Efter att EU införde ett ramverk år 2000 rörande regionens vattenanvändning, vattendirektivet, beslöt Sveriges regering att från och med sommaren 2020 ompröva rikets vattendammar. I de fall rådande vattenanvändning inte uppfyller de krav som anges i ramverket kan dammutrivning bli aktuellt. Syftet med studien är undersöka och utveckla en metod att utvärdera förändringar av strömhabitat uppströms ett vattendrag efter en dammutrivning. Studieområdet utgörs och begränsas av datamängden i form av flygfoton insamlade med UAV vid två tillfällen över samma område. Även batymetriska data över vattendragets botten från en bottenskanning har använts således även Lantmäteriets nationella höjdmodell. Två fotogrammetriprogram användes i arbetet, dels för att skapa en ortomosaik från flygfoton men även för att utföra en bildnormalisering. GIS programvaran ArcGIS Pro tillhandahåller flera algoritmer för klassificering av raster. Algoritmerna SVM och RT, viktades mot varandra och SVM användes vidare i metoden. Med olika generaliserings-verktyg kunde strömhabitat identifieras och förstärkas. Även olika terrängmodeller skapades från flygfoton och Lantmäteriets nationella höjdmodell. Dessa granskades mot varandra utifrån olika aspekter som variationer i bland annat detaljrikedom, generaliseringsgrad och återspeglandet av vattenytan.  Slutsatsen av studien är att klassificering av strömhabitat kan göras i ett GIS-program med en lägesosäkerhet på mellan 25 och 40 %, beroende på vilka strömhabitat som ska klassificeras. Efter utrivningen uppstod 17 zoner med förändrade strömhabitat vilket var två mer än vad prognoser förutsatt. Vidare påverkades vattenvolymen markant då en minskning på ca 40 % skedde från 2018 till 2020. En areal av ca 1,5 hektar berördes då gammal älvbotten blev torrlagd i samband med dammutrivningen. Ett samband syntes mellan avståndet från kraftverket och torrlagd botten då dessa ytor sågs minska i storlek i takt med att avståndet ökade. Att undersöka vart vattennivån påverkats som mest var inte möjligt i brist på data. Studien har utvecklat en metod att analysera en dammutrivnings påverkan på ett vattendrag med data från UAV och bottenskanning.

In recent years the wide availability of high-resolution satellite images has made the remote monitoring of water resources all over the world possible. While the detection of open water from satellite images is relatively easy, a significant percentage of the water extent of wetlands is covered by vegetation. Convolutional Neural Networks have shown great success in the task of detecting wetlands in satellite images. However, these models require large amounts of manually annotated satellite images, which are slow and expensive to produce. In this paper we use self-supervised training methods to train a Convolutional Neural Network to detect water from satellite images without the use of annotated data. We use a combination of deep clustering and negative sampling based on the paper ”Unsupervised Single-Scene Semantic Segmentation for Earth Observation”, and we expand the paper by changing the clustering loss, the model architecture and implementing an ensemble model. Our final ensemble of self-supervised models outperforms a single supervised model, showing the power of self-supervision. / Under de senaste åren har den breda tillgången på högupplösta satellitbilder möjliggjort fjärrövervakning av vattenresurser över hela världen. Även om det är relativt enkelt att upptäcka öppet vatten från satellitbilder, täcks en betydande andel av våtmarkernas vattenutbredning av vegetation. Lyckligtvis kan radarsignaler tränga igenom vegetation, vilket gör det möjligt för oss att upptäcka vatten gömt under vegetation från satellitradarbilder. Under de senaste åren har Convolutional Neural Networks visat stor framgång i denna uppgift. Tyvärr kräver dessa modeller stora mängder manuellt annoterade satellitbilder, vilket är långsamt och dyrt att producera. Självövervakad inlärning är ett område inom maskininlärning som syftar till att träna modeller utan användning av annoterade data. I den här artikeln använder vi självövervakad träningsmetoder för att träna en Convolutional Neural Network-baserad modell för att detektera vatten från satellitbilder utan användning av annoterade data. Vi använder en kombination av djup klustring och kontrastivt lärande baserat på artikeln ”Unsupervised Single-Scene Semantic Segmentation for Earth Observation”. Dessutom utökar vi uppsatsen genom att modifiera klustringsförlusten och modellarkitekturen som används. Efter att ha observerat hög varians i våra modellers prestanda implementerade vi också en ensemblevariant av vår modell för att få mer konsekventa resultat. Vår slutliga ensemble av självövervakade modeller överträffar en enda övervakad modell, vilket visar kraften i självövervakning.

