Di r ecci ó n:Di r ecci ó n: Biblioteca Central Dr. Luis F. Leloir, Facultad de Ciencias Exactas y Naturales, Universidad de Buenos Aires. Intendente Güiraldes 2160 - C1428EGA - Tel. (++54 +11) 4789-9293
Co nta cto :Co nta cto : [email protected]
Tesis Doctoral
Modelos y aproximaciones basadas enModelos y aproximaciones basadas eninformación satelital en microondas pasivasinformación satelital en microondas pasivaspara la estimación de la evapotranspiraciónpara la estimación de la evapotranspiración
en áreas boscosas de la Cuenca del Ríoen áreas boscosas de la Cuenca del RíoBermejoBermejo
Barraza Bernadas, Verónica D.
2015-02-15
Este documento forma parte de la colección de tesis doctorales y de maestría de la BibliotecaCentral Dr. Luis Federico Leloir, disponible en digital.bl.fcen.uba.ar. Su utilización debe seracompañada por la cita bibliográfica con reconocimiento de la fuente.
This document is part of the doctoral theses collection of the Central Library Dr. Luis FedericoLeloir, available in digital.bl.fcen.uba.ar. It should be used accompanied by the correspondingcitation acknowledging the source.
Cita tipo APA:
Barraza Bernadas, Verónica D.. (2015-02-15). Modelos y aproximaciones basadas eninformación satelital en microondas pasivas para la estimación de la evapotranspiración enáreas boscosas de la Cuenca del Río Bermejo. Facultad de Ciencias Exactas y Naturales.Universidad de Buenos Aires.Cita tipo Chicago:
Barraza Bernadas, Verónica D.. "Modelos y aproximaciones basadas en información satelitalen microondas pasivas para la estimación de la evapotranspiración en áreas boscosas de laCuenca del Río Bermejo". Facultad de Ciencias Exactas y Naturales. Universidad de BuenosAires. 2015-02-15.
UNIVERSIDAD DE BUENOS AIRES
Facultad de Ciencias Exactas y Naturales
“Modelos apro i a io es asadas e i for a ió satelital e microondas pasivas para la estimación de la evapotranspiración en áreas
boscosas de la cuenca del río bermejo
Tesis presentada para optar al título de Doctor de la Universidad de Buenos Aires en el
área: CIENCIAS BIOLOGICAS
Lic. Verónica D. Barraza Bernadas
Director de Tesis:
Dr. Aníbal E. Carbajo
Inst. De Inv. E Ingeniería Ambiental Univ. Nac. De San Martin
Dr. Francisco M. Grings.
Instituto de Astronomía y Física del Espacio (IAFE-CONICET-UBA)
Consejero de estudios:
Dr. Rubén Quintana.
Inst. De Inv. E Ingeniería Ambiental Univ. Nac. De San Martin
Lugar de trabajo: Instituto de Astronomía y Física del Espacio (IAFE-CONICET-UBA)
Buenos Aires, 15-02-2015
RESUMEN La evapotranspiración (ET), proceso simultaneo entre la evaporación del agua de la superficie del suelo y
de la cubierta vegetal, es una variable de interés para diversas disciplinas, entre ellas la climatología, la
ecología, la agronomía y la hidrología. Dada la gran oferta de datos de sistemas satelitales en microondas
pasivas (AMSR-E, AMSR-2, Windsat, SMMI, SAC-D/ Aquarius y MWR, SMOS) operativos en la última década
(2002-2013), esta tesis planteó el aprovechamiento sinérgico de datos de sistemas pasivos en microondas,
ópticos y datos meteorológicos a fin de obtener información relevante para la estimación de la
evapotranspiración en áreas boscosas. La metodología se basó en la estimación de la conductancia
superficial a partir de datos satelitales multisensor y luego se combinaron dichas estimaciones con variables
meteorológicas (obtenidas de estacione meteorológicas o datos de re-análisis) en el marco del algoritmo
de Penman-Monteith. Se utilizaron índices ópticos (como ser, el índice de vegetación normalizado (EVI) y
el índice de agua normalzado (NDWI)) e índices de microondas pasivas (como ser, el índice de frecuencia
(FI) y el índice de polarización (PI)) para estimar tanto la conductancia superficial como la ET. Para evaluar
la relación entre los índices de microondas y ópticos con variables biofísicas de relevancia para estimar la
ET, como ser el contenido de agua del dosel y las hojas, se utilizaron modelos de transferencia
electromagnético del óptico (PROSAILH) y microondas (Modelo de Tor Vergata). Para la validación in situ
de esta metodología, se utilizaron datos de torres de flujo de covarianza de torbellino de diversas áreas
boscosas que forman parte de las redes de torres de flujo FLUXNET (www.fluxnet.ornl.gov) y OZflux
(www.ozflux.org.au). El rendimiento del modelo se evaluó cuantitativamente mediante el uso del
coeficiente de regresión (r2), y la raíz del error cuadrático medio (RMSE). Se compararon los resultados
obtenidos con otros productos de evapotranspiración, como ser el producto MODIS MOD16A2, la capa de
información del modelo de superficie GLDAS-NOAH (Global Land Data Assimilation System) y del set de
datos de re-análisis MERRA (Modern-era retrospective analysis). Estos resultados son de interés
especialmente para muchos ecosistemas a nivel mundial que carecen de datos meteorológicos de terreno
espacialmente distribuidos, convirtiéndose en una alternativa robusta para la estimación de la ET.
Finalmente, se comparó la estimación de la ET utilizando la metodología desarrollada para una de las
principales áreas boscosas de la cuenca del río bermejo (bosque Chaqueño) que carece de datos de terreno,
con otros productos de ET (MOD16A2, MERRA, GLDAS-NOAH).
Palabras claves: índices ópticos, índices de microondas pasivas, evapotranspiración, conductancia
superficial, Penman-Monteith.
Estimation of evapotranspiration in forest areas of the Bermejor River
Basin based on models and passive microwave remote sensing data
ABSTRACT In this study, we evaluated and compared optical and passive microwave indices based on retrievals of
surface conductance (Gs) and evapotranspiration (ET) following the Penman-Monteith (PM) approach.
Given the wide range of satellite data from passive microwave systems available in the last decade (2002-
2013) (AMSR-E, AMSR-2, Windsat, SMMI, SAC-D / Aquarius and MWR, SMOS), this thesis used data from
passive microwave systems, optical and meterological data to obtain relevant infomation to estimate ET
over forest areas. The methodology was based on the estimation of surface conductance from multisensor
satellite data and then these estimates were combined with meteorological variables (obtained from
meteorological station or re-analysis data) under the Penman-Monteith algorithm. Optical indices (such as,
enhaced vegetation index (EVI) and normalized water index (NDWI)) and passive microwave indices (such
as, frecuency index (FI) and polarization index (PI)) were used to estimate both surface conductance (Gs)
and then ET. To evaluate the relationship between microwave and optical indices with biophysical variables
relevant to estimate ET, such as the water content of the leaf canopy, two electromagnetic models were
used (PROSAILH and Tor Vergata model). For the validation we used data from Eddy covariance flux tower
of several forest types from FLUXNET (www.fluxnet.ornl.gov) and OZflux network (www.ozflux.org.au).
Model performance was evaluated using the regression coefficient (r2), and the root mean square error
(RMSE). The results obtained was compared to other ET products, such as MODIS MOD16A2, GLDAS/NOAH
(Global Land Data Assimilation System) and MERRA (Modern-era retrospective analysis). These results are
of particular interest to many ecosystems worldwide due to the spatially distributed meteorological data,
becoming a robust alternative to estimate ET. Finally, ET was estimated for the northern Chaco forest using
equations obtained in this thesis, combined with reanalysis data and surface models information.
Key words: Optical indices, passive microwave indices, evapotranspiration, surface conductance, Penman-
Monteith.
AGRADECIMIENTOS
Muchas personas colaboraron para que el desarrollo de mi tesis doctoral fuera posible. En particular, a mis
directores de tesis y de beca, por todo lo que me han enseñado y por la ayuda prestada en la realización
del trabajo, Francisco Grings, Aníbal Carbajo, Alfredo Huete y Haydee Karszenbaum. Entre los directores
quiero hacer una mención especial a Francisco Grings, sin cuya ayuda esta tesis no se habría podido realizar.
También quiero agradecer muy especialmente al grupo de Teledetección Cuantitativa del IAFE, por
brindarme un hermoso lugar de trabajo. Por otro lado, quiero agradecer muy especialmente a Paolo
Ferrazzoli, Natalia Restrepo-Coupe y a Roberto Fernández. A La Unidad de Manejo del Sistema de
Evaluación Forestal (UMSEF), perteneciente la Secretaria de ambiente y desarrollo sustentable.
El trabajo aquí presentado no hubiera sido posible sin el financiamiento de varias instituciones, a las que
agradezco enormemente. Al Ministerio de Ciencia y Tecnología (MinCyT), Comisión Nacional de Actividades
Espaciales (CONAE) y a El Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET) que me
otorgó una Beca de Postgrado Tipo I y II, las que me permitieron dedicarme a mi formación doctoral y a la
investigación durante estos cinco años. Esta tesis doctoral se enmarco dentro del proyecto MinCyT-CONAE-
CONICET proyecto 12: La Plata Basin floods and droughts, Contribution of microwave remote sensing in
monitoring and prediction. Proyecto adjudicado como integrante del comité científico NASA-CONAE de la
misión SACD-Aquarius (Director H. Karszenbaum). A su vez, parte de esta tesis fue desarrollada durante una
pasantía en el laboratorio P University of Technology, Sydney a través de fondos del proyecto ARC-
DP140102698 (Director A. Huete).
Finalmente, quiero agradecer a mí mirado, juan, a mi familia y a Oli.
i
ÍNDICE GENERAL Resumen ................................................................................................................................. i
Abstract................................................................................................................................... ii
Agradecimientos ..................................................................................................................... i
índice de figuras ...................................................................................................................... v
índice de tablas ...................................................................................................................... xi
Abreviaturas y siglas ............................................................................................................. xv
INTRODUCCIÓN GENERAL 1
Resumen ................................................................................................................................ 1
1.1. Evapotranspiración: concepto, importancia y aplicaciones ........................................ 1
1.2. Medición de la ET ........................................................................................................ 5
1.3. Medición a campo de la ET ......................................................................................... 9
1.4. ET y sistemas satelitales ............................................................................................ 12
MOTIVACIÓN DE LA TESIS, OBJETIVOS, MODELO PROPUESTO, Y ORGANIZACIÓN DE LA TESIS 22
Resumen .............................................................................................................................. 22
2.1. Motivación de la tesis ............................................................................................... 22
2.2. Objetivos de la tesis .................................................................................................. 23
2.3. Modelo propuesto .................................................................................................... 24
2.4. Área de estudio ......................................................................................................... 25
2.5. Alcances y enfoque metodológico de la tesis ........................................................... 28
3. ESTIMACIÓN DEL CONTENIDO DE HUMEDAD EN LA VEGETACIÓN: INVERSIÓN UTILIZANDO MODELOS DE
INTERACCIÓN 31
Resumen .............................................................................................................................. 31
3.1. Introducción .............................................................................................................. 32
3.2. Hipótesis y predicciones de trabajo .......................................................................... 35
3.3. Metodología .............................................................................................................. 36
3.4. Resultados ................................................................................................................. 48
3.5. Discusión y conclusiones ........................................................................................... 54
POTENCIALIDAD DE LOS ÍNDICES DE MICROONDAS PASIVAS PARA EL MONITOREO DE VARIABLES ECO-HIDROLÓGICAS
EN DISTINTOS ECOSISTEMAS EN EL HEMISFERIO SUR 58
Resumen .............................................................................................................................. 58
4.1. Introducción .............................................................................................................. 59
4.2. Hipótesis y predicciones ........................................................................................... 61
4.3. Materiales ................................................................................................................. 62
4.4. Resultados ................................................................................................................. 68
4.5. Discusión ................................................................................................................... 80
4.6. Conclusión ................................................................................................................. 83
ESTIMACIÓN DE EVAPOTRANSPIRACIÓN Y CONDUCTANCIA SUPERFICIAL EN ÁREAS BOSCOSAS A PARTIR DE DATOS
SATELITALES UTILIZANDO ENFOQUES BASADOS EN LA ECUACIÓN DE PENMAN-MONTEITH 84
Resumen .............................................................................................................................. 84
5.1. Hipótesis y predicciones ........................................................................................... 88
5.2. Metodología .............................................................................................................. 89
5.3. Resultados ................................................................................................................. 98
5.4. Discusión ................................................................................................................. 110
5.5. Conclusiones ........................................................................................................... 115
ESTIMACIÓN DE LA CONDUCTANCIA SUPERFICIAL Y EVAPOTRANSPIRACIÓN A LO LARGO DE LA TRANSECTA DEL
NORTE DE AUSTRALIA USANDO MÚLTIPLES SENSORES 116
Resumen ............................................................................................................................ 116
6.1 Introducción ............................................................................................................ 116
6.2 Hipótesis y predicciones ......................................................................................... 119
6.3 Metodología ............................................................................................................ 119
6.4 Resultados ............................................................................................................... 128
6.5 Discusión ................................................................................................................. 136
6.6 Conclusiones ........................................................................................................... 141
ESTIMACIÓN DE LA EVAPOTRANSPIRACIÓN COMBINANDO INFORMACIÓN SATELITAL CON INFORMACIÓN DE
MODELOS DE SUPERFICIE Y DATOS DE RE-ANÁLISIS 142
Resumen ............................................................................................................................ 142
7.1. Introducción ............................................................................................................ 142
7.2. Hipótesis y predicción ............................................................................................. 144
7.3. Metodología ............................................................................................................ 144
7.4. Resultados ............................................................................................................... 149
7.5. Discusión ................................................................................................................. 155
ESTIMACIÓN DE EVAPOTRANSPIRACIÓN EN LA ECORREGIÓN DEL CHACO SECO 157
Resumen ............................................................................................................................ 157
8.1. Introducción ............................................................................................................ 157
8.2. Hipótesis y predicción ............................................................................................. 158
8.3. Metodología ............................................................................................................ 159
8.4. Resultados ............................................................................................................... 164
8.5. Discusión ................................................................................................................. 171
CONCLUSIONES GENERALES 173
9.1. Consideraciones finales y Aplicabilidad de los resultados ...................................... 173
I. CONCEPTOS BÁSICOS DE TELEDETECCIÓN UTILIZADOS EN ESTA TESIS 179
Resumen ............................................................................................................................ 179
Introducción ............................................................................................................ 179
Monitoreo del sistema terrestre vía observación remota -Teledetección ............. 179
Sensores ópticos ..................................................................................................... 181
II. DINÁMICA FENOLÓGICA REGIONAL EN LA CUENCA DEL RÍO BERMEJO, MEDIANTE EL ANÁLISIS DE SERIES TEMPORALES
DE NDVI (TERRA-MODIS) 185
Resumen ............................................................................................................................ 185
Introducción ............................................................................................................ 185
Metodología. ........................................................................................................... 186
Resultados. .............................................................................................................. 188
Conclusiones. .......................................................................................................... 192
III. LRPM- LAND SURFACE PARAMETER RETRIEVAL MODEL: 193 REFERENCIAS 195
ÍNDICE DE FIGURAS Figura 1-1 Esquema conceptual del componente de vegetación en el sistema suelo-vegetación-atmósfera 2
Figura 1-2 Esquema simplificado en el que se muestra el movimiento de agua desde el suelo a la
atmósfera. Obtenido de http://www.bio.miami.edu/dana/226/226F09_10.html. ___________________ 4
Figura 1-3 Esquema que simplifica la relacion entre la conductancia estomática (gs), conductancia de la
canopea (Gc), y conductancia superficial (Gs). LAI es el índice de área foliar. _______________________ 8
Figura 1-4 Esquema de una torre de flujo en donde se muestran los distintos instrumentos. Figura
adaptada de http://www.ntsg.umt.edu/project/ameriflux. ____________________________________ 11
Figura 1-5 Esquema conceptual de la metodología del triángulo. Donde Ts es la temperatura de superficie,
y NDVI el índice de vegetación normalizado. ________________________________________________ 17
Figura 2-1 Diagrama esquemetaco de la metodología utilizada. ET: evapotranspiración, PM: Penman-
Monteih, Gs: Conductacnia duperficial, VIs: índices de vegetación, FI: índice de frecuencia.___________ 25
Figura 2-2 Área de estudio: el Chaco Seco en Argentina y Detalle del área de estudio del Norte del Chaco
Seco Argentino mostrando el área de estudio. _______________________________________________ 28
Figura 2-3 Esquema conceptual de organziacion de la tesis. ____________________________________ 30
Figura 3- Es ue a de las apas utilizadas e el odelo de to e gata . Adaptado de i et al., .
____________________________________________________________________________________ 41
Figura 3-2 Histograma de biomasa obtenido de [Gasparri and Baldi, 2013] _______________________ 44
Figura 3-3 Esquema de la metodología propuesta en este capítulo. el producto MODIS land surface
reflectance product (MYD09A1) fue utilizado para calcular los índices NDVI, NDWI y NDII, y el producto
AMSR-E Level-2A brightness temperatures product (AE_L2A) fue utilizado para calcular el índice fi. los
modelos rtm usados fueron el modelo de tor vergata (tvr) [Ferrazzoli and Guerriero, 1996], y PROSAILH
[Jacquemoud et al., 2009]. los valores de LAI se calcularon de dos formas diferentes: utilizando el producto
de MODIS LAI (MYD15A2) o a partir del índice NDVI y el modelo PROSAILH. Referencias: LAI es índice de
area foliar, LWC es contenido de agua en las hojas, CWC es contenidod e agua en el dosel, o es observado
y m modelado,y es la funsion de costo. ___________________________________________________ 46
Figura 3-4 Ejemplos de las series temporales de FI, NDII, NDWI y NDVI para el período 2007-2008. El área
sombreada indica la temporada de crecimiento. _____________________________________________ 48
Figura 3-5 Relación entre los Índices NDVI, NDWI y NDII y LAI, simulados variando los valores de LWC
fijando los angulos solares (ts), ángulo nadiral de observación (tv), y angulo acimutal relativo (ps). las
lineas punteadas indican el rango de valores de las observaciones. el gradiente de grises muestra las
variaciones en LWC. ____________________________________________________________________ 50
Figura 3-6 Valores de LAI obtenidos a apartir del índice NDVI y el modelo PROSAILH [jacquemoud et al.,
2009]. El área sombreada indica la temporada de crecimiento. _________________________________ 51
Figura 3-7 Scatter-plot entre el producto MODIS LAI (MYD15A2) y los valores de lai obtenidos a partir del
índice NDVI y el modelo porsailh [Jacquemoud et al., 2009]. ___________________________________ 51
Figura 3-8 Valores estimados de LWC a partir de los Índices NDII y NDWI y el modelo PROSAILH
[Jacquemoud et al. 2009]para el período 2007-2008. El área sombreada indice la temporada de
crecimiento. __________________________________________________________________________ 52
Figura 3-9 Relación entre el índice FI derivado del modelo [Ferrazzoli y Guerriero, 1996] y el LAI variando el
CWC. Las lineas punteadas indican el rango de valores de las observaciones. el gradiente de grises muestra
las variaciones en eL CWC. ______________________________________________________________ 53
Figura 3-10 Valores estimados de CWC obtenidos a partir de la serie de tiempo de fi y el modelo [Ferrazzoli
y Guerriero, 1996] para el período del 2007-2008. El área sombreada indica la temporada de crecimiento.
____________________________________________________________________________________ 54
Figura 4-1 Mapa de cobertura de las áreas de estudio en (b) Argentina y Australia (c y d). ___________ 63
Figura 4-2 Series temporales con período de composición de 8-días de los índices FI, EVI y LAI para el
período 2007-2009. Bosque chaqueño (Chaco seco) (a), sabana leñosa tropical (Howard Springs) (b),
sabana semi-árida (Alice Springs) (c), pastizales (Sturt Plains) (d), y bosque de ecualipto siempre verde
(Tumbarumba) (e). El área sombreada corresponde al período desde diciembre a marzo (temporada
humeda) para los sitios (a) a (d), y de mayo a agosto (temporada húmeda) para el sitio (e). __________ 69
Figura 4-3 Series temporales con período de composición de 8-días de los índices PI, EVI y LAI para el
período 2007-2009. Bosque chaqueño (Chaco seco) (a), sabana leñosa tropical (Howard Springs) (b),
sabana semi-árida (Alice Springs) (c), pastizales (Sturt Plains) (d), y bosque de ecualipto siempre verde
(Tumbarumba) (e). El área sombreada corresponde al período desde diciembre a marzo (temporada
húmeda) para los sitios (a) a (d), y de mayo a agosto (temporada húmeda) para el sitio (e). __________ 70
Figura 4-4 Series temporales con período de composición de 8-días de los índices PI, FI y precipitación
(mm) para el período desde 2007-2009. El área sombreada corresponde al período desde diciembre a
marzo (temporada húmeda). ____________________________________________________________ 73
Figura 4-5 Boxplots de las series temporales de fi con periódo de composición de 8-días para la
temporadad de verano e invierno del 2007-2009. Letras diferentes indican diferencias estadísticamente
significativas (p <0,05) (Prueba de comparaciones múltiples de scheffe). _________________________ 75
Figura 4-6 Scatter plots entre los índices FI y PI para el período 2007-2009. Las figuras muestran la
componente estacional de ambos Índices. Los sitios seleccionados fueron el bosque chaqueño, sabana
leñosa tropical (Howard Springs), sabana semi-árida (Alice Springs), pastizales (Sturt Plains), y bosque de
ecualipto siempre verde (Tumbarumba). Las líneas (líneas conceptuales )muestran las tres zonas
identificadas en el espacio FI/PI según lo analizado en este capítulo. _____________________________ 77
Figura 4-7 Scatter plots entre los valores medios de los índices FI y PI para el período 2007-2009 resultante
del promedio entre las cuatro observaciones. en (a) la escala de colores representa el desvio estándar de
los valores diarios de PI, y en (b) la escala de colores representa el desvio estándar de los valores diaraios
de FI. donde los triangulos con las puntas hacia arriba (▲) corresponden a las observaciones del bosque
chaqueño, las estrellas (*) a la sabana leñosa tropical (Howard Springs), el triangulo con la punta hacia
abajo (▼) corresponde a la sabana semi-árida (Alice Springs), los circulos (○) al área de pastizal (Sturt
Plains), y los cuadrados (□) al bosque de eucalipto templado (tumbarumba). ______________________ 78
Figura 4-8 Scatterplot entre los índices FI con período de composisción de 8-días y el flujo de calor latente
(le) para el período 2007-2009. Los sitios seleccionados fueron Howard Springs, Sturt Plains y
Tumbarumba. donde R2 es el coeficiente de determinacion especifico para las cuatro observaciones de
R2aa: amsr-e ascendentes, R2ad: amsr-e descendentes, R2 wa: windsat ascendente y R2 wd: windsat
descendente. _________________________________________________________________________ 79
Figura 4-9 Series temporales de los índices FI y el flujo de calor latente (LE) con período de composición de
8-días para los años 2007-2009. El área sombreada corresponde al período desde diciembre a marzo
(temporada húmeda) para los sitios (a) a (b), y de mayo a agosto (temporada húmeda) para el sitio (c). 80
Figura 4-10 Diagrama esquematico de la relación entre los índices de microondas FI y PI y el contenido de
agua de la vegetación y el suelo. __________________________________________________________ 82
Figura 5-1 Ejemplo del balance de energía a nivel horario para el sitio Harvard Forest (Ha1). _________ 94
Figura 5-2 Diagrama de flujo de la metodología para estimar la conductancia superficial (Gs) utilizando los
índices de vegetación ópticos y de microondas pasivas. Donde PM: modelo de penman-monteith, EVI:
índice de vegetación mejorado, NDWI: índice de agua normalizado, FI: índice de frecuencia, y QA: banda
de calidad de modis. ___________________________________________________________________ 97
Figura 5-3 Relación entre la conductancia superficial (Gs, mm/s) y los índices de vegetación. _________ 99
Figura 5-4 Relaciónentre gs (conductancia superficial, mm/s) y los índices de vegetación. ___________ 100
Figura 5-5 Relación entre los índices ópticos y la conductancia superficial (Gs) a diferentes tamaños de
ventanas espaciales (1- 25 Km). _________________________________________________________ 102
Figura 5-6 Relación entre la conductancia syperficial (Gs) estimada utilizando el índice NDWI y las
observaciones a diferentes escalas espaciales (celdas 1 a 25 km de lado). Donde r2 es el coeficiente de
determinación, rmse es el error cuadrático medio y la fraccion de bosque fue calculada utilizando el
producto modis (MOD12Q1) igbp global land cover classification product . ______________________ 104
Figura 5-7 Relación entre los índices ópticos y FI y EL flujo de calor latente MEDIDO (LE (w / m2)). ____ 105
Figura 5-8 Valores estimados y observados del flujo de calor latente (LE, w/m2) estimados directamente a
partir de los índices ópticos (a) y de microondas (b). _________________________________________ 106
Figura 5-9 Relación entre los valores estimados y medidos de la conductancia superficial (Gs (mm/s)) y
flujo de calor latente (LE (W/m2)) derivado de los índices mostrados en la tabla 6-5 (a), FI (b) y de la
combinación de ambos índices (c) basados en el modelo de pm. la barra de color representa el error
relativo porcentual de las estimaciones de gs. ______________________________________________ 107
Figura 5-10 Relación entre los valores estimados y medidos de la conductancia superficial (Gs (mm/s)) y
flujo de calor latente (LE (W/m2)) derivado de los índices mostrados en la tabla 6-5 (a), FI (b) y de la
combinación de ambos índices (c) basados en el modelo de pm para los bosques deciduos y siempre-verde.
