Aquí puedes encontrar todas las publicaciones del grupo de Hidrología y Clima con enlaces a ZORA.
Scheller, M., van Meerveld, I,. Seibert, J. (2024): How well can people observe the flow state of temporary streams? Frontiers in Environmental Science, 12, 1352697, https://doi.org/10.3389/fenvs.2024.1352697.
En el verano 2022, pedimos a más de 1.200 personas que determinaran el estado del caudal de un río utilizando los seis íconos de la categoría de corrientes intermitentes de la aplicación CrowdWater. Adicionalmente, respondieron a varias afirmaciones de sí/no sobre el río. Estas encuestas se realizaron durante 23 días a lo largo de ocho ríos diferentes en Suiza y el sur de Alemania. El objetivo era determinar hasta qué punto las personas pueden observar el estado del caudal de ríos temporales sin ninguna información adicional. Más del 66% de las personas eligieron el mismo estado que la mayoría de la gente y el 83% eligió la misma clase o la clase más cercana. Las personas pueden distinguir bien un río caudaloso de otro que no lo es, pero en el caso de las categorías intermedias (por ejemplo, charcos aislados) sus opiniones discreparon. Las respuestas a las afirmaciones sí/no sobre la presencia de agua en el río también fueron menos coherentes que para los demás estados del caudal. Una de las razones del desacuerdo entre los estados del caudal elegidos es que los participantes se fijaron en distintas partes del río o consideraron longitudes del río diferentes. Si nos centramos únicamente en la zona del río indicada por el círculo en la imagen de referencia de la aplicación, los datos serán más coherentes y, por tanto, más útiles.
Wang, Z., Seibert, J., van Meerveld, I., Lyu, H., & Zhang, C. (2023). Automatic water-level class estimation from repeated crowd-based photos of streams. Hydrological Sciences Journal, 68(13), 1826–1840. https://doi.org/10.1080/02626667.2023.2240312
Scheller, M., van Meerveld, I., Sauquet, E., Vis, M., Seibert, J. (2023): Are temporary stream observations useful for calibrating a lumped hydrological model? Journal of Hydrology 632, 130686, https://doi.org/10.1016/j.jhydrol.2024.130686.
Utilizamos observaciones del estado del caudal de ríos temporales de toda Francia para evaluar si estos datos son útiles para calibrar un modelo hidrológico y mejorar las cantidades de caudal simuladas. Los modelos hidrológicos se utilizan para la gestión del agua y el análisis de escenarios, por ejemplo, para evaluar el impacto de las sequías o el cambio climático en el caudal de los ríos. Supusimos que el estado del caudal de los ríos temporales refleja el almacenamiento de agua subterránea, es decir, que cuando los ríos están secos los niveles de agua subterránea son bajos, y cuando los ríos fluyen los niveles de agua subterránea son altos. Calibramos el modelo para 92 cuencas de Francia basándonos en los datos de caudal o de nivel de los ríos, con o sin los datos de los ríos temporales. Aunque el efecto global del uso de los datos temporales sobre el caudal simulado fue pequeño en la mayoría de las cuencas, los parámetros del modelo relacionados con las simulaciones de bajo caudal se definieron mejor cuando se utilizaron los datos temporales en la calibración del modelo. Esto sugiere que los datos de caudales temporales son útiles para la simulación de caudales durante periodos secos.
Blanco Ramírez, S., van Meerveld, I., Seibert, J. (2023): Citizen science approaches for water quality measurements. Science of The Total Environment 897, 165436, https://doi.org/10.1016/j.scitotenv.2023.16543.