In a world under the constant impact of global warming, wetlands are decreasing in size all across the globe. As the wetlands are a vital part of preventing global warming, the ability to prevent their shrinkage through restorative measures is critical. Continuously orbiting the Earth are satellites that can be used to monitor the wetlands by collecting images of them over time. In order to determine the size of a wetland, and to register if it is shrinking or not, deep learning models can be used. Especially useful for this task is convolutional neural networks (CNNs). This project uses one type of CNN, a U-Net, to segment vegetated water in satellite data. However, this task requires labeled data, which is expensive to generate and difficult to acquire. The model used therefore needs to be able to generate reliable results even on small data sets. Therefore, pre-training of the network is used with a large-scale natural image segmentation data set called Common Objects in Context (COCO). To transfer the satellite data into RGB images to use as input for the pre-trained network, three different methods are tried. Firstly, the commonly used linear transformation method which simply moves the value of radar data into the RGB feature space. Secondly, two convolutional layers are placed before the U-Net which gradually changes the number of channels of the input data, with weights trained through backpropagation during the fine-tuning of the segmentation model. Lastly, a convolutional auto-encoder is trained in the same way as the convolutional layers. The results show that the autoencoder does not perform very well, but that the linear transformation and convolutional layers methods each can outperform the other depending on the data set. No statistical significance can be shown however between the performance of the two latter. Experimenting with including different amounts of polarizations from Sentinel-1 and bands from Sentinel-2 showed that only using radar data gave the best results. It remains to be determined whether one or both of the polarizations should be included to achieve the best result. / I en värld som ständigt påverkas av den globala uppvärmningen, minskar våtmarkerna i storlek över hela världen. Eftersom våtmarkerna är en viktig del i att förhindra global uppvärmning, är förmågan att förhindra att de krymper genom återställande åtgärder kritisk. Kontinuerligt kretsande runt jorden finns satelliter som kan användas för att övervaka våtmarkerna genom att samla in bilder av dem över tid. För att bestämma storleken på en våtmark, i syfte att registrera om den krymper eller inte, kan djupinlärningsmodeller användas. Speciellt användbar för denna uppgift är konvolutionella neurala nätverk (CNN). Detta projekt använder en typ av CNN, ett U-Net, för att segmentera vegeterat vatten i satellitdata. Denna uppgift kräver dock märkt data, vilket är dyrt att generera och svårt att få tag på. Modellen som används behöver därför kunna generera pålitliga resultat även med små datauppsättning. Därför används förträning av nätverket med en storskalig naturlig bildsegmenteringsdatauppsättning som kallas Common Objects in Context (COCO). För att överföra satellitdata till RGB-bilder som ska användas som indata för det förtränade nätverket prövas tre olika metoder. För det första, den vanliga linjära transformationsmetoden som helt enkelt flyttar värdet av radardatan till RGB-funktionsutrymmet. För det andra två konvolutionella lager placerade före U-Net:et som gradvis ändrar mängden kanaler i indatan, med vikter tränade genom bakåtpropagering under finjusteringen av segmenteringsmodellen. Slutligen tränade en konvolutionell auto encoder på samma sätt som de konvolutionella lagren. Resultaten visar att auto encodern inte fungerar särskilt bra, men att metoderna för linjär transformation och konvolutionella lager var och en kan överträffa den andra beroende på datauppsättningen. Ingen statistisk signifikans kan dock visas mellan prestationen för de två senare. Experiment med att inkludera olika mängder av polariseringar från Sentinell-1 och band från Sentinell-2 visade att endast användning av radardata gav de bästa resultaten. Om att inkludera båda polariseringarna eller bara en är den mest lämpliga återstår fortfarande att fastställa.