la barra de color representa el error relativo porcentual de las estimaciones de gs. ________________ 109
Figura 5-11 Series temporales estimadas y medidas del flujo de calor latente (LE (W/m2)) con período de
composición de 8-días utilizando índices opticos (LE VIs), FI (LE FI) y utilizando ambos índices (LE VIs y FI)
combinando con datos meteorológicos. ___________________________________________________ 110
Figura 5-12 Comparación entre los valores predichos y observados cada 8-días de la conductancia
superficial (Gs (mm/s)) entre el producto de conductanci del dosel global (Gc) derivado del modelo de
yebra et al., [2013] y del modelo multisensor propuesto en este capítulo par a los bosques siempre verdes y
bosques deciduos. ____________________________________________________________________ 114
Figura 6-1 Mapa de cobertura de la transecta del norte de australia, conocida como NATT. Los circulos
rojos corresponden a los seis sitios de torres de flujo. El mapa de cobertura representa los grupos
funcionales dominantes de cada ecosistema (Australian major vegetation groups (MVGs, v4.1)), provisto
por el sistema nacional de informacion sobre la vegetacion de australia (NVIS, 2007). ______________ 120
Figura 6-2 Diagrama de flujo de la metodología empleada para estimar la conductancia superficial (Gs)
utilizando series temporales de multiples sensores. Donde PM: Penman-monteith, VIs: índice de vegetación
optico, FI: índice de frecuencia, PI: índice de polarización, VOD: espesor óptico de la vegetación y SM:
humedad del suelo. Datos de entrada: MODIS VI y AMSR-E FI, VOD, SM, QA: banda de calidad de MODIS.
___________________________________________________________________________________ 127
Figura 6-3 Relación entre los valores observados de gs (conductancia superficial, mm/s) y los índices
opticos y de microondas. donde evi es el índice de vegetación mejorado, ndwi el índice normalizado de
agua, PI (banda x) es el índice de polarización, FI V (Bandas Ka- X) es el índice de frecuencia, VOD es el
espesor óptico de la vegetación y SM es la humedad del suelo. los sitios seleccionados fueron: Howard
Spirngs (HSP), Adelaide River (AR), Dry (DRP), Dry River (DRY), Sturt Plain (SP) y Alice Springs (ALS). ___ 129
Figura 6-4 Relación entre los valores estimados y observados de Gs (mm/s) derivados de los disntintos
enfoques individuales (índices opticos o de microondas pasivas), enfoque multisnesor y multisitio/
multisensor. _________________________________________________________________________ 133
Figura 6-5 Mapas de valores maximos anuales de conductancia supeficial (gs, mm/s) estimados utilizando
el modelo multisensor y MULTISITIO, y observados. Los píxeles faltantes (blancos) corresponden a cuerpos
de agua, datos faltanes de MODIS, de AMSR-E, o fuera de rango. ______________________________ 134
Figura 6-6 Relación entre los valores estimados y observados de LE (W/m2) derivados de los disntintos
enfoques individuales (índices opticos o de microondas pasivas), enfoque multisnesor y multisitio. ___ 136
Figura 6-7 Relación entre la conductancia superficial estimada por yebra et al., [2013] y observada __ 140
Figura 7-1 Esquema de los procesos contemplados en el modelo NOAH. Obtenido de
http://www.ral.ucar.edu/research/land/technology/lsm.php. _________________________________ 146
Figura 7-2 Relación entre las estimaciones y observaciones de le (W/m2) con período de composición de 8-
días. _______________________________________________________________________________ 150
Figura 7-3 Serie temporal de le (W/m2) observado y Los productos GLDAS/NOAH, MOD16A2, MERRA y el
producto multisensor (GLDAS, MERRA y Gs) en función del tiempo. _____________________________ 151
Figura 7-4 Media anual de LE (W/m2) para los distintos productos. _____________________________ 152
Figura 7-5 Comparación entre las medias anuales de LE (W/m2) entre producto LE (MERRA, GLDAS,
multisensor) y MERRA, MOD16A2 y GLDAS/NOAH. La barra de color hace referencia a la densidad de
número de pixeles. ____________________________________________________________________ 153
Figura 7-6 Media Mensual de LE (W/m2) correspondiente al mes de enero para los distintos productos. 153
Figura 7-7 Media Mensual de LE (W/m2) correspondiente al mes de julio para los distintos productos. 154
Figura 7-8 Comparación entre las medias mensuales de LE (W/m2) entre producto LE (MERRA, GLDAS,
multisensor) y MOD16A2. La barra de color hace referencia a la densidad de número de pixeles. _____ 154
Figura 8-1 Área de estudio: el chaco seco en argentina y detalle del área de estudio del norte del chaco
seco argentino mostrando el área de estudio. ______________________________________________ 159
Figura 8-2 Diagrama sobre la metodológia empleada. EVI: índice de vegetación mejorado, QA: banda de
calidad, FI: índice de frecuencia, datos meterodógicos: datos de re-análisis y datos de modelos de
superficie, GS: conductancia superficial, PM: Penman-Monteith Y LE: flujo de calor latente (w/m2). ___ 161
Figura 8-3 Mapas de medias anuales de LE (W/m2) para el área de estudio del norte del chaco seco desde
2002-2009. __________________________________________________________________________ 165
Figura 8-5 Media mensual de LE (W/m2) correspondiente al mes de abril para los distintos productos. 166
Figura 8-4 Medias anuales de LE (W/m2) de los productos LE multisensor, GLDAS/NOAH y MOD16A2 para
el período 2002-2010. _________________________________________________________________ 166
Figura 8-6 Media mensual de LE (W/m2) correspondiente al mes de enero para los distintos productos. 167
Figura 8-7 Relación entre los valores mensuales del produto LE (W/M2) multisensor con los productos
GLDAS/NOAH, MERRA y MOD16A2. ______________________________________________________ 167
Figura 8-8 Ciclo estacional de LE estimados y observados según los productos GLDAS/NOAH, MERRA,
MOD16A2 y el producto multisensor. _____________________________________________________ 168
Figura 8-9 Medias anuales de LE (W/m2) para observaciones de torres de flujo, y de las estimaciones
obtenidas por los modelos multisensor, GLDAS/NOAH, MERRA y MOD16A2. _____________________ 170
Figura 9-1 Diagrama que resume la metodología desarrollada a lo largo de la tesis. Donde MIs
corresponde a los índices de microondas pasivas, VIs a los índices ópticos, Gs a la conductancia superficial
y ET a la evapotranspiración. ___________________________________________________________ 174
Figura 9-2 Supuestos para aplicar la metodología desarrollada en la corriente tesis. _______________ 175
Figura I-1 Diagrama del espectro electromagnético _________________________________________ 180
Figura II-1 Ejemplo de una serie de tiempo del producto de 16 días de NDVI (línea llena), valores estimados
por el modelo (NDVIfit, línea punteada) (a), y residuos (b). ____________________________________ 188
Figura II-2 Resultado de la clasificación para el período 2000-2010. ____________________________ 189
Figura II-3 Scatter-plot entre CNI y CCI. El tamaño de las burbujas es proporcional a la frecuencia de pixeles
en escala logarítmica. _________________________________________________________________ 190
xi
ÍNDICE DE TABLAS Tabla 1-1 Detalle de algunos instrumentos de las torres de flujo de covarianza de torbellino .................... 11
Tabla 1-2 Ventajas y desventajas de distintas metodologías para estimar la evapotranspiración usando
técnicas de teledetección.............................................................................................................................. 20
Tabla 2-1. Públicaciones derivadas de la tesis .............................................................................................. 29
Tabla 3-1 Cálculo de los índices satelitales a partir de datos provenientes de los sistemas MODIS y AMSR-E.
Donde hace referencia a las bandas de modis banda (1 a 7) y la TB es la temperatura brillo y v la
polarización vertical. .................................................................................................................................... 38
Tabla 3-2 Resumen de las variables de campo utilizadas en los modelos RTM. .......................................... 44
Tabla 4-1 Resumen de las variables de campo. LAI es índice de área foliar, Altitud es la altura sobre el nivel
del mar, dbh es el diametro del tronco a la altura del pecho (1-3 metros), veg. alt. altura de la vegetacion,
Prec es la precipitación anual acumulada, b [Eamus et al., 2000], c [Hutley et al., ], d [Sea et al.,
], e [Ea us et al., ], f i fo a ió dispo i le e http:// .ozflu .o g.au, f [Strahler et al.,
2008], g [Leuning et al., 2005] y g [Gasparri et al., 2013]. ........................................................................... 64
Tabla 4-2 Índices espectrales calculados a partir de los sistemas amsr-e, windsat y modis, incluyendo su
sigla, formula matemática, y las referencias x es la reflectancia en modis banda x (1 a 3); tb es la
temperatura de brillo, v y h sufijos que indican polarización vertical y horizontal, respectivamente. ......... 66
Tabla 4-3 Resumen de los coeficientes de determinación (r2) para las relaciones entre las series temporales
modis, amsr-e, windsat, el índice de area foliar (lai) y la productividad bruta del ecosistema (gep) .donde pi
es el índice de polarización, fi el indice de frecuencia y aa, ad, wa y wd se corresponden a las observaciones
del sistema y orbita: amsr-e ascendente, amsr-e descending, windsat ascendente y windsat descendente
respectivamente. * corresponde un nivel de significacion de 0,01, ** y de 0,001, ns es no –significativo. . 71
Tabla 4-4 Resumen de los coeficientes de determinación (r2) para las anomalias entre las series temporales
amsr-e y windsat, humedad del suelo (sm) y precpitacion (prec). Donde PI es el índice de polarización, FI el
indice de frecuencia y aa, ad, wa y wd se corresponden a las observaciones del sistema y orbita: amsr-e
ascendente, amsr-e descending, windsat ascendente y windsat descendente. * corresponde un nivel de
significacion de 0,01, ** y de 0,001, ns es no–significativo. ......................................................................... 73
Tabla 4-5 Resumen de los coeficientes de determinación (r2) para las series temporales horarias de
temperatura de superficie (ts), temperatura ambiente y el índice FI. Donde FI el indice de frecuencia
calculado usando las observaciones de los sensores amsr-e y windsat. * corresponde un nivel de
significacion de 0,01, ** y de 0,001, ns es no –significativo. ........................................................................ 76
xii
Tabla 5-1 Índices espectrales calculados a partir de los sistemas MODIS y AMSR-E, incluyendo su sigla y
formula matematica, x es la referencia de la banda de modis x (1 a 5); Tb es la temperatura de brillo, y el
sufijo v indica la polarizacion vertical. .......................................................................................................... 91
Tabla 5-2 Descripción de los sitios en los cuales se localizan las torres de flujo de covarianza de torbellino.
donde h se corresponde a la altura de la canopia, z es la altura de medicion, DBF corresponde a un bosque
deciduo de hoja ancha, ENF y EBF hacen referencia a bosques siempre verder con hojas aciculares y ancha
respectivamente. IGBP es the I te atio al Geosphe e-Biosphe e P og a e egetatio lassifi atio .
...................................................................................................................................................................... 92
Tabla 5-3 Resumen de la relación entre los índices óptico y la conductancia superficial (Gs). r2vi-gs es
coeficiente de determinación entre los índices satélitales y Gs, r2gso-gse es coeficiente de determinación y
RMSE el error cuadratico medio entre las observaciones y estimaciones de Gs. Una transformacion
logarítmica se ha hecho para linealizar la relación entre los índices ópticos y Gs. ...................................... 99
Tabla 5-4 Resumen de la relación entre los índices ópticos y la conductancia superficial (gs), incluyendo los
parametros estimados (a, b y c) y las metricas de evaluación. Donde r2vi-gs es coeficiente de determinación
entre los índices ópticos y las observaciones Gs, r2fi-gs es coeficiente de determinación entre FI y las
observaciones Gs, y finalmente r2adj es coeficiente de determinación adjustado. ...................................... 100
Tabla 5-5 Resumen del ajuste entre Gs estimaciadasy observadas al usar los distintos modelos: Gs (VIs)
modelo, Gs (FI) modelo y modelo acoplado (Gs (VIs, FI)). El coeficiente de determinación (r2gso-gse) y error
cuadrático medio (RMSE) se calcularon entre las estimaciones y observaciones de Gs............................. 103
Tabla 5-6 Resumen de la comparación entre gs estimación y observación de usar Gs (VIs) modelo, Gs (FI)
modelo y modelo acoplado II (Gs (VIs, FI)). El coeficiente de determinación (r2gso-gse) y error cuadrático
medio (RMSE) se calcularon entre las estimaciones y observaciones de Gs. para el modelo acoplado II se
utilizó el mejor modelo obtenido de la tabal 5-5, y se completo los datos faltantes con los valores de gs
obtenidos de la relación Gs-FI..................................................................................................................... 103
Tabla 5-7 Resumen del ajuste entre los valores estimados y medidos del flujo de calor latente (LE (W / m2))
derivados directamente de índices ópticos y de microondas pasivo. Donde r2VI-LE es el coeficiente de
determinación entre los índices ópticos y medidas de LE, r22FI-LE es el coeficiente de determinación entre los
índices de microondas pasivas y medidas LE y RMSE el error cuadratico medio, RMSEs error cuadrático
medio sistematico y RMSEu error cuadratico medio no sistematico. ......................................................... 105
Tabla 5-8 Resumen del ajuste entre los valores medidos y estimadosdel flujo de calor latente (LE (W / m2))
derivados directamente de índices óptico y de microondas pasivo. Donde r2LEo-LEe es el coeficiente de
determinación entre los valores estimados y medidos, RMSE es el error cuadratico medio, RMSE s es el
xiii
error cuadrático medio sistematico, RMSEu es el error cuadratico medio no sistematico, n es el número de
muestras con observaciones validas de las torres, de MODIS y de AMSR-E con período de composición de 8
días. ............................................................................................................................................................ 108
Tabla 5-9 Resumen del ajuste entre los valores estimados versus observados de conductancia del dosel
global (Gc), obtenido del producto de Yebra et al., [2013]. Este producto provee estimaciones de
o du ta ia del dosel a u a es ala espa ial de . ⁰ asados e el p ou to MCD C de efle ta ia de
superficie del sensor MODIS y tres índices de vegetacion (NDVI, EVI y Kc). Donde NDVI es el índice de
vegetación normalizado, EVI es el índice de vegetacion mejorado, y Kc es el coeficiente de cultivo calculado
a pa ti del í di e EVI. El p odu to es p o isto de fo a glo al a u a es ala espa ial de . ⁰ ada 8-días.
.................................................................................................................................................................... 114
Tabla 6-1 Descripción de los sitios de covarianza de torbelllino localizados en el área de estudio. Donde h:
altura de la vegetación, z: altura de medición, MVG: grupos dominantes de la vegetación, años: años
donde estuvieron disponibles los datos de torres de flujos, PI: investigador principal de la torre, Gs:
conductancia superficial. ............................................................................................................................ 121
Tabla 6-2 Índices espectrales calculados a partir de los sistemas MODIS y AMSR-E, incluyendo su sigla y
fo ula ate ati a, do de ρ es la efle ta ia o espo die te a las a das de MODIS a ; t es la
temperatura de brillo, el sufijo v indica la polarizacion vertical, U es el angulo de incidencia, a y d se
definen en el apéndice III. ........................................................................................................................... 123
Tabla 6-3 Resumen de la relación entre los índices ópticos y la conductancia superficie (Gs) para el set de
datos de calibración. Se utilizó Una transformaciÓn logarítmica para linealizar la relación entre los índices
ópticos y Gs. ................................................................................................................................................ 130
Tabla 6-4 Resumen de la relación entre los índices ópticos y la conductancia superficie (Gs) para el set de
datos de validación. Se utilizó Una transformación logarítmica para linealizar la relación entre los índices
ópticos y Gs. ................................................................................................................................................ 131
Tabla 6-5 Resumen del ajuste de los mejores enfoques para estimar Gs utilizando índices ópticos (VI),
índices de microondas pasivas (MI) o el modelo múltisensor (VI, MI) según lo detallado en la figura 6-2. 132
Tabla 6-6 Resumen del ajuste entre los valores estimados y observados de LE (W/m2). Donde r2 es el
coeficiente de determinación, rmse el error cuadratico medio entre las observaciones y estimaciones de LE,
RMSEs es el error cuadratico medio sistematico y N es el número de muestras de 8-días con observaciones
validadas de las torres y de MODIS y de AMSR-E con perídod de composición de 8 días. ......................... 135
Tabla 6-7 Resumen del ajuste entre los valores estimados versus observados de conductancia del dosel
global (Gc), obtenido del producto de Yebra et al., [2013]. Este producto provee estimaciones de
xiv
o du ta ia del dosel a u a es ala espa ial de . ⁰ asados e el p ou to MCD C de efle ta ia de
superficie del sensor MODIS y tres índices de vegetacion (NDVI, EVI y Kc). Donde NDVI es el índice de
vegetación normalizado, EVI es el índice de vegetacion mejorado, y Kc es el coeficiente de cultivo calculado
a pa ti del í di e EVI. El p odu to es p o isto de fo a glo al a u a es ala espa ial de . ⁰ ada 8-días.
.................................................................................................................................................................... 139
Tabla 7-1 Descripción de los sitios en los cuales se localizan las torres de flujo de covarianza de torbellino.
donde h se corresponde a la altura de la canopia, z es la altura de medicion, DBF corresponde a un bosque
deciduo de hoja ancha, ENF y EBF hacen referencia a bosques siempre verder con hojas aciculares y ancha
respectivamente. IGBP es the I te atio al Geosphe e-Biosphe e P og a e egetatio lassifi atio
.................................................................................................................................................................... 145
Tabla 7-2 Evaluación general de LE (flujo de calor latente, W/m2) para los distintos productos a nivel anual,
mensual y 8-días. ........................................................................................................................................ 149
Tabla 7-3 Evaluación de LE (flujo de calor latente, W/m2) para los distintos productos analizados. ........ 150
Tabla 8-1 Cuadro comparativo de los distintos productos de evapotranspiracion y flujo de calor latente
utilizado e este apítulo…………………………………………………………………………………………………………………………………… 165
Tabla 8-2 Descripción de los sitios en los cuales se localizan las torres de flujo de covarianza de torbellino.
donde h se corresponde a la altura de la canopia, z es la altura de medicion, DBF corresponde a un bosque
deciduo de hoja ancha, ENF y EBF hacen referencia a bosques siempre verder con hojas aciculares y ancha
respectivamente. IGBP es the I te atio al Geosphe e-Biosphe e P og a e egetatio lassifi atio
.................................................................................................................................................................... 164
Tabla II- 1 Descripción e interpretación ecológica de los parámetros del modelo. .................................... 187
xv
ABREVIATURAS Y SIGLAS
A continuación se detallan las siglas y abreviaturas más relevantes para el entendimiento de la tesis:
LAI: índice de área foliar (según sus siglas en ingles).
CWC: contenido de agua de la canopea (según sus siglas en ingles).
LWC: contenido de agua en las hojas (según sus siglas en ingles).
RTM: modelo de transferencia radiativa.
ET: evapotranspiración.
LE: flujo de calor sensible.
Rn: radiación neta en la superficie.
Gs: conductancia superficial.
Gc: conductancia de la canopea.
gs: conductancia estomática.
VIs: índices de vegetación ópticos.
NDVI: índice de vegetación normalizado.
EVI: índice de vegetación mejorado.
NDWI: índice de agua normalizado.
NDII: Índice de diferencia infrarrojo normalizado.
MIs: índices de microondas pasivas.
FI: índice de frecuencia.
PI: índice polarización.
VOD: espesor óptico de la vegetación.
SM: humedad del suelo.
TS: temperatura de superficie.
TB: temperatura de brillo.
MODIS: Moderate Resolution Imaging Spectroradiometer.
AMSR-E: Advanced Microwave Scanning Radiometer – EOS.
1
CAPÍTULO I
INTRODUCCIÓN GENERAL
RESUMEN
Este capítulo introductorio de la tesis hace referencia a la relevancia de la cuantificación de la
evapotranspiración en diferentes áreas temáticas, con principal énfasis en estudios ecológicos e
hidrológicos. Se repasa el concepto de evaporación y se describe en detalle el proceso de transpiración.
Además, se recuerdan los distintos conceptos de evapotranspiración y se discuten sus límites. También, se
analizan brevemente los métodos tradicionales para determinar la evapotranspiración. Se analizan
distintas metodologías que utilizan información satelital para estimar evapotranspiración. Finalmente, se
discuten las ventajas y desventajas de estas metodologías.
1.1. EVAPOTRANSPIRACIÓN: CONCEPTO, IMPORTANCIA Y APLICACIONES
1.1.1. INTRODUCCIÓN
La evapotranspiración (ET), proceso simultaneo entre la evaporación del agua de la superficie del suelo y
de la cubierta vegetal, más la transpiración de la vegetación a través de sus tejidos especializados, es una
variable crítica en el balance de agua, energía y carbono de los sistemas terrestres, siendo una variable de
interés para estudios hidrológicos, climáticos, y ecológicos (Figura 1-1). Esto se debe a razones tanto
cuantitativas como cualitativas: la evapotranspiración global devuelve aproximadamente el 60% de la
precipitación anual a la atmósfera [Oki y Kanae, 2006] y además relaciona efectivamente las ecuaciones de
balance de agua y energía [Seneviratne et al., 2006]. El agua que entra en la fase de evapotranspiración del
ciclo hidrológico, pasa a estar no disponible, y no se puede recuperar para su uso posterior. Esta
consideración es importante en la planificación y gestión del agua como recurso. En muchas partes del
mundo, el agua disponible es muy limitada, de ahí que un conocimiento exacto de la pérdida, a través de la
2
evapotranspiración, sea indispensable. Precisamente, este término de evapotranspiración es el más difícil
de entender del ciclo hidrológico, y un tanto complejo de estimar a escala regional.
