El área impermeable total (TIA por sus siglas en inglés), comúnmente denominada cobertura impermeable (IC por sus siglas en inglés) en los cálculos, se puede expresar como una fracción (de cero a uno) o un porcentaje. Existen muchos métodos para estimar la TIA, incluido (para Estados Unidos) el uso del Conjunto Nacional de Datos de Cobertura Terrestre (NLCD por sus siglas en inglés)[1] con un sistema de información geográfica (SIG), categorías de usos del suelo con estimaciones categóricas de la TIA, un porcentaje generalizado de área urbanizada y relaciones entre la densidad de población y la TIA.
El conjunto de datos de superficie impermeable del NLCD de EE. UU. puede proporcionar un conjunto de datos de cobertura del suelo de alta calidad, y consistente a nivel nacional, en un formato compatible con un sistema de información geográfica (SIG) que puede usarse para estimar el valor de la TIA. El NLCD cuantifica de manera consistente el porcentaje de TIA antropogénico para el NLCD con una resolución de píxeles de 30 metros (900 m²) en todo el país.
Dentro del conjunto de datos, cada píxel se cuantifica con un valor TIA que varía entre 0 y 100 por ciento. Las estimaciones de TIA realizadas con el conjunto NLCD representan un valor de TIA agregado para cada píxel en lugar de un valor de TIA para una característica impermeable individual.
Por ejemplo, una carretera de 2 carriles en un campo de hierba tiene un valor TIA del 100 por ciento, pero el píxel que contiene la carretera tendría un valor TIA del 26 por ciento. Si la carretera se extiende (de manera igual) a lo largo del límite de dos píxeles, cada píxel tendría un valor TIA del 13 por ciento. El análisis de la calidad de los datos del conjunto NLCD 2001 con áreas de muestra de TIA delimitadas manualmente indica que el error promedio de TIA predicho respecto al real puede variar entre el 8,8 y el 11,4 por ciento.
Las estimaciones de TIA a partir de los usos del suelo se realizan identificando categorías de estos usos para grandes superficies de terreno, sumando el área total de cada categoría y multiplicando cada área por un coeficiente TIA característico. Estas categorías se utilizan comúnmente para estimar la TIA porque las áreas con un uso del suelo común se pueden identificar a partir de estudios de campo, mapas, información de planificación y zonificación e imágenes remotas.
Los métodos de coeficientes de usos del suelo se utilizan comúnmente porque los mapas de planificación y zonificación que identifican áreas similares están, cada vez más, disponibles en formatos SIG. Además, se tienen en cuenta estos usos para estimar los efectos en la TIA de la urbanización prevista con mapas de planificación que cuantifican los cambios proyectados en dichos usos.
Existen diferencias sustanciales entre las TIA reales y las estimadas en diferentes estudios de la literatura. Términos como "baja densidad" y "alta densidad" pueden tener significados diferentes en distintas zonas. Una densidad residencial de medio acre (un acre equivale aproximadamente al 40 % de una hectárea) por casa puede clasificarse como alta densidad en un área rural, densidad media en un área suburbana y baja densidad en un área urbana. Granato (2010)[2] proporciona una tabla con valores de TIA para diferentes usos del suelo a partir de 30 estudios.
El porcentaje de área urbanizada (PDA por sus siglas en inglés) se utiliza comúnmente para estimar la TIA manualmente a través de mapas. El Consorcio de Características del Terreno de Múltiples Resoluciones (MRLCC por sus siglas en inglés) define un área urbanizada como la cubierta por al menos el 30 % de materiales construidos. Southard (1986) describió las áreas no urbanizadas como naturales, agrícolas o residenciales dispersas. Utilizando la función de potencia logarítmica con datos de 23 cuencas fluviales en Misuri, consiguió llegar a una ecuación de regresión para predecir la TIA empleando el porcentaje de área urbanizada (tabla 6-1). Señaló que este método era ventajoso porque se podían delinear rápidamente grandes cuencas y estimar a mano la TIA basándose en los mapas disponibles.
Granato (2010)[2] desarrolló otra ecuación de regresión utilizando datos de 262 cuencas fluviales en 10 áreas metropolitanas de los Estados Unidos continentales con cuencas hidrográficas que iban desde 0,35 a 216 millas cuadradas y valores de PDA que van desde 0,16 a 99,06 por ciento.
La TIA también puede calcularse a partir de datos de densidad de población, estimando la población en el área de interés y empleando ecuaciones de regresión para calcular la TIA asociada. En Estados Unidos se puede utilizar la densidad de población porque existen datos de bloques censales consistentes a escala nacional disponibles en formatos SIG. Si en otros países está disponible esta información, puede emplearse este sistema. La densidad de población también puede utilizarse para predecir los efectos potenciales de la futura urbanización. Aunque puede haber una variación sustancial en las relaciones entre la densidad de población y el TIA, la precisión de dichas estimaciones tiende a mejorar con el aumento del área de drenaje a medida que se promedian las variaciones locales.
Granato (2010) [2] proporciona una tabla con 8 relaciones de densidad de población de la literatura y una nueva ecuación desarrollada utilizando datos de 6 255 cuencas fluviales en el conjunto de datos GAGESII (Geospatial Attributes of Gages for Evaluating Streamflow, atributos geoespaciales de calibres para evaluar el caudal) del Servicio Geológico de Estados Unidos (USGS por sus siglas en inglés). Granato (2010)[2] también proporciona 4 ecuaciones para estimar la TIA a partir de la densidad de vivienda, que está relacionada con la densidad de población.
La TIA también puede estimarse a partir de mapas de impermeabilidad extraídos mediante teledetección. La teledetección se ha utilizado ampliamente para detectar superficies impermeables.[3][4] La detección de áreas impermeables mediante aprendizaje profundo (una técnica de inteligencia artificial) junto con imágenes satelitales ha surgido como un método transformador en la teledetección y el monitoreo ambiental. Los algoritmos de aprendizaje profundo, en particular las redes neuronales convolucionales (CNN por sus siglas en inglés), han revolucionado la capacidad de identificar y cuantificar superficies impermeables a partir de imágenes satelitales de alta resolución. Estos algoritmos pueden extraer automáticamente características espaciales y espectrales complejas, lo que les permite distinguir las superficies impermeables de las permeables con gran precisión.[5][6][7].