Mehr

Polygongröße basierend auf Prozent mit ArcPy verringern?


Ich möchte die Größe von Polygonen prozentual und nicht nach Entfernung verringern, um dies in ModelBuilder zu implementieren, um eine Reihe von Polygonen zu durchlaufen. Meines Wissens ist dieses Werkzeug in QGIS verfügbar, aber nicht in ArcGIS. Die Skalierungsfunktion funktioniert in meinem Fall nicht.

Weiß jemand wie das geht?

Oder ist vielleicht über das gleiche Problem gestolpert und könnte sagen, wie er es gelöst hat oder hat einen Python-Code zum Implementieren in den ModelBuilder?


Ich habe diese Antwort aus Versehen in einem alten Thread angegeben. Also hier kopiert. Beim Versuch, den Thread zu finden, habe ich diesen ESRI-Code für den Feldrechner gefunden, der iteriert, um den richtigen Puffer für jedes Polygon zu finden. Code am Ende angehängt, und es gibt einen Link zur Seite.

Beachten Sie, dass diese Antwort nichts mit dem folgenden Code zu tun hat (aber ich habe zu hart gearbeitet, um sie zu erstellen, also lasse ich sie hier, es könnte doch hilfreich sein):

Ich kann nur eine einfache Methode vorschlagen, die einen ungefähren Durchschnitt ergibt; Wenn Sie jedoch nach der genauen prozentualen Reduzierung der Fläche suchen, würde dies nicht funktionieren - aber es könnte Ihre Gedanken zu einer Codierungslösung führen. Diese Methode basiert, wie andere vorgeschlagen haben, auf einer negativen Eingabe in das Pufferwerkzeug. Es beinhaltet jedoch auch eine Anpassung an die Distanzfeldeingaben basierend auf der "Form" jedes Polygons.

Ich schlage vor, die Kompaktheit der Polygone zu nutzen, um den "Reduktionskoeffizienten" anzupassen. Mehr zur Kompaktheit hier.

Zunächst gehe ich davon aus, dass Ihre Polygone eine recht regelmäßige Form haben, d. h. vollständige pseudogeometrische Formen. Andernfalls funktioniert dies möglicherweise nicht.

Ich habe mit dieser Ebene angefangen:

Ich habe die Kompaktheit mit dieser Formel berechnet:

4*3.14*[SHAPE_Area]/( [SHAPE_Length]^2)

Dann habe ich mit dem Ziel einer Reduzierung der Fläche um 20 % den "neuen Radius" berechnet (unter der Annahme eines perfekten Kreises). und das Ergebnis mit dem Kompaktheitskoeffizienten durch Multiplikation angepasst. Das liegt daran, dass der Kompaktheitsindex eines perfekten Kreises 1 (vollständig kompakt) ist und der Index dann abnimmt, wenn die Form weniger kompakt ist. Daher wird ein kleinerer "Radius" benötigt, um die gleiche Fläche zu erhalten.

Die von mir verwendete Formel lautet:

-(0,2*Quadratmeter ([SHAPE_Area])/3.14)* [Kompakt]

Meine Ergebnisse werden in einem Streudiagramm (zwischen dem neuen und dem ursprünglichen Gebiet) und einer zusammenfassenden Statistik der Verhältnisse zwischen dem neuen Gebiet und dem Original (in der Hoffnung, 0,8 zu erhalten) dargestellt. Einige Abweichungen sind zu sehen, aber ich habe nicht allzu sorgfältig nach ihren Ursachen gesucht. Es kann sein, dass wenige Anpassungen des "Kompaktheitskoeffizienten" bessere Ergebnisse liefern.

Und die Statistik:

Code aus dem ESRI-Forum (VB):

' ---- Möglicherweise müssen Sie diese Werte anpassen ----

Const PCNT_RED als Double = 20 Const PCNT_TOL als Double = 0.001 ' ------------------------------------------------- -------- Const NUM_FMT = "0.0##############" Dim dMinArea As Double Dim dMaxArea As Double Dim dMinDis As Double Dim dMaxDis As Double Dim dBufDis As Double Dim pEnv As IEnvelope Dim pPoly As IPolygon Dim dPolyArea As Double Dim pTopOp As ITopologicalOperator Dim pBuffer As IPolygon Dim pArea As IArea Dim dBufArea As Double

' Verweis auf das Polygon erhalten Set pPoly = [Shape] Set pTopOp = pPoly pTopOp.Simplify ' Berechnen des gültigen Bereichs Set pArea = pPoly dPolyArea = pArea.Area dMinArea = dPolyArea * (1 - (PCNT_RED + PCNT_TOL) / 100) dMaxArea = dPolyArea * (1 - (PCNT_RED - PCNT_TOL) / 100) ' Calc min/max/initial bufferdis Setze pEnv = pPoly.Envelope With pEnv If .Width > .Height Then dMaxDis = .Width / 2 Else dMaxDis = .Height / 2 End If End With dMinDis = -dMaxDis dBufDis = (dMinDis + dMaxDis) / 2 ' Holen Sie sich den Puffer Set pBuffer = pTopOp.Buffer(dBufDis) ' Iterieren Sie durch Anpassen des Puffers, bis wir einen Wert ' innerhalb unseres vereinbarten Bereichs oder bis wir erhalten so nah wie möglich Do While Format(dMinDis, NUM_FMT) <> Format(dMaxDis, NUM_FMT) ' Überprüfen, ob der gepufferte Bereich innerhalb des gültigen Bereichs liegt Set pArea = pBuffer dBufArea = pArea.Area If dBufArea >= dMinArea And dBufArea <= dMaxArea Then Exit Do ' Prüfen, ob wir eine negative Fläche haben If dBufArea < 0 Then ' Wir haben, also verwenden Sie einfach das ursprüngliche Polygon Set pBuffer = pPoly Exit Do End If ' Read nur Pufferabstand If dBufArea < dMinArea Then dMinDis = dBufDis Else dMaxDis = dBufDis End If dBufDis = (dMinDis + dMaxDis) / 2 ' Puffer aus angepasstem Abstand erzeugen Set pBuffer = pTopOp.Buffer(dBufDis) Loop ' pBuffer in Box unter Advanced verwenden Fenster

Einführung

Feuer ist ein Systemprozess der Erde, der seit Jahrmillionen die Vegetationsdynamik und die atmosphärische Zusammensetzung beeinflusst. Menschen nutzen Feuer seit Jahrtausenden, um die Landschaft zu verwalten [1,2,3]. Jahrhundertelange Erfahrung im Umgang mit Brennstoffen, um das Brandrisiko zu verringern und eine vielfältige Landschaft zu erhalten, ist in traditionellem und oft indigenem Wissen in vielen tropischen semiariden Regionen wie afrikanischen Savannen, Australien oder dem brasilianischen Cerrado enthalten [4, 5]. In den letzten Jahrzehnten wurden Brände jedoch häufig als billiges Mittel zur Abholzung von Tropenwäldern eingesetzt, die nicht an Brände angepasst sind und erhebliche Veränderungen in Zusammensetzung, Struktur und Funktion erfahren [6, 7]. Im brasilianischen Legal Amazon (BLA) etwa (4600, < ext >^<2>) Wald gingen durch Abholzung in niedrigen (2012) und bis zu (27800 , < ext .) verloren >^<2>) in Jahren mit hoher Abholzung (2004) [8]. Die Aufstellung und Durchsetzung des Aktionsplans zur Verhütung und Kontrolle der Entwaldung im brasilianischen Amazonasgebiet (PPCDAm) im Jahr 2004 zusammen mit dem Soja-Moratorium im Jahr 2006 und den Zero-Deforstation Cattle Agreements im Jahr 2009 ermöglichte es, die Entwaldungsraten ab 2005 schrittweise zu reduzieren [9, 10]. Während der Einsatz von Feuer bei der Entwaldung lange Zeit ein akzeptiertes Paradigma war, haben Aragão et al. [11] schlugen eine Entkopplung zwischen Entwaldung und Feuer vor, da der Rückgang der Feueraktivität im Zeitraum 2003–2015 nicht so stark war wie der Rückgang der Entwaldung. Libonati et al. [12] haben die Entkopplungshypothese vor kurzem erneut aufgegriffen und für den gleichen Zeitraum eine viel schwächere Entkopplung festgestellt, was folglich die Rolle der Entwaldung als Hauptursache für Feuer im Amazonasgebiet verstärkt. Managementbrände, die von landwirtschaftlichen Flächen und Viehweiden in zuvor entwaldeten Gebieten in die umliegenden Wälder austraten, wurden zum größten Treiber der Waldverbrennung [13, 14]. Trotz reduzierter Entwaldung nahm die Feuerhäufigkeit in Dürrejahren zu, was normalerweise mit anomaler Warmphasen des tropischen Ostpazifiks (im Zusammenhang mit der El Niño Southern Oscillation, ENSO) und dem nördlichen Atlantik (im Zusammenhang mit der Atlantic Multidecadal Oscillation, AMO) zusammenhängt.

Die ungewöhnlich warme Meeresoberflächentemperatur (SST) im tropischen Nordatlantik schwächt den Feuchtigkeitstransport des Nordostpassats während des Sommers, was zu geringeren Niederschlägen während der Trockenzeit insbesondere im westlichen und südwestlichen Amazonas führt [15, 16]. Warme SST-Anomalien im äquatorialen Pazifik unterdrücken Konvektion und nachfolgende Niederschläge über dem nördlichen, zentralen und östlichen Amazonasgebiet [17,18,19]. Eine Kombination aus der Erwärmung des Ostpazifiks und des tropischen Nordatlantiks kann schwerwiegendere, länger andauernde und/oder weit verbreitete Dürren verursachen [20,21,22,23]. Neben extremen Dürren hat der anhaltende Klimawandel bereits die Niederschlagssaisonalität im Amazonasbecken beeinflusst, indem er den Beginn der Regenzeit am Ende des Kalenderjahres verzögert, die sich voraussichtlich auch in Zukunft fortsetzen wird [24]. Dies gefährdet nicht nur die Funktionsfähigkeit des tropischen Regenwaldes, sondern auch die Lebensgrundlage der lokalen Gemeinschaften, die von den Gütern und Dienstleistungen leben, die der Amazonas-Regenwald ihnen bietet [25].