Por ende, estimar la ET de manera robusta y sistemática es esencial para estudiar el comportamiento de
los siste as egetales y su papel en los ecosistemas. Esto es particularmente importante en el contexto
de la validación de las predicciones de modelos de circulación, los cuales apuntan a una intensificación del
ciclo hidrológico. Esto podría alterar las tasas de ET, generando cambios en los servicios ecosistémicos a
nivel regional y global [Seneviratne et al., 2006]. Los cambios en la variabilidad y en los valores medios del
clima inciden sobre el estado de la vegetación directamente afectando los procesos fisiológicos
(temperatura óptima de fotosíntesis, respiración, etc.) de la vegetación o indirectamente a través de la
modificación de las propiedades del suelo (humedad, ciclo de nutrientes, etc.). Además, el cambio del uso
y cobertura de la tierra es uno de los principales procesos asociados al cambio global y afecta de manera
directa al ecosistema terrestre, pudiendo alterar un gran número de procesos biofísicos e hidrológicos
importantes. En particular, la deforestación es uno de los cambios más drásticos. Por lo tanto, en áreas
boscosas resulta relevante la estimación de la ET. Una deforestación descoordinada, puede afectar al
normal ciclo de transpiración, producir cambios fenológicos, afectar al ciclo de carbono, entre otros.
FIGURA 1-1 ESQUEMA CONCEPTUAL DEL COMPONENTE DE VEGETACIÓN EN EL SISTEMA SUELO-VEGETACIÓN-ATMÓSFERA
3
1.1.2. EVAPORACIÓN
La evaporación (Figura 1-1) es el proceso de difusión mediante el cual el agua líquida es transformada en
vapor de agua [Allen et al., 1998]. Mediante dicho proceso el agua retorna directamente a la atmósfera
[Rivas, 2004]. El proceso es consecuencia del aporte de energía, principalmente por la radiación solar
directo, y en menor medida, por la temperatura ambiente del aire. La fuerza impulsora de este proceso es
la diferencia de presión entre el vapor de agua en la superficie evaporante y del vapor de agua de la
atmósfera circundante [Allen et al., 1998].
La velocidad de evaporación y la cantidad de agua efectiva evaporada, en un período y lugar específico, está
condicionada por un conjunto de factores atmosféricos y por las características de la superficie evaporante
[Rivas, 2004]. Entre los factores atmosféricos se encuentran: la radiación solar, la humedad específica del
aire, la temperatura del aire y la velocidad del viento. El agua se evapora de una variedad de superficies
como ser superficies de agua libre, un suelo o una cubierta vegetal. En los dos primeros casos el mecanismo
es fundamentalmente difusivo, mientras que en el tercero se combina con la transpiración.
1.1.3. TRANSPIRACIÓN
Dentro del sistema hidrodinámico suelo-vegetación-atmósfera la cubierta vegetal constituye una vía
intermedia de circulación de agua entre el suelo y la atmósfera [Rivas, 2004]. La transpiración (Figura 1-2)
consiste en la vaporización del agua líquida contenida en los tejidos de la vegetación y su posterior remoción
hacia la atmósfera [Allen et al., 1998]. En las plantas, más del 90% del agua que absorben las raíces se libera
al aire como vapor de agua [Raven et al., 1992]. La mayor diferencia entre la transpiración y la evaporación
en superficie de agua libre es que las plantas pueden ejercer algunos controles fisiológicos de la apertura
de los estomas. Por lo tanto, es importante remarcar que la transpiración es un proceso físico (proceso de
transporte) – metabólico (reacción química).
Este proceso comprende la evaporación del agua desde las células superficiales en el interior de los espacios
intercelulares y su difusión fuera del tejido vegetal principalmente a través de los estomas y en menor
medida a través de la cutícula y las lenticelas. Junto al intercambio de dióxido de carbono (CO2), determina
la eficiencia de uso del agua de una planta. Las hojas pierden agua a través de sus estomas como una
consecuencia de la actividad fotosintética de las células del mesófilo.
Los estomas ejercen el mayor control de corto plazo en las relaciones hídricas de una planta debido a que
controlan la salida de agua que ocurre en respuesta a un fuerte gradiente de diferencia de presión de vapor
(VPD, según sus siglas en inglés) entre el aire y la hoja. El grado de apertura estomática depende de muchos
4
factores como ser, intensidad de luz, temperatura ambiente, humedad y concentración de CO2 y condición
de la capa límite [Oke, 1988]. El cierre de los estomas se debe a insuficiente intensidad de luz y/o a perdida
de contenido de agua (reducción de la turgencia) de las células oclusivas. Por lo tanto, el comportamiento
diferencial de la actividad estomática provee un grado diferencial de resistencia al intercambio de vapor de
agua y CO2 entre la planta y la atmósfera.
FIGURA 1-2 ESQUEMA SIMPLIFICADO EN EL QUE SE MUESTRA EL MOVIMIENTO DE AGUA DESDE EL SUELO A LA ATMÓSFERA.
OBTENIDO DE HTTP://WWW.BIO.MIAMI.EDU/DANA/226/226F09_10.HTML.
1.1.4. DISTINTOS CONCEPTOS DE ET
Existen diversas definiciones de ET importantes a evaluar. Dentro de estas, un concepto importante a
resaltar es el de evapotranspiración potencial (ETP). El concepto de ETP fue popularizado por
[Thornthwaite, 1948], en el contexto climático se puede definir como la máxima cantidad de agua que
puede evaporarse desde un suelo completamente cubierto de vegetación, con desarrollo óptimo y en el
supuesto de no existir limitaciones de agua. Esto implica que la ETP está controlada por factores
meteorológicos, además de por las características de la vegetación y del suelo, sin depender de las
condiciones de humedad del suelo.
5
Con la finalidad de reducir las ambigüedades de interpretación dadas por este amplio concepto de ETP, se
introduce la evapotranspiración del cultivo de referencia (ET0) [Allen et al., 1998]. La superficie de referencia
corresponde a un cultivo hipotético de pasto con características específicas. Este concepto se introduce
para estudiar la demanda de evapotranspiración de la atmósfera, independientemente del tipo y desarrollo
del cultivo, y de las prácticas de manejo. Al relacionar la ET a una superficie específica permite contar con
una referencia a la cual se puede relacionar la ET de otras superficies. Los únicos parámetros que afectan a
ET0 son los parámetros climáticos.
La evapotranspiración máxima (ETm) es la pérdida de agua que es capaz de evaporar y transpirar el sistema
suelo–vegetación, en condiciones no limitantes de disponibilidad hídrica. El proceso de evapotranspiración
que se produce en una superficie natural no siempre se encuentra en las condiciones hipotéticas
planteadas. Por lo tanto, es importante definir el concepto de evapotranspiración real (ETr). La ETr es la
cantidad de agua verdaderamente perdida por el suelo y depende de las condiciones atmosféricas, el
contenido de agua en el suelo y las características de la vegetación. Por lo tanto la ETr puede ser muy
diferente a la ETm, aunque en la generalidad de las situaciones tiende a ser menor o en el caso límite igual
a ésta. Excepcionalmente, la ETr puede ser mayor a la máxima, por ejemplo, luego de una lluvia, cuando el
follaje ha interceptado agua de lluvia y ésta es perdida directamente a la atmósfera [Inoue y Moran, 1997;
Entraigas et al., 2001].
1.2. MEDICIÓN DE LA ET La estimación precisa de la ET no es una tarea simple. Los procedimientos requieren del control continuo
de un gran número de parámetros físicos, meteorológicos y de la cubierta vegetal. En función de los
parámetros involucrados se distinguen los siguientes métodos:
1.2.1. MÉTODOS DE BALANCE DE ENERGÍA
La ET es uno de los principales flujos de energía en el intercambio energético entre la superficie terrestre y
la atmósfera. El cambio de fase requiere una gran cantidad de energía, por lo que está limitada a la cantidad
de energía disponible. Debido a esta limitación, es posible predecir la cantidad de ET aplicando el principio
de conservación de la energía según el cual, la energía que llega a la superficie debe ser igual a la energía
que sale de la misma, dentro de un período determinado.
La ecuación del balance de energía de una superficie, considerando solo los flujos verticales es la siguiente:
� = + � + Ecuación 1-1
6
dónde: Rn es la radiación neta en la superficie (W/m2); G es el flujo de energía en forma de calor
intercambiado por conducción entre la superficie de la cubierta vegetal y el suelo (W/m2); � es el flujo
de calor latente (también conocido como LE), es decir el flujo de calor asociado al flujo de vapor de agua
(W/m2). Esta última es la energía que se requiere para el proceso de evapotranspiración (ET, mm/día). Así
es el calor latente de vaporización, es decir, la energía necesaria para evaporar la unidad de masa (MJ/Kg).
H es el calor sensible, el flujo de energía en forma de calor intercambiado por convección entre la superficie
y la atmosfera (W/m2), es decir debido a la diferencia de temperaturas entre la superficie y la atmosfera.
Esta ecuación de balance supone una superficie extensa, homogénea con presencia de vegetación baja.
En la ecuación del balance de energía se han considerado una serie de simplificaciones, ateniendo en
general al valor relativo de los flujos de energía, así como al intervalo temporal en que será aplicado. Así,
se han considerado despreciables dentro del balance de energía los flujos relativos al proceso de
fotosíntesis y al almacenamiento en el sistema [Hillel, 1998]. Tampoco se ha tenido en cuenta el flujo de
energía horizontal, llamado advección.
En general, estos términos son obtenidos por medio de modelos de flujo unidimensionales, basados en una
convención análoga a la ley de Ohm, a partir de las expresiones [Friedl, 2002]:
= � � � � − �� Ecuación 1-2
� = � � γ �− �+ � Ecuación 1-3
do de ρ es la densidad media del aire (kg/m3), cp es el calor específico del aire a presión constante (J/kg K),
To y ea son la temperatura aerodinámica (º C) y la presión de vapor (kPa) a la altura efectiva en la que se
produce el intercambio de flujo, Ta y eo son la temperatura del aire (º C) y la presión de vapor (kPa) de la
capa de la atmósfera por encima de la superficie, rs y ra son la resistencia del cultivo y aerodinámica (s/m)
y γ la o sta te psi o ét i a (kPa/ ºC).
Las ecuaciones anteriores son la base de los modelos de balance de energía de una capa. Éstos no hacen
distinción entre balances de energía en el suelo y e la egeta ió . Los odelos de u a apa esti a E
como un término residual de la ecuación de balance de energía. Como una alternativa a los modelos de una
capa se han desarrollado modelos capaces de distinguir los regímenes de temperatura y energía para el
suelo y la vegetación [Choudhury y Monteith, 1988; Kustas, 1990]. A estos modelos se los conoce con el
7
nombre de modelos de balance de energía de dos capas [Kustas, 1990; Friedl, 2002]. Son
considerablemente más complejos, pero resuelven las limitaciones de los modelos de una capa. El principal
aporte de éstos es la separación del flujo de calor latente desde la vegetación y desde el suelo [French et
al., 2002]. En estos modelos se requiere conocer: la radiación neta, la temperatura del aire, la humedad
relativa del aire, la velocidad del viento, la altura del cultivo e índice de área foliar, la temperatura del suelo
y de la vegetación, y la arquitectura de la planta.
1.2.2. MÉTODOS DE BALANCE DE AGUA
La ET puede ser determinada por la medida de varios componentes del balance hídrico del suelo. Este
método consiste en determinar las entradas y salidas del flujo de agua en la zona del suelo ocupada por las
raíces en un intervalo de tiempo. Los aportes de agua vienen dados por el riego (R, mm/ día) y lluvia (P,
mm/ día), mientras que las pérdidas pueden ser por escorrentía superficial (Es, mm/día) y percolación
profunda (D, mm/ día). Además, si el nivel freático se encuentra a escasa profundidad de las raíces, también
aporta agua el ascenso capilar, mientras que en caso de pendiente en el terreno habría que considerar
entradas y salidas de flujos superficiales (Fs, mm/ día). Si todos estos flujos son medidos, la ET puede
deducirse (mm/ día), te ie do ta ié e ue ta el a io de al a e ajes de agua e el suelo ∆W, mm/
día). Por lo tanto el balance hídrico se expresa: � = � + − � − − � + ∆W Ecuación 1-4
Este balance hídrico del suelo suele emplearse para estimar la ET en períodos semanales o superiores [Allen
et al., 1998].
1.2.3. MÉTODOS COMBINADOS – ECUACIÓN DE PENMAN-MONTEITH
Penman [1948] fue el primero en utilizar una adecuada combinación de los métodos energía y flujo de calor;
derivo una ecuación para calcular evaporación de una superficie abierta de agua a partir de datos climáticos
estándar de horas de sol, temperatura, humedad atmosférica, y velocidad de viento. Este método
denominado combinado fue utilizado por numerosos autores y ampliado a superficies cultivadas por
medio de la introducción de factores de resistencia.
La nomenclatura sobre resistencia distingue la resistencia aerodinámica y la superficial. La resistencia
superficial (rs) describe la resistencia al flujo de vapor a través de estomas, del área total de las hojas y de
la superficie del suelo (Figura 1-3). Comúnmente, en estudios ecológicos, se hace referencia a la inversa de
la rs que es la conductancia superficial. Por otro lado, la resistencia aerodinámica, ra, describe la resistencia
8
en la parte inmediatamente superior a la vegetación e incluye a la fricción que sufre el aire al fluir sobre
superficies vegetales. Aunque el proceso de intercambio en la vegetación es demasiado complejo para ser
descripto completamente por dos factores de resistencia, con esta estimación se obtienen buenas
correlaciones entre los valores medidos y calculados de ET.
FIGURA 1-3 ESQUEMA QUE SIMPLIFICA LA RELACION ENTRE LA CONDUCTANCIA ESTOMÁTICA (GS), CONDUCTANCIA DE LA
CANOPEA (GC), Y CONDUCTANCIA SUPERFICIAL (GS). LAI ES EL ÍNDICE DE ÁREA FOLIAR.
La ecuación de Penman-Monteith es [Allen et al., 1998]:
LE = ε.A+ cp.ρa �⁄ [e� �� − �].�� ε+ + �� Ecuación 1-5
donde ea es la presión de vapor en el aire (kPa), es es la presión de vapor de saturación evaluado en la
te pe atu a del ai e kPa , ε = s / γ, e la ue s es la pe die te de la p esió de apo de satu a ió e sus
la curva de temperatura (kPa/ ºC) y γ es la o sta te psi o ét i a (kPa/ ºC), LE es el flujo de calor latente
(W/m2 , ρa es la de sidad edia del ai e kg/ 3), cp es el calor específico del aire a presión constante (J/kg
K), A (W/m2) es la energía disponible absorbida por la superficie (radiación absorbida neta menos el flujo
neto de calor en el suelo), Gs (m/s) y Ga (m/s) son las conductancias de superficie y aerodinámica (Ecuación
1-2 y 1-3). ET se calcula como la relación de LE: lambda, donde lambda es el calor latente de vaporización.
La resistencia aerodinámica (ra):
ra = �2 u ln �−� ln �−� Ecuación 1-6
Ga = a Ecuación 1-7
9
donde ra es la resistencia aerodinámica (s/m), u la altura media de la velocidad del viento (m/s) a la altura
(z), d es el desplazamiento del plano cero en las longitudes de rugosidad zo y zoh para el momento y el
calor, respectivamente (m). La variables d, zo y zoH se estimaron como d = 2 h / 3, 0,123* h y 0,0123* h
respectivamente, donde h es la altura del dosel. La ecuación se restringe a condiciones neutras de
estabilidad, es decir, condiciones en las que la temperatura, la presión atmosférica, y la distribución de la
velocidad del viento siguen condiciones casi adiabáticas (sin intercambio de calor). El uso de la ecuación
para períodos cortos (horarios o menores) podría requerir la inclusión de correcciones de estabilidad.
1.3. MEDICIÓN A CAMPO DE LA ET A continuación se describen distintas metodologías comúnmente empleadas para realizar mediaciones a
campo de la ET, separando por metodologías cuyo objetivo es la estimación de la evaporación, transpiración
y ET.
1.3.1. MÉTODOS DE MEDICIÓN DE LA EVAPORACIÓN: TANQUE DE EVAPORACIÓN Y
EVAPORÍMETRO
La ET no es una variable simple de medir. La evaporación puede medirse en forma directa desde pequeñas
superficies de agua naturales o artificiales (tanques de evaporación) o a través de evaporímetros. El equipo
básico de medida es el tanque de evaporación, recipiente de tamaño estandarizado, con un tornillo
micrométrico para medir el nivel del agua con precisión. Lógicamente, debe estar acompañado de un
pluviómetro.
1.3.2. MÉTODOS DE MEDICIÓN DE LA TRANSPIRACIÓN: LISÍMETROS Y FLUJO DE SAVIA
Entre las metodologías más utilizadas para evaluar la transpiración a distintas escalas se encuentran los
lisímetros [Aboukhaled et al., 1982; Johnson et al., 2005], los sistemas de intercambio de gases y los
sensores de flujo de savia. La medición del intercambio de gases fotosintéticos (i.e., cálculo simultáneo de
la pérdida de agua y ganancia de CO2) a nivel de hoja, planta o dosel, fue posible con la incorporación de
los IRGA (analizador infrarrojo de gases). En general, estos sistemas evalúan el cambio en la densidad de
vapor (y concentración de CO2) dentro de una cámara producto del intercambio de gases realizado por una
hoja. Entre los parámetros que se miden están la humedad relativa, la temperatura de la hoja y el aire (con
una exactitud de 0,1°C).
Por otro lado, recientemente los sensores de flujo de savia han tenido una notable difusión habiéndose
desarrollado diversas metodológicas: método de disipación termal, método del balance de calor y el
método de cociente de calor [López-López et al., 2013]. La principal ventaja de este método es que mide
10
directamente la transpiración, en forma continua y en tiempo real. Sin embargo, entre los inconvenientes
se destacan por un lado el alto costo, y por el otro que la radiación solar y el déficit de presión de vapor
influyen directamente en la tasa de transpiración, por tanto, para un buen uso de estos sensores es
necesario contar con información de estos dos parámetros climáticos [López-López et al., 2013].
1.3.3. MÉTODOS DE MEDICIÓN DE LA ET: COVARIANZA DE TORBELLINOS
Otro método es el de covarianza de torbellinos (Eddy covariance), en el que se mide directamente la
componente vertical instantánea de la velocidad del viento mediante un anemómetro tridimensional, a la
vez que se obtienen concentraciones instantáneas de vapor de agua. Este método se ha utilizado
ampliamente por más de 30 años en micrometeorología, pero en la actualidad está disponible para distintas
disciplinas, incluyendo la agricultura, la ecología, la industria, etc.
El método de covarianza de torbellino proporciona mediciones de las emisiones de gases y las tasas de
consumo, y también permite mediciones de impulso, del calor sensible y del calor latente (por ejemplo, la
evapotranspiración, la pérdida de agua por evaporación, etc.), integrado flujos sobre áreas de diferentes
tamaños (Figura 1-4, Tabla 1-1). El flujo vertical de una entidad (como ser el vapor de agua y la
concentración de dióxido de carbono) transportada en un determinado punto se puede representar como
la covarianza de la velocidad vertical del viento y la concentración de una entidad en interés [Burba y
Anderson, 2010]. U o de los aspe tos p o le áti os de la etodología eddy o a ia e es ue depe de
de ciertas condiciones teóricas difíciles de cumplir en terrenos complejos, reduciendo la calidad de las
mediciones. La más importante es la estacionalidad de los datos medidos [Foken y Wichura, 1996]. La
calidad de los datos medidos a través de esta técnica no sólo es influenciada por los requerimientos teóricos
mencionados anteriormente, sino también se ve afectada por problemas instrumentales y meteorológicos
[Goulden et al., 1996; Göckede et al., 2004; Foken et al., 2006]. Sin embargo, de todas las limitaciones
conocidas, la más relevante es que no se cumpla la condición de atmósfera turbulenta, principalmente
durante la noche [Foken et al., 2006; Ruppert et al., 2006]. Para enfrentar estos inconvenientes se han
planteado ciertos criterios para filtrar aquellos datos que no cumplen con las condiciones mencionadas y
una serie de correcciones a éstos para perfeccionar o mejorar la calidad de las mediciones [Falge et al.,
2001; Gu et al., 2005; Ruppert et al., 2006].
11
FIGURA 1-4 ESQUEMA DE UNA TORRE DE FLUJO EN DONDE SE MUESTRAN LOS DISTINTOS INSTRUMENTOS. FIGURA ADAPTADA DE
HTTP://WWW.NTSG.UMT.EDU/PROJECT/AMERIFLUX.
TABLA 1-1 DETALLE DE ALGUNOS INSTRUMENTOS DE LAS TORRES DE FLUJO DE COVARIANZA DE TORBELLINO
Instrumentos Variables medidas Unidades
Analizador de CO2/H20 de paso abierto (LI 7500A, LI-COR
Biosciences.
Estados Unidos)
Concentración de dióxido de
carbono
Vapor de agua
µmol CO2 mol-1 aire
mmol H2O mol-1aire
Anemómetro sónico (Windmaster Pro, Gill Instrumets.
Hampshire, Inglaterra)
Velocidad del viento en
tres dimensiones (u, v, w)
m s-1
Sensor de temperatura y humedad
(HMP50, Vaisala INTERCAP. Vantaa, Finlandia)
Temperatura (T)
Humedad (HR)
ºC
%
Radiómetro neto (NR2, Delta-T Devices. Cambridge,
Inglaterra)
Radiación neta (Rn) W m-2
Piranómetro (SR11, Hukseflux Thermal Sensors. Holanda) Radiación Global (Rg) W m-2
12
1.4. ET Y SISTEMAS SATELITALES A causa de la gran dificultad que existe en la medición directa de la evapotranspiración, se han desarrollado
numerosos modelos para estimar esta magnitud. Algunos de ellos son muy realistas físicamente, pero a
expensas de una gran complejidad: necesitan demasiadas mediciones o estimaciones de parámetros, que
hacen que los hacen de difícil aplicación. Por otra parte, hay ecuaciones que sólo precisan datos
meteorológicos, habitualmente disponibles, pero que fueron derivadas haciendo suposiciones que limitan
significativamente la aplicación de las mismas. Hasta hace poco tiempo, el cálculo de LE se realizaba a través
de modelos locales, que requieren de la medición a campo de sus variables de entrada [Allen et al., 1998].
Sin embargo, estos modelos proporcionan valores de LE potencial, y no de LE real. Además, su aplicación,
a escala regional, sólo es posible cuando se dispone de una densa red de estaciones meteorológicas, lo cual
es poco habitual. Este problema se soluciona al incorporar la Teledetección en el estudio de LE, gracias a
que esta técnica ofrece la posibilidad de medir parámetros de la superficie de manera continua, sobre
cualquier lugar del planeta. El punto de partida de los modelos para la obtención de LE, basados en
teledetección, es la conocida ecuación de balance de energía en la superficie.