Background: This research explores the integration of satellite imagery and imageprocessing techniques to innovate forest monitoring methods. Traditional approachesoften fall short in scale and efficiency, necessitating enhanced techniques for accurateforest structure analysis. Objectives: The main goal is to develop a software prototype capable of automat-ing the measurement of tree row spacing and detecting clearing areas within forests,thereby facilitating more informed and efficient forest management and conservationefforts. Methods: The study employed computer vision techniques and image processingalgorithms using OpenCV to process high-resolution satellite images. The develop-ment and testing of the prototype involved iterative enhancements to refine accuracyand functionality. Results: The findings demonstrate that the prototype successfully identifies andmeasures forest structural features with high accuracy, confirming the effectivenessof integrating computational techniques with ecological monitoring practices. Conclusions: The successful application of satellite imagery and image processingsignificantly enhances forest monitoring capabilities, promoting sustainable forestmanagement. This research underscores the potential of technology to transformenvironmental conservation efforts by providing detailed, reliable data that supportsproactive management strategies. / Bakgrund: Denna forskning utforskar integrationen av satellitbilder och avanceradebildbehandlingstekniker för att innovera metoder för skogsövervakning. Traditionellatillvägagångssätt är ofta bristfälliga i skala och effektivitet, vilket kräver förbättradetekniker för noggrann analys av skogsstrukturer. Syften: Huvudmålet är att utveckla en programvaruprototyp som kan automatiseramätningen av trädradsavstånd och upptäcka kalhyggen inom skogar, vilket underlät-tar mer informerad och effektiv skogsförvaltning och bevarandeinsatser.Metoder: Studien använde datorsynstekniker och bildbehandlingsalgoritmer medOpenCV för att bearbeta högupplösta satellitbilder. Utvecklingen och testningen avprototypen involverade iterativa förbättringar för att förfina noggrannhet och funktionalitet. Resultat: Resultaten visar att prototypen framgångsrikt identifierar och mäterskogsstrukturella egenskaper med hög noggrannhet, vilket bekräftar effektivitetenav att integrera avancerade datatekniker med ekologiska övervakningsmetoder. Slutsatser: Den framgångsrika tillämpningen av satellitbilder och bildbehandlingförbättrar avsevärt möjligheterna till skogsövervakning och främjar hållbar skogsför-valtning. Denna forskning understryker teknikens potential att transformera miljöbe-varande insatser genom att tillhandahålla detaljerade, tillförlitliga data som stöderproaktiva förvaltningsstrategie

Röjningsröseområdet är en typ av fornlämning från brons- och järnåldern, som är vanlig i de sydsvenska skogarna. Eftersom den nationella fornlämningsinventeringen avslutades i många län innan röjningsröseområdet fick fornlämningsstatus, finns det idag ett stort antal oregistrerade röjningsröseområden. Målet med denna studie är att utveckla och testa en metod som använder maskininlärning och LiDAR-data för att identifiera och georeferera röjningsröseområden, och som kan användas som ett hjälpmedel inför inventering. Metoden anpassades för att minimera antalet falska positiv och på så sätt undvika onödiga fältbesök. LiDAR-data från Hallands län omvandlades till raster innehållande terrängdata Simple Local Relief Model. En klassificeringsmodell skapades utifrån nätverksarkitekturen YOLOv8, och tränades med 1200 bilder på röjningsröseområden och 5544 bakgrundsbilder. Falska positiv minimerades genom att inte inkludera otydliga bilder i träningsdata, samt genom att använda ett gränsvärde på 70% för röjningsröseområden vid prediktion.  Modellen hade mycket goda prestandamått vid validering, med en precision på 100% och recall på 86% för röjningsröseområden. Modellen testades därefter i två områden: ett mindre område där klassificeringen kontrollerades med visuell tolkning, och ett större område som kontrollerades automatiskt genom överlapp med registrerade fornlämningar. Den genomsnittliga precisionen för de två testområdena är 52–78%, och recall var i genomsnitt 50%. Modellen har i genomsnitt en sämre förmåga att identifiera registrerade röjningsröseområden med liten area. Alla identifierade falska positiv vid prediktion innehöll grot. 298 potentiella oregistrerade röjningsröseområden upptäcktes i testområdena. Sammanfattningsvis uppvisar modellen god potential att fungera som ett verktyg för att identifiera röjningsröseområden inför vidare visuell tolkning och fältarbete. / The cairnfield is a type of archaeological site from the Bronze and Iron Ages, which is common in the forests of southern Sweden. Since the Swedish National Survey of ancient remains was completed in many Swedish counties before the cairnfields were classified as an archaeological site, there are currently many unregistered cairnfields. The goal of this study is to develop and test a method that uses machine learning and LiDAR-data to identify and georeference cairnfields, and which can be used as a tool by surveyors. The method was adapted to minimize false positives and thereby avoid unnecessary field visits. LiDAR-data from the County of Halland was converted to raster images of the DEM-derivative Simple Local Relief Model. A YOLOv8 classification model was trained with 1200 images of cairnfields and 5544 background images. False positives were minimized by excluding unclear images during annotation, and by using a threshold of 70% for clearance cairn areas during prediction.  The model’s performance metrics during validation were excellent, with 100% precision and 86% recall for the cairnfield class. The model was tested in two areas: a smaller area where prediction results were controlled with visual interpretation, and a larger area that was checked automatically against known archaeological sites. The average precision for the two test areas is 52–78%, and the average recall is 50%. The model has a lower ability to identify registered clearance cairn areas with small areas. All false positives identified during prediction contained slash. 298 potential unregistered cairnfields were discovered in the test areas. In summary, the classification model demonstrates good potential as a tool for identifying cairnfields before further visual interpretation and fieldwork.