En este estudio, revisamos la literatura científica sobre ciencia ciudadana para el monitoreo de la calidad de las aguas superficiales. Examinamos los parámetros y las herramientas de monitoreo así como la resolución espacial y temporal de los datos recolectados. Basándonos en estos estudios y en nuestra propia interpretación, discutimos las ventajas y desventajas de los diferentes enfoques y métodos. Descubrimos que muchos estudios se centran en la calidad de los datos, pero pocos analizan la resolución espacial y temporal de estos (es decir, dónde y con qué frecuencia se recolectan los datos) y cómo afecta esto a la forma en que los datos pueden utilizarse en estudios monitoreo de aguas superficiales
Etter, S., Strobl, B., Seibert, J., van Meerveld, I., Niebert, K., and Stepenuck, K. (2023): Why do people participate in app-based environment focused citizen science projects? Front. Environ. Sci, 11:1105682, https://doi.org/10.3389/fenvs.2023.1105682.
Preguntamos a los participantes de CrowdWater y Naturkalender por qué se unieron a los proyectos en primer lugar y por qué siguen contribuyendo a ellos. Las principales razones para unirse a los proyectos fueron contribuir a la ciencia, proteger la naturaleza o el interés por el tema. En el caso de CrowdWater, las personas también estaban motivadas porque se les pedía que participaran. Los participantes de Naturkalender y los del grupo de edad de 50 a 59 años fueron los que más afirmaron disfrutar de su participación, estar al aire libre y activos, y aprender algo nuevo.
Etter, S., Strobl, B., van Meerveld, I., Seibert, J. (2020): Quality and timing of crowd-based water level class observations. Hydrological Processes, https://doi.org/10.1002/hyp.13864.
En este estudio, comprobamos hasta qué punto las observaciones de la categoría «regla de medida virtual» reflejan las variaciones reales del nivel del agua y cuándo es más probable que los científicos ciudadanos informen con observaciones de clases de nivel del agua. Las variaciones notificadas de las clases de nivel del agua coincidieron bien con las variaciones medidas del nivel del agua. La concordancia fue mayor para los datos recogidos con la aplicación que para los datos recogidos por muchos científicos ciudadanos diferentes en formularios de papel. La mayoría de las observaciones de las clases de nivel del agua se presentaron entre mayo y septiembre, pero cubrieron casi toda la gama de condiciones del nivel del agua. Estos resultados positivos demuestran que la aplicación y la regla de medida virtual pueden utilizarse para recoger datos útiles sobre las variaciones del nivel del agua en los ríos. Por lo tanto, el enfoque puede utilizarse para aumentar las redes de seguimiento de los caudales existentes y permitir la recogida de datos en regiones en las que, de otro modo, no se dispondría de datos sobre el nivel del agua.
Strobl, B., Etter, S., van Meerveld, I., Seibert, J. (2020): Training citizen scientists through an online game developed for data quality control. Geoscience Communication, https://doi.org/10.5194/gc-3-109-2020, 2020.
En una publicación previa introducimos el juego CrowdWater, que comprueba la calidad de las observaciones de clase de nivel de agua enviadas por los hidrólogos ciudadanos que utilizan la app CrowdWater. Descubrimos que, además del control de calidad, el juego CrowdWater también capacita a los nuevos científicos ciudadanos para colocar mejor la regla de medida virtual en la aplicación CrowdWater. El juego CrowdWater muestra muchas colocaciones diferentes de la regla de medida virtual y los científicos ciudadanos pueden aprender gradualmente los beneficios y las limitaciones de estas colocaciones. Si ya eres un experto con los medidores virtuales, no dudes en seguir jugando al juego CrowdWater con regularidad, ya que esto nos ayuda a controlar la calidad de las observaciones de CrowdWater.
Enlace al artículo / Link to the preprint out soon
Strobl, B., Etter, S., van Meerveld, I., Seibert, J. (2020): Accuracy of crowdsourced streamflow and stream level class estimates. Hydrological Sciences Journal, Special Issue: Hydrological Data: Opportunities and Barriers, 65(5), https://doi.org/10.1080/02626667.2019.1578966.