Im riesigen brasilianischen Amazonasgebiet sind bodengestützte Informationen über das Auftreten von Bränden und die Auswirkungen auf die Vegetation rar oder anekdotisch. Hochauflösende Daten sind erforderlich, um Brandregime und ihre jeweiligen Veränderungen durch Klima und menschliche Landnutzungsänderungen zu bestimmen [26,27,28]. Fernerfasste Datensätze zum Auftreten von Bränden (aktive Brände) [29] und Ausdehnung (verbrannte Gebiete) [30] ermöglichen es uns, diese Datenlücke zu schließen und große und vielfältige Gebiete wie den brasilianischen legalen Amazonas mit mehr als 5 Millionen (< Text >^<2>) in der Größe.

Während komplexe Netzwerkansätze angewendet wurden, um extreme Niederschlagsereignisse [31], langfristige Niederschlagsvariabilität [32], kontinentalen Feuchtigkeitstransport [33] und klimatische Einflussfaktoren auf die globale Mitteltemperatur [34] zu untersuchen, wurden sie bisher nicht verwendet, um Feuerextreme erforschen. Wir wenden die komplexe netzwerkbasierte Methodik an, die in Traxl et al. [35, 36], um erstmals Daten abzufeuern. Wir implementieren diese neuartige Methodik, um einzelne Brände zu identifizieren und ihre Entwicklung über Raum und Zeit zu verfolgen. Die Vorteile eines solchen Einzelfeuer-Ansatzes wurden in einer aktuellen Studie von Andela et al. [37]. Somit ist es möglich, die integrierte Brandintensität für einzelne Brände zu berechnen und zur Definition von Extremereignissen zu verwenden. In dieser Studie definieren wir extreme Brände als die 5 % intensivsten Brände. Diese Untergruppe extremer Brände ist im Untersuchungszeitraum 2002–2019 für fast 30 % der gesamten verbrannten Fläche in der BLA verantwortlich. Wir vergleichen das räumliche Auftreten und die interannuelle Variabilität extremer Brände in immergrünen Wäldern der BLA und interpretieren sowohl räumliche als auch zeitliche Muster in Bezug auf großräumige Klimaereignisse und anthropogene Treiber wie Entwaldung und Straßenbau. Wir adressieren die folgenden Ziele: (1) wenden einen neuartigen netzwerkbasierten methodischen Ansatz an, der es uns ermöglicht, einzelne Brände zu identifizieren, um die räumlich-zeitliche Dynamik extremer Brände in immergrünen Wäldern des Amazonas zu bewerten. (2) Untersuchung räumlich-zeitlicher Unterschiede in der Verteilung extremer Waldbrände in Jahren mit unterschiedlichen klimatischen Bedingungen und Graden des anthropogenen Drucks. (3) Identifizierung potenzieller Auswirkungen klimatischer Faktoren wie der ENSO- und AMO-assoziierten schweren Dürren sowie anthropogener Faktoren wie Entwaldung und Entfernung von Straßen und Waldrändern auf die raum-zeitliche Variabilität extremer Brände.


Dekadische Veränderungen der Gletscherparameter in der Cordillera Blanca, Peru, abgeleitet aus der Fernerkundung

Adina E. RACOVITEANU,

Yves ARNAUD,

Mark W. WILLIAMS,

Julio ORDON

1Institut für Geographie, University of Colorado, Boulder, Colorado 80309-0260, USA E-Mail: [email protected]

2Institut für Arktis- und Alpenforschung, University of Colorado, Boulder, Colorado 80309-0450, USA 3Nationales Schnee- und Eisdatenzentrum/Weltdatenzentrum für Glaziologie, CIRES, University of Colorado, Boulder,

Colorado 80309-0449, USA

4IRD, Great Ice, Laboratoire de Glaciologie et Ge´ophysique de l’Environnement du CNRS

(associe´ a` l´Universite´ Joseph Fourier–Grenoble I), 54 rue Molie`re, BP 96, 38402 Saint-Martin-d´He`res Cedex, Frankreich 5Direcion de Hidrologı´a y Recursos Hidricos,

Servicio Nacional de Meteorologı´a e Hidrologı´a Jiro´n Cahuide Nr. 175 – Jesus´s Marı´a, Lima 11, Peru ABSTRAKT. Wir präsentieren räumliche Muster von Gletscherfluktuationen aus der Cordillera Blanca, Peru, (Gletscher Bereich, Endpunkthöhen, Medianhöhen und Hypsographie) auf dekadischen Zeitskalen, abgeleitet von 1970 Luftaufnahmen, 2003 SPOT5-Satellitendaten, Geographische Informationssysteme (GIS) und Statistik Analysen. Wir haben aus den SPOT-Bildern von 2003 neue Gletscherumrisse abgeleitet und sie in das Global . aufgenommen Gletscherdatenbank Land and Ice Measurements from Space (GLIMS). Wir haben Veränderungen im Gletschergebiet untersucht auf der Ost- und Westseite der Kordilleren in Bezug auf topografische und klimatische Variablen (Temperatur und Niederschlag). Die Ergebnisse umfassen (1) eine geschätzte vergletscherte Fläche von 569,6 21 km2in 2003, (2) ein Gesamtverlust an vergletscherter Fläche von 22,4% von 1970 bis 2003, (3) ein durchschnittlicher Anstieg der Gletscher Endpunkte um 113 m und eine durchschnittliche Erhöhung der mittleren Gletscherhöhe um 66 m, zeigt a Verlagerung des Eises in höhere Lagen, insbesondere auf der Ostseite der Kordilleren, und (4) eine Zunahme der Anzahl der Gletscher, was auf den Zerfall von Eiskörpern hinweist. Die jährliche Lufttemperatur zeigte a deutlicher Aufwärtstrend in den letzten 30 Jahren mit größeren Temperaturanstiegen in niedrigeren Lagen Die Niederschläge nahmen zwar leicht, aber nicht signifikant ab. Unsere Ergebnisse stimmen mit Gletscher überein Rückzugs- und Erwärmungstrends, die in den letzten drei Jahrzehnten in den Tropen festgestellt wurden.

Multitemporale Satellitenbilder und ältere Luftaufnahmen wurden in den letzten zehn Jahren ausgiebig verwendet, um Gletscherveränderungen in Berggebieten auf der ganzen Welt zu quantifizieren, darunter Patagonien (Aniya und andere, 1996), die Schweizer Alpen (Ka¨a¨b und andere, 2002 Paul und andere, 2002), Zentralasien (Khromova und andere, 2003, 2006 Surazakov und Aizen, 2006 Aizen und andere, 2007 Bolch, 2007), die peruanischen Anden (Georges, 2004 Silverio und Jaquet, 2005) und der Himalaya ( Kulkarni und Bahuguna, 2002 Kulkarni und andere, 2005). In jüngerer Zeit wurden Satellitenbilder verwendet, um Gletschermassenbilanzen und Gleichgewichtslinienhöhen (ELAs) zu schätzen (Khalsa und andere, 2004, Rabatel und andere, 2005 Berthier und andere, 2007). Es besteht weiterhin Interesse daran, die Gletscher der Welt mithilfe von Satellitendaten zu kartieren. Das Projekt Global Land and Ice Measurements from Space (GLIMS) wurde mit dem Ziel initiiert, die Gletscher der Welt mithilfe von Satellitenbildern zu kartieren (Kargel und andere, 2005). Fernerkundungsmethoden sind nützlich, um Gletscherveränderungen in abgelegenen Regionen rechtzeitig zu erkennen, in denen traditionelle feldbasierte glaziologische Methoden durch schwierige Logistik und mangelnde Unterstützung begrenzt sind.

Tropische Gletscher der Cordillera Blanca, Peru, sind aus mehreren Gründen von Interesse. Auf lokaler Ebene stellt der Gletscherabfluss die Hauptwasserquelle für die Wasserkrafterzeugung, die Bewässerung für die Landwirtschaft und den häuslichen oder tierischen Verbrauch dar. Das schnelle Abschmelzen der Andengletscher in den letzten Jahrzehnten (Kaser und andere, 2003) stellt eine Bedrohung für lokale

Wasservorräte. Es gibt auch Bedenken hinsichtlich gletscherbedingter Gefahren wie Gletschersee-Ausbruchsfluten (GLOFs), die mit Moränenseen verbunden sind. Ein umfangreiches Gletscherinventar für die Cordillera Blanca wurde auf der Grundlage von Luftaufnahmen von 1970 erstellt (Ames ua, 1989). Neuere Satellitenbilder von Landsat Thematic Mapper (TM) und Syste`me Probatoire pour l'Observation de la Terre (SPOT) wurden verwendet, um Veränderungen der Gletscherausdehnung in verschiedenen Zeitschritten abzuschätzen (Kaser und andere, 1996 Georges, 2004 Silverio und Jaquet , 2005). Gletscherlängen und Massenbilanzen wurden für eine begrenzte Anzahl von Gletschern mit Feldmessungen berichtet (Hasternath und Ames, 1995 Ames und Hasternath, 1996). Es gibt jedoch noch einen Mangel an Informationen über Gletscherparameter wie Gletscherfläche, Länge, Endhöhen, Hypsographie, ELA, Akkumulation-Flächen-Verhältnis (AAR), Massenbilanz und Hypsometrie, da zuverlässige Höhendaten fehlen, aus denen Diese Parameter können extrahiert werden. Darüber hinaus wurde der Zusammenhang zwischen Gletscherparametern und Gletscherflächenänderungen in der Cordillera Blanca nicht gründlich untersucht. Nur eine Studie (Mark und Seltzer, 2005) bewertete die räumliche Verteilung der Gletscherfluktuationen in Bezug auf den Klimaantrieb in den Anden.