The lack of proper wastewater treatment inhibits the social and economic development in many communities. The South African town Wakkerstroom is an example where wastewater is first treated before it is released. Due to the lack of technical expertise and funding to manage the sewage disposal system, a large part of the wastewater goes directly, without any treatment, into a stream feeding the Wakkerstroom wetland. The wetland purifies the wastewater and provides clean water downstream, thus is indispensable for its detoxification capacity. One relatively cheap method to determine the absorption capacity of a wetland with respect to nitrogen loading is to investigate the nitrogen uptake by the wetland vegetation. In this study, the nitrogen uptake of the vegetation in the Wakkerstroom wetland during the growing seasons between the years 2000-2018 was investigated by using harvested biomass and its nitrogen content as a proxy. The interannual variability of Net Primary Production (NPP) was calculated using a Light Use Efficiency (LUE) model for the period 2000-2018. The NPP derived with LUE-modelling was compared to NPP based on an end-of season harvest of biomass in March 2019. The nitrogen content and carbon and nitrogen (C:N) ratio were determined in the harvested biomass by carbon and nitrogen content analysis. The annual nitrogen uptake of the growing seasons between the years 2000-2018 was subsequently determined by multiplying the calculated NPP by the fraction of nitrogen found in the harvested material. The NPPtot based on harvested biomass (NPPharvest) towards the end of the growing season 2018/2019 was estimated to be 2.01 kg‧m-2‧season-1. The NPPtot calculated from LUE modelling (NPPLUE) varied between 0.49-1.64 kg‧m-2 for the growing seasons between 2000-2018. NPPharvest was between 1.2-4 times higher compared to NPPLUE, probably due to overestimation of NPPharvest because of biomass sampling of more than one-year production, or underestimation of NPPLUE due to a low maximum radiation conversion efficiency factor, εmax. The community mean nitrogen (N) content found in the biomass harvested aboveground was 1.29 % for the Phragmites community and 1.00 % for the Typha community. The nitrogen uptake of the vegetation was estimated to vary between 6.10-20.5 g N∙m-2 per growing season between the years 2000-2018. / Bristen på adekvata reningstekniker för att behandla avloppsvatten hämmar den sociala och ekonomiska utvecklingen i många samhällen. Den sydafrikanska staden Wakkerstroom är ett exempel där avloppsvatten först renas innan det släpps ut. På grund av brisen på teknisk kompetens och finansiering att hantera reningsverket som avlägsnar avloppsvatten så läcker en stor del av det orenade avloppsvattnet ut i en våtmark i Wakkerstroom via en närliggande å. Våtmarken är av regional betydelse för sin reningskapacitet då den renar avloppsvattnet och förser användare nedströms med rent vatten. En viktig aspekt för att bestämma en våtmarks reningskapacitet med avseende på kväve (N) är att undersöka växternas kväveupptag i våtmarken. Kväveupptaget hos växterna i våtmarken i Wakkerstroom under växtsäsongerna mellan år 2000–2018 undersöktes genom att använda skördad biomassa och dess kväveinnehåll som proxy. Den årliga variabiliteten hos nettoprimärproduktionen (NPP) beräknades genom att använda en LUE (Light Use Efficiency)-modell för perioden 2000-2018. NPP framtaget med LUE-modellering jämfördes med NPP baserat på biomassa skördad i slutet av växtsäsongen i mars 2019. Kväveinnehållet och kol-kväve (C:N) kvoten bestämdes hos den skördade biomassan genom en kol- och kväveanalys. Det årliga kväveupptaget under växtsäsongerna mellan 2000–2018 togs därefter fram genom att multiplicera beräknad NPP med kvävefraktionen erhållen från den skördade biomassan. NPPtot framtaget med biomassa skördad i slutet av växtsäsongen 2018/2019 (NPPbiomassa) uppskattades vara 2,01 kg‧m-2‧säsong-1. NPPtot beräknat med LUE-modellering (NPPLUE) varierade mellan 0,49–1,64 kg‧m-2 under växtsäsongerna mellan år 2000–2018. NPPbiomassa var 1,2–4 gånger högre i jämförelse med NPPLUE, vilket troligtvis berodde på att NPPbiomassa överskattades på grund av att mer än en årsproduktion av biomassa skördades, eller för att NPPLUE underskattades på grund av ett för lågt värde på den maximala effektivitetsfaktorn εmax valdes. Medelvärdet för kväveinnehållet erhållen i biomassan skördad ovanför vattennivån var 1,29 % för Phragmites-samhället och 1,00 % för Typha-samhället. Kväveupptaget hos växterna varierade mellan 6,10–20,5 g N∙m-2 per växtsäsong mellan år 2000–2018.