Pedimos a las personas que pasaban por un río que estimaran el caudal. Lo hicimos para diez ríos diferentes y para condiciones de caudales altos y bajos. En este documento, describimos lo bien que los participantes pudieron estimar el caudal comparando sus estimaciones con el caudal medido. Los errores en las estimaciones del caudal eran a veces muy grandes, pero el valor medio de todas las estimaciones era sorprendentemente cercano al valor medido. También pedimos a los participantes que estimaran la clase de nivel del agua. Para ello, les mostramos una foto del arroyo tomada en un momento anterior con una regla de medir colocada digitalmente en la foto como si fuera una pegatina. La regla estaba dividida en 10 clases. Los participantes tenían que estimar en cuál de estas clases se encontraba el nivel del agua ahora, comparando el nivel de agua actual y el del río de la foto. La mayoría de los participantes pudieron estimar bien la clase de nivel del arroyo. Sólo unos pocos participantes eligieron una clase de nivel de agua que estaba a más de una clase de la correcta. Por lo tanto, recomendamos que los proyectos de ciencia ciudadana utilicen las clases de nivel en lugar de las estimaciones del caudal. Las estimaciones de los caudales pueden derivarse entonces mediante modelos hidrológicos basados en el nivel.
Enlace al artículo / Link to the preprint
Etter, S., Strobl, B., Seibert, J., van Meerveld, H. J. (2020): Value of crowd‐based water level class observations for hydrological model calibration. Water Resources Research, 56(2), https://doi.org/10.1029/2019WR026108.
Normalmente, se utilizan varios años de mediciones de caudales para calibrar un modelo hidrológico de una cuenca específica, de modo que pueda utilizarse, por ejemplo, para predecir inundaciones o sequías. La realización de estas mediciones es cara y requiere mucho esfuerzo. Por ello, a menudo se carece de estos datos, especialmente en zonas remotas y países en desarrollo. Hemos investigado el valor potencial de las observaciones de las clases de nivel de agua para la calibración de los modelos. Las clases de nivel de agua pueden ser observadas por los ciudadanos con la ayuda de una regla virtual con diferentes clases que se coloca en una imagen de la orilla de un río como una pegatina. Demostramos que una observación por semana durante 1 año mejora la calibración del modelo en comparación con la situación sin datos de caudal. Los resultados del modelo para las observaciones fueron tan buenos como los de las observaciones del nivel del agua que requieren un manómetro físico o mediciones continuas del nivel del agua desde un sensor instalado en el río. Los resultados no fueron tan buenos como cuando se utilizaron los datos del caudal para la calibración del modelo, pero éstos son más caros de recoger. En la mayoría de los casos, los errores en las observaciones no afectaron notablemente al rendimiento del modelo.
Strobl, B., Etter, S., van Meerveld, I., Seibert, J. (2019): The CrowdWater game: A playful way to improve the accuracy of crowdsourced water level class data. PLoS One, 14(9), https://doi.org/10.1371/journal.pone.0222579.
El juego CrowdWater comprueba la calidad de las observaciones de la clase de nivel de agua enviadas por los hidrólogos ciudadanos mediante la aplicación CrowdWater. Los jugadores comparan dos fotos enviadas a través de la aplicación, a saber, la foto original con la regla de medida virtual y otra tomada en el mismo lugar en un momento posterior. El jugador compara el nivel del agua en la nueva foto con el indicador virtual de la foto original y vota la clase de nivel del agua. Cada observación se muestra a varios jugadores y, por tanto, recibe múltiples votos. La media de los votos de los distintos jugadores puede compararse con el valor notificado por los ciudadanos científicos que enviaron la foto a través de la aplicación. De este modo, el juego CrowdWater puede utilizarse para confirmar o corregir los datos obtenidos con la app. En el estudio presentado en este artículo, describimos el juego y demostramos su valor para el control de calidad de los datos.
¿Tienes curiosidad por el juego o quieres ayudar a comprobar y mejorar la calidad de los datos de la app CrowdWater? Puedes jugar aquí: https://cwgame.spotteron.net/championship
Enlace al artículo / Link to the preprint
Seibert, J., Strobl, B., Etter, S., Hummer, P., van Meerveld, H.J.I. (2019): Virtual staff gauges for crowd-based stream level observations. Frontiers in Earth Science – Hydrosphere, 7(70), https://doi.org/10.3389/feart.2019.00070.
Enlace al artículo / Link to the preprint
Seibert, J., van Meerveld, H.J., Etter, S., Strobl, B., Assendelft, R., Hummer, P. (2019): Wasserdaten sammeln mit dem Smartphone – Wie können Menschen messen, was hydrologische Modelle brauchen? Hydrologie & Wasserbewirtschaftung, 63(2), 74-84, https://doi.org/10.5675/HyWa_2019.2_1.
Etter, S., Strobl, B., Seibert, J., van Meerveld, H. J. I. (2018): Value of uncertain streamflow observations for hydrological modelling. Hydrol. Earth Syst. Sci., 22(10), 5243-5257, https://doi.org/10.5194/hess-22-5243-2018.
En este estudio, probamos si las estimaciones de los caudales de los ciudadanos (en lugar de las mediciones reales de los organismos gubernamentales) pueden utilizarse para el ajuste de un modelo hidrológico. Como aún no teníamos suficientes datos de la aplicación CrowdWater, creamos conjuntos de datos artificiales de caudales con puntos de datos en diferentes momentos (por ejemplo, un punto de datos por semana o uno por mes) y añadimos diferentes errores a los datos. Para determinar los errores típicos en las estimaciones del caudal, pedimos a 136 personas de la zona de Zúrich que estimaran el caudal y comparamos sus estimaciones con el caudal medido. Determinamos, para seis cuencas, cómo los errores en las estimaciones de los caudales y el número de puntos de datos afectan al ajuste del modelo para estas cuencas. Los resultados muestran que las estimaciones de los caudales de los ciudadanos no entrenados son demasiado inexactas para ser útiles en el ajuste de un modelo. Sin embargo, si los errores pueden reducirse (aproximadamente a la mitad) mediante la formación o el filtrado, son útiles cuando hay una media de una estimación de caudal por semana. Entonces, el modelo puede utilizarse, en combinación con una previsión meteorológica, para la predicción de inundaciones.
Enlace al artículo / Link to the preprint
Kampf, S., Strobl, B., Hammond, J., Anenberg, A.,Etter, S., Martin, C., Puntenney-Desmond, K., Seibert, J., van Meerveld, I. (2018): Testing the waters: Mobile apps for crowdsourced streamflow data. Eos, 99, https://doi.org/10.1029/2018EO096355.
van Meerveld, H. J. I., Vis, M. J. P., Seibert, J. (2017): Information content of stream level class data for hydrological model calibration. Hydrol. Earth Syst. Sci., 21(9), 4895-4905, https://doi.org/10.5194/hess-21-4895-2017.
Enlace al artículo / Link to the preprint
Posters
Catchment Science Gordon Research Conference and Seminar – Ilja van Meerveld
Can citizens observe what models need? Evaluation of the potential value of crowd-sourced stream level observations for hydrological model calibration
Österreichische Citizen Science Konferenz 2018 – Barbara Strobl
CrowdWater als Bereicherung des Unterrichts?
Tag der Hydrologie 2018 – Jan Seibert
CrowdWater – Können Menschen messen was hydrologische Modelle brauchen?
This poster has won the poster price 2018 in the category «most innovative study».
EGU 2018 – Simon Etter
Can citizens observe what models need?
MOOC
MOOC son las siglas en inglés de massive open online course (curso en línea masivo y abierto). Al igual que en un curso universitario tradicional, los alumnos estudian una asignatura durante un periodo de tiempo determinado. Sin embargo, los alumnos asisten a conferencias, discuten problemas y resuelven ejercicios en línea. En el MOOC «Water in Switzerland» los alumnos pueden ver una selección de conferencias y videos en campo, así como resolver evaluaciones y tareas prácticas. El MOOC está dividido en siete módulos, cada uno de los cuales requiere aproximadamente de 3 a 4 horas de trabajo cada semana.
CrowdWater participó en este MOOC.
Haz click aquí para ver el trailer de este MOOC la página web del curso.