Sin embargo, ningún sistema satelital es capaz de medir flujos directamente desde el espacio. Por lo cual
se han desarrollado distintas aproximaciones que utilizan información satelital [Kustas, 1990; Li et al., 2009;
Allen et al., 2011; Yebra et al., 2013]. Los modelos pueden ser clasificados en función de las observaciones
en las que se basan: (1) temperatura de superficie, (2) índices de vegetación, (3) temperatura de superficie
e índices de vegetación, (4) otros. Dentro de estos últimos existen métodos que proponen la determinación
de la evapotranspiración utilizando únicamente información satelital y otros que combinan información
meteorológica convencional con los datos de satélite habituales [Reginato et al., 1985; Yebra et al., 2013].
1.4.1. MODELOS BASADOS EN LA RELACIÓN ENTRE LA ET Y TEMPERATURA DE SUPERFICIE
La teledetección ha utilizado ampliamente modelos de una capa sustituyendo la temperatura radiométrica
por la temperatura aerodinámica. Muchos investigadores han desarrollado sus modelos basándose en
dicha sustitución [Jackson, 1997; Friedl, 2002; Rivas y Caselles, 2004]. Éstos obtienen la evapotranspiración
para períodos cortos de tiempo a partir de una única medida de la temperatura de superficie.
Cuando en una superficie se produce ET, significa por un lado que la cubierta vegetal dispone de agua para
liberar en forma de vapor de agua hacia la atmósfera y, por otro, que parte de la energía solar recibida se
está utilizando en el mismo proceso. Es decir, la superficie se está enfriando o reduciendo su temperatura.
Las superficies retienen diferente cantidad de agua y reciben distinta cantidad de energía dependiendo de
su naturaleza. A su vez, en los procesos que en ellas se realizan, el agua y la energía se distribuyen
13
heterogéneamente, por lo cual no todas las cubiertas presentan igual temperatura. Este distinto
comportamiento térmico puede ser fácilmente establecido a través de las medidas radiométricas obtenidas
por sensores satelitales que trabajan en las bandas del infrarrojo térmico.
Entre estos métodos podemos mencionar el de Jackson et al., [1977] que formulo un modelo semi-
empírico, basado en una modificación del balance de energía, para estimar ET usando información de
temperatura de superficie (Ts), temperatura del aire (Ta) y radiación neta diaria (Rn):
� �� �� = � ∗ − � � − �� Ecuación 1-8
Donde B es una constante empírica. A partir de datos de campo de ET real diaria medida con algún método
preciso, la Rn, una medida diaria de Ta cerca del mediodía, y la medida de temperatura de superficie
obtenido por información térmica proporcionada por datos satelitales, se puede calcular estadísticamente
la constante B. Una vez obtenida el valor de B es posible aplicar sistemáticamente esta ecuación y estimar
la ET diaria. Carlson et al., [1995] destaca el hecho de que la ecuación logra exitosamente sintetizar el
complejo proceso de la ET sobre diversas superficie y con variable cobertura vegetal.
A escalas mayores [Seguin, 1989; Seguin et al., 1991, 1994] han probado y mejorado teórica y
experimentalmente esta idea, llegando a formular una nueva expresión que relaciona nuevamente la ET
con la Ts, pero que han complementado con una nueva constante. El método ha sido aplicado con imágenes
NOAA-AVHRR (The Advanced Very High Resolution Radiometer) [Seguin et al., 1991]. Debido a que las
constantes A y B, dependen de cada caso en particular, deben calcularse convenientemente para cada lugar
de estudio. Estos modelos ha sido presentados y modificados por varios autores [Caselles et al., 1992, 1998].
1.4.2. MODELOS BASADOS EN LA RELACIÓN ENTRE LA ET Y CARACTERÍSTICAS DE LA
VEGETACIÓN
Diversas investigaciones han establecido una clara relación entre la ET y algunas características de la
vegetación (principalmente LAI, según sus siglas en inglés) generadas a partir de información satelital. Dicha
relación se base en el simple hecho físico de que los tejidos vegetales, cuyo vigor es establecido con las
observaciones satelitales, son activos igualmente en los procesos de fotosíntesis y transpiración. La
transpiración en algunas cubiertas vegetales constituye el principal aporte a la ET real total. Considerando
esta relación es posible establecer las variaciones en la traspiración y ET en la superficie a partir de
información cuantitativa sobre los cambios espacio temporales de las propiedades de la vegetación que
14
pueden ser provistos por sensores remotos, fundamentalmente a través del empleo de índices de
vegetación.
Los índices de vegetación son el resultado de una combinación de dos o más bandas espectrales en las
cuales la vegetación presenta una respuesta espectral distinta. Así, mientras en la región del visible del
espectro, los pigmentos de las hojas absorben la mayor parte de la energía que reciben, estas sustancias
apenan afectan al infrarrojo cercano, por lo que se produce un marcado contraste entre la reflectividad de
las bandas rojas e infrarroja cercana. En términos generales, cuanto menor es el contraste observado entre
estas bandas, mayor vigor corresponde a la vegetación; por el contrario, bajos contrastes indican
vegetación senescente o enferma, hasta llegar a superficies carentes de cubierta vegetal que presentan un
contraste muy reducidos [Chuvieco y Salinero, 1996].
Entre los índices de vegetación más empleados se encuentra el índice de vegetación normalizada (NDVI,
Normalized Difference Vegetation Index, [Tucker, 1979]). En ciertas circunstancias el NDVI se ve afectado
por factores externos con lo cual pierde consistencia. Esta dificultad se intenta supera al incorporar en la
formación un parámetro relacionado con la reflectividad del suelo, de ello deriva el índice de vegetación
ajustado al suelo o SAVI (Soil Adjusted Vegetation Index) [Huete, 1988].
Glenn et al., [2007] realizo una revisión de diversos estudios que correlacionan índices de vegetación y
evaporación. Para cultivos agrícolas y ecosistemas naturales ellos reportaron correlaciones lineales entre
ET y NDVI con valore de r2 del 0,81. En ecosistemas naturales los índices de vegetación se pueden utilizar
para el escalamiento de las mediciones de ET a partir de torres de flujo a dominios espaciales más grandes.
Sin embargo, Glenn et al., [2007] también señaló la falta de linealidad al relacionar los índices de vegetación
obtenidos por teledetección con las propiedades de cubierta vegetal, como ser LAI y fc (fracción de
cobertura), y sugirió que los índices de vegetación deben utilizarse directamente en lugar de intentar
convertir primero en LAI o estimaciones de fc (véase también [Lu et al., 2003]). La relación entre el NDVI y
la evaporación real también fue claramente ilustrada por [Loukas et al., 2005] que utilizó con éxito las
relaciones lineales entre composiciones mensuales de NDVI y ET real simulado con un modelo de balance
hídrico para estimar evaporación real en cuatro cuencas en Centroamérica Tesalia, Grecia.
Nagler et al., [2005a, 2005b] estimo la evaporación a partir de la vegetación de ribera con de manera sencilla
utilizando ecuaciones de regresión utilizando la relación entre el índice de vegetación mejorado (EVI,
Enhanced Vegetation Index) obtenido de productos del sensor Moderate Resolution Imaging
Spectroradiometer (MODIS) [Huete et al., 2002] y la temperatura máxima del aire diaria. Las correlaciones
15
con los datos obtenidos con torres de flujo sobre la vegetación de ribera a lo largo de tres grandes sistemas
fluviales en el suroeste Estados Unidos durante 2000-2004 mostraron que la ET diaria podría ser simulada
con un r2 valor de 0,76. Más recientemente [Nagler et al., 2007] correlacionó valores de la serie temporal
de EVI MODIS cada 16 días con observaciones de ET obtenidos de torres de flujo en pastizales semiáridos
en Arizona. Un simple ajuste de regresión lineal múltiple de la ET con EVI y la precipitación resultó en r2 =
0,74.
Una de las variables más difíciles de estimar de la ecuación de PM es la conductancia superficial1 (Gs) o del
dosel2 (Gc). Esta variable no se puede estimar directamente con datos meteorológicos. En los últimos
tiempos, se presentaron diversos trabajos que estimar Gc o Gs a partir de índices de vegetación usando
mediciones en la región del espectro del visible (VIS), infrarrojo cercano (NIR) e infrarrojo de onda corta
(SWIR) [Leuning et al., 2008; Glenn et al., 2010, 2011; Yebra et al., 2013]. Varios autores analizaron la
relación entre la conductancia dosel y los índices ópticos [Grant, 1987; Matsumoto et al., 2005; Guerschman
et al., 2009; Yebra et al., 2013]. Dado que Gc está estrechamente relacionada con la concentración de
clorofila de la hoja [Matsumoto et al., 2005], y con la estructura y la turgencia de la hoja [Bowman, 1989]
se espera una buena correlación entre Gc y EVI o NDVI. Otros índices de vegetación sensibles al contenido
de humedad e las hojas, como ser el NDWI, se espera también que estén relacionado con Gs [Guerschman
et al., 2009]. Combinando las estimaciones de Gc o Gs con datos meteorológicos obtuvieron estimaciones
de ET para distintos ecosistemas naturales con un error del 30 % [Yebra et al., 2013].
1 Describe la inversa de la resistencia al flujo de vapor a través de estomas, del área total de las hojas y de la superficie del suelo.
2 La conductancia estomática es la inversa de la resistencia estomática, la cual es función del grado de apertura de los estomas y del
área total de las hojas.
16
1.4.3. MODELOS BASADOS EN LA RELACIÓN ENTRE LA ET, TEMPERATURA DE SUPERFICIE E
ÍNDICES DE VEGETACIÓN
A través de numerosos estudios, se ha demostrado una fuerte correlación entre la Ts e índices de
vegetación, en especial el NDVI [Gillies et al., 1997; Carlson, 2007]. Esta alta correlación se relaciona con
distintos procesos biofísicos y puede ser utilizada en distintos aspectos, entre ellos la ET. La disminución en
la temperatura, a medida que incrementa la densidad de vegetación, producto del enfriamiento provocado
en la misma por el flujo de calor latente o ET. En consecuencia, las variaciones térmicas reflejan la tasa de
transpiración vegetal y de evaporación del suelo.
La pendiente de la línea que se define al graficar los pixeles contenidos en una escala cuando a su Ts y NDVI
esta principalmente controlada por la fracción de la cubierta verde, el estado de humedad y las condiciones
meteorológicas [Nemani et al., 1993]. La información relativa de Ts e índices de vegetación obtenida desde
satélite ha sido también ampliamente utilizada como indicador de estrés hídrico en los vegetales, lo que se
relaciona directamente con la disponibilidad de agua y con la ET. Uno de los principales intentos de
estimación de estos indicadores fue el realizado por Jackson et al., [1981] al elaborar el denominado índice
de estrés del cultivo (CWSI), el cual se formula como:
EE P = s− S axS i − S ax = − CWSI Ecuación 1-9
donde T ax y T i son la temperatura de superficie máxima y mínima en el área de estudio,
respectivamente. Conforme la ecuación anterior, disponiendo de la ETP calculada según algún método
clásico y conociendo la Ts, es posible determinar la ET, la cual constituye un gran aporte de la teledetección
si esta medida es lo suficientemente precisa. El índice CWSI tiene la restricción de ser solo aplicable a
superficies totalmente cubiertas por vegetación, lo cual limita su uso en el contexto del estrés hídrico y de
la ET para la mayor parte de las superficies, constituidas por un compuesto de suelo y vegetación.
17
FIGURA 1-5 ESQUEMA CONCEPTUAL DE LA METODOLOGÍA DEL TRIÁNGULO. DONDE TS ES LA TEMPERATURA DE SUPERFICIE, Y NDVI
EL ÍNDICE DE VEGETACIÓN NORMALIZADO.
Las propiedades físicas enmarcadas en el espacio Ts / NDVI son simples (Figura 1-5): El Ts tiene baja
sensibilidad sobre las áreas con vegetación, pero aumenta su sensibilidad sobre regiones con suelo
desnudo. El borde húmedo presenta alta EF (fracción de evapotranspiración), ya que tiene una alta inercia
térmica y fuerte enfriamiento por evaporación. En contraste, el EF más bajo se produce en el borde seco
debido a su enfriamiento evaporativo más débil. El método Ts / NDVI es único en la interpretación de las
variaciones espaciales de Ts y NDVI para inferir EF sin la necesidad de mayor cantidad de información
adicional. Debido a su simplicidad y precisión relativamente alta, este tipo de enfoque ya ha sido
ampliamente aceptado y utilizado [Gillies et al., 1997; Stisen et al., 2008]. La principal limitación del método
triángulo es que se requiere un gran número de píxeles en un área con una amplia gama de humedad del
suelo y la cubierta vegetal fraccionada para asegurarse de que existen los límites secos y húmedos en el
espacio triangular, y al mismo tiempo relativamente uniforme forzamiento atmosférico. Para una
descripción detallada y discusión del método de espacio de características triángulo Ts / NDVI, se remite al
lector a las críticas que ha recibido por Carlson, [2007] y Petropoulos et al., [2009].
Otras metodologías más complejas pero con mayor precisión ampliamente adoptados en las aplicaciones
operativas, son los modelos SEBAL, SEBI, S-SEBI, SEBS y T-SEB. Estos esquemas utilizan la variabilidad
espacial de la radiación y la reflectancia de imágenes de satélite. El modelo SEBAL (Algoritmo de Balance
Energético de la Tierra), propuesto por [Bastiaanssen et al., 1998; Bastiaanssen, 2000], se basa en un
enfoque intermedio, utilizando tanto las relaciones empíricas y parametrizaciones físicas. Este método se
realizó para un uso muy flexible, ya que permite una estimación regional de los flujos de energía con muy
18
pocos datos en tierra, y se ha adoptado en varias aplicaciones [Bastiaanssen, 2000; Jacobs et al., 2002;
Bastiaanssen y Chandrapala, 2003; Mohamed et al., 2004].
1.4.4. OTROS MODELOS MÁS COMPLEJOS
Modelos deterministas (SVAT- modelos de suelo, vegetación y atmosfera) pueden funcionar también sin
tener datos de teledetección, ya que utilizan estos datos sólo como parámetros de entrada o en los
procedimientos de asimilación de datos. Por lo tanto los modelos SVAT son adecuados para la estimación
de los intercambios energéticos durante períodos sin imágenes satelitales. Además, a través de modelos
SVAT es posible obtener, junto con los componentes del balance de energía, las estimaciones de muchas
variables intermedias (por ejemplo, LAI, humedad del suelo) que correlacionan estrictamente a los procesos
fisiológicos e hidrológicos. Estos modelos se basan explícitamente en los principios de balance de masa y
energía. Pueden basarse puramente en esquemas tipo "big-leaf" (por ejemplo, los modelos 0-
dimensionales basados en [Priestley y Taylor, 1972; Monteith, 1985; Shuttleworth y Wallace, 1985];
esquemas intermedios "big-leaf" [Raupach y Finnigan, 1988] con una capa de vegetación considerando
implícitamente una dimensión vertical, a través de la parametrización de la transferencia de la radiación
solar y los intercambios turbulentos (por ejemplo [Sellers et al., 1996]); o esquemas de capas múltiples (por
ejemplo [Baldocchi y Wilson, 2001]). Muchos modelos SVAT combinan procesos físicos con biofísicos para
modelar la fotosíntesis, transpiración y la descomposición de la vegetación, y se utilizan en modelos
dinámicos de ecosistemas, también en aplicaciones hidrológicas y en modelos climáticos regionales y
globales.
Parte de los parámetros necesarios para modelos SVAT pueden estimarse a partir de imágenes de
teledetección. Resumiendo, Olioso et al., [2005] destaca varias ventajas en el uso de modelos SVAT en
combinación con datos de teledetección para estimar ET : 1) que permiten una monitorización continua ET;
2) que no necesitan los datos de teleobservación del infrarrojo térmico, ya que, a diferencia de los métodos
residuales, Ts no es necesario como una entrada, pero se puede estimar mediante la resolución de la
ecuación de balance de energía; 3) que permiten estimar la evolución de muchos parámetros auxiliares,
como los índices de vegetación o la humedad del suelo
Por supuesto, algunos inconvenientes tienen que ser considerados: se necesita 1) un número alto de
parámetros espacialmente distribuidos, no todos ellos se puede obtener a través de la asimilación de datos;
2) Es necesario un aporte continuo de datos meteorológicos, porque los esquemas SVAT tienen un intervalo
de tiempo muy reducido (incluso algunos minutos); Se necesita 3) información sobre las propiedades
19
hidráulicas del suelo y fisiología vegetal, rara vez se dispone de amplias zonas; 4) si se aplican modelos SVAT
en grandes áreas, que necesitan un gasto computacional grande (esta desventaja se puede superar en parte
utilizando la computación paralela;. [Mendicino et al, 2006]).
1.4.5. VENTAJAS Y DESVENTAJAS DE ESTIMAR ET USANDO INFORMACIÓN SATELITAL
La combinación de información satelital y datos de terreno (como ser datos meteorológicos) ha permitido
aumentar la precisión de la estimación de ET [Wilson et al., 2003; Mu, 2007]. A pesar de las ventajas
mencionadas previamente de utilizar técnicas de teledetección para estimar ET, estas metodologías
también presentan varias desventajas (Tabla 1-2). Estos incluyen problemas con la resolución temporal de
las imágenes, los altos costos asociados con la obtención de imágenes de alta resolución, la incertidumbre
en la estimación de componentes aerodinámicos y algunos errores en la medición de áreas de vegetación
como las zonas ribereñas [Chen et al., 2005; Courault et al., 2005; Min y Lin, 2006; Boegh et al., 2009; Jiang
et al., 2009; Li et al., 2009; Allen et al., 2011]. [Bastiaanssen et al., 1998] sugirieron que SEBAL no funciona
en los días nublados. También, SEBAL tiene un modelo de regresión específico que puede no ser adecuado
para todas las ubicaciones. Courault et al., [2005] indica que los datos climático tiene un papel importante
en el método SEBAL y la exactitud de los resultados está relacionada con la densidad de estaciones
meteorológicas en el área de estudio.
Todos estos enfoques operativos utilizan, directamente o como variables de entrada a los modelos,
productos de temperatura superficial (Ts) y/o índices de vegetación (Ej. NDVI). Dichos índices están
directamente relacionados con la fracción de radiación absorbida fotosintéticamente activa (PAR), y
presentan ciertas correlaciones con la humedad y el intercambio de carbono entre la atmósfera y la
vegetación. Si bien la utilización de enfoques basados en el óptico e infrarrojo térmico para obtener
estimaciones de ET han sido ampliamente utilizados, como se ha mencionado estos sistemas presentan
algunas desventajas: (1) una baja resolución temporal, (2) necesidad de corrección atmosférica y (3) baja
sensibilidad relativa al contenido de agua de la vegetación (solo es sensible al contenido de agua en las
hojas).
20
TABLA 1-2 VENTAJAS Y DESVENTAJAS DE DISTINTAS METODOLOGÍAS PARA ESTIMAR LA EVAPOTRANSPIRACIÓN USANDO TÉCNICAS
DE TELEDETECCIÓN
Métodos Ventajas Desventajas
Métodos empíricos Se pueden utilizar desde escalas locales a regionales
Fáciles de aplicar
Variación espacial de los coeficientes
Necesidad de calibrarlas en cada sitio
Triángulo VI-Ts No se necesitan valores variables adicionales (e.g.
datos meteorológicos)
Bajo costo
Dificultad de determinar los ejes secos
y húmedos
El triángulo VI-Ts no es fácilmente
identificable para datos satelitales con
baja resolución espacial
Determinísticos (SVAT) Permite estimar la ET con mucha precisión
Calcula la altura de rugosidad para la transferencia de
energía en lugar de usar pixeles fijos
Requiere muchos parámetros
La resolución de los flujos turbulentos
es relativamente compleja
SEBAL Necesidad de pocas variables de campo
Intercalibración automática
No se puede aplicar sobre distintas
superficies
Incerteza en la determinación del pixel
fijo
Con el fin de generar herramientas sinérgicas que permitan superar dichas limitaciones, [Min y Lin, 2006; Li
et al., 2009; Min et al., 2010] desarrollaron una nueva técnica para estimar la fracción de ET utilizando un
índice de diferencia en frecuencia en microondas pasivas (EDVI- microwave emissivity difference index) a
partir de datos de microondas pasivas multifrecuencia, y multisensor. En estos trabajos, se encontró que
dicho índice es sensible a las variaciones de varios parámetros (déficit de presión de vapor, potencial agua
y concentración de dióxido de carbono), que resultan importantes para estimar la resistencia del dosel. Este
último es un parámetro crítico a la hora de estimar la ET, ya que está relacionado con las variaciones del
contenido de agua en la vegetación producidas por factores ambientales (a escala sinóptica). Por último,
cabe aclarar que desde la teoría, es posible probar que los índices de microondas pasivas (entre ellos, el
índice de diferencia en frecuencia (FI) [Paloscia y Pampaloni, 1988]) resultan sensibles a las propiedades
dieléctricas y estructurales de las coberturas (el principal factor que determina las propiedades dieléctricas
21
de la vegetación es su contenido de agua (contenido de agua de ramas, tronco y hojas), ver [Ferrazzoli y
Guerriero, 1996]. Entonces, aunque están caracterizados por una baja resolución espacial (del orden de 25
Km x 25 Km), los sensores de microondas pasivas presentan varias ventajas: (1) gran sensibilidad al
contenido de agua de la vegetación y el suelo, (2) alta revisita temporal (1-3 días) y (3) se ven menos
afectados por las condiciones atmosféricas que los sistemas ópticos.
En resumen, a pesar de que los sistemas satelitales no miden flujos directamente en este capítulo se han
discutido diversas aproximaciones que utilizan información satelital para estimar la evapotranspiración.
Estas metodologías varían su complejidad, sin embargo la cuestión importante es, cómo aprovechar la alta
densidad de información espacial temporal y proveniente de múltiples sensores de los datos de
teledetección, para la extrapolación de las medidas puntuales de evapotranspiración a una escala más
amplia. En el marco de todas las metodologías discutidas anteriormente, en el siguiente capítulo se detalla
la metodología propuesta en esta tesis, así como la motivación de la misma.
22
CAPÍTULO II
MOTIVACIÓN DE LA TESIS, OBJETIVOS, MODELO PROPUESTO, Y
ORGANIZACIÓN DE LA TESIS
RESUMEN
En este capítulo se presentan los objetivos principales y particulares, se desarrolla el modelo propuesto
para estimar la evapotranspiración a escala regional, a partir de índices ópticos y de microondas pasivas.
El análisis realizado permite entender el modelo que se propone a lo largo de esta tesis, y la forma de
abordar el proceso de evapotranspiración.
Y finalmente, se detalla la organización adoptada para poder cumplir con los objetivos principales de la
tesis.
2.1. MOTIVACIÓN DE LA TESIS Como se ha visto en la introducción general la ET es un proceso que interesa a varias disciplinas, entre ellas
la climatología, la ecología, la agronomía y la hidrología. En particular, la estimación de la ET en áreas
boscosas permitiría evaluar la eficiencia de uso del agua de estos ecosistemas, herramienta útil para evaluar
la resiliencia de dichos sistemas, y la variación de la misma en el marco de cambio climático (eventos
climáticos extremos). A su vez, teniendo en cuenta la relevancia de los bienes y servicios que estos
ecosistemas proveen a la sociedad, como ser la protección del suelo y calidad del agua, permitiría
desarrollar adecuados planes de manejo. Sin embargo, resulta muy compleja su determinación en forma
precisa para un área extensa y provista de una reducida disponibilidad de información de campo.
Dada la gran oferta de datos de sistemas satelitales en microondas pasivas (AMSR-E, AMSR-2, Windsat,
SMMI, TMI/TRMM, SAC-D/ Aquarius, MWR/ Aquarius y SMOS) operativos en la última década (2002-2013),
esta tesis plantea el aprovechamiento sinérgico de datos de sistemas pasivos en microondas, ópticos y
datos meteorológicos a fin de obtener información relevante para la estimación de la evapotranspiración
en áreas boscosas. La metodología se basa en el algoritmo de Penman-Monteith, para obtener un modelo
23
robusto, sencillo y de fácil aplicación. Para la validación in situ de esta metodología es imprescindible contar
con información proveniente de torres de flujo (Eddy- covariance) distribuidas espacialmente en el área de
estudio, lo cual implicaría campañas altamente costosas, debido al alto costo de las torres de flujo y la gran
escala de los pixeles (~ 25 km x 25 km). Otras metodologías para la estimación de la ET, como ser mediciones
de flujo de savia, lisímetros, entre otras, no resultan apropiados para la escala de estudio [Wilson et al.,
2001]. Por este motivo, se prevé la evaluación de la metodología desarrollada en áreas boscosas
pertenecientes a las redes de torres de flujo FLUXNET (www.fluxnet.ornl.gov) y OZflux (www.ozflux.org.au)
que se caractericen por ser ambientes con grandes áreas homogéneas. Esta propiedad es una de las
principales características para el estudio de las observaciones satelitales en microondas pasivas que
poseen baja resolución espacial. Las temáticas de teledetección utilizada en esta tesis se pueden revisar en
el Apéndice I.
2.2. OBJETIVOS DE LA TESIS El objetivo principal de la tesis es el desarrollo y evaluación de una metodología para estimar ET en áreas
boscosas, de sencilla aplicación a escala regional, a partir de información satelital multisensor de utilidad
para diferentes usuarios; en particular, orientamos el trabajo al ámbito ecohidrológico. De este objetivo
principal se desprenden los siguientes objetivos particulares:
1. Evaluar la potencialidad de series temporales de sistemas satelitales (microondas y ópticos), para
estimar el contenido de humedad en la vegetación a distintas escalas temporales.
2. Desarrollar una metodología que permita obtener la evapotranspiración a escala regional, a partir
de datos meteorológicos e índices de vegetación ópticos y de microondas pasivas.
3. Evaluar la precisión y exactitud del modelo en la determinación de la evapotranspiración de áreas
boscosas a partir de datos in situ de torres de flujo.
4. Evaluar la precisión y exactitud del modelo en la determinación de la evapotranspiración de áreas
boscosas a partir de información proveniente de modelos de Suelo-Vegetación-Atmósfera (SVAT).
5. Mostrar la capacidad del modelo para reproducir los cambios regionales, y la posibilidad de
cuantificar la evolución espaciotemporal de la evapotranspiración regional aplicando el modelo.
6. Dar los parámetros del modelo para su aplicación en diferentes regiones del mundo.
7. Aplicar el modelo propuesto en las áreas boscosas pertenecientes a las redes de torres de flujo.
8. Aplicar el modelo propuesto en áreas boscosas que carezcan de datos de terreno.
24
2.3. MODELO PROPUESTO
En el campo de la eco-hidrología, la conductancia superficial 3 se aproxima invirtiendo el modelo de
evaporación de Penman-Monteith 4 (PM) (ecuación 2-1). Ahora bien, esta relación no da ninguna
información nueva, porque necesitamos flujo de calor latente para hacer esta inversión. Sin embargo, nos
provee una variable que puede ser asociada a variables independientes medibles a campo. Por otro lado,
cabe resaltar que el uso de la conductancia superficial derivada de la ecuación de PM no produce una
estimación satisfactoria de la conductancia estomática5.
G = ⌊ ��.��ε.A − ε+ .LE+ cp.ρa � [e� �� −��]� ⌋ Ecuación 2-1
donde ea es la presión de vapor en el aire (kPa), es es la presión de vapor de saturación evaluado en la
te pe atu a del ai e kPa , ε = s / γ, e la ue s es la pe die te de la p esió de apo de satu a ió e sus
la u a de te pe atu a kPa/ ºC y γ es la o sta te psi o ét i a (kPa/ ºC), LE es el flujo de calor latente
(W/m2 , ρa es la de sidad edia del aire (kg/m3), cp es el calor específico del aire a presión constante (J/kg
K), A (W/m2) es la energía disponible absorbida por la superficie (radiación absorbida neta menos el flujo
neto de calor en el suelo), Gs (m/s) y Ga (m/s) son las conductancias de superficie y aerodinámica.
Basados en lo discutido en la introducción general, en la siguiente tesis se propone estudiar y evaluar las
contribuciones de distintos índices de vegetación ópticos y de microondas pasivas para estimar la
conductancia superficial (Figura 2-1). Luego, se propone estimar ET utilizando los valores de Gs previamente
3 Describe la inversa de la resistencia al flujo de vapor a través de estomas, del área total de las hojas y de la superficie del suelo.
4 En la sección 1.2.3 del capítulo I se trata en detalle la ecuación de PM.
5 La conductancia estomática es la inversa de la resistencia estomática, la cual es función del grado de apertura de los estomas.
Cerrados ejercen una resistencia infinita y totalmente abiertos es mínima, pero no cero.
25
estimados e información meteorológica. Dado que para muchos sitios hay escasa información
meteorológica se propone utilizar información provista por datos de re-análisis o de modelos de superficie.
FIGURA 2-1 DIAGRAMA ESQUEMETACO DE LA METODOLOGÍA UTILIZADA. ET: EVAPOTRANSPIRACIÓN, PM: PENMAN-MONTEIH,
GS: CONDUCTACNIA DUPERFICIAL, VIS: ÍNDICES DE VEGETACIÓN, FI: ÍNDICE DE FRECUENCIA.
En los siguientes capítulos se discutirán con mayor detalle el modelo propuesto, hipótesis, predicciones y
datos satelitales utilizados, así como los límites e implicancias de los mismos.
2.4. ÁREA DE ESTUDIO Con respecto a las áreas de estudio, las mismas fueron separadas en dos categorías: (i) áreas de estudio
pertenecientes a redes de torres de flujo de covarianza de torbellino; y (ii) áreas de estudio carentes de
verdad de terreno. Con respecto a la categoría (i), las mismas son áreas boscosas que forman parte de redes
de torres de flujo de covarianza de torbellino ubicadas en Australia (OzFlux) y EE UU (FLUXNET). En los
capítulos IV y V se discuten con mayor detalle dichas áreas.
Debido a la importancia de desarrollar una manera de estimar ET para las regiones que carecen de datos
de terreno, se seleccionaron las zonas boscosas ubicadas a lo largo de la cuenca del Río Bermejo. Sin
embargo, si bien en una primera instancia se incluyó en el área de estudio a las tres áreas boscosas
importantes que se encuentran dentro de la cuenca del Río Bermejo (Chaco Seco, Chaco Húmedo y las
26
Yungas), luego de un análisis exhaustivo ([Barraza et al., 2013], ver Apéndice II) se redefinió como el área
al Norte del Chaco Seco Argentino (Figura 2-2). Este estudio estuvo basado en la caracterización fenológica
a escala regional mediante el análisis de series temporales del índice óptico NDVI con el objetivo de
identificar y caracterizar patrones espaciales y temporales de la cubierta vegetal. Por lo cual, la principal
razón de este cambio fue la presencia de grandes áreas homogéneos en el Norte del Chaco Seco Argentino
que facilitaban el estudio de series temporales de datos con baja resolución espacial, como son los datos
de microondas pasivas (25 x 25 km). Otra razón relevante a mencionar fue la disponibilidad de datos de
campo relacionados con características estructurales de la vegetación perteneciente al Chaco Seco. Se
adoptó la limitación del Norte del Chaco Seco propuesta por Gasparri [2010]. Por lo tanto, los límites del
área de estudio fueron al oeste el límite entre las Yungas y el Chaco Seco según el Programa Nacional de
Monitoreo de Bosques de la Nación (PINBN 2007). Al este de la isoyeta de 900 mm anuales, limite arbitrario.
Al norte la frontera internacional de Argentina con Bolivia y Paraguay; al sur se utilizaron los límites
departamentales de Pellegrini y Alberdi (Santiago del Estero) y de Cruz Alta (Tucumán).
La región chaqueña es la segunda área boscosa más extensa en Sudamérica luego del Amazonas. En total
esta región cubre una superficie de 108 millones de ha, incluyendo algunas de las áreas continuas de
bosques secos más grandes del continente. La mayor parte de la superficie de la región se encuentra en
Argentina, donde se encuentra el 60 % de la superficie total, mientras que la superficie restante se
distribuye entre Bolivia (11 %), Paraguay (28 %) y Brasil (1 %) [Gasparri, 2010].
En la región chaqueña se diferencian principalmente dos ecorregiones: el Chaco Seco y el Chaco Húmedo
[Burkart et al., 1999]. En particular, el Chaco Seco es de mayor extensión, cubre 78 millones de ha de las
cuales el 50% se encuentran en Argentina. El Chaco Seco es, en su mayor parte, una vasta llanura
sedimentaria, modelada esencialmente por la acción de los ríos que la atraviesan en sentido noroeste-
sudeste, principalmente el Juramento-Salado, el Bermejo y el Pilcomayo.
El clima del Chaco Seco es subtropical semiárido, con precipitaciones concentradas durante los meses de
verano (diciembre a marzo). Las precipitaciones siguen un gradiente de disminución desde los márgenes
del área con registros promedios de 900 mm/año hacia el centro, donde son de 400 mm/año [Minetti,
2005]. La temperatura media anual es de 22-23 º C con valores medios de 28ºC para el mes más cálido
(enero) y 16ºC para el mes más frío (julio) [Gasparri, 2010].
El tipo de vegetación característica del Chaco Seco es el bosque xerófilo, cuyos árboles se vuelven más bajos
y ralos hacia el suroeste de la eco-región. También abundan según zonas y subregiones, bosques serranos,
27
sabanas y pastizales. Las especies de árboles dominantes de la región son Schinopsis lorentzii (quebracho
colorado) y Aspidosperma quebracho-blanco (quebracho blanco). Estos últimos en algunos sectores
dominan el dosel de manera conjunta con Bulnesia sarmientoi (palo santo) conformando lo que localmente
se o o e o o Mo te Alto . Ot as espe ies a ó eas o u es del Mo te Alto so Ziziphus mistol
(mistol), Caesalpinia paraguariensis (guayacán), Prosopis alba (algarrobo blanco), Prosopis nigra (algarrobo
negro), Prosopis kuntzei (itín), Ceiba chodatii (palo borracho). En el estrato arbustivo se pueden mencionar
a Acacia preacox (garabato), Shinus sp (molle) Capparis retusa (sacha poroto) Capparis salicifolia (sacha
limón), Ruprechtia triflora (sacha membrillo). También son frecuentes las cactáceas con porte y altura
arbórea como Stetsonia coryne (cardón) y Opunti quimilo (quimil) [Moglia y Lopez, 1912; Cabrera, 1976;
Giménez y Moglia, 2003].
El área tiene gran importancia como hábitat para la fauna, por ser el sector de bosque continuo más extenso
y de los bosques secos neotropicales [Eva et al., 2004]. Probablemente sea el mayor hábitat continuo
extratropical de Panthera onca (tigre o yaguareté) y de otras especies emblemáticas o amenazadas como
Myrmecophaga tridactyla (oso hormiguero) y Priodontes maximus (tatú carreta). A su vez, el área de
estudio se encuentra en una zona crítica desde un punto de vista epidemiológico [Carbajo et al., 2001;
González y Flores, 2010]. Los cambios e interacciones del medio ambiente tienen una fuerte influencia sobre
muchas enfermedades.
28
FIGURA 2-2 ÁREA DE ESTUDIO: EL CHACO SECO EN ARGENTINA Y DETALLE DEL ÁREA DE ESTUDIO DEL NORTE DEL CHACO SECO
ARGENTINO MOSTRANDO EL ÁREA DE ESTUDIO.
2.5. ALCANCES Y ENFOQUE METODOLÓGICO DE LA TESIS La tesis dio lugar a cuatro artículos, que han sido publicados en revistas internacionales con referato (Tabla
2-1). Los resultados asociados al capítulo VI, VII y VIII todavía no han sido enviados para su publicación. A
su vez, esta tesis incluye, un resumen general en español, y otro en inglés, una introducción general, la
descripción del modelo propuesto, del área de estudio y un capítulo de conclusiones generales y líneas
futuras de investigación. A pesar de que se ha redactado una introducción general en la que se engloban
aspectos incluidos en las introducciones del resto de los capítulos y que el área boscosa del norte del Chaco
seco es la zonas de estudio común a todos ellos (a excepción de los capítulos V, VI y VII), se ha decidido
mantener la introducción y descripción de la zona de estudio en cada capítulos por dos razones principales.
En primer lugar, para asegurar la integridad e individualidad de cada capítulo, de manera que alguien
interesado en un único aspecto de la tesis pueda dirigirse exclusivamente al capítulo correspondiente. En
29
segundo lugar, porque en cada capítulos se hace hincapié en los aspectos de la introducción y de la zona de
estudio más significativo para el análisis y discusión de resultados.
TABLA 2-1. PÚBLICACIONES DERIVADAS DE LA TESIS
Capítulos Publicación asociada
III V. Barraza; F. Grings, M. Salvia, P. Perna, A. Carbajo, y H. Karszenbaum. Monitoring leaf water
content in the Dry Chaco Forest, Argentina, using passive microwave and optical indexes IEEE
Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7(2): 421,430, 2014.
doi: 10.1109/JSTARS.2013.2268011
IV V. Barraza, F. Grings, P. Ferrazzoli, A. Huete, N. Restrepo-Coupe, J. Beringer, E. Van Gorsel, y H.
Karszenbaum. Behavior of Multitemporal and Multisensor passive microwave indices in Southern
Hemisphere Ecosystems Journal of Geophysical Research: Biogeosciences; 119(12): 2231–2244,
2014. doi: 10.1002/2014JG002626
V V. Barraza, N. Restrepo-Coupe, A. Huete, F. Grings y E. Van Gorsel. Passive microwave and optical
Index approaches for estimating surface conductance and evapotranspiration in forest ecosystems
Agricultural and Forest Meteorology, 213,126-137,2015, doi:10.1016/j.agrformet.2015.06.020
VI y VII V. Barraza, N. Restrepo-Coupe, A.Huete, F. Grings, y J. Beringer Evapotranspiration estimation over
savanna vegetation across the North Australian Tropical Transect from multiple sensors and global
meteorological data. Por enviar a Agricultural and forest meteorology. 2015
Apéndice II V. Barraza, Francisco Grings, Mercedes Salvia, Pablo perna, Aníbal E. Carbajo, y Haydee
Karszenbaum. Monitoring and Modeling Land Surface Dynamics In Bermejo River Basin, Argentina:
Time Series Analysis of MODIS NDVI Data, International Journal Of Remote Sensing, 34: P5429 -
5451, 2013.doi: 10.1080/01431161.2013.791759
Para cumplir con los objetivos propuestos se planteó el siguiente esquema (Figura 2-3). En los primeros
capítulos se analiza y evalúa la sensibilidad y el potencial de los índices ópticos y de microondas pasivas a
distintas variables biofísicas relevantes en la estimación de la evapotranspiración. Luego, se procederá a
validar y evaluar la metodología propuesta para la siguiente tesis usando datos de torres de flujo como
verdad de terreno. Posteriormente, se evalúa la posibilidad de utilizar capas de información provenientes
de modelos de superficie conjuntamente con la información satelital. En el capítulo siguiente, se generan
30
los mapas de ET para el área chaqueña. Por último, se presentan conclusiones generales y consideraciones
finales tomando el trabajo en su conjunto y se sintetizan los aportes tanto a la eco-hidrología como a la
teledetección.
FIGURA 2-3 ESQUEMA CONCEPTUAL DE ORGANZIACION DE LA TESIS.
En cuanto a las metodologías utilizadas en esta tesis se pueden diferenciar dos tipos de enfoques con sus
correspondientes tipos de resultados. Por un lado, en el capítulo III se emplean modelos de interacción, que
permiten evaluar la relación entre la variable física y biofísica. Los modelos de transferencia radiativa
simulan la reflectancia/emisividad de una cubierta vegetal a partir de sus parámetros biofísicos. Por otro
lado, los capítulos subsiguientes se concentran en cuestiones biogeofísicas y ecológicas a escala regional,
para lo cual se emplean modelos empíricos sobre un gran volumen de datos (índices de vegetación óptico
y de microondas pasivas, datos meteorológicos y de torres de flujo), para el desarrollo y evaluación del
modelo propuesto, usando información satelital, datos de torre de flujo, información de modelos de
proceso (SVAT) y datos de re-análisis.
31
CAPÍTULO III
3. ESTIMACIÓN DEL CONTENIDO DE HUMEDAD EN LA VEGETACIÓN:
INVERSIÓN UTILIZANDO MODELOS DE INTERACCIÓN6
RESUMEN
En este capítulo se muestran los resultados de la evaluación de la potencialidad de los índices de
microondas pasivas y ópticos para estimar el contenido de humedad de la vegetación para el área
boscosa del norte del Chaco seco desde el punto de vista teórico. Para ello se adaptaron modelos físicos
que simulan la interacción entre la radiación electromagnética y la vegetación. Los tres índices ópticos
analizados fueron el Índice de vegetación normalizado (NDVI), el Índice de agua normalizado (NDWI) y el
Índice de diferencia infrarroja normalizado (NDII). También se evaluó un índice de microondas pasivas, el
índice de frecuencia (FI). Todos estos índices son principalmente sensibles al índice de área foliar (LAI),
pero los índices NDWI y NDII, y FI también son sensibles al contenido de agua de la hoja (LWC) y el dosel
(CWC), respectivamente. Usando una combinación de simulaciones (modelos de transferencia radiativa),
observaciones satelitales y datos de campo, se ha propuesto un enfoque de dos pasos para estimar la
humedad de la hoja y del dosel. Para ambas clases de índices se analizan los rangos dinámicos y la
sensibilidad a los parámetros estructurales y de humedad de la vegetación.
6 Este capítulo ha sido publicado:
V. Barraza; F. Grings, M. Salvia, P. Perna, A. Carbajo, H. Karszenbaum. Monitoring leaf water content in the Dry Chaco Forest,
Argentina, using passive microwave and optical indexes IEEE Journal of Selected Topics in Applied Earth Observations and Remote
Sensing, 7(2): 421,430, 2014. doi: 10.1109/JSTA‘“. .
32
3.1. INTRODUCCIÓN
La estimación de la evapotranspiración a nivel regional y global es un tema importante para el modelado
del clima y para el monitoreo biometeorológico de la biosfera, entre otras aplicaciones. La
evapotranspiración forma parte del balance de agua y de energía de la superficie. La variable clave para el
método del balance de energía es la temperatura de superficie, que se puede estimar mediante el uso de
información satelital de infrarrojos o microondas, siempre y cuando las emisividades sean conocidas
[Choudhury, 1989]. Por otro lado, la variable clave para el balance hidrológico es el contenido de agua
superficial (suelo y/o vegetación). Históricamente, la estimación del contenido de agua en las hojas a partir
de información satelital se ha desarrollado a partir de datos ópticos. Existen numerosos estudios que han
relacionado el contenido de agua en las hojas y la vegetación con su respuesta espectral. La vegetación sana
y vigorosa se caracteriza por presentar una baja reflectividad en el visible (400-700 nm), alta en el infrarrojo
cercano (NIR) (700-1100 nm) y baja, con presencia de algunos máximos relativos, en el Infrarrojo medio de
onda corta (SWIR) (1200-2500 nm) [Chuvieco et al., 2002]. Los efectos directos de la disminución del
contenido de humedad en las plantas se manifiestan como una tendencia a presentar menor reflectividad
en el NIR y aumentarla en el SWIR. Los efectos indirectos están relacionados con el efecto del agua sobre
las condiciones de vigor vegetal, en especial con su contenido de clorofila y con el índice de área foliar (LAI).
Asimismo, cuando la vegetación entra en el proceso de senescencia reduce su actividad fotosintética, por
lo que la producción de clorofila disminuye y, en consecuencia, la planta absorbe menos energía en las
bandas del visible (aumenta la reflectividad en esta zona del espectro). Así mismo, al perder humedad
puede deteriorarse la estructura de la hoja, así como reducirse el LAI y modificarse el peso específico, lo
que también provocaría una reducción en la reflectividad del NIR [Aldakheel y Danson, 1997].
Por lo tanto, índices de vegetación que utilizan información de las bandas SWIR y NIR, presentan una mayor
sensibilidad al contenido de agua por unidad de área de hoja (EWT, según sus siglas en inglés, g/cm2). En
particular, el índice de diferencia infrarrojo o alizado NDII , ue utiliza los a ales , y , , y
el í di e de agua o alizado NDWI , ue i luye i fo a ió de los a ales , y , , ha sido
utilizados para la estimación del EWT en numerosos estudios. Por el contrario, el índice de vegetación
normalizado (NDVI) presenta una limitada capacidad para estimar EWT, debido a que no incluye la banda
SWIR.
33
Otros métodos de estimación del contenido de humedad están basados en el empleo del canal de infrarrojo
térmico (IT) de las imágenes satelitales (8000 a 14000 nm) para el seguimiento de la dinámica térmica de la
vegetación. Según pierde agua la planta, para mantener su balance hídrico, disminuye la transpiración, lo
que hace que aumente su temperatura de superficie (Ts) y la tensión hídrica. Por último, se ha demostrado
que la conjunción de índices de vegetación (NDVI) y Ts resulta de gran interés para este tipo de estudios
[Chuvieco et al., 2004] ya que, cuanto mayor es el valor del índice y menor la Ts, la planta ofrecerá mejores
condiciones vitales.
Sin embargo, todas estas aproximaciones mencionadas previamente no representan una solución general
para estimar el contenido de agua en la vegetación (VWC, según siglas en inglés, [kg de H2O/m2]). Para el
caso de la vegetación herbácea, el contenido de agua de los tallos, que no se observa directamente con los
sensores ópticos, puede estimarse utilizando relaciones alométricas entre las hojas y el contenido de
biomasa seca de los tallos. Debido a que los tallos son necesarios para sostén y transporte de agua, dichas
ecuaciones alométricas presentan una robusta base física [Niklas y Enquist, 2002]. Si se conocen los
coeficientes de las ecuaciones alométricas, las estimaciones de contenido de agua del dosel utilizando los
índices de vegetación ópticos pueden ser usados para estimar el contenido hídrico del tallo, y por lo tanto
el VWC. Sin embargo, para vegetaciones con arquitectura más compleja estas relaciones no necesariamente
se cumplen. El VWC incluye dos componentes, uno relacionado con el crecimiento de tronco o tallos y
ramas, y otro componente debido a la presencia de hojas que presenta variación estacional. En cultivos el
primer componente puede ser considerado constante, por lo cual el VWC se estima a partir de ecuaciones
alométricas. Esta aproximación resulta difícil de implementar para la vegetación arbórea, debido a que el
crecimiento anual del xilema suministra agua al follaje, no pudiéndose considerarlo como un componente
constante.
En este contexto, los índices de microondas pasivas proveen unas fuentes adicionales de información al ser
sensibles a las propiedades dieléctricas y estructurales de la vegetación (tronco, ramas y hojas). La
constante dieléctrica del agua (aproximadamente 80) es particularmente alta comparada con la de la
madera seca (entre 3-4), por lo cual la constante dieléctrica de la superficie (y por ende su emisividad) es
fuertemente dependiente del contenido de agua. En particular, los índices de diferencia en frecuencia de
microondas pasivas como ser el FI, y el EDVI, son conocidos por ser sensibles al contenido de humedad de
la vegetación [Paloscia y Pampaloni, 1988; Min y Lin, 2006]. Por otra parte, los sensores de microondas
pasivos presentan otras ventajas en comparación a los sistemas ópticos: poseen una mayor resolución
34
temporal y son menos afectados por las condiciones atmosféricas. Sin embargo, su menor resolución
espacial puede resultar ser una desventaja.
El mayor interrogante para usar estas técnicas basadas en la teledetección pasa por demostrar que las
variaciones de reflectividad/emisividad causadas por el cambio en el contenido de humedad son
significativas, y que pueden diferenciarse de las causadas por otros factores (condiciones atmosféricas o de
observación, suelo de fondo, etc.). Existen muchos factores que determinan la reflectancia/emisividad de
una cubierta vegetal: el flujo solar incidente, las propiedades espectrales de los elementos que componen
la cobertura vegetal, la arquitectura de la cubierta y la reflectancia del suelo [Goel, 1988]. Para estudiar la
sensibilidad de la señal observada con respeto a cada una de estas variables es posible simular la
reflectancia/emisividad de la cubierta vegetal utilizando modelos de transferencia radiativa (RTM). Estos
modelos generan el espectro de reflectancia/emisividad de la cubierta vegetal a partir de los parámetros
que caracterizan la vegetación, como el LAI, el contenido de clorofila de las hojas, contenido de agua de las
hojas y vegetación, entre otras. Estos parámetros tienen una interpretación clara y representan en sí
mismos información importante. Sin embargo, tratar de obtenerlos a partir de un espectro de
reflectancia/emisividad conocido, es decir invertir el proceso, es un problema mal condicionado. Los
modelos de transferencia radiativa pueden generar resultados muy similares a un partiendo de conjuntos
de parámetros de entrada diferentes; por lo tanto, en el proceso inverso pequeños cambios en la
reflectancia/emisividad medida pueden resultar en grandes diferencias en los parámetros estimados
[Combal et al., 2002].
Los modelos RTM pueden ser clasificadas en 4 categorías:
modelos de turbidez: tratan la cubierta vegetal como un medio infinito, horizontalmente uniforme
y plano;
modelos geométricos: utilizados principalmente cuando las cubiertas vegetales no son densas y
ésta es diseñada a base de un ensamblaje de formas con dimensiones y propiedades ópticas
simuladas.
modelos híbridos: son una combinación de los dos anteriores, de turbidez y geométricos, y es
utilizado en aquellos casos en que la cubierta vegetal no se adecua a ninguno de los casos
anteriores. El modelado sigue siendo de tipo geométrica, pero la interacción del flujo con los
35
elementos de la cubierta es realizada mediante modelos de turbidez. Estos modelos son complejos
y computacionalmente intensivos.
modelos discretos: permiten la simulación de las posiciones y orientaciones de los elementos que
forman la cubierta vegetal. Suelen utilizar el método de Monte Carlo para seguir la trayectoria del
fotón desde que llega a la cubierta e interacciona con los distintos elementos vegetativos que la
componen.
Con estas metodologías solamente se consiguen resultados aceptables si se fija la mayor parte de los
parámetros en sus valores reales, y solamente se intenta estimar uno o dos parámetros desconocidos. Otro
hecho que ha evitado el progreso de esta metodología es la gran potencia de cálculo requerida para su
desarrollo [Jacquemoud et al., 1996]. Sin embargo en la actualidad este punto parece superado gracias al
desarrollo de clusters y al uso de algoritmos más eficientes.
En este contexto, en este capítulo se evaluará el potencial de los índices de microondas pasivas y ópticos
para estimar las variaciones del contenido de agua de la vegetación (definido como la fracción de agua por
unidad de peso (g/g)) en el bosque seco chaqueño invirtiendo los modelos de RTM. Las preguntas claves a
responder son: i) cuáles variables biofísicas explican mejor el comportamiento estacional y diario de dichos
índices de microondas pasivas y ópticos y, ii) si dichos índices son sensibles al contenido de agua de las hojas
y del dosel, respectivamente. En este capítulo, en primer lugar se analizará la sensibilidad de dichos índices
al contenido de agua en las hojas (definido como g agua/ g de peso fresco) y del dosel (CWC, definido como
g H20/ g peso fresco de las ramas y hojas) utilizando RTM adaptadas para el área de estudio. Luego, se
implementará un procedimiento de minimización entre las observaciones satelitales y los índices obtenidos
mediante la inversión del modelo RTM, para estimar el contenido de agua de las hojas y el dosel.
3.2. HIPÓTESIS Y PREDICCIONES DE TRABAJO
Los modelos de interacción (óptico y microondas) son capaces de estimar los índices medidos
tomando como entrada variables claves de la vegetación.
o Predicción: la dinámica observada de los índices puede explicarse a partir de cambios en
las variables fundamentales que controlan la reflectividad/emisividad.
Los datos del NDVI (producto MODIS MOD13Q1) son sensibles a la dinámica de la biomasa
verde (contenido de clorofila) y el desarrollo foliar (LAI) de la vegetación.
36
o Predicción: Mayor valor de NDVI está asociado a un aumento del LAI de la vegetación.
Los datos del NDWI [Gao, 1996] y NDII [Hardisky, 1983] derivados del sistema MODIS son
sensibles al desarrollo foliar (LAI) y el contenido de agua en las hojas (LWC) de la vegetación.
o Predicción: Mayor valor de NDWI/NDII está asociado a un aumento del LAI y LWC de
la vegetación.
Los datos del índice FI [Paloscia y Pampaloni, 1988] derivados de los sistemas AMSR-E son
sensibles al LAI y al CWC de la vegetación.
o Predicción: Menor valor de FI está asociado a un aumento del LAI y del CWC de la
vegetación.
3.3. METODOLOGÍA
3.3.1. ÁREA DE ESTUDIO
El Norte del Chaco Seco Argentino fue seleccionado como área de estudio porque incluye el área continua
de bosque más extensa de Argentina. El Bosque Chaqueño es el mayor ecosistema forestal de Argentina y
cubría una superficie de 23 millones de ha en 1998 (SAyDS 2004). Es un bosque seco estacional con estación
húmeda durante el verano. La estructura del bosque y la diversidad siguen un fuerte gradiente de
precipitaciones que va desde los 400 mm/año en las zonas más secas hasta más de 1200 mm/año [Cabrera,
1976; Prado y Gibbs, 1993]. En particular, nos centraremos en la eco-región del Chaco seco, en donde la
vegetación característica (Chaco Occidental según Cabrera, [1976]), dominada por bosques secos de
Schinopsis lorentzii (quebracho colorado) y Aspidosperma quebracho-blanco (quebracho blanco) (que en
algunos sectores dominan el dosel de manera conjunta con Bulnesia sarmientoi palo santo) conforman lo
ue lo al e te se o o e o o Mo te Alto . El li a del á ea de estudio es su t opi al se iá ido, o
precipitaciones concentradas durante los meses de verano (diciembre a marzo).
3.3.2. SET DE DATOS
Se utilizaron los datos provenientes del sistema de microondas pasivas Advanced Microwave Scanning
Radiometer - EOS (AMSR-E) y óptico Moderate Resolution Imaging Spectroradiometer (MODIS) para el
período correspondiente desde febrero del 2007 a octubre del 2008 [Kawanishi et al., 2003]. En este
estudio, hemos utilizado los datos L2 A de las órbitas ascendentes que cubren esta área, que contienen
valores de temperatura de brillo en polarización vertical (V) y (H) horizontal. La resolución temporal es de
37
3 días. Las mediciones ópticas se obtuvieron a partir de del producto MODIS de reflectancia de superficie a
500 m de resolución espacial (MYD09A1). Los datos fueron obtenidos de la Administración Nacional de
Aeronáutica y del Espacio (NASA) http: / /reverb.echo.nasa.gov/.
3.3.3. ÍNDICES ÓPTICOS Y DE MICROONDAS PASIVAS
Las observaciones de microondas se ven afectadas por las propiedades de absorción y dispersión de los
elementos de la vegetación, vinculados a la biomasa total, la distribución del tronco, ramas y hojas, y el
contenido de humedad de la vegetación. Se calculó el índice de diferencia en frecuencia (FI) (Tabla 3-1) a
partir de las temperaturas de brillo a 37 GHz (Banda Ka) y 10,6 GHz (Banda X) con polarización vertical. Los
sistemas de microondas pasivos reciben ondas polarizadas (orientadas en posición vertical y horizontal).
Para áreas boscosas, el índice FI calculado con polarización vertical presenta una mayor correlación con el
estado de la vegetación que el componente horizontal [Li et al., 2009]. Es importante mencionar que no
existe la misma diversidad de índices de microondas como de índices ópticos. Esto está relacionado con el
hecho de que la tendencia de la emisividad como función de la longitud de onda es aproximadamente
monótona. Lo cual implica que las diferentes definiciones de los índices de microondas multifrecuencia
conducirán a resultados cualitativamente similares. Esta situación es muy diferente al enfoque óptico, en
la que pequeños cambios en la longitud de onda pueden implicar grandes cambios en la reflectividad. Por
lo tanto, como primera aproximación no es necesario estudiar muchos índices de microondas. En este
contexto y teniendo en cuenta la literatura previa [Paloscia y Pampaloni, 1988; Ferrazzoli et al., 1995] se
optó por calcular el índice FI.
Es relevante mencionar que hay tres procesos físicos que afectan al FI: 1) ciclo anual de las hojas, 2)
precipitación durante la adquisición, y 3) variaciones en el contenido de humedad en el suelo (se explicará
con mayor detalle en el próximo capítulo). Para el área de estudio seleccionado las variaciones de humedad
del suelo pueden ser despreciables debido a la atenuación producida por la vegetación en relación a las
longitudes de onda utilizadas. Por el contrario, eventos de lluvia pueden afectar fuertemente la emisión en
banda Ka, debida a la importante contribución de las gotas de agua fría a la emisividad general. Durante los
eventos de lluvia, los valores de FI disminuyen considerablemente, y pueden llegar a ser negativos. Por lo
tanto, a partir de datos meteorológicos se identificaron los eventos de precipitaciones y se eliminaron las
observaciones obtenidas durante los mismos.
38
En función de poder realizar una mejor comparación con los datos ópticos, se calculó el compuesto de 8
días de FI según la metodología utilizada por MODIS. A partir del producto de MODIS de 8-dias de
reflectancia en superficie se calcularon el índice NDVI (indicador de verdor) y los índices NDWI y NDII
(indicadores de humedad de la hoja; Tabla 3-1). Estos índices se agregaron a la misma escala espacial que
AMSR-E. Utilizando la información proveniente en las bandas de calidad (QA), se filtraron datos de baja y
mala calidad, y con presencia parcial o completa de nubosidad.
3.3.4. PROSAILH: MODELO DE INTERACCIÓN (ÓPTICO)
Para describir la reflectividad de la cubierta se ha considerado el modelo de reflectividad de la hoja
PROSPECT y el modelo de reflectividad de la cubierta SAIL. La combinación de los modelos de hoja y cubierta
permiten un mejor conocimiento de los procesos físicos que controlan la reflectividad de la cubierta
teniendo en cuenta diferentes variables de la hoja, arquitecturas de la cubierta y configuraciones de
observación de manera que permiten su utilización para diversas áreas y períodos. En este contexto, en
este capítulo se utilizó el modelo PROSAILH, el cual es una combinación de SAILH y PROSPECT. Como las
propiedades ópticas de las hojas se obtienen de PROSPECT y son necesarias para el SAILH, estos dos RTM
se vienen usando conjuntamente (PROSAILH) para simular la reflectividad de dosel en múltiples
aplicaciones desde hace más de 15 años [Jacquemoud et al., 2009].
En particular el modelo PROSPECT simula la reflectividad y la transmisividad de la hoja a partir de seis
parámetros de entrada: parámetro estructural (N), contenido de clorofila a+b (Ca+b), contenido de
TABLA 3-1 CÁLCULO DE LOS ÍNDICES SATELITALES A PARTIR DE DATOS PROVENIENTES DE LOS SISTEMAS MODIS Y AMSR-E. DONDE
HACE REFERENCIA A LAS BANDAS DE MODIS BANDA (1 A 7) Y LA TB ES LA TEMPERATURA BRILLO Y V LA POLARIZACIÓN VERTICAL.
Índice Formula Referencia
Índice de frecuencia = � − � � + � ∗ [Paloscia and Pampaloni, 1988]
Índice de vegetación normalizado = − + [Rouse et al., 1974]
Índice de diferencia infrarrojo
normalizado = − + [Hardisky, 1983]
Índice de agua normalizado = − + [Gao, 1996]
39
pigmentos marrones (Cbp), contenido de pigmentos carotenoides (Car), espesor equivalente de agua (EWT)
y materia seca (DMC). Este modelo se basa en considerar que la hoja está formada por un apilamiento de
N capas separadas por aire. El objetivo de esto es dar cuenta de los espacios intercelulares que se
encuentran en el mesófilo. Uno de los parámetros más interesantes de este modelo, es el parámetro N el
cual está relacionado con el número de capas que forman la hoja. Valores superiores a 2,5 representan
hojas senescentes con una estructura interna desorganizada, por lo que este parámetro puede ser usado
para separar o identificar tipos de vegetación. Otro aspecto importante a destacar del modelo PROSPECT
es que considera por separado la influencia debida a los pigmentos y al contenido en agua para describir el
proceso de absorción que se produce en la hoja.
Por otro lado, el modelo SAILH permite simular la reflectividad del dosel a partir de la reflectividad y
transmisividad de la hoja, la reflectividad del suelo, el LAI, la función de distribución de las hojas (LAD), el
aporte de radiancia difusa por parte de la atmósfera y los ángulos de observación e iluminación. También
i o po a u pa á et o de o i ado hot-spot ue e alúa el ta año de las hojas y los efe tos aso iados
a las sombras. Es decir, a pesar de estar considerando una cubierta homogénea, el efecto de auto-sombra
de la vegetación, produce que la reflectancia dependa de la diferencia entre el ángulo de observación y el
de iluminación. Así tendremos que si se observa desde una dirección igual o cercana a la dirección de
iluminación, se verán iluminadas todas las hojas de la vegetación. Pero según nos vayamos separando de
esta situación, comenzaremos a ver las sombras que unas hojas proyectan sobre las otras. Habrá por tanto
un máximo en el valor de la reflectancia cuando se observe e ilumine desde el mismo ángulo.
El modelo SAILH en un primer paso considera tres flujos, dos de ellos homogéneos e isótropos en el interior
de la cubierta vegetal, y un tercero procedente de la dirección en la que consideraremos se encuentra el
sol. Estos flujos irán variando en función de la profundidad debido a la interacción con las hojas, es decir
debido a los procesos de absorción y scattering (dispersión). Gracias a este último, parte de la radiación se
redistribuye contribuyendo a aumentar los otros flujos. Hasta aquí la iluminación en el interior de la esfera
es isótropa, salvo en la dirección de propagación del flujo descendente que proviene del sol. En un segundo
paso se considera que esta distribución de la radiación ilumina las hojas, que según su orientación
redistribuye de nuevo la luz, generando un campo anisótropo. Este proceso, conocido como el método del
campo auto consistente, se puede repetir de forma sucesiva, pero al ser rápidamente convergente, el
segundo paso se toma como una aproximación suficientemente correcta. A partir de esta descripción se
puede plantear un sistema de ecuaciones diferenciales, que una vez aplicadas las condiciones de contorno
apropiadas, podemos resolver, obteniendo la reflectancia del sistema en la dirección deseada.
40
Considerar la cubierta vegetal iluminada únicamente desde la dirección del sol, no es muy realista salvo que
nos encontremos en un sistema sin atmósfera. En general, debido a los procesos de scattering en la
atmósfera tendremos una iluminación difusa procedente de todas las direcciones. Sin embargo, considerar
una distribución demasiado compleja complicaría en exceso el problema que hay que resolver. Una solución
intermedia es considerar una iluminación formada por un flujo descendente e isótropo, y otro procedente
del sol. Esto nos permite además separar fácilmente el problema en dos equivalentes. Una vez resueltos,
las reflectancias procedentes de cada uno se tendrán que promediar tomando en consideración la relación
entre la irradiancia solar directa medida en la horizontal, y la irradiancia difusa procedente del resto del
cielo.
En este contexto, puede apreciarse la variable de interés para este capítulo (contenido de humedad de la
hoja) no es un parámetro directo de ninguno de los modelos empleados pero se puede obtener a partir del
cociente de los parámetros EWT y DMC del modelo PROSPECT.
Las simulaciones fueron realizadas para evaluar la capacidad de los distintos índices ópticos de estimar el
contenido de agua en las hojas y el índice de área foliar para el área de estudio. EWT (g / cm2), LWC (g H2O/
g peso húmedo total) y DMC (g / cm2) se definen a continuación:
A
DWFWEWT
Ecuación 3-1 A
DWDMC
Ecuación 3-2
FW
DWFWLWC
Ecuación 3-3
)1/(
)/(
DMCEWT
DMCEWTLWC Ecuación 3-4
donde FW es el peso fresco, DW peso seco y A es al área foliar. La ecuación 4 muestra la relación entre EWT
y LWC.
A partir del modelo PROSAILH se generaron valores de reflectancia sintéticos del dosel para el rango de
400-2500 nm, usando como variables de entrada datos de campo obtenidos específicamente para el
bosque seco (Tabla 3-2). Debido a la gran extensión del área de estudio, los parámetros de entrada al
modelo derivan tanto de muestras de campo como de información proveniente de una revisión exhaustiva
de la literatura (ver una explicación más detallada en la sección 3.4.2). Los parámetros geométricos ángulo
cenital solar (ts), ángulo nadir al de observación (tv) y ángulo acimutal relativo (ps), entre el sol y el sensor
41
se obtuvieron de información proveniente en el metadato del producto MODIS para cada pixel. El rango de
variación de los ángulos varía entre 17 º-52º para ts, 10 º-59º para tv, y -67 º - 169 º para ps. En lo que se
refiere a los parámetro de la vegetación, adoptamos la gama habitual de valores de N para dicotiledóneas,
(1.25 a 2.05) [Jacquemoud et al., 1996; Demarez, 1999]. La magnitud del parámetro hot-spot se estimó con
la regla general que se define como la relación entre la anchura de la hoja a la altura del dosel [Kuusk, 1991].
Se estimó la reflectancia MODIS-equivalente utilizando el ancho de banda espectral del sensor: bandas
centradas a 645 nm, 858 nm, 1240 nm y 1640 nm con 50 nm, 35 nm, 20 nm y 24 nm de ancho de banda,
respectivamente. A partir de esta firma equivalente de MODIS, calculamos los índices NDVI, NDWI y NDII.
3.3.1. MODELO DE TOR VERGATA: MODELO DE INTERACCIÓN (MICROONDAS)
Para interpretar las observaciones de FI, se utilizó un modelo discreto de bosque que fue modificado según
las características del área de estudio [Ferrazzoli y Guerriero, 1996; Grings et al., 2012]. El modelo fue
desarrollado po la U i e sidad de ‘o a To Ve gata TVM [Ferrazzoli y Guerriero, 1996] y utiliza fórmulas
de transferencia radiativa que describen la interacción entre la onda electromagnética y la vegetación. El
modelo fue probado previamente usando radiómetros basados en tierra y en el aire, sobre los campos de
cultivo y bosques [Ferrazzoli et al., 1991, 1995a]. El mismo, calcula la emisividad usando las leyes de
conservación de la energía. Para representar la geometría de la vegetación, se adoptó un modelo discreto,
de cuerpos dieléctricos con formas adecuadas para describir las propiedades geométricas. El modelo
incluye las múltiples interacciones entre los diferentes cuerpos dieléctricos que componen la vegetación y
FIGURA 3-1 ESQUEMA DE LAS CAPAS UTILIZADAS EN EL MODELO DE TO‘ VE‘GATA . ADAPTADO DE MIN ET AL., (2006).
42
el suelo (Figura 3-1). Para distinguir entre diferentes clases de doseles, se pueden tomar distintas
aproximaciones acerca de las dimensiones, las orientaciones relativas y las propiedades dieléctricas de los
dispersores del dosel genérico. Una vez que se determina el modelo de arquitectura, es necesario calcular
el coeficiente de dispersión biestático (biestatic scattering) y los coeficientes de extinción para cada
dispersor (scatterer). Después, todas las contribuciones e interacciones entre los diferentes cuerpos
dieléctricos que componen la vegetación se combinan utilizando el algoritmo Matrix Doubling Algorithm
(MDA). El MDA se utiliza nuevamente cuando hay que combinar la dispersión de la vegetación y la del suelo
a partir del coeficiente de scattering biestático de la vegetación y el suelo.
Para las simulaciones se adaptó el modelo RTM de TVM utilizando información estructural del bosque
(Tabla 3-2) (ver una explicación más detallada en la sección 3.3.2) como ser: biomasa (Figura 3-2), contenido
de materia seca, contenido de humedad gravimétrica de la biomasa maderable, diámetro del árbol a la
altura del pecho, y distribución de DBH por rango de edades. Es importante señalar que la mayoría de los
árboles de la zona pertenecen a especies que se caracterizan por la alta densidad de la madera, como
Aspidosperma quebracho-blanco, Schinopsis lorentzii y Bulnesia sarmientoi. Para Aspidosperma quebracho-
blanco, se dan las siguientes densidades (pesos más volumen fresco): materia fresca de 1100 kg / m3 y
materia seca de 875 kg / m3. El tamaño medio de las hojas es 5 cm largo y 2 cm de ancho, con un espesor
de la hoja media de 0,02 cm. Hemos utilizado estos valores para todo el bosque, ya que otras especies
dominantes muestran valores muy similares. Utilizando los datos dados, las otras variables de entrada para
el modelo se han obtenido de acuerdo con el procedimiento especificado en Grings et al., [2012].
3.3.2. MEDICIONES DE CAMPO
En la Tabla 3-2 se muestra un resumen de las medidas promedio de distintas variables seleccionadas para
ser utilizadas en los modelos. De un mapa de biomasa (AGB) derivada de datos MODIS se extrajo
información adicional (el mapa AGB fue estimado utilizando un algoritmo de random forest7 (RF) y el índice
7 RF es un método estadístico relativamente nuevo que se puede considerar una mejora del método de árboles de clasificación y
regresión.
43
de vegetación normalizado (NDVI) [Gasparri y Baldi, 2013]. El producto final fue validado con datos de
campo. El error cuadrático medio resulto ser menor al 3% con un error máximo del 15%. Asimismo se utilizó
el mapa de áreas forestales realizado por la Secretaria De Medio Ambiente y Desarrollo Sustentable de la
Nación, Unidad de Manejo del Sistema de Evaluación Foresta (UMSEF)
44
TABLA 3-2 RESUMEN DE LAS VARIABLES DE CAMPO UTILIZADAS EN LOS MODELOS RTM.
Variables Valores modelo
Área basal media (suma de las
secciones de los troncas con una altura
de 1,3 m t) (m2/ha)
Fijo a 10,55 TVR
Densidad dad de árboles (1/ha)-
subdividido en clases de DBH
(diámetro a la altura del pecho, (cm))
DBH (cm) Densidad dad de árboles por
clase de edad (1/ha)
TVR
5 - 10 390 ±70
10 - 30 103 ± 37
30 - 50 41 ± 15
50 - 70 7 ± 4
70 - 100 1
> 100 0
Biomasa aérea media (Mg/ ha) 100 ± 12.7 TVR
Ángulo de inclinación medio de las
hojas
erectophile PROSAILH
LAI 1-3 (valor medio de LAI es igual a 1,5, de
acuerdo a ECOCLIMAP)
PROSAILH-TVR
Ca+b 20-60 (µg/cm2) PROSAILH
DMC Fijo a 0,023 (g/cm2) PROSAILH
N 1,25-2,5 PROSAILH
ts 17-52º PROSAILH
tv 10-59º PROSAILH
ps 67- 169 º PROSAILH
FIGURA 3-2 HISTOGRAMA DE BIOMASA OBTENIDO DE [GASPARRI AND BALDI, 2013]
45
3.3.3. ESTIMACIÓN DEL CONTENIDO DE HÚMEDA DE LA VEGETACIÓN
En general, los índices de vegetación dependen de distintas variables que cambian a lo largo del año (como
ser LAI, LWC, CWC, contenido de clorofila, y otros). Sin embargo, podríamos asumir que el ciclo anual de
los índices de vegetación depende de LAI en primera instancia, y secundariamente del LWC y CWC. Por lo
tanto, es indispensable estimar LAI antes de evaluar la capacidad de los índices de estimar el contenido de
humedad. Esto se puede hacer utilizando el producto MODIS de LAI, o usando el NDVI, que es
principalmente función del LAI, y presenta una baja sensibilidad al contenido de humedad. Una vez que el
LAI es estimado, podremos obtener LWC de los datos ópticos y CWC del índice FI. Para ambos pasos se
utilizaron modelos de interacción.
Con el fin de obtener un valor de una variable biofísica para cada adquisición, se implementó un
procedimiento de minimización (Figura 3-3). La técnica iterativa consiste en la construcción de la función
de costo con los valores observados y modelados del índice como,
46
2)]([ Lindexindex mo Ecuación 3-5
Donde indexo e indexm son los valores observados y modelados respectivamente, y L es la variable biofísica
estimada. La minimización fue realizada cada 8-dias de manera independiente. Sin embargo, en algunas
ocasiones resulta indispensable considerar una correlación temporal de la variable a estimar, aumentando
la robustez del análisis. Por ejemplo, cambios abruptos del NDVI corresponden a condiciones de nubosidad
o errores en el algoritmo. Sin embargo, la presencia de picos en la serie temporal de LAI no resulta
FIGURA 3-3 ESQUEMA DE LA METODOLOGÍA PROPUESTA EN ESTE CAPÍTULO. EL PRODUCTO MODIS LAND SURFACE REFLECTANCE
PRODUCT (MYD09A1) FUE UTILIZADO PARA CALCULAR LOS ÍNDICES NDVI, NDWI Y NDII, Y EL PRODUCTO AMSR-E LEVEL-2A
BRIGHTNESS TEMPERATURES PRODUCT (AE_L2A) FUE UTILIZADO PARA CALCULAR EL ÍNDICE FI. LOS MODELOS RTM USADOS
FUERON EL MODELO DE TOR VERGATA (TVR) [FERRAZZOLI AND GUERRIERO, 1996], Y PROSAILH [JACQUEMOUD ET AL., 2009]. LOS
VALORES DE LAI SE CALCULARON DE DOS FORMAS DIFERENTES: UTILIZANDO EL PRODUCTO DE MODIS LAI (MYD15A2) O A PARTIR
DEL ÍNDICE NDVI Y EL MODELO PROSAILH. REFERENCIAS: LAI ES ÍNDICE DE AREA FOLIAR, LWC ES CONTENIDO DE AGUA EN LAS
HOJAS, CWC ES CONTENIDOD E AGUA EN EL DOSEL, O ES OBSERVADO Y M MODELADO,Y ES LA FUNSION DE COSTO.
NDVI
FI
FI con período de composición
de 8-días
TVR = FIo –Fim (LAI, CWC)2
= NDVIo –NDVIm (LAI)2
LAI
= NDWIo –NDWIm (LAI,LWC)2 = NDIIo –NDIIm(LAI,LWC)2
PROSAILH
NDWI
NDII
LWC/ CWC
SALIDAS PROCESO MODELOENTRADAS
MYD15A2
Opción 1Opción 2
47
biofísicamente posible. En estos casos, es posible implementar restricciones de las soluciones forzando un
comportamiento armónico (análisis armónico de método de series de tiempo [Jakubauskas et al., 2001]).
De esta manera, es posible filtrar las soluciones que presentan picos (Figura 3-3). La precisión de los valores
de los índices observados y simulados se determinó a partir del coeficiente de determinación (r2) y la raíz
del error cuadrático medio (RMSE).
3.3.4. ESTIMACIÓN DEL ÍNDICE DE ÁREA FOLIAR (LAI)
Para el primer paso se comparó el LAI obtenido del producto MODIS con una estimación del LAI obtenida a
partir del índice NDVI y el modelo PROSAILH. En esta etapa, se asumió como constante el EWT a lo largo
del año; debido a que el NDVI es insensible al EWT, este supuesto es razonable para estimar LAI. Para este
caso, la ecuación de costo fue: ∆= [ − ]� Ecuación 3-6
Do de el alo esti ado de LAI o espo de al alo í i o de .
3.3.5. ESTIMACIÓN DEL CONTENIDO DE HUMEDAD DE LAS HOJAS (LWC) Y DEL DOSEL
(CWC)
El siguiente paso fue estimar LWC a partir de NDWI y NDII, y el CWC como función del FI, usando LAI como
parámetro de entrada. Por ejemplo, ∆= [��� − ��� ��� ]� Ecuación 3-7
De esta manera, la dependencia estacional de LAI es removida, y la señal remanente es interpretada como
cambios de LWC y CWC.
48
3.4. RESULTADOS
3.4.1. ANÁLISIS DE SERIES DE TIEMPO DE LOS ÍNDICES DE VEGETACIÓN
La Figura 3-4 muestra la serie temporal de NDVI, NDII, NDWI y FI como función del tiempo para el período
de 2007-2008. Se observa un evidente patrón estacional en los índices, relacionado con el ciclo fenológico.
La secuencia temporal del NDVI correlaciona con los eventos fenológicos de comienzo de la temporada de
crecimiento, pico de crecimiento y senescencia. Se estimó el comienzo y fin de la temporada de crecimiento
FIGURA 3-4 EJEMPLOS DE LAS SERIES TEMPORALES DE FI, NDII, NDWI Y NDVI PARA EL PERÍODO 2007-2008. EL ÁREA SOMBREADA
INDICA LA TEMPORADA DE CRECIMIENTO.
49
utilizando el algoritmo TIMESAT8, siendo estos 80 y 300 días desde el primero de julio del período entre
2007-2008, lo cual se encuentra en acuerdo con datos de bibliografía que estiman el período medio de
crecimiento desde Marzo a Octubre [Martín et al., 1997]. Los índices NDWI y NDII también presentan un
ciclo anual, con valores mayores en verano y menores en invierno. El índice FI muestra un comportamiento
inverso a los índices ópticos, decrece en verano y aumenta en invierno.
La correspondencia entre el índice FI y los índices NDII y NDWI durante la temporada de crecimiento resultó
estadísticamente significativa con un valor de r que vario entre -0,72- y -0,76 (p<0,001). Hay una baja
correlación entre el índice FI y NDVI, r=-0,45 (p< 0,01) durante la temporada de crecimiento. Para el mismo
período los índices ópticos NDVI vs NDWI correlacionan en 0.87 (p<0,001) y con el NDII 0,79 (p<0,001).
3.4.2. ESTIMACIÓN DE LAI Y LWC USANDO NDWI/NDII – ESTUDIO TEÓRICO
Con el objetivo de evaluar el efecto de las variables biofísicas se realizaron las simulaciones utilizando un
gradiente de valores de LAI y LWC (Figura 3-5). Los resultados muestran la sensibilidad teórica del NDVI,
NDWI y NDII al LAI y LWC para el bosque seco chaqueño. Como se esperaba, los valores de NDVI presentan
gran sensibilidad al LAI y variaciones despreciables al LWC. Además, tanto el NDWI como el NDII varían al
cambiar los valores de LAI y LWC. Esto implica que, los índices de agua presentan una correlación parcial al
LWC. Numerosos estudios, resaltan la importancia de dichos índices para estimar el LWC [Ceccato, 2001;
Ceccato et al., 2002].
8 Software denominado TIMESAT 3.0, para extraer curvas ajustadas de índices de vegetación por medio de tres modelos (Savitzky-
Golay, Guaseano o Doble Logística) basados en algoritmos de ajustes por mínimos cuadrados [Jönsson and Eklundh, 2004]
50
3.4.3. ESTIMACIÓN DE LWC Y CWC A PARTIR DE DATOS SATELITALES
3.4.4. PASO 1: ESTIMACIÓN DEL LAI
Debido a que el objetivo de este capítulo es estimar LWC y CWC, como explicamos anteriormente primero
debemos estimar el LAI. Evaluamos dos formas de obtener el LAI: 1) utilizando el producto LAI de MODIS,
2) invirtiendo el modelo RMT a partir del producto de MODIS de reflectancia en superficie. En este contexto,
utilizamos primero una minimización restringida para estimar LAI en función del índice NDVI observado y
de simulaciones asumiendo LWC constante (0,43 g/g), que corresponde al valor medio del LWC para las
especies arbóreas dominantes del área de estudio (Figura 3-6). Con el objetivo de evaluar la robustez de la
estimación se compararon los valores obtenidos con el producto LAI de MODIS (MYD15A2 global Leaf Area
Index and Fraction of Photosynthetically Active Radiation -FPAR-). Como se esperaba, se obtuvo una
FIGURA 3-5 RELACIÓN ENTRE LOS ÍNDICES NDVI, NDWI Y NDII Y LAI, SIMULADOS VARIANDO LOS VALORES DE LWC FIJANDO LOS
ANGULOS SOLARES (TS), ÁNGULO NADIRAL DE OBSERVACIÓN (TV), Y ANGULO ACIMUTAL RELATIVO (PS). LAS LINEAS
PUNTEADAS INDICAN EL RANGO DE VALORES DE LAS OBSERVACIONES. EL GRADIENTE DE GRISES MUESTRA LAS VARIACIONES
EN LWC.
51
correspondencia del 99%, con un error RMSE de 0,11. Ambas estimaciones de LAI proveyeron resultados
similares, Figura 3-7).
3.4.5. PASO 2A: ESTIMACIÓN DEL LWC USANDO NDWI/NDII
Usando las estimaciones de LAI y los parámetros detallados en la Tabla 3-2, se estimó el LWC utilizando
observaciones de los índices NDWI y NDII y el modelo PROSAILH (Figura 3-8). Como se describió
FIGURA 3-7 SCATTER-PLOT ENTRE EL PRODUCTO MODIS LAI (MYD15A2) Y LOS VALORES DE LAI OBTENIDOS A PARTIR DEL
ÍNDICE NDVI Y EL MODELO PORSAILH [JACQUEMOUD ET AL., 2009].
FIGURA 3-6 VALORES DE LAI OBTENIDOS A APARTIR DEL ÍNDICE NDVI Y EL MODELO PROSAILH [JACQUEMOUD ET AL., 2009]. EL
ÁREA SOMBREADA INDICA LA TEMPORADA DE CRECIMIENTO.
52
anteriormente, las estimaciones consisten en una determinación exhaustiva a partir de iteraciones de
valores de LWC minimizando la función de costo dentro del rango de operación. El valor medio de LWC
estimado utilizando ambos índices es de 0,22 g/g durante la temporada de crecimiento, el cual es bajo
incluso para el bosque seco. En general, los valores de LWC usando NDII son mayores que los obtenidos
utilizando NDWI. En conjunto, estos resultados indican que, al menos en la época de crecimiento 9, los
9 Es importante resaltar que estos resultados son válidos únicamente durante la temporada de crecimiento. Los valores más bajos
obtenidos fuera de la temporada de crecimiento se deben a la completa estructura del dosel. PROSAILH es un modelo que está
adaptado a coberturas homogéneas. Desafortunadamente, el medio turbio asumido en este modelo no incluye coberturas
heterogéneas (e.g. múltiples capas de hojas con diferentes características ópticas), como las encontradas en el bosque chaqueño por
fuera de la temporada de crecimiento.
FIGURA 3-8 VALORES ESTIMADOS DE LWC A PARTIR DE LOS ÍNDICES NDII Y NDWI Y EL MODELO PROSAILH [JACQUEMOUD ET AL.
2009]PARA EL PERÍODO 2007-2008. EL ÁREA SOMBREADA INDICE LA TEMPORADA DE CRECIMIENTO.
53
valores observados de los índices de vegetación de agua no pueden explicarse únicamente por los cambios
en el LAI o el contenido de clorofila.
3.4.6. PASO 2B: ESTIMACIÓN DEL CWC USANDO FI
Con el mismo objetivo se utilizó el índice de microondas pasivas FI y el modelo RTM de TVM adaptada a las
características de la vegetación del área de estudio. Se simularon las variaciones del índice de microondas
FI obtenidas al variar el contenido de agua en el dosel y el LAI, pero manteniendo fijo el contenido de agua
en el suelo (sm (humedad del suelo)=0,2 g/g). Como se mencionó en la sección 4.2.3, el índice FI es sensible
a la humedad de la vegetación y del suelo. Sin embargo, para áreas vegetadas densas o moderadas (en
relación al contenido de biomasa) el efecto de la humedad del suelo puede considerarse despreciable para
las frecuencias analizadas. La Figura 3-9 muestra que los valores de FI decrecen al aumentar el LAI, debido
probablemente a un aumento de la emisividad en la banda X al aumentar la biomasa de las hojas. Asimismo,
los valores de FI decrecen al aumentar el contenido de agua en el dosel.
Usando los valores estimados de LAI y los parámetros de la Tabla 3-2, se estimó el CWC usando las
observaciones de FI y el modelo de transferencia radiativa (Figura 3-10). Los valores observados y simulados
de FI se encuentran en el mismo rango (0,005 – 0,025; r2 = 0,99, RMSE = 2.094 x 10-6). Similarmente a la
FIGURA 3-9 RELACIÓN ENTRE EL ÍNDICE FI DERIVADO DEL MODELO [FERRAZZOLI Y GUERRIERO, 1996] Y EL LAI VARIANDO EL CWC.
LAS LINEAS PUNTEADAS INDICAN EL RANGO DE VALORES DE LAS OBSERVACIONES. EL GRADIENTE DE GRISES MUESTRA LAS
VARIACIONES EN EL CWC.
54
sección anterior, las variaciones de FI no pueden ser explicadas únicamente con cambios del LAI. El valor
medio de CWC obtenido fue de ~0,56 g/g con una variación de ±0,05 g/g.
3.5. DISCUSIÓN Y CONCLUSIONES
El presente capítulo muestra cómo pueden utilizarse modelos de transferencia radiativa (RTM) para la
simulación de las propiedades biofísicas de la cubierta vegetal. En particular, se ha mostrado que el uso de
estos modelos RTM permiten evaluar la sensibilidad a variables ecofisiológicas de los índices satelitales. Se
presentaron varias estimaciones de humedad de la vegetación (LWC y CWC) a partir de datos satelitales.
Metodológicamente, todas las estimaciones se basaron en modelos de interacción y técnicas de
minimización, donde se elige como mejor estimación el valor de las variables biofísicas que minimiza la
diferencia entre los datos y simulaciones. Ambos modelos de transferencia radiativa (PROSAILH
[Jacquemoud et al., 2009] y Tor Vergata [Ferrazzoli y Guerriero, 1996]) se alimentaron con toda la
información disponible del área de estudio. La calidad de esta información a escala regional fue descrita en
FIGURA 3-10 VALORES ESTIMADOS DE CWC OBTENIDOS A PARTIR DE LA SERIE DE TIEMPO DE FI Y EL MODELO [FERRAZZOLI Y GUERRIERO,
1996] PARA EL PERÍODO DEL 2007-2008. EL ÁREA SOMBREADA INDICA LA TEMPORADA DE CRECIMIENTO.
55
cada caso10. Usando estas simulaciones, tres índices ópticos (NDVI, NDWI y NDII) y uno de microondas (FI
en Ka y banda X) fueron probados con el fin de evaluar su potencial para estimar la humedad de la hoja y
del dosel en el bosque del Chaco Seco.
En este contexto, como fue discutido y validado en el bosque de Harvard [Min y Lin, 2006; Li et al., 2009;
Yebra et al., 2013] se podrían utilizar los índices de microondas para estimar la evapotranspiración
utilizando el principio de balance de agua y energía. Para ello, hay que considerar que la evapotranspiración
depende de variables meteorológicas (rugosidad de la superficie y de la conductancia del dosel) y que a su
vez, la conductancia del dosel (o superficial) depende de las condiciones medioambientales, como ser la
temperatura ambiente, la diferencia de presión de vapor, el contenido de CO2, el potencial agua y condición
de la capa límite, y la conductancia máxima (mínima resistencia). En este marco, Min y Lin, [2006]
relacionaron las variaciones temporales en un índice de frecuencia en microondas, por ser sensibles al
contenido de agua de la vegetación, con variaciones debido al déficit de presión de vapor, contenido de
CO2, y potencial agua; y por corolario con la conductancia superficial. Esta es la línea argumental que
desarrollaremos en los capítulos siguientes.
Los resultados obtenidos en este capítulo (evaluación de las tendencias de los índices mediante
simulaciones) mostraron que los ciclos estacionales NDWI, NDII y FI no pueden ser explicados únicamente
por las variaciones de LAI, al menos durante la temporada de crecimiento. Por otra parte, estos índices
presentan sensibilidad a LWC y CWC la cual fue evaluada por los dos modelos de transferencia radiativa.
Variaciones de 8-días de los índices ópticos no podrían ser unívocamente relacionadas a las variaciones de
la humedad de la hoja, debido a la presencia de contaminación atmosférica. Sin embargo, las pequeñas
variaciones de 8 días de la serie de tiempo de FI no pueden ser explicados a menos que se suponga un
cambio en la humedad de la vegetación. Esto no puede estar relacionado con los efectos atmosféricos o
artefactos de los sensores, ya que el sistema AMSR-E es un instrumento que presenta un error de ~ 1 K, y
el área de estudio presenta una baja desviación estándar de la temperatura de brillo (desviación estándar
10 En [Ferrazzoli et al., 1995; Ferreira, 2003] se evalúa la sensibilidad de cada parámetro a la simulación total.
56
(SD) <0,4 K). Este resultado es especialmente relevante, ya que las variaciones a corto plazo en el CWC
podrían ser resultado de variaciones meteorológicas a escala sinóptica [Min y Lin, 2006; Li et al., 2009].
De acuerdo a los resultados obtenidos para el período de crecimiento analizado, hay varios eventos en los
que el valor medio del CWC estimado se reduce aproximadamente 0,05 g H2O / g. Esta reducción, aunque
pequeña, podría tener implicancias en el flujo de agua superficial en el Chaco, donde la mayor parte del
agua del sistema suelo + vegetación se encuentra en la vegetación debido a las grandes tasas de
evapotranspiración. Además, es importante señalar que estos pequeños cambios no pueden ser explicados
por errores en los sensores, el ruido atmosférico o heterogeneidades del área de estudio.
Otro aspecto relevante a discutir es que para una validación completa se requeriría una comparación
directa de los resultados con datos in situ. En el caso de la aplicación actual (estimación de los cambios en
la humedad de la vegetación a escala regional), es conveniente utilizar estimaciones regionales distribuidas
espacialmente basadas en redes de sensores in situ o campañas de campo intensivas sobre grandes áreas.
Sin embargo, la recolección a gran escala de datos de terreno resulta muy difícil y costosa. Esto se debe
principalmente al tamaño de pixel de los sistemas de microondas pasivas (~ 25 km x 25 km) y a cuestiones
logísticas. En este marco, se propuso una metodología alternativa basada en la comparación de los
resultados obtenidos previamente con valores de contenido de humedad provistos por el modelo de
proceso GLDAS.
A pesar de la imposibilidad de realizar una comparación directa con los datos de campo, es relevante
mencionar que los valores medios de LWC para las principales especies de la zona de estudio son mayores
que las estimaciones de LWC obtenidas a partir de datos ópticos: Aspidosperma quebracho-blanco (media
LWC 0,43 g / g [Aragão et al., 2005]); Prosopis flexuosa (media LWC 0,60 g / g [Vendramini et al., 2002]);
Zizyphus mistol (media LWC 0,54 g / g [Vendramini et al., 2002]). Estos valores bajos de LWC (0,20 g / g,
calculado sin incluir datos de la nube contaminada) y su bajo rango dinámico (0,17 a 0,39 g / g), parecen
estar relacionados con problemas en el modelo RTM (PROSAIL) para la zona de estudio. Este resultado
sugiere que el modelo no es adecuado para sitios heterogéneos, como se muestra en varios estudios
anteriores [Vendramini et al., 2002]. La inversión de PROSAILH bajo tales condiciones conduce a un sesgo
en la recuperación de los parámetros biofísicos [Meroni et al., 2004; Darvishzadeh et al., 2012].
También es interesante comparar las ventajas y desventajas de los enfoques e instrumentos ópticos y de
microondas pasivas inherentes a la estimación de la humedad de la vegetación: (i) En primer lugar, las
longitudes de onda del SWIR y NIR son sensibles a la primera capa de la cubierta vegetal. Además, NDWI /
57
NDII sólo se pueden obtener en condiciones sin nubosidad. (ii) Por otro lado, el índice FI se puede obtener
en casi todas las condiciones atmosféricas, con la excepción de eventos de lluvia. (iii) Además, la radiación
de microondas tiene mayor penetración dentro de la vegetación que longitudes de onda del óptico. La
emisión de microondas de un dosel es una integración de la radiación de microondas desde el perfil de la
totalidad del dosel vertical, ponderada por su transmisión [Min y Lin, 2006; Li et al., 2009]. (iv) Aunque las
mediciones de microondas tienen una resolución espacial inferior a observaciones del SWIR y NIR, su
resolución temporal es mucho mejor (cada 3 días, máximo). (v) Por otra parte, como se muestra en Li et al.,
[2009] observaciones horarias de varios satélites proporcionan la oportunidad de controlar las variaciones
horarias de las observaciones de microondas pasivas, que pueden dar cuenta de los cambios horarios en la
humedad de la vegetación. La variación horaria de humedad de la vegetación no puede ser detectable
desde MODIS, debido a que los sistemas de MODIS en las plataformas Terra y Aqua presentan un horario
de pasada a las 11,30 y 14,30 hora local, respectivamente, y son relativamente cercanos al mediodía solar.
En función del punto (iii), resulta pertinente comparar las estimaciones de LWC y CWC. En general, puede
haber una fuerte relación entre el ancho de la albura en la sección transversal a unos 1,3 m de altura y el
área foliar, debido a que el xilema activo puede abastecer de agua a las hojas para la transpiración [Niklas,
1994], esperando una relación entre el contenido de humedad de las hojas y el dosel. Sin embargo, no se
encontró ninguna relación significativa. Esto ha sido observado antes [Yilmaz et al., 2008], donde se
muestra cómo LWC es una pequeña fracción del total CWC, por lo que en algunos casos no hay capacidad
de predecir CWC con índices ópticos (principalmente relacionados con LWC). Una posible explicación se
basa en que en algunos árboles, el crecimiento del xilema de varios años puede abastecer de agua al follaje
[Yilmaz et al., 2008]. Por el contrario, para los cultivos aumentos anuales en el xilema y el área foliar están
altamente relacionados [Hunt et al., 2011]. Además de flujo de agua, se deriva también proporcionar
soporte mecánico para las hojas, que contribuyen a las relaciones alométricas entre el tallo y las hojas
[Niklas, 1994]. Esto evidencia la ventaja de utilizar datos satelitales de microondas para estimar el contenido
de agua en la vegetación.
58
CAPÍTULO IV
POTENCIALIDAD DE LOS ÍNDICES DE MICROONDAS PASIVAS PARA EL
MONITOREO DE VARIABLES ECO-HIDROLÓGICAS EN DISTINTOS
ECOSISTEMAS EN EL HEMISFERIO SUR11
RESUMEN
Este capítulo se centró en el análisis de series temporales de microondas pasivas y ópticos en seis
ecosistemas diferentes del Hemisferio Sur (Australia y Argentina). Los ecosistemas seleccionados
representan una amplia gama de tipos de cobertura, incluyendo bosques abiertos caducifolios, bosque
templado, sabanas tropicales y semi-áridas y pastizales. Se han utilizado dos índices de microondas, el
Índice de Frecuencia (FI) y el índice de polarización (PI), para evaluar las contribuciones relativas de las
propiedades del suelo y de la vegetación (humedad y estructura) a las observaciones. Para el cálculo de los
índices se utilizaron las observaciones de dos sistemas (Advanced Microwave Scanning Radiometer - EOS
(AMSR-E) y Wind Satelite (WindSat)), lo que resulta en un máximo de cuatro observaciones por día (01:30,
06:00, 13:30 y 18:00 hs). También se evaluaron las relaciones de dichos índices con productos provenientes
del sistema óptico Moderate Resolution Imaging Spectroradiometer (MODIS). Se evaluaron las tendencias
estacionales y horarias de los índices de microondas. También se analizaron las relaciones de estos índices
con variables ambientales (precipitación y temperatura) y mediciones de covarianza de torbellino
11 Este capítulo ha sido publicado:
V. Barraza; F. Grings, P. Ferrazzoli, A. Huete, N. Restrepo-Coupe, J. Beringer, E. Van Gorsel, H. Karszenbaum.Behavior of
Multitemporal and Multisensor passive microwave indices in Southern Hemisphere Ecosystems. Journal of Geophysical Research:
Biogeos ie es Año: .DOI: . / JG .
59
(productividad bruta del ecosistema y calor latente). Se generó un esquema sencillo basado en la relación
entre los dos índices FI vs. PI para caracterizar la relación entre dichos índices y las principales características
biofísicas de los ecosistemas. Se encontró una relación significativa entre evapotranspiración y FI en
diferentes ecosistemas, demostrando que los índices de microondas podrían ser utilizados para el
seguimiento de propiedades y procesos de la vegetación y/o el suelo.
4.1. INTRODUCCIÓN Numerosas metodologías han sido desarrolladas para estimar distintos componentes del balance hídrico
de superficie (ej. Evapotranspiración (ET), humedad del suelo, humedad de la vegetación) utilizando
información satelital. A escala regional, algunos estudios se basan en resolver el balance de agua y energía,
usando los datos satelitales provenientes del visible, infrarrojo cercano, e infrarrojo de onda corta. La
mayoría de estos estudios están basados en la relación entre reflectancia y temperatura de brillo con el
índice de área foliar y contenido de agua de la vegetación. Sin embargo, estas aproximaciones presentan
algunas limitaciones relacionadas con la baja sensibilidad al contenido de humedad de la vegetación y la
baja resolución temporal de los sistemas ópticos. Para superar dichas limitaciones, Li et al., [2009] propuso
una nueva metodología que relaciona las propiedades de la vegetación con el flujo de calor latente (LE) a
partir de datos de microondas pasivas. A pesar de estar caracterizados por una baja resolución espacial, los
sensores de microondas pasivas pueden ser usados para aplicaciones a escala regional, dado que ofrecen
una alta revisita temporal y se ven menos afectados por las condiciones atmosféricas que los sistemas
ópticos.
Los índices de microondas pasivas se caracterizan por ser sensibles a (i) la humedad de la vegetación y (ii)
la humedad del suelo. Por lo tanto, sería posible relacionar teóricamente los índices de microondas con los
balances de agua y energía, y por consiguiente con la ET. A pesar de que los procesos claves que relacionan
ET con índices de microondas son similares, esta relación depende de las principales características
geométricas y dieléctricas del terreno en cada ecosistema. Varios trabajos ya han estudiado la relación
entre índices de microondas y ET [Min y Lin, 2006; Li et al., 2009] e intercambio de CO2 [Jones et al., 2012],
pero pocos se han centrado en evaluar estas relaciones a nivel multitemporal y con múltiples sensores a lo
largo de distintos ecosistemas.
Asimismo, resulta clave destacar que los estudios previos [Li et al., 2009] mostraron que las observaciones
horarias (derivadas de distintas plataformas) pueden proveer la oportunidad de estudiar variaciones
60
horarias de la señal, las cuales están relacionadas con variaciones diarias de las propiedades del suelo
(contenido de humedad y temperatura) y la vegetación (contenido de húmedad y temperatura). En
principio, a lo largo de un día hay cinco factores que pueden producir cambios en las observaciones de
temperatura de brillo: (1) cambios en la temperatura de superficie (suelo y vegetación); (2) variaciones en
la humedad del suelo; (3) variaciones de humedad de la vegetación; (4) precipitaciones durante la
adquisición y (5) presencia de agua libre sobre la vegetación. Por otro lado, a nivel estacional se tienen en
cuenta otros factores que pueden producir variaciones de la temperatura de brillo, como: (6) cambios en
la estructura y biomasa de la vegetación (e.g índice de área foliar); (7) variaciones estacionales de la
temperatura de superficie; (8) variaciones estacionales de la humedad del suelo; (9) cambios estacionales
del contenido de agua en la vegetación. Si se quiere usar los datos de microondas para el monitoreo de la
humedad del suelo y la vegetación a escala horaria y estacional (2, 3, 8 y 9), primero debemos analizar y
descartar la contribución de los otros factores.
Los índices normalizados, como ser el índice de diferencia de emisividades (EDVI), índice de polarización
(PI) y el índice de diferencia en frecuencia (FI), son independientes de la temperatura termodinámica (1,
7)12. Resulta también importante mencionar que la emisión está fuertemente afectada por la presencia de
precipitaciones durante la adquisición, debido a la importante contribución de las gotas de agua a la
emisividad total (4 y 5). En todos los otros casos (suelos no arenosos y sin precipitación durante la
adquisición), la emisividad depende principalmente de la vegetación y humedad del suelo. La atenuación
de la vegetación a la emisión del suelo depende del contenido de humedad de la vegetación, la biomasa,
estructura, así como la longitud de onda del instrumento [Engman y Chauhan, 1995]. Consecuentemente,
en general, el dosel de la vegetación se vuelve más transparente a longitudes de ondas mayores.
12 Sin embargo, sobre algunas áreas con suelos arenosos (Como ser las dunas), pequeñas variaciones de temperatura de brillo no
son consistentes con las variaciones de la temperatura de superficie. Estos estudios muestran que sobre suelos arenosos, las
observaciones de emisividad de microondas provienen de capas más profundas, por lo que la señal depende de la frecuencia y del
perfil de temperaturas del suelo [Prigent et al., 1999].
61
Para áreas donde la biomasa de la vegetación es alta o moderada, la contribución de la vegetación es
dominante (en particular para la banda X o frecuencias mayores). Por lo tanto, para los casos previamente
mencionados, los índices de frecuencia en microondas (FI y EDVI) podrían ser función de la propiedades de
la vegetación [Paloscia y Pampaloni, 1988; Ferrazzoli et al., 1995]. A lo largo del día, las propiedades de la
vegetación que controlan la emisividad en microondas se espera que se mantengan constantes (siendo
esta, factores estructurales como ser el índice de área foliar (LAI)), a excepción del contenido de humedad
(CWC, contenido de humedad de la canopea). En este contexto, es relevante y prometedor investigar la
potencialidad de los índices de microondas derivados desde distintas plataformas para obtener información
de la humedad de la vegetación y del suelo sobre distintos ecosistemas. Cuando la biomasa de la vegetación
es baja o moderada, la emisión del suelo presenta un rol importante, y la señal total será función de la
humedad tanto del suelo como de la vegetación.
A pesar de que la humedad de la vegetación y del suelo son solamente dos componentes del balance de
agua, resultan ser variables importantes para el balance de radiación de la superficie y el balance hídrico,
que modulan efectivamente la ET (aunque la relación puede ser muy compleja y dependiente del tipo de
cobertura). Por lo tanto, el objetivo principal de este capítulo es evaluar la contribución relativa de las
propiedades del suelo y de la vegetación a las variaciones en los índices de microondas usando
observaciones multitemporales y proveniente de múltiples sensores. En particular, las preguntas claves son:
¿Cuáles son los patrones estacionales y horarios de los índices de microondas para las áreas de estudio?,
¿Cómo es la contribucion relativa de las propiedades del suelo y vegetación a los índices de microondas?, y
finalmente, ¿Podrían ser los índices de microondas buenos estimadores de ET en diferentes ecosistemas?.
Para ello, analizaremos a nivel horario y estacional las series de tiempo de microondas pasivas e índices
ópticos, conjuntamente con datos meteorológicos y datos de torres de flujo de seis ecosistemas diferentes
localizados en el hemisferio sur (Argentina y Australia). Finalmente, los datos de torres de flujo seran usados
para evaluar la relación entre los índices de microondas y el flujo de calor latente (LE).
4.2. HIPÓTESIS Y PREDICCIONES
En áreas boscosas cuya biomasa sea mayor a 60 (Tn/ha), las variaciones diarias y horarias en el
índice FI dan cuenta a primer orden de cambios producidos en el desarrollo del área foliar (LAI) y/
del contenido de agua en el dosel (CWC).
o Predicción: Menor valor de FI diario está asociado a un aumento del LAI y CWC.
o Predicción: Menor valor de FI horario está asociado a un aumento del CWC.
62
En áreas boscosas cuya biomasa sea menor a 50 (Tn/ha), las variaciones diarias y horarias en el
índice FI dan cuenta a primer orden de cambios producidos en el contenido de agua del suelo.
o Predicción: Mayor valor de FI diario está asociado a un aumento del contenido de agua
en el suelo.
4.3. MATERIALES
4.3.1. ÁREAS DE ESTUDIO
Hemos centrado nuestra investigación en áreas de vegetación natural ubicada en el hemisferio sur,
ubicadas en el norte y sudeste de Australia y noroeste de Argentina (Figura 4-1). Las áreas de estudio fueron
elegidas de manera de ofrecer una gran variedad de ecosistemas en los cuales se puede evaluar la
potencialidad de los índices de microondas para monitorear diferentes propiedades de la vegetación y del
suelo (humedad y estructura). Dichas áreas se caracterizan por la presencia de una estación húmeda y seca
predecible [Taylor y Tulloch, 1985; González y Flores, 2010]. Por otra parte, todas las áreas de estudio
representan grandes regiones homogéneas, lo que permitió el uso de observaciones de microondas pasivas
caracterizadas por una baja resolución espacial. Según el IGBP (International Geosphere Biosphere
Programme) [Hansen y Reed, 2000] y el sistema de clasificación nacional [Morello, 1974], estos sitios se
encuentran en zonas con una amplia gama de tipos de cobertura incluyendo: bosques deciduos abiertos,
sabanas tropicales, sabanas semiáridas y pastizales (Figura 4-1, Tabla 4-1). Los sitios ubicados en el norte
de Australia se encuentran a lo largo de un gradiente de humedades, empezando por el sitio más húmedo
que se encuentra en el norte tropical de Australia, Howard Springs, el cual se caracteriza por presentar una
precipitación media anual de 2.000 mm / año [Hutley et al., 2011; Kanniah et al., 2011]. Las precipitaciones
disminuyen hacia el interior continental de Australia, alcanzando valores tan bajos como 100 mm / año en
Alice Springs [Eamus et al., 2013]. Las precipitaciones sobre el norte de Australia presentan una
estacionalidad muy marcada, con una temporada de lluvias durante el verano, la cual se extiende desde
diciembre a marzo, y la temporada seca que ocurre entre abril y octubre. Estos sitios están ubicados en
suelos principalmente arenosos [Hutley et al., 2011].
También incluimos un sitio en el sureste de Australia (Tumbarumba) que presenta una cobertura mayor,
siendo este un bosque siempre verde [Leuning et al., 2005; van Gorsel et al., 2013], para poder realizar
comparaciones con el sitio de estudio en Argentina (Bosque seco chaqueño). En Tumbarumba, las
precipitaciones se producen principalmente durante los meses de invierno (junio a agosto). Dentro del
bosque chaqueño se seleccionaron los siguientes sitios: Campo Alegre que está situado en el centro de este
63
gradiente, presentando alrededor de 700 mm de precipitación media anual y El Sauzalito en el extremo
occidental con ~ 500 mm de lluvia. Estas dos últimas zonas se encuentran en el bosque seco del Chaco, que
es principalmente un bosque seco abierto caracterizado por precipitaciones estivales.
FIGURA 4-1 MAPA DE COBERTURA DE LAS ÁREAS DE ESTUDIO EN (B) ARGENTINA Y AUSTRALIA (C Y D).
64
TABLA 4-1 RESUMEN DE LAS VARIABLES DE CAMPO. LAI ES ÍNDICE DE ÁREA FOLIAR, ALTITUD ES LA ALTURA SOBRE EL NIVEL DEL MAR, DBH ES EL DIAMETRO DEL TRONCO A LA ALTURA
DEL PECHO (1-3 METROS), VEG. ALT. ALTURA DE LA VEGETACION, Z ES LA ALTURA DE MEDICIÓN DE LAS TORRES DE FLUJO, PREC ES LA PRECIPITACIÓN ANUAL ACUMULADA, B [EAMUS
ET AL., 2000], C [HUTLEY ET AL., 2011], D [SEA ET AL., 2011], E [EAMUS ET AL., 2013], F INFORMACIÓN DISPONIBLE EN HTTP://WWW.O)FLUX.O‘G.AU, F [STRAHLER ET AL., 2008], G
[LEUNING ET AL., 2005] Y G [GASPARRI ET AL., 2013].
Nombre Ubicación Altitud
(m)
Altura
(m)
Z(m) LAI DBH (cm)
Biomasa
(t/ ha)
Textura del
suelo
Tipo de
cobertura
Prec.
(mm/año)
Howard Springs 12,8ºS-131,3ºE 64 15 – 18 f 23 1,04 ± 0,07 d 8,8–30,4 b 62,4 c Arenoso Sabana leñosa 1750 f
Alice Springs 22,3ºS- 133,2ºE 606 6,5 e 9 bosque 0,18-0,3 sotobosque
0,04 - 0,32d 11 b N/A Arenoso
Sabana semi-
árida 305,9 f
Sturt Plains 17,2ºS-133,4E 210 0,1 f, 0,2 c 4,8
0,39c - N/A Arenoso/
arcilloso Pastizal 640 f, 535 c
Tumbarumba 35,7ºS- 148,2ºE 1200 40 70
2,47 22 ±1,7 h N/A Arenoso/
arcilloso
Bosque
templado 1000
El Sauzalito 61,68ºS-
24,417ºW 140 20-25
- 1-3 10-30 i 70–110 i Limoso
Bosque
xerophyto 500
Campo Alegre 60,18ºS- 25,8ºW 138 20-25 -
2,5 10-30 i 70–110 i Limoso Bosque
xerophyto 700
65
4.3.2. SET DE DATOS
Se procesaron datos satelitales de microondas pasivas obtenidas de los sensores Advanced Microwave
Scanning Radiometer - EOS (AMSR-E/AQUA) [Kawanishi et al, 2003] EOS (AMSR-E / AQUA) y Wind Satellite
(Windsat / Coriolis), tanto orbitas ascendentes como descendentes [Gaiser et al., 2004] para el período
2007-2009 con el fin de examinar los patrones temporales diarios y horarios. Por lo tanto, se obtuvieron
cuatro observaciones por día: AMSR-E descendente: 1:30h, Windsat descendente: 6:00h, AMSR-E
ascendente: 13:30h y Windsat ascendentes: 18:00h (hora local, Greenwich (UTC) -2). Además, se analizaron
los datos ópticos obtenidos por el producto de reflectancia del sensor Moderate Resolution Imaging
Spectroradiometer (MODIS) con una resolución espacial de 500 m (MYD09A1, [Vermote y Vermeulen,
1999]) y el producto de índice de área foliar (LAI) de MODIS (MYD15A2, [Myneni et al., 1997]). Los datos de
MODIS y AMSR-E fueron descargados de la National Aeronautics and Space Administration (NASA)
(http://reverb.echo.nasa.gov/). Los datos Windsat fueron proporcionados por el Laboratorio de
Investigación Naval de los Estados Unidos.
4.3.3. INDICAS ÓPTICOS Y DE MICROONDAS PASIVAS
Aprovechando la alta resolución temporal de los sistemas de microondas, se evaluaron los patrones
estacionales y horarias del índice de polarización (PI) [Paloscia y Pampaloni, 1988] y el Índice de Frecuencia
(FI) [Ferrazzoli et al., 1995], calculados utilizando las temperaturas de brillo medidos a 37 GHz (banda Ka) y
10,6 GHz (banda X) tanto para los sistemas AMSR-E y Windsat (Tabla 4-2). Se calculó el índice FI usando
solamente información de polarización vertical, ya que estudios previos han mostrado una mayor
correlación con propiedades provenientes de la vegetación que la componente horizontal de la polarización
[Min y Lin, 2006]. En este estudio fueron excluidos del análisis las observaciones durante eventos de
precipitación, con la ayuda de la información de precipitación in situ.
Las variaciones diurnas de las señales derivadas de Windsat y AMSR-E deben estar relacionados con
cambios en las características de la superficie, ya que ambos sensores están intercalibrados [Das et al.,
66
2013] y tienen características similares, incluyendo la frecuencia central y el ancho de banda para todas las
bandas, el ángulo de incidencia de 55 ° y la estrategia de adquisición cónica13.
Los índices PI y FI son funciones complejas de las características de la vegetación (biomasa, LAI, estructura
geométrica y contenido de humedad) y del suelo (rugosidad superficial y humedad; ver Ferrazzoli et al,
[1992]; Paloscia y Pampaloni, [1992]; Ferrazzoli et al., [1995]). Con el fin de evaluar la sensibilidad de los
índices de microondas pasivas a las propiedades de la cubierta vegetal, se compararon los valores de PI y FI
con período de composición de 8 días con el índice de vegetación mejorado (EVI), calculado utilizando el
producto de reflectancia de período de composición de 8 días de MODIS (Tabla 4-2). Los datos de baja y
mala calidad y con cobertura parcial o total de nubes fueron eliminados del análisis utilizando la información
provista en la banda de calidad (QA).
TABLA 4-2 ÍNDICES ESPECTRALES CALCULADOS A PARTIR DE LOS SISTEMAS AMSR-E, WINDSAT Y MODIS, INCLUYENDO SU SIGLA,
FORMULA MATEMÁTICA, Y LAS REFERENCIAS X ES LA REFLECTANCIA EN MODIS BANDA X (1 A 3); TB ES LA TEMPERATURA DE
BRILLO, V Y H SUFIJOS QUE INDICAN POLARIZACIÓN VERTICAL Y HORIZONTAL, RESPECTIVAMENTE.
Índices Formulas Referencia
Índice de frecuencia FI = Tbv Ka band − Tbv XbandTbv Ka band + Tbv Xband ∗ [Ferrazzoli et al., 1995]
Índice de polarización PI = Tbv Xband − Tbh XbandTbv Xband + Tbh Xband ∗ [Paloscia y Pampaloni,
1988]
Índice de vegetación mejorado EVI = , ∗ + ∗ + . ∗ + [Huete et al., 2002]
13 El radiómetro en posición fija sobre una plataforma rotatoria.
67
4.3.4. VARIABLES AMBIENTALES Y DATOS DE COVARIANZA DE TORBELLINO (TORRES DE
FLUJOS)
Para evaluar la sensibilidad de los índices de microondas a las variables ambientales, se analizaron series
temporales de datos de torres de flujo ubicadas en tres de los sitios de estudio australianos con datos
disponibles desde 2007 hasta 2009 (Howard resortes [Beringer, 2013a], Sturt Plains [Beringer, 2013b], y
Tumbarumba [Van Gorsel, 2013]. Los datos originales fueron proporcionados por la red Ozflux
(http://ozflux.its.monash.edu/ecosystem/home.jspx) y pre-procesados para garantizar la coherencia entre
los sitios; esto incluyó el filtrado de valores atípicos y datos erróneos, y la eliminación de los períodos de
baja turbulencia.
El análisis de calidad y seguridad de los datos (QA / QC) fue realizada usando el protocolo estándar de
OzFluxQCv2.7.1, que se desarrolló bajo licencia de OzFlux usando Python14. La misma incluye la realización
de una prueba de rango, la eliminación de picos de la serie de tiempo, la eliminación de los flujos en los
casos en que falten más del 1% de las 10 Hz observaciones a partir de los promedio cada 30 minutos,
correcciones lineales de tendencias y cambios de calibración para sensores, y el rechazo de las
observaciones cuando el viento se originaron desde detrás del anemómetro 3D y la torre.
Se analizaron promedios horarios del flujo de energía latente (LE (W / m2)) y de la temperatura superficial
a 8 cm de profundidad (ºC). LE está relacionada con la evapotranspiración como: ET = LE / lambda, donde
lambda es el calor latente de vaporización. Se calculó la productividad bruta del ecosistema (GEP) como
GEP = NEE - Reco, donde NEE es la productividad neta que se mide en la torre y Reco es la respiración del
ecosistema. La serie nocturna de NEE, que se supone que es representativa de Reco, se ajusto utilizando un
análisis armónico de segundo orden siguiendo el método propuesto por Richardson y Hollinger [2005]. Para
el análisis estacional se agregaron los datos horarios de flujos y otros datos meteorológicos a valores medios
diarios y luego al período de tiempo de 8 días, siempre que estuvieran presentes por lo menos 21 de las 24
horas de observaciones, si al menos 2 de los 8 día estaban disponibles.
14 Python Enthought Distribución versión 7.3-1.
68
Además se utilizaron los datos obtenidos por el satélite de la Misión de Medición de Precipitaciones
Tropicales (TRMM, producto 3B42, v7, NASA, 2010) que tienen una resolucion espacial de 0.25º x 0.25º,
para obtener una serie de tiempo completa de precipitación para todos los sitios. A pesar de ser ruidoso de
que los datos TRMM son ruidosos, su uso se justificó por la correlación observada entre TRMM y los datos
de torre disponibles. Para los sitios Sturt Plains y Howard Spring, las observaciones de la humedad del suelo
volumétrico (%/%) a -8 cm de profundidad estaban disponibles, según lo medido por un reflectómetro
(CS616). Las variables micrometeorológicas estaban disponibles en escalas estacionales y horarias (0:00-
2:00 h, 5:00-7:00 h, 12:00-14:00 h, y 17:00-19:00 h). Se realizó un análisis de regresión lineal (tipo II) entre
los índices de microondas y las variables ambientales y datos de las torres de flujo. Finalmente, se realizó
un análisis de correlación lineal entre los dos índices de microondas.
4.4. RESULTADOS
4.4.1. ANÁLISIS ESTACIONALES DE LOS ÍNDICES ÓPTICOS Y DE