The purpose of the thesis is to characterize flood events within the agricultural fields of flooding Pampa in Argentina. The characterization divides the flat landscape into flood prone areas and endeavour at linking driving factors to flood response based on past events. The characterization is based on information freely available from remote sensing (satelliteimages, digital elevation, and estimated rain data), from precipitation data from a weatherstation and from field measurements carried out with Universidad Nacional de La Plata. The main research question is: Which are the driving factors contributing to the flooding? Data from remote sensing was used to visualize previous areal water extents, to calculate the topographic wetness index, the upslope areas for the field study sites and for a precipitationtrend analysis. Furthermore, data from remote sensing was used to replace missing days of rain data from the weather station. The complemented rain data was compared with the water extent for the events. Relationships between event precipitation, previous precipitation, land-use, and surface runoff was evaluated with the Soil Conservation-Curve Number method, SCS-CN, and the runoff coefficients for different antecedent conditions were calculated. The precipitation data and the satellite images showing water extents were also used to calculatethe 100-year and 20-year storm- and flood event. The measured infiltration capacity was used as input data in the SCS-CN-method to calculate the surface runoff and the measured soilmoisture was used to verify results from the Topographic Wetness Index, TWI, map. The flood risk areas are visualized with satellite images and the calculated Modified Normalized Difference Water Index. The TWI also visualizes the more flood prone or wetter areas and delineates the lower depressions where soil moisture was also measured to be higher, however not significantly. With the available satellite images within the study results indicate that floods are more common wintertime and that great flood events cannot be foreseen with only antecedent precipitation and event precipitation with the SCS-CN method. However, the events in the study with larger water extents, had high precipitation. No clear correlation between water extents from satellite images calculated by Instituto Nacional de Tecnología Agropecuaria, and estimated surface runoff from the SCS-CN method could be seen. However, the obtained runoff coefficients from the SCS-CN method can be used for estimating surface runoff for future storm events were higher Antecedent Moisture Condition, AMC, and low infiltration capacities increases surface runoff. The infiltration capacity of the studied fields is approximately 16 mm/hour and hence not alone a driving factor causing inundation since the soil can absorb, for example, a 20-year storm event of 125 mm/day. However, that is not the case since a 20-year storm flood has covered 9 % of the area around Don Joaquin and El Amanecer with water. No seasonal precipitation trends can be seen in Punta Indio during the last 40 years analysing precipitation data from remote sensing. In flooding Pampa the agricultural fields inundate almost on yearly basis in the depressionsdue to the gentle slopes and high intense precipitation (yearly maximum daily precipitation is always higher than 60 mm/day). To decrease the flood risk the management should ensure high vegetative cover which increases infiltration and balances the hydrological responses. / Syftet med studien är att karakterisera översvämningar inom jordbruket på Argentinska Pampas. Det platta landskapet mest översvämningsutsatta områden pekas ut och arbetet har fokuserat på att koppla landskapets utformning och regnmönster till översvämningarna. Karakteriseringen utgår ifrån information från satellitbilder och digitala höjddata, från nederbördsdata från den närmaste väderstationen som kompletterats med regndata från fjärranlyser och från fältmätningar utförda tillsammans med Universidad Nacional de La Plata. Den huvudsakliga frågan är: Vilka är de bidragande faktorerna till översvämningarna? Information från fjärranalyser användes för att visualisera tidigare översvämningar, för att beräkna det topografiska