Die Verfügbarkeit neuer Fernerkundungsplattformen mit hoher räumlicher und zeitlicher Auflösung, globaler Abdeckung und angemessenen finanziellen Kosten bietet das Potenzial, Gletscherparameter in abgelegenen Gebieten wie den Anden zu bewerten. Aktualisierte Gletscherparameter werden benötigt, um räumliche Muster von Gletscheränderungen und deren Verbindungen mit

Klimaschwankungen auf lokaler und regionaler Ebene. Diese Studie kombiniert Daten von SPOT mit Feldmessungen und geographischen Informationssystemen (GIS), um räumliche Muster von Gletscherfluktuationen in der Cordillera Blanca im dekadischen Maßstab zu verstehen. Zu den spezifischen Zielen gehören (1) die Schätzung der vergletscherten Fläche im Jahr 2003, (2) die Schätzung der Veränderungen der Gletscherfläche von 1970 bis 2003, (3) die Schätzung der Höhenänderungen der Gletschertermini im gleichen Zeitraum, (4) die Quantifizierung der hypsometrischen Veränderungen und (5) Bewertung von Lufttemperatur- und Niederschlagstrends in den letzten 30 Jahren.

Das Untersuchungsgebiet ist die peruanische Cordillera Blanca (Abb. 1), das größte vergletscherte Gebiet der Tropen, das sich 180 km in Nord-Süd-Richtung zwischen 88300 . erstrecktS und 108 S (Kaser und andere, 1990). Die vergletscherte Fläche wurde basierend auf Luftaufnahmen von 1970 auf 723,37 km2 mit einer durchschnittlichen Dicke von 31,25 m geschätzt (Ames und andere, 1989). Die Cordillera Blanca umfasst Talgletscher mit Höhen von 3000 bis 6800 m und sehr steilen Hängen. Einige der Gletscherzungen sind mit Schutt bedeckt, und viele von ihnen enden in moränengestauten Gletscherseen. Klimatisch liegt die Cordillera Blanca in den äußeren Tropen, gekennzeichnet durch das Fehlen thermischer Saisonalität und eine ausgeprägte Saisonalität des Niederschlags, mit einer unterscheidbaren Regenzeit (Australsommer) und einer Trockenzeit (Winter) (Kaser und Osmaston, 2002). Schneeakkumulation tritt während der Regenzeit auf, und in der Trockenzeit gibt es relativ wenig Akkumulation. Ablation findet das ganze Jahr über statt, mit höheren Raten in der Regenzeit (Kaser und

Osmaston, 2002). Südostwinde bringen Niederschläge aus dem Amazonasbecken, wodurch die luvseitige (östliche) Seite der Kordilleren zwei- bis dreimal feuchter wird als die leeseitige (westliche) Seite (Johnson, 1976).

METHODEN Datenquellen

Der Basisdatensatz für diese Studie war das Gletscherinventar der Cordillera Blanca von 1970, das aus Luftaufnahmen erstellt und von Ames und anderen (1989) veröffentlicht wurde. Die digitale Version des Inventars haben wir von Unidad de Glaciologı´a y Recursos Hı´dricos (UGRH) des Instituto Nacional de Recursos Naturales Ancash (INRENA), Peru erhalten. Im Jahr 2004 erfassten wir 24 Bodenkontrollpunkte (GCPs) auf nicht vergletschertem Gelände (Straßenkreuzungen, Kurven und Gebäude, die auf den Satellitenbildern sichtbar sind) mit einem Ashtech ProMark2 Differential Global Positioning System (DGPS). Die horizontale und vertikale Genauigkeit der GPS-Punkte nach der Nachbearbeitung betrug <1 m. Diese GCPs wurden zur Orthokorrektur der Satellitenszenen und zur Validierung der digitalen Höhendaten verwendet. Wir konstruierten ein digitales Höhenmodell (DEM) mit einer Zellgröße von 30 m durch Interpolation von Höhenlinien, die aus zwei 1 : 100 000 topographischen Karten basierend auf Luftaufnahmen von 1970 unter Verwendung des TOPOGRID-Algorithmus (Burrough und McDonnell, 1998) digitalisiert wurden. Wir bezeichnen dieses DEM als „1970 DEM“. Die Methodik wurde an einem anderen Standort in Peru getestet und ergab zufriedenstellende Ergebnisse (Racoviteanu und andere, 2007). Wir schätzen die horizontale Genauigkeit des DEM auf weniger als die Hälfte des Höhenlinienintervalls

Abb. 1. Untersuchungsgebiet der Cordillera Blanca. Räumliche Domäne 1 ist der Bereich, der von den beiden orthorektifizierten SPOT-Szenen vom August 2003 abgedeckt wird

gezeigt sind im Feld erfasste Bodenkontrollpunkte (weiße Sterne) und Klimastationen mit vollständigen 30-jährigen Temperatur- und Niederschlagsaufzeichnungen (weiße Quadrate).

(25m). Seine vertikale Genauigkeit (Root-Mean-Square Error in der vertikalen Koordinate (RMSEz) in Bezug auf die GCPs) ist

18m. Alle Datensätze wurden auf die Zone 18S des Universal Transverse Mercator (UTM) mit dem horizontalen Datum des World Geodetic System 1984 (WGS84) und dem vertikalen Datum des Earth Geopotential Model 1996 (EGM96) projiziert.

Der 2002 eingeführte SPOT5-Sensor erfasst Daten im multispektralen und panchromatischen Modus, der für glaziologische Anwendungen geeignet ist. Band 1 (0,50–0,59 mm) und 2 (0,61– 0,68 mm) von SPOT5 liegen im sichtbaren Teil des elektromagnetischen Spektrums (VIS), Band 3 (0,79–0,89 mm) liegt im nahen Infrarot (NIR) und Band 4 befindet sich im mittleren Infrarot (MIR) (1,58–1,75 mm). Die räumliche Auflösung des Sensors beträgt 10 m für das VIS- und NIR-Band und 20 m für das MIR. Zwei Szenen wurden benötigt, um etwa 90% der Cordillera Blanca abzudecken. Die Szenen wurden im August 2003 am Ende der Trockenzeit aufgenommen, um eine minimale Schneedecke zu gewährleisten, und hatten keine Wolkendecke. Die Szenen wurden mit den feldbasierten GCPs und dem DEM mit dem Modell von Toutin orthorektifiziert (Toutin und andere, 2002). Der horizontale quadratische Mittelwertfehler (RMSEx,y)

in Bezug auf GCPs war <5 m für beide Bilder, was als angemessen angesehen wird, da es die Hälfte der SPOT5-Bildpixelgröße ist.

Langfristige Veränderungen der jährlichen Temperatur und des Niederschlags wurden anhand von Klimaaufzeichnungen ausgewertet, die von Servicio Nacional de Meteorologı´a e Hidrologı´a (SENHA-MI), Peru, bereitgestellt wurden. Klimastationen befinden sich auf der Westseite der Cordillera Blanca, von der Ostseite gibt es keine langfristigen Klimaaufzeichnungen (Abb. 1). Wir wählten Klimastationen nach zwei Kriterien aus: (1) kontinuierliche und vollständige Langzeitaufzeichnungen von 30 Jahren von 1970 bis 1999 und (2) Darstellung eines Höhengradienten von 3000 bis >4000 m (Tabelle 1). Wir werteten die statistische Signifikanz von Temperatur- und Niederschlagstrends aus und bestimmten die linearen Steigungen für signifikante Trends mit dem nicht-parametrischen Mann-Kendall-Test (Del Rı´o und andere, 2007).

Gletscherabgrenzung und -analyse

Wir testeten verschiedene Bildklassifizierungstechniken wie Single-Band-Verhältnisse und Ratio-Bilder mit verschiedenen Bandkombinationen sowie unüberwachte Klassifizierungstechniken (ISODATA) und überwachte Techniken (Maximum-Likelihood-Klassifizierung). Das Normalized-Difference-Snow-Index-(NDSI)-Verfahren (Hall und andere, 1995) erwies sich auf der Grundlage der visuellen Inspektion von Farbzusammensetzungen als überlegen gegenüber anderen Bandkombinationen. Die NDSI ist eine robuste, einfach anzuwendende Methode und weniger lichtempfindlich

Variationen als Nicht-Ratio-Techniken. Die Technik ähnelt dem normalisierten Differenz-Vegetationsindex (NDVI), der für die Vegetationskartierung verwendet wird und wird als (VIS – NIR)/ (VIS + NIR) berechnet. Es nutzt die hohen Helligkeitswerte von Schnee und Eis in den sichtbaren Wellenlängen (0,4–0,7 mm) gegenüber einem niedrigen Helligkeitswert im nahen und mittleren Infrarot (0,75–1,75 mm), um sie von dunkleren Bereichen wie Gestein, Erde zu trennen oder Vegetation. Der NDSI ist auch nützlich, um Wolken zu unterscheiden, wenn das 1,6–1,7-mm-Band verfügbar ist (Band 4 von SPOT), da Wolken bei diesen Wellenlängen reflektieren und Schnee/Eis absorbiert (Dozier, 1984). Band 4 wurde mit einem bilinearen Verfahren auf 10 m neu abgetastet, um die Auflösung der sichtbaren Banden zu erreichen. Das resultierende NDSI-Bild mit Werten von –1 bis 1 wurde mit einem Schwellenwert von 0,5 segmentiert, um eine binäre Karte von Gletscher-/Nichtgletscherbereichen zu erhalten. Mit Schutt bedeckte Gletscher wurden manuell mit einer aus dem DEM abgeleiteten Hangkarte und einer farbigen zusammengesetzten Karte (SPOT 234) digitalisiert. Die rohen Eispolygone wurden visuell auf Klassifizierungsfehler wie anhaltender saisonaler Schnee, Felsaufschlüsse und Moränen überprüft. Die Eisteilungen wurden unter Verwendung von Befehlen zur Abgrenzung von Wassereinzugsgebieten gemäß dem Protokoll von Manley (im Druck) berechnet. Die resultierenden Eisspalten wurden visuell inspiziert und manuell verfeinert, basierend auf einer schattierten Reliefkarte, die aus dem DEM von 1970 erstellt wurde.

Um die Eismasse in Gletscher aufzuteilen, haben wir die GLIMS-Definition eines 'Gletschers' verwendet, die auf die Fernerkundung zugeschnitten ist und den Standards des World Glacier Monitoring Service (WGMS) entspricht (BH Raup und SJS Khalsa, http://www.glims.org /MapsAndDocs/assets/GLIMS_Analysis_Tutorial_a4.pdf). Die mit dem Gletscher verbundenen Eiskörper über dem Bergschrund gelten nach diesen Standards als Teil des Gletschers, da sie Schnee (durch Lawinen) und Eis (durch Kriechströmung) zur Gletschermasse beitragen (Raup und Khalsa, http://www.glims.org/MapsAndDocs/assets/GLIMS_Analysis_Tutorial_a4.pdf). Wir haben exponiertes Gestein, einschließlich Nunataks und schneefreie steile Felswände, aus den Berechnungen der Gletscherfläche ausgeschlossen. Jedem Gletscher wurde eine ID basierend auf seiner geografischen Lage (Breiten- und Längengradkoordinaten) zugewiesen. Gletscherfragmente, die von 1970 bis 2003 von einem Hauptgletscher getrennt wurden, erhielten eine einzige ID dieses Elterngletschers, um einen späteren Vergleich mit dem Inventar von 1970 zu erleichtern. Die resultierenden Polygone wurden gemäß den Vorgaben von Raup und Khalsa als „inneres Gestein“, „Gletschergrenze“, „Proglazialseen“, „Supraglazialseen“ und „Trümmergrenze“ kodiert (http://www.glims.org/MapsAndDocs/assets .). /GLIMS_Analysis_Tutorial_a4.pdf). Die Genauigkeit der vom SPOT abgeleiteten Gletscherumrisse wurde berechnet

Tabelle 1. Klimastationen mit vollständigen Aufzeichnungen von 1970 bis 1999 (Abb. 1), mit gemessenen Parametern und der Gesamtveränderung über die 30 Jahre

Zeitraum. Temperatur- und Niederschlagstrends für den Zeitraum 1970–99 für die verschiedenen Höhen basieren auf dem nicht-parametrischen Mann-Kendall-Test

Klimastation Mann–Kendall Ergebnisse

Parameter für die Namenserhöhung p-Wert T P Gesamtveränderung 1970–99

m 8C a–1 mm a–1 Huaraz 3038 Temperatur 0,00015 0,09 – +2,798C Recuay 3394 Temperatur 0,00043 0,05 – +1,558C Lamalto 4030 Temperatur 0,00008 0,03 – +0,938C Chavin 3150 Niederschlag 0,14854 – –5,92 –183,52 mm Llanganuco 3800 Niederschlag 0,75962 – 0,84 +26,04 mm Paron 4100 Niederschlag 0,69585 – –1,16 –35,96 mm

unter Verwendung des „Perkal-Epsilon-Bands“ und implementiert als Pufferoperation in Vektor-GIS (Perkal, 1966, Burrough und McDonnell, 1998). Es wurde gezeigt, dass diese Methode den Fehler leicht überschätzt (Hoffman und andere, 2007). Digitalisierungsfehler und „sliver“-Polygone, die durch Overlay-Operationen in Mismatch-Bereichen entstanden (Burrough und McDonnell, 1998) wurden manuell eliminiert. Verwechslungen zwischen beschatteten Gletscherbereichen und inneren Gesteinen wurden durch den Vergleich dieser Bereiche mit der hochwertigen 1 : 100 000 Alpenvereinskarte Cordillera Blanca (Moser ua, 2000) beseitigt, um Klassifikationsfehler zu minimieren. Den SPOT5-Gletscherumrissen wurden Positionsgenauigkeiten zugewiesen und in die GLIMS-Gletscherdatenbank (http://nsidc.org/glims) aufgenommen, die im US National Snow and Ice Data Center (NSIDC) in Boulder (AE Racoviteanu und Y. Arnaud, http, ://www.glims.org).

Die Analyse der Gletscherveränderungen wurde auf verschiedenen räumlichen Skalen durchgeführt, sodass wir unsere Ergebnisse mit denen anderer Forscher vergleichen konnten. Die räumlichen Domänen mit ihren Ausdehnungen und Charakteristiken sind in Tabelle 2 dargestellt. Die räumliche Domäne 1 umfasst Gletscher, die von den beiden SPOT-Szenen umgeben sind (Abb. 1). Die beiden nördlichsten Gruppen Rosco und Pelegatos) und zwei südlichste Gruppen (Pongos und Caullaraju) lagen außerhalb der beiden SPOT-Bilder und wurden nicht in diese Domäne aufgenommen. Wir haben zuerst die 2003 von SPOT abgeleiteten Gletscherumrisse mit dem Inventar von 1970 für diese Domäne verglichen, um Veränderungen in der Gletscherfläche, der Höhe des Gletscherendes und der mittleren Höhe des Gletschers abzuleiten. Wir konstruierten Gletscherhypsographien aus den Umrissen von 1970 und 2003 unter Verwendung von Erhebungen aus dem 1970er DEM für

beide Datensätze. Für jeden Gletscher im Raumbereich 1 haben wir seine Fläche, Endhöhe, maximale Höhe, mittlere Höhe, durchschnittlichen Neigungswinkel und durchschnittliche Ausrichtung mit gitterbasierter Modellierung und Zonenfunktionen berechnet. Gletscher, die in verschiedene Teile brachen, wurden gezählt und als Teil desselben „Mutter“-Gletschers analysiert.

Die räumliche Domäne 2 ist eine Teilmenge der räumlichen Domäne 1, die 367 Gletscher umfasst, die etwa 71% der vergletscherten Fläche bedecken, ausgewählt basierend auf: (1) Eisspalten im Jahr 2003, die denen aus dem Inventar von 1970 sehr gut entsprechen (2) Gletscherfläche größer als a Cut-off-Wert von 0,01 km2, der sehr kleine Gletscher eliminiert und (3) minimale Schuttbedeckung auf Gletscherzungen. Wir untersuchten Veränderungen der Gletscherfläche von 1970 bis 2003 und korrelierten diese Veränderungen mit Gletscherparametern unter Verwendung von GIS-Methoden und univariaten Statistiken. Die Analyse der Gletscher im räumlichen Bereich 1 wurde getrennt für Gletscher an der Ost- und Westseite der Cordillera Blanca durchgeführt.

Der räumliche Bereich 3 ist die gesamte vergletscherte Fläche, die vom Inventar des Institut Ge´ographique National (Frankreich) (IGN) von 1970 (Ames und andere, 1989) abgedeckt wurde und entspricht unserem räumlichen Bereich 1 plus den vier Berggruppen am Nord- und Südrand der SPOT-Szenen (Abb. 1). Um die Fläche dieser Gletscher außerhalb der SPOT-Bilder im Jahr 2003 abzuschätzen, verwendeten wir die von Kaser und anderen (1996) und Georges (2004) entwickelte Rezessionstechnik. Der als Area2003/Area1970 berechnete Gesamtrezessionsfaktor wurde aus dem Raumbereich 1 abgeleitet und auf die fehlenden Gebirgsgruppen angewendet.

RESULTATE UND DISKUSSION

Das SPOT5-Gletscherinventar: räumliche Domäne 1

Die Klassifikation der beiden SPOT5-Satellitenbilder im Jahr 2003 ergab 485 Gletscher mit einer Fläche von 516,1 km2. Von diesen hatten 57 Gletscher mit Schutt bedeckte Zungen mit einer Gesamtfläche von 14,9 km2, was 3% der gesamten vergletscherten Fläche entspricht.

Tabelle 2. Die für die Analyse verwendeten räumlichen Domänen mit ihren Eigenschaften

Räumliche Domäne Nr. Anzahl Gletscher Beschreibung

1 485 Von den beiden SPOT5-Satellitenbildern abgedeckter Bereich. Dasselbe wie das Gebiet von Ames und anderen (1989), abzüglich der Berggruppen Pongos, Caullaraju, Rosco und Pelegatos, die von den SPOT-Szenen nicht abgedeckt wurden.

2 367 Teilmenge des räumlichen Bereichs 1. Dazu gehören Gletscher, deren Eisspalten im alten Inventar von 1970 und dem von SPOT abgeleiteten Inventar von 2003 übereinstimmen.

3 571 Das gesamte Gebiet der Cordillera Blanca, das in das Inventar des IGN 1970 aufgenommen wurde (Ames und andere, 1989). Dazu gehören die Berggruppen Pongos, Caullaraju, Rosco und Pelegatos.

Tabelle 3. Vergleich von IGN 1970 und SPOT 2003 Gletscher

Inventare für den räumlichen Bereich 1. Die Gletscherhöhen basieren auf dem DEM von 1970 für die IGN 1970- und SPOT 2003-Datensätze

Inventar / Parameter IGN 1970 SPOT 2003 min. max. Mittlere Min. max. Bedeuten Min. Z (m) 4127 5370 4750 4204 5369 4881 Mittel Z (m) 4328 5557 5086 4420 5695 5150 Hang (8) 13 48 31 12 52 32 Aspekt (8) 0 359 187 0 359 193 Fläche (km2) 0,03 18,44 1,48 0,006 16,17 1,07 Anzahl Gletscher glacier 445 485 Gesamtfläche (km2 .)) 665.1* 516.1 Flächenveränderung 1970–2003 (%) 22:4

*Dieser Bereich unterscheidet sich von dem von Ames und anderen (1989), da für diese Studie das IGN-Inventar so beschnitten wurde, dass es der Ausdehnung des Raumbereichs 1 entspricht.

Tabelle 4. Vergleich der Gletscherparameter im Osten vs

Westseite der Cordillera Blanca (CB) für die Gletscher im Raumbereich 1

SPOT 2003 Steigung Min Z Med Z Aspektbereich

CB West 32 4914 5188 210 1,06 CB Ost 32 4812 5072 156 1,09

Deskriptive Statistiken für die 485 Gletscher, die aus SPOT-Bildern abgeleitet wurden, sind in Tabelle 3 dargestellt. Die Höhen der Gletscherenden reichen von 4204 bis 5369 m mit einem Mittelwert von 4881 m. Im Durchschnitt liegen die Gletschertermini am Westhang der Cordillera Blanca (4914 m) 102 m höher als am Osthang (4812 m) (Tabelle 4). Die mittlere Höhe der Gletscher im Raumbereich 1 reicht von 4420 bis 5695 m mit einem Durchschnitt von 5150 m (Tabelle 3). Die Gletscher auf der Westseite der Cordillera Blanca sind im Mittel 116 m höher als auf der Ostseite (Tabelle 4). Die mittlere Höhe der Gletscher nimmt von Südwesten nach Nordosten ab, ein Trend, der durch eine geneigte Oberfläche dargestellt wird, die nach Nordosten ausgerichtet ist. This southeast–northwest trend in glacier termini and median elevation reflects the orographic effect of the Cordillera Blanca, and is consistent with the regional gradient noted in previous studies (Kaser and Georges, 1997). On the eastern side, increased precipitation due to orographic uplift from the Amazon basin favors the extension of glacier termini to lower elevations and induces lower ELAs (Kaser and Georges, 1997).

SPOT-derived glaciers range in size from 0.006 to 16.17 km2, with a mean size of 1.07 km2 (Table 3). There are only five glaciers with area smaller than 0.01 km2, which are remnants of larger glaciers. The frequency histogram of glacier area (Fig. 2) shows the non-linear decrease in the number of glaciers with glacier size, suggesting that small glaciers (<1 km2) are much more common than large glaciers (>10 km2). For example, 73% of glaciers are smaller than 1 km2, and 48% of glaciers are smaller than 0.3 km2. The Cordillera Blanca may be particularly sensitive to small changes in climate because of the large number of small glaciers.

On average, glaciers on the eastern side of the Cordillera are slightly larger than those on the western side (Table 4). There is a negative correlation between terminus elevation and glacier area (r¼ –0.6): larger glaciers tend to extend down to lower elevations, while smaller glaciers have higher termini. These patterns were observed in other glacier areas (e.g. Alaska Brooks Range (Manley, in press) and the Swiss glaciers (Ka¨a¨b and others, 2002)).

The average slope of the glaciers in spatial domain 1 is 328 (Table 3), with an almost normal distribution (Fig. 3). The average glacier orientation is 1938 (southwest) (Table 3), with 32% of the glaciers oriented towards the south and southwest (Fig. 4). These results are similar to the Ames and

others (1989) inventory from 1970, which reported an average orientation of 1878 (Table 3). In the outer tropics of the Southern Hemisphere, these aspects are more shaded in the day during the wet (accumulation) season (Mark and Seltzer, 2005). Hence, the net energy balance is likely lower on southwest-facing aspects during the wet season, favoring precipitation as snow compared to rain, and reducing ablation from sublimation and melt.

The comparison of glacier statistics for the 1970 and 2003 inventories (Table 3) points to some changes in glacier parameters in spatial domain 1. The digital version of the 1970 IGN inventory covered an area of 665.1 km2. The SPOT-derived glacier area was 516.1 km2in 2003, indicat-ing a loss in glacier area of 22.4% in 33 years (0.68% a–1). The average glacier size decreased by about 0.4 km2 from 1970 to 2003 (Table 3). At the same time, the number of glaciers increased from 445 in the IGN inventory to 485 in the SPOT inventory, perhaps due to the disintegration of ice bodies. Similar fragmentation trends have been reported from other glacierized areas of the world (Paul and others, 2004 Kulkarni and others, 2007) and have been associated with thinning of the glacier surface which favored break-up.

Fig. 2. Area frequency distribution of the 485 glaciers in spatial

do-main 1 of the Cordillera Blanca, derived from the analysis of SPOT5 images. Glaciers smaller than 1 km2are prevalent in this area.

Fig. 3. Slope frequency distribution of the 485 glaciers in spatial

domain 1. On average, glaciers in this area are steep, with a mean slope of 328.

Fig. 4. Aspect frequency distribution of the 485 glaciers in spatial

domain 1. Numbers represent the percent of glacier area in 22.58 aspect bins. Glaciers in the Cordillera Blanca have a southwest preferred aspect.

The difference in glacier hypsographies corresponding to 1970 and 2003 glacier outlines (Fig. 5) shows the decrease in glacier area along with the shift of glacier ice to higher elevations. The largest loss in glacier area ( 80 km2) oc-curred between elevations of 4800 and 5100 m, with little change in glacier extents above 5400 m.

Glacier-by-glacier comparison for spatial domain 2

For the subset of 367 glaciers selected for detailed analysis, the loss in glacier area ranged from 90.9% to 1.3%, with an average loss of 22.1% (Table 5). There was no statistically significant difference in glacier area changes between 1970 and 2003 for glaciers located on the western side (–22.2%) vs those located on the eastern side (–21.9%) of the Cordillera Blanca at the 95% confidence interval. On average, small glaciers (<1 km2) lost more of their area from 1970 to 2003 (Fig. 6). The non-linear relationship between glacier size and percent area loss is significant at the 95% confidence interval (p < 0.05). There is high variability in the percent area lost by small glaciers, ranging from 2% to 90% (Fig. 6). The wide range in the magnitude of glacier area changes for small glaciers (<1 km2) may be partly explained by factors such as (a) differences in the maximum elevation of glaciers relative to their ELAs, (b) the elevation of the mountain on which they are located and (c) the altitudinal range of the glaciers. First, we found a significant negative relationship between percent area change and the

difference between the maximum elevation of the glacier and its median elevation. This indicates that glaciers with median elevations closer (in altitude) to their maximum elevations are losing more area. Second, regression analysis showed a significant negative relationship between the maximum elevation of the glacier (at the head) and the percent area loss (p < 0.05), indicating that glaciers located on lower summits are also losing more area. Third, we found a significant negative relationship (p < 0.05) between the change in area vs the altitudinal range of a glacier, calculated as maximum minus minimum elevation. This suggests that glaciers with a smaller altitudinal range are losing more of their area. Correlation analysis showed that small glaciers tend to have both smaller altitudinal ranges and median elevations closer to the glacier head (r¼ 0.7).

These statistical results support the idea that small glaciers with narrow altitudinal range are losing more of their area, also noted in other studies in the area (Kaser and Osmaston, 2002 Mark and Seltzer, 2005). This may be explained by the fact that a change in local climate may raise the ELA of those glaciers above their maximum elevation, putting the whole area of the glacier in the year-round ablation zone (Kaser and Osmaston, 2002). In contrast, larger glaciers have a very wide altitudinal range, with ELAs well below the maximum elevation at the glacier head.

We noted a difference in the area changes of clean glaciers vs glaciers with debris-covered tongues. Of the 367 glaciers selected for analysis, only 19 were covered by debris, comprising 0.8% of the area of spatial domain 2. On average, these glaciers had a change of 13.3% in area, which is 8.7% less than the system as a whole. The remain-ing 348 clean glaciers lost on average 23.3% of their areas. The debris-covered glacier tongues appear to lose area at a slower rate than ‘clean’ glacier tongues. Thick debris on glacier tongues was shown to insulate the underlying ice and to prevent melting (Nakawo and Rana, 1999). However, the slower rate of area loss by debris-covered glaciers did not influence the overall calculation of glacial retreat because of the small area represented by debris cover.

Glacier termini in this subset area shifted upwards by 113 m on average. The rise in glacier terminus elevations was 38% larger (137 m) on the eastern side of the divide than on the western side (99 m). On average, median elevations

Table 5. Glacier elevation and area changes from 1970 (IGN

digital inventory) to 2003 (SPOT-derived glacier outlines) for the 367 selected glaciers in spatial domain 2

Area change Median Z change Terminus Z change % m m Eastern CB 135 –21.9 +69.4 +136.76 Western CB 232 –22.2 +63.2 +99.4 All glaciers 367 –22.1 +65.6 +113.4

Fig. 5. Distribution of glacier area with elevation in 1970 (black

bars) and 2003 (grey bars). The hypsographies are constructed from the 1970 DEM for the 1970 IGN glacier outlines and the 2003 SPOT glacier outlines. Most of the loss in glacier area occurred below 5400 m the shift of glacier ice to higher elevations is also notable.

Fig. 6. Non-linear relationship between percent area loss and glacier

size from 1970 to 2003 for the 367 glaciers included in spatial domain 2 (grey circles) curve fit using a second-order power function.

increased by 66 m, with 10% more on the eastern side (69 m) than on the western side (63 m) (Table 5). The differences in terminus and median elevation changes between the western and eastern sides may be climate-driven. Glaciers on the wetter eastern side extend to lower elevations due to the increased moisture by convection from the Amazon, which favors lower snowlines (Kaser and Georges, 1997). The greater increase in glacier terminus and median elevations on the wetter eastern side suggests that these glaciers may be more sensitive to climatic change.

The comparison of 2003 SPOT-derived outlines with the 1970 outlines for the Huascara´n–Chopicalqui massif (Fig. 7) illustrates a few spatial patterns in the behavior of individual glaciers in the last three decades. We note (1) differential rates of retreat of glacier tongues, ranging from 100 to 800 m, (2) the stagnation of the debris-covered tongues, (3) an increase in the number of glaciers from 18 to 26 from 1970 to 2003, indicating the disintegration of ice bodies into smaller parts, (4) slight differences in the ice divides between the two sets of outlines, and (5) digitizing errors in 1970 glacier outlines, pointing to an apparent advance in the Huascara´n area. Debris-free Huascara´n–Chopicalqui gla-ciers lost 18.67% of their area from 1970 to 2003, which is about 4% less than the retreat at the entire extent of spatial domain 1. These glaciers have continued their recession at approximately the same rate as during the decades 1920–70, noted by Kaser and others (1996).

Glacier area change for the entire mountain range (spatial domain 3)

The overall factor of glacier recession for the area covered by spatial domain 1 was 516.1 km2/665.1 km2¼ 0.77. Using this recession factor, we estimated the glacier area for the Pongos, Caullaraju, Rosco and Pelegatos mountain groups to be 53.5 km2. After adding these glaciers to the area in spatial domain 1, and applying a GIS ‘buffer’ method, we estimated the glacier area for the entire Cordillera Blanca to be 569.6 21 km2 in 2003. The rate of change from 1970 to 2003 derived from this study is –0.68% a–1, which is consist-ent with recession trends documconsist-ented in other studies in the

same area (Kaser and others, 1990, 1996 Hasternath and Ames, 1995 Georges, 2004 Silverio and Jaquet, 2005) (Table 6 Fig. 8). The recession trends of Cordillera Blanca glaciers are also consistent with the behavior of other tropical glaciers in the last three decades: southern Peruvian Andes– Nevado Coropuna (–0.7% a–1 from 1962 to 2000) (Racov-iteanu and others, 2007) Qori Kalis glacier, eastern Peruvian Andes (–0.6% a–1) (Thompson and others, 2006) Kiliman-jaro, Tanzania (–1.15% a–1from 1970 to 1990) and Kenya (–0.8% a–1from 1963 to 1993) (Kaser, 1999). Rates of glacier loss were slightly lower at mid-latitudes in the same period: Tien Shan (0.5% a–1 from 1977 to 2001) (Khromova and others, 2003) Swiss Alps (0.6% a–1from 1973 to 1999) (Ka¨a¨b and others, 2002 Paul and others, 2004) and western India (0.53% a–1from 1962 to 2001) (Kulkarni and others, 2007) (Fig. 8). These results suggest that low-latitude glaciers may experience larger changes in area than mid-latitude glaciers.

Temperature and precipitation trends, 1970–99

Annual air temperature showed an upward trend at all three climate stations with a complete 30 year record (Fig. 9). The Mann–Kendall results show a significant increase in annual air temperature at all three sites for ¼ 0.05 (Table 1). In contrast to annual air temperatures, annual precipitation trends from two out of three climate stations in the Cordillera Blanca with a complete 30 year record (Fig. 10) have a negative trend, which is not significant at ¼ 0.05 (Table 1). There appears to be an elevational dependency on the rate of air-temperature increase, with air temperature increasing faster at lower elevations. The increase in air temperature at the lowest-elevation site (3000 m) of 0.0928C a–1was about three times the rate of air-temperature increase at the highest-elevation site (4100 m) of 0.0348C a–1. Vuille and Bradley (2000) also point to an elevation dependency of air-temperature changes based on empirical data from the western side of the Andes, in agreement with our results. They found a warming trend (1939–98) which decreased linearly with altitude, ranging from 0.398C (10 a)–1 at elevations less than 1000 m to 0.168C (10 a)–1 at elevations greater than 4000 m. Similar trends were noted in a recent

Fig. 7. Glacier change in the Huascara´n–Chopicalqui massif from 1970 (black curves) to 2003 (light grey curves). The SPOT scene is shown

as three-dimensional perspective using the 1970 topography. Labels point to: (a) retreat of glacier tongues (b) debris-covered tongues (c) the disintegration of glaciers (d) differences in ice divides (e) a digitizing error in the 1970 inventory, suggesting a false advance of the glacier terminus and (f) internal rock outcrops subtracted from glacier area calculations.

study in western North America. Regonda and others (2005) suggested higher rates of increasing air temperature at lower elevations based on analysis of climate data from 1950 to 1999. Vuille and others (2003, p. 84) point out that ‘the vertical structure of the warming trend in the tropics is different than what is observed in Tibet or the European Alps, where the warming is more pronounced at higher elevations. However, the high altitude warming in those regions is probably related to a decrease in spring snow cover, lower albedo values and a positive feedback on temperature (Liu and Chen, 2000)’. In contrast, these mechanisms are not important in the tropics due to a lack of thermal seasonality (Kaser and Georges, 1999).

These climate trends may help interpret our results of glacier area changes in the Cordillera Blanca in the last three decades. One possibility is that the pronounced upward shift of glaciers on the eastern side of the cordillera may be a reaction to larger temperature increases at lower elevations, coupled with a slight decrease in precipitation. Changes in air temperature may affect tropical glaciers in two ways: (1) by increasing ablation rates and (2) by shifting the position of the 08C isotherm and thus determining whether precipitation falls as rain or snow at a particular point. For central Chile, Carrasco and others (2005) showed an increase in the elevation of the 08C isotherm by as much as 122 m during the winter, and 200 m during the summer, from 1975 to 2001. Larger increases in air temperature at

lower elevations result in a large upward shift of the 08C isotherm, causing more precipitation to fall as rain than as snow at higher elevations. This diminishes the accumulation area and reduces the local albedo, which in turn increases the net solar radiation and promotes enhanced melting rates at lower elevations. This positive albedo feedback may partly explain the reaction of glaciers on the eastern side to climatic changes. However, we acknowledge that the response of individual glaciers to these fluctuations in climate variables is not uniform, and also depends on local topographic factors such as slope, aspect and glacier hypsometry, as well as thermal distribution of snow/ice and ice-flow dynamics.

Besides these local interactions, strong patterns of loss may be associated with larger atmospheric patterns related to El Nin˜o–Southern Oscillation (ENSO) events (Wagnon and others, 2001 Francou and others, 2004). For example, higher ablation rates were observed on Glaciar Zongo (Wagnon and others, 1999) and Glaciar Chacaltaya (Wag-non and others, 2001) in Bolivia during the El Nin˜o 1997–98 event. In a recent study, Vuille and others (2007) found the negative mass balance of glaciers in the Cordillera Blanca is correlated with dry warm phases of ENSO. During such events, higher temperatures affect mass balance either directly by decreasing the percent of precipitation falling as snow, or indirectly by lowering the surface albedo and increasing the amount of shortwave radiation absorbed (Francou and others, 2000). It is quite possible that the glacier retreat in the last three decades in the Cordillera Blanca may be a cumulative result of negative mass balance over prolonged periods, related to warm dry phases of ENSO. Lastly, we need to consider the observed retreat of Cordillera Blanca glaciers in the context of longer-term climatic trends in the region. Kaser (1999) concluded that glaciers of the Cordillera Blanca have been in a state of general retreat following their maximum extent at the end of the Little Ice Age around the mid-19th century, with a large advance in the 1920s and a smaller advance in the 1970s. Since the 1970s, glaciers have started to retreat again at accelerated rates (Kaser, 1999). This continued retreat suggests that the small glaciers of the Cordillera Blanca have not yet adjusted to the warmer temperatures since the 1970s, and are still in disequilibrium with the present-day climate.

Uncertainties and limitations

Because our study integrates various data sources at different spatial and temporal resolutions, evaluating sources of uncertainty and their effect on glacier change estimations

Fig. 8. Rates of area change in other glacierized areas of the world,

expressed as % a–1 based on various studies. Dark grey bars represent glaciers situated in the tropics light grey bars represent mid-latitude glaciers.

Table 6. Comparison among different estimates of ice extent for the entire Cordillera Blanca (spatial domain 3) from previous studies. Das

rate of area change is given with respect to the 1970 glacier inventory (Ames and others, 1989)

Year Study Area Data source Rate of area loss since 1970

1970 Ames and others (1989) 723.3 1970 aerial photography – 1970 Georges (2004) 658.6 Re-evaluation of 1970 aerial photography – 1986 Silverio and Jaquet (2005) 643 43 1986 Landsat 0.69 1990 Georges (2004) 618.8 1987/1991 SPOT XS 0.72 1997 Morales-Arnao (1999) 611 1995/1997 Landsat 0.58 1997 Silverio and Jaquet (2005) 600 61 1997 Landsat 0.67 2003 This study 569.6 21 2003 SPOT5 0.68

is crucial. Sources of uncertainty in this study arise from: (1) errors embedded in the various data sources used (remote sensing-derived data, 1970 topographic maps and aerial photography, GPS measurements and climate station data) (2) processing errors associated with DEM generation from 1970 topographic maps, glacier delineation algorithms, resolution manipulation, raster to version conversion, and misidentification of ice bodies and (3) conceptual errors associated with defining a glacier and differences in delineating ice divides in various datasets.

Positional uncertainties in the 2003 glacier outlines from orthorectification of the SPOT5 imagery are minimal. The horizontal root-mean-square error (RMSEx,y) from

ortho-rectification was <5 m with respect to GCPs, and is con-sidered negligible. We estimate the accuracy of the glacier outlines derived from image classification to be one pixel (10 m), as cited in most accuracy studies (Congalton, 1991 Zhang and Goodchild, 2002). The overall error in glacier area, estimated using the GIS ‘buffer’ method, is 3.6%, or 21 km2.

Other errors in SPOT5 data processing are associated with the precision of geographical coordinates (the number of bits used to store geographical coordinates) spurious polygons called ‘sliver’ polygons atmospheric and topo-graphic effects and data smoothing during resampling. These are also considered minimal. Atmospheric effects are negligible. Topographic effects caused by differential solar illumination of the Earth’s surface in the complex terrain of the Cordillera Blanca are minimized with the use of the NDSI classification method. Other sources of error in the SPOT5 imagery, including limitations of the sensor itself, such as the sensor’s instantaneous field of view (IFOV), altitude, velocity and attitude (Dungan, 2002), point-spread function (PSF Manslow and Nixon, 2002) and spectral mixing (Atkinson, 2004 Foody, 2004), are of unknown extent, but considered negligible.

We acknowledge that our estimates of glacier elevations are highly sensitive to the quality of the DEM used for analysis. Previous studies (Ka¨a¨b and others, 2003 Berthier and others, 2006 Racoviteanu and others, 2007) have shown the difficulty of distinguishing between glacier

surface elevation changes and the bias present in DEMs constructed from various sources, including the Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) and Shuttle Radar Topography Mission (SRTM). In this study, we used a single set of elevations derived from 1970 topographic data to extract glacier parameters. This ignores potential changes in glacier elevations that may have occurred since the 1970s, but minimizes the bias introduced by using different elevation datasets.

However, the largest source of error in this study comes from measurement errors embedded in the 1970 glacier data derived from topographic maps and aerial photography, which affect the comparison with the SPOT-derived glacier areas. Errors in the 1970-derived DEM may be due to (1) difficulties in the stereoscopic process in the accumu-lation areas of glaciers due to lack of contrast in the aerial photos, resulting in misinterpretation of glacier elevations, (2) whether or not the aerial photographs were orthorecti-fied, (3) digitizing errors, particularly in glacier areas covered by debris, and (4) the accuracy of the interpolation algorithm used to create a DEM. The horizontal accuracy of the topographic DEM is estimated to 12.5 m, which is only 2.5% larger than one pixel size of the SPOT imagery (10 m), and its vertical accuracy is 18 m. Errors embedded in processing of the 1970 aerial photographs are unknown, but some of them were discussed by Georges (2004). He re-analyzed the 1970 images of the Cordillera Blanca using land-based photos, and found the glacier area in 1970 to be 658.6 km2, instead of 723.3 km2 as reported by Ames and others (1989). This suggests that the glacierized area was overestimated by as much as 10% in the inventory of Ames and others (1989). For our study, this results in a difference of 7% in the estimate of glacier change from 1970 to 2003 depending on whether the glacier area from Ames and others (1989) or Georges (2004) is used as baseline.

Lastly, there are conceptual errors related to confusion over the definition of a glacier, and/or the lack of standard-ized methods for abstracting and representing a glacier in a GIS database. This poses issues related to: (1) how ice divides should be defined (2) whether or not internal rocks should be included as part of area calculations (3) whether

Fig. 10. Mean annual precipitation trends from three climate

sta-tions on the western side of the Cordillera Blanca for the period 1970–99. There is a slight decrease in precipitation at all elevations, with high variability in annual precipitation from year to year.

Fig. 9. Mean annual temperature trends from three climate stations

on the western side of the Cordillera Blanca for the period 1970– 99. There is an accentuated increase in temperature at lower elevations ( 3000 m) in the last three decades.

perennial snowfields should be considered part of the glacier (4) what threshold for surface area, if any, should be used for glacier delineation (5) how fragmented glaciers should be treated (6) whether steep rock walls that avalanche snow onto a glacier should be included as part of the glacier and (7) whether ‘inactive’ bodies of ice above a bergschrund connected to a glacier should be considered as part of the glacier. Currently, there is no consensus within the glaciological community on these issues. For example, some previous inventories (e.g. Georges, 2004) excluded the inactive parts at the heads of glaciers, whereas our study included them. Furthermore, our SPOT ice divides, derived by semi-automatic methods, did not match perfectly the ice divides from the 1970 inventory. We also assumed no migration of ice divides. While at the mountain-range scale these inconsistencies seemed to cancel out, the area com-parison on a glacier-by-glacier basis was more prone to uncertainty. This shows the need to establish standard processing protocols for deriving glacier change from various data sources, which is addressed by efforts within the framework of the GLIMS project.

CONCLUSIONS AND FURTHER WORK

We have combined geospatial analysis techniques with remote-sensing and field data to document spatial patterns of glacier changes in the Peruvian Cordillera Blanca from 1970 to 2003. Storing the glacier outlines in a GIS enabled us to perform spatial analyses at different scales, and to update glacier statistics for the entire mountain range. This is the first comprehensive geospatial glacier inventory for the Cordillera Blanca since 1970. We summarize as follows: 1. Glaciers of the Cordillera Blanca lost 22.4% of their area

from 1970 to 2003, with no significant difference between glaciers on the eastern and western side of the divide

2. Small low-lying glaciers, with a large proportion of their area in the ablation zone, lost ice at higher rates than larger glaciers

3. Debris-covered glaciers lost a smaller proportion of their area than clean glaciers

4. There is a notable shift in glacier ice to higher elevations, with more pronounced shifts on the eastern side of the cordillera

5. Mean temperature increases over the past three decades have been greater at lower elevations than at higher elevations, with little change in precipitation.

Further work is needed to use these multitemporal datasets, derived from various remote sensors, for glacier change detection and mass-balance applications. In particular, careful error evaluation and quantification of each data source used for change detection are critical. Inconsistencies among the various datasets, and the errors inherent in the data sources used by previous studies constitute the main source of uncertainty in our estimations of glacier change. Uncertainty and error propagation need to be better addressed in the context of glaciological studies using available GIS technologies detailed in recent studies (Burrough and McDonnell, 1998 Atkinson and Foody, 2002 Zhang and Goodchild, 2002 G.B.M. Heuvelink, http://www.ncgia.ucsb.edu/giscc/units/u098/u098.html). Zum

future work, we suggest the following steps to minimize inconsistencies: (a) consistency in defining the inactive parts of the glaciers (b) deriving ice divides automatically, to be used consistently for all subsequent glacier datasets (c) using an agreed definition of what a ‘glacier’ includes (e.g. nunataks and supraglacial lakes) (d) deriving accurate elevation datasets from each time-step to quantify changes in glacier volume and (e) developing robust algorithms for automatic mapping of debris-covered glaciers. Once these procedures are in place, further work can be undertaken towards using multitemporal glacier datasets for mass-balance studies and estimations of future water resources.

We thank the Great Ice research unit of the Institut de Recherche pour le De´veloppement, France, for providing access to SPOT satellite images, software and field support the GLIMS project at the NSIDC for facilitating data transfer and providing input the Peruvian National Meteorological and Hydrological Service (SENHAMI) for providing unpub-lished climate data the Peruvian National Institute of Natural Resources (INRENA) Glaciology Unit (J. Gomez Lo´pez and M. Zapata) for providing logistical support and help in the field data collection stage of the project and the Niwot Ridge Long-Term Ecological Research (LTER) project funded by the US National Science Foundation, which provided computer and salary support. Reviews from D. Quincey and C. Huggel improved the quality of the paper.

Aizen, V.B., V.A. Kuzmichenok, A.B. Surazakov and E.M. Aizen. 2007. Glacier changes in the Tien Shan as determined from topographic and remotely sensed data. Global Planet. Change,

Ames, A. and S. Hastenrath. 1996. Mass balance and flow of the Uruashraju glacier, Cordillera Blanca, Peru´. Z. Gletscherkd. Glazialgeol., 32, 83–89.

Ames, A. and 6 others. 1989. Glacier inventory of Peru´, Part 1. Huaraz, Peru, Hidrandina S.A.

Aniya, M., H. Sato, R. Naruse, P. Skvarca and G. Casassa. 1996. The use of satellite and airborne imagery to inventory outlet glaciers of the Southern Patagonia Icefield, South America. Photogramm. Eng. Remote Sens., 62(12), 1361–1369.

Atkinson, P.M. 2004. Resolution manipulation and sub-pixel mapping. In Van der Meer, F.D., ed. Remote sensing data analysis: including the spatial domain. Dordrecht, etc., Kluwer Academic Publishers.

Atkinson, P.M. and G.M. Foody. 2002. Uncertainty in remote sensing and GIS: fundamentals. In Atkinson, P.M., ed. Un-certainty in remote sensing and GIS. Chichester, etc., Wiley and Sons.

Berthier, E., Y. Arnaud, C. Vincent and F. Re´my. 2006. Biases of SRTM in high-mountain areas: implications for the monitoring of glacier volume changes. Geophys. Res. Lett., 33(8), L08502. (10.1029/2006GL025862.)

Berthier, E., Y. Arnaud, R. Kumar, S. Ahmad, P. Wagnon and P. Chevallier. 2007. Remote sensing estimates of glacier mass balances in the Himachal Pradesh (Western Himalaya, India). Remote Sens. Environ., 108(3), 327–338.

Bolch, T. 2007. Climate change and glacier retreat in northern Tien Shan (Kazahkstan/Kyrgyzstan) using remote sensing data. Global Planet. Change, 56(1–2), 1–12.

Burrough, P.A. and R.A. McDonnell. 1998. Principles of Geo-graphical Information Systems. Second edition. Oxford, etc., Oxford University Press.

Carrasco, J.F., G. Casassa and J. Quintana. 2005. Changes of the 08C isotherm and the equilibrium line altitude in central Chile during the last quarter of the 20th century. Hydrol. Sci. J., 50(6), 933–948.

Congalton, R.G. 1991. A review of assessing the accuracy of classifications of remotely sensed data. Remote Sens. Environ.,

Del Rı´o, S., R. Fraile, L. Herrero and A. Penas. 2007. Analysis of recent trends in mean maximum and minimum temperatures in a region of the NW of Spain (Castilla y Leo´n). Theor. Appl. Climatol., 90(1), 1–12.

Dozier, J. 1984. Snow reflectance from Landsat-4 Thematic Mapper. IEEE Trans. Geosci. Remote Sens., 22(3), 323–328. Dungan, J.L. 2002. Toward a comprehensive view of uncertainty in

remote sensing analysis. In Atkinson, P.M., ed. Uncertainty in remote sensing and GIS. Chichester, etc., Wiley and Sons. Foody, G.M. 2004. Sub-pixel methods in remote sensing. In Van der

Meer, F.D., ed. Remote sensing data analysis: including the spatial domain. Dordrecht, etc., Kluwer Academic Publishers. Francou, B., E. Ramı´rez, B. Ca´ceres and J. Mendoza. 2000. Glacier

evolution in the Tropical Andes during the last decades of the 20th century: Chacaltaya, Bolivia and Antizana, Ecuador. Ambio, 29(7), 416–422.

Francou, B., M. Vuille, V. Favier and B. Ca´ceres. 2004. New evidence for an ENSO impact on low-latitude glaciers: Antizana 15, Andes of Ecuador, 08280S. J. Geophys. Res., 109(D18), D18106. (10.1029/2003JD004484.)

Georges, C. 2004. 20th century glacier fluctuations in the tropical Cordillera Blanca, Peru. Arct. Antarct. Alp. Res., 36(1), 100–107. Hall, D.K., G.A. Riggs and V.V. Salomonson. 1995. Development of methods for mapping global snow cover using Moderate Resolution Imaging Spectroradiometer (MODIS) data. Remote Sens. Environ., 54(2), 127–140.

Hastenrath, S. and A. Ames. 1995. Recession of Yanamarey Glacier in Cordillera Blanca, Peru, during the 20th century. J. Glaciol.,

Hoffman, M.J., A.G. Fountain and J.M. Achuff. 2007. Twentieth-century variations in area of cirque glaciers and glacierets, Rocky Mountain National Park, Rocky Mountains, Colorado, USA. Ann. Glaciol., 46, 349–354.

Johnson, A.M. 1976. The climate of Peru, Bolivia and Ecuador. In Schwerdtfeger, W., ed. World survey of climatology. Amster-dam, etc., Elsevier, 147–218.

Ka¨a¨b, A., F. Paul, M. Maisch, M. Hoelzle and W. Haeberli. 2002. The new remote-sensing-derived Swiss glacier inventory: II. Zuerst results. Ann. Glaciol., 34, 362–366.

Ka¨a¨b, A. and 6 others. 2003. Glacier monitoring from ASTER imagery: accuracy and application. EARSeL eProc., 2(1), 43–53. Kargel, J.S. and 16 others. 2005. Multispectral imaging contribu-tions to global land ice measurements from space. Remote Sens. Environ., 99(1–2), 187–219.

Kaser, G. 1999. A review of the modern fluctuations of tropical glaciers. Global Planet. Change, 22(1–4), 93–103.

Kaser, G. and C. Georges. 1997. Changes of the equilibrium-line altitude in the tropical Cordillera Blanca, Peru, 1930–50, and their spatial variations. Ann. Glaciol., 24, 344–349.

Kaser, G. and C. Georges. 1999. On the mass balance of low latitude glaciers with particular consideration of the Peruvian Cordillera Blanca. Geogr. Ann., 81A(4), 643–651.

Kaser, G. and H. Osmaston. 2002. Tropical glaciers. Cambridge, etc., Cambridge University Press.

Kaser, G., A. Ames and M. Zamora. 1990. Glacier fluctuations and climate in the Cordillera Blanca, Peru. Ann. Glaciol., 14, 136–140.

Kaser, G., C. Georges and A. Ames. 1996. Modern glacier fluctuations in the Huascara´n–Chopicalqui Massif of the Cordillera Blanca, Peru´. Z. Gletscherkd. Glazialgeol., 32, Part 2, 1995, 91–99.

Kaser, G., I. Juen, C. Georges, J. Gomez and W. Tamayo. 2003. The impact of glaciers on the runoff and the reconstruction of mass

balance history from hydrological data in the tropical Cordillera Blanca, Peru. J. Hydrol., 282(1–4), 130–144.

Khalsa, S.J.S., M.B. Dyurgerov, T. Khromova, B.H. Raup and R. Barry. 2004. Space-based mapping of glacier changes using ASTER and GIS tools: learning from Earth’s shapes and colors. IEEE Trans. Geosci. Remote Sens., 42(10), 2177–2183.

Khromova, T.E., M.B. Dyurgerov and R.G. Barry. 2003. Late-twentieth century changes in glacier extent in the Ak-shirak Range, Central Asia, determined from historical data and ASTER imagery. Geophys. Res. Lett., 30(16), 1863. (10.1029/ 2003GL017233.)

Khromova, T.E., G.B. Osipova, D.G. Tsvetkov, M.B. Dyurgerov and R.G. Barry. 2006. Changes in glacier extent in the eastern Pamir, Central Asia, determined from historical data and ASTER imagery. Remote Sens. Environ., 102(1–2), 24–32.

Kulkarni, A.V. and I.M. Bahuguna. 2002. Correspondence. Glacial retreat in the Baspa basin, Himalaya, monitored with satellite stereo data. J. Glaciol., 48(160), 171–172.

Kulkarni, A.V., B.P. Rathore, S. Mahajan and P. Mathur. 2005. Alarming retreat of Parbati glacier, Beas basin, Himachal Pradesh. Current Sci., 88(11), 1844–1850.

Kulkarni, A.V. and 6 others. 2007. Glacial retreat in Himalaya using Indian remote sensing satellite data. Current Sci., 92(1), 69–74. Liu, X. and B. Chen. 2000. Climatic warming in the Tibetan Plateau

during recent decades. Int. J. Climatol., 20(14), 1729–1742. Manley, W.F. In press. Geospatial inventory and analysis of glaciers:

a case study for the eastern Alaska Range. In Williams, R.S., Jr and J.G. Ferrigno, eds. Satellite image atlas of glaciers of the world. US Geol. Surv. Prof. Pap. 1386-K.

Manslow, J.F. and M.S. Nixon. 2002. On the ambiguity intro-duced by a remote sensor’s PSF. In Atkinson, P.M., ed. Uncertainty in remote sensing and GIS. Chichester, etc., Wiley and Sons.

Mark, B.G. and G.O. Seltzer. 2005. Evaluation of recent glacier recession in the Cordillera Blanca, Peru (AD 1962–1999): spatial distribution of mass loss and climatic forcing. Quat. Sci. Rev.,

Morales-Arnao, B. 1999. Glaciers of Peru. In Williams, R.S., Jr and J.G. Ferrigno, eds. Satellite image atlas of glaciers of the world. US Geol. Surv. Prof. Pap. 1386-I, 151–179.

Moser, G., C. Georges and H. Schimmer. 2000. Die neue Alpenvereinskarte Cordillera Blanca 1:100000. In O¨ sterei-chischer Alpenverein, ed. Alpensvereinsjahrbuch 2001. Inns-bruck, O¨ stereichischer Alpenverein, 48–53.

Nakawo, M. and B. Rana. 1999. Estimate of ablation rate of glacier ice under a supraglacial debris layer. Geogr. Ann.,

Paul, F., A. Ka¨a¨b, M. Maisch, T. Kellenberger and W. Haeberli. 2002. The new remote-sensing-derived Swiss glacier inventory. I. Methods. Ann. Glaciol., 34, 355–361.

Paul, F., A. Ka¨a¨b, M. Maisch, T. Kellenberger and W. Haeberli. 2004. Rapid disintegration of Alpine glaciers observed with satellite data. Geophys. Res. Lett., 31(21), L21402. (10.1029/ 2004GL020816.)

Perkal, J. 1966. On the length of empirical curves. In Nystuen, J., ed. Discussion paper 10, Michigan Inter-University Community of Mathematical Geographers. Ann Arbor, MI, University of Michigan, 130–142.

Rabatel, A., J.-P. Dedieu and C. Vincent. 2005. Using remote-sensing data to determine equilibrium-line altitude and mass-balance time series: validation on three French glaciers, 1994– 2002. J. Glaciol., 51(175), 539–546.

Racoviteanu, A., W.F. Manley, Y. Arnaud and M. Williams. 2007. Evaluating digital elevation models for glaciological applica-tions: an example from Nevado Coropuna, Peruvian Andes. Global Planet. Change, 59(1–4), 110–125.

Regonda, S.K., B. Rajagopalan, M. Clark and J. Pitlick. 2005. Seasonal cycle shifts in hydroclimatology over the western United States. J. Climate, 18(2), 372–384.

Silverio, W. and J.M. Jaquet. 2005. Glacial cover mapping (1987– 1996) of the Cordillera Blanca (Peru) using satellite imagery. Remote Sens. Environ., 95(3), 342–350.

Surazakov, A.B. and V.B. Aizen. 2006. Estimating volume change of mountain glaciers using SRTM and map-based topographic data. IEEE Trans. Geosci. Remote Sens., 44(10), 2991–2995. Thompson, L.G. and 8 others. 2006. Abrupt tropical climate change:

past and present. Proc. Nat. Acad. Sci. USA (PNAS), 103(28), 10,536–10,543.

Toutin, T., R. Che´nier and Y. Carbonneau. 2002. 3D models for high resolution images: examples with Quickbird, IKONOS and EROS. Int. Arch. Photogramm. Remote Sens., 34(4), 547–551. Vuille, M. and R.S. Bradley. 2000. Mean annual temperature trends

and their vertical structure in the tropical Andes. Geophys. Res. Lett., 27(23), 3885–3888.

Vuille, M., R.S. Bradley, M. Werner and F. Keimig. 2003. 20th Cen-tury climate change in the tropical Andes: observations and model results. Climatic Change, 59(1–2), 75–99.

Vuille, M., G. Kaser and I. Juen. 2007. Glacier mass balance variability in Cordillera Blanca, Peru and its relationship with climate and large-scale circulation. Global Planet. Change,

Wagnon, P., P. Ribstein, G. Kaser and P. Berton. 1999. Energy bal-ance and runoff seasonality of a Bolivian glacier. Global Planet. Change, 22(1–4), 49–58.


Schau das Video: Rabatt, Nachlass, Preissenkung berechnen. Prozentrechnung - einfach erklärt. Lehrerschmidt (Oktober 2021).