan (39 of 51 rivers). This study reports combined microplastic and macroplastic emissions per prefecture with macroplastics representing, by far, most of the emitted mass. We conducted a separate assessment where we merged the 39 Japanese rivers into 1 data point, resulting in 36 data points from 12 rivers and 1 data point representing the Japanese prefectures (fig. S3). By doing so, the coefficient of determination became higher with r 2 = 0.84, indicating that our validation results are not biased by the inclusion of many rivers from one single country.

Confidence intervals

We constructed confidence intervals for our model by considering the difference between 125 observed and simulated data points. We take the residuals of the logarithm of model simulations and field observations according to Log 10 ( observation ) – Log 10 ( model ) = Log 10 ( observation / model ) (7)

We investigated whether the distribution of the ratio of the logarithm of 125 observations divided by model simulations can be assumed to be normally distributed. The Anderson (table S19) and Shapiro tests do not reject the normality assumption [Shapiro P(95) = 0.266 and Anderson-Darling test statistic = 0.259], and the Q-Q plot (fig. S10) shows a normal distribution. Therefore, the mean of the ratio of residuals and confidence intervals can be calculated with the SD for 68 and 95% (means ± 1 or 2 SDs, respectively). On the basis of 125 observations, the confidence interval for our model is a factor of 4 for the 68% confidence interval and 10 for the 95% confidence interval. It should be noted here that a negative ratio of −4 is equal to a ratio of 0.25 and implies that the model overestimates the plastic emission by a factor 4. Positive ratios mean that the model underestimates plastic emissions. Both a factor of −1 and 1 mean that observed and model-simulated plastic emissions are equal.


Voir la vidéo: 3h dadoration au Piano - Naie pas peur l Musique de Méditation l Louanges l Intercession (Octobre 2021).