fuktighetsindexet, tillrinningsområdet för fältstudieplatserna och för en nederbördstrendanalys. Regndatan jämfördes med vattenarean under tidigare översvämningar. Sambanden mellan nederbörd, markanvändning och ytavrinning utvärderades med Soil Conservation-Curve Number metoden, SCS-CN, och avrinningskoefficienterna för olika nederbördsförhållanden beräknades. Nederbördsdata och satellitbilder som visar vattnets utbredning användes också för att beräkna magnituden av ett 100-årsregn och 20-årsregn samt utbredningen av en 100-årsöversvämning. Den i fält uppmätta infiltrationskapaciteten användes som indata i SCS-CN-metoden för att beräkna ytavrinning och den i fält uppmätta markfuktigheten för att verifiera resultat från GISanalysen av det topografiska fuktighetsindexet.' Översvämningsriskområden visualiserades i studien med satellitbilder och det modifierade normaliserade differens vattenindexet. Även det topografiska fuktighetsindexet visualiserar de mer översvämningsbenägna områdena och markerar vattnets väg där markfuktigheten också uppmättes vara högre, dock inte signifikant blötare än ovan liggande punkter. Analys av de tillgängliga satellitbilderna i studien visar att översvämningar är vanligare vintertid och att stora översvämningshändelser inte kan förutses enbart med de senaste dagarnas regnmängd och eventregnet med SCS-CN-metoden. Alla satellitbilder i studien med större vattentäckning kunde dock kopplas till stora regnmängder. Ingen tydlig korrelation mellan vattenutbredningen och uppskattad ytavrinning med SCS-CN-metoden kunde ses. De erhållna avrinningskoefficienterna från SCS-CN-metoden kan dock användas för att uppskatta risken för ytavrinning vid framtida regn där större regnmängder och låg infiltration ökar ytavrinningen. Fältens infiltrationskapacitet är cirka 16 mm/timme och därmed inte ensamt en drivande faktor till översvämningarna eftersom infiltrationskapaciteten är högre än exempelvis ett 20-årsregn (125 mm/dygn). Dock kan 20-årsregn täcka 9 % av området runt Don Joaquin och El Amanecer med vatten. Inga nederbördstrender kan ses i Punta Indio under de senaste 40 åren genom analys av nederbördsdata från fjärranalyser. I Pampa deprimida översvämmar jordbruksfälten nästan årligen i sänkorna på grund av den platta topografin och den höga intensiva nederbörden (den årliga maximala dagliga nederbörden är nästan alltid högre än 60 mm/dag). För att minska översvämningsriskerna bör lantbrukare säkerställa en hög vegetativ täckning som ökar infiltrationen, skyddar marken och balanserar de hydrologiska reaktionerna. / El propósito de la tesis es analizar los posibles eventos de inundación en un sector de la Pampa Deprimida en Argentina, dada la importancia productiva de la región. Se trabajó en los campos de la Universidad Nacional de La Plata con la dirección del curso de Edafología, de la Facultad de Ciencias Agrarias y Forestales. Se caracterizó la región en general y los campos en particular, utilizando información de acceso gratuito en la web, tales como imágenes satelitales, mapas de elevación digital e información meterologíca. Se utilizaron técnicas geomáticas para definir la evolución de agua en superficie mediante un análisis de la precipitación y coberturas de agua en imágenes satelitales obtenidas entre el 2000 y 2022 con la finalidad de calcular el Indice de Humedad Topográfico (TWI). Se establecen relaciones entre la precipitación, el manejo de los campos, la escorrentía superficial y las cuberturas de aguas. Se analizó la occurrencias de eventos de excesos hídricos. Se efectuaron ensayos de infiltración y el método Soil Conservation Service-Curve Number (SCS-CN) a fin de estimar la escorrentía superficial y las medidas de la humedad del suelo para verificar los resultados del mapa con el TWI. Las imágenes satélitales y el Modified Normalized Differential Water Index (MNDWI) calculado, permiten estimar las áreas más expuestas a inundaciones. El TWI permitió distinguir los sectores más altos y bajos mediante la medición de la humedad del suelo. Con los datos disponibles en este estudio, los resultados indican que las inundaciones son más frecuentes en invierno, y que los grandes eventos de inundación no se pueden predecir solo con registros de precipitación y el uso del método SCS-CN. No se pudo observar una correlación entre las extensiones de agua de las imágenes satelitales calculadas por Instituto Nacional de Tecnología Agropecuaria (INTA Clima y Agua, Castelar), y la escorrentía superficial estimada por el método SCS-CN. Sin embargo es possible encontrar una correspondencia entre las precipitaciones muy elevadas y la cobertura de agua. La occurencia de altas precipitaciones luego de un periodo lluvioso en un suelo con baja infiltración debido a una baja cobertura vegetal, aumenta la escorrentía superficial. La capacidad de infiltración del campo estudiado es de aproximadamente 16 mm/hora y un evento de lluvia extrema que se produce cada 20 años puede ser de 125 mm/día. Consecuentemente, no sería la baja infiltración la principal causa de la inundacion. No obstante, se aprecia que effectivamente un evento de 125 mm/día cubre 9 % del área en Don Joaquín y del El Amanecer. Con precipitaciones normales la cobertura es de aproximadamente 2 %. Cabe indicar que las precipitaciones registradas en la estación de Punta Indio durante los últimos 40 años, no manifiestan un comportamiento diferente en su occurencia y cantidad. En Pampa deprimida los campos se inundan frecuente, no solo debido a las precipitaciones locales y el amabiente de muy bajas pendientes. Los flujos de agua subterranea, aunque no se las pudo analizar en este estudio, también afuectuan las coberturas de agua. A fin de disminuirlos riesgos de inundación, el manejo debe garantizar una alta cobertura vegetal que aumente la infiltración y proteja al suelo y, de este modo, contribuir a controlar la natural dinámica hidrológica de la región en estudio. / Estudio del suelo, agua subterránea y vegetación, como base para definir ambientes de manejo en el partido de Magdalena

With a changing climate and an increased competition over water resources for agricultural irrigation, the need to improve crop water productivity using time and cost-efficient methodologies have become critically important. The Malwathu Oya river basin in Sri Lanka is struggling with water scarcity, which threatens food security and the income of farmers. In this study, freely available remote sensed land- and water productivity data from FAO’s WaPOR database was evaluated. The evaluation consisted of a comparison of the WaPOR data and primary collected field data using the crop water model, AquaCrop, for three irrigation schemes in the Malwathu Oya river basin. Additionally, the spatio-temporal variability in crop water use within and across these three irrigation schemes was assessed using indicators derived from the WaPOR portal. The evaluation was conducted for the main cultivation season, called Maha, between 2010 and 2021.  The WaPOR and AquaCrop actual evapotranspiration (ETa) values were found to be in relatively good agreement (312–537 and 400–465 mm respectively). WaPOR yield values (2.5–2.9 ton/ha) were however lower compared to the AquaCrop simulated yield values and historical yield data (4.6–5.7 and 4.4–5.6 ton/ha respectively). Difference in calculation methodology, possible sources of error in WaPOR conversion calculations and limitations in accuracy caused by cloud coverage when collecting satellite data could be explanations for this. Prior knowledge and accurate allocation of the crop type and parameters used in conversion calculations in WaPOR is therefore of significant influence. From the spatio-temporal variation assessment with WaPOR indicators, a fair uniformity of the water distribution within the irrigation schemes was shown (CV 11–19 %). The beneficial water use (BWU) in the irrigation schemes showed lower values (50–90 % allocated to T) for years when the available water amount was higher, which could be explained by the higher rate of water lost through soil evaporation. Crop water productivity (CWP) values showed higher values (about 0.70 kgDM/m3) when the available water amount was higher, indicating that yield production is sensitive to water-scarce environments. Applying a yield boundary function, representing the best attainable yield in relation to water resource, showed that there is potential to achieve the same yield with less amount of water. There are thus possibilities for improved water productivity in the three irrigation schemes investigated. For future research it is recommended to perform a sensitivity analysis for WaPOR and ground truth with yield data to obtain a better understanding of potential limitations. To obtain more precise site descriptions it is also recommended to ground truth AquaCrop with yield and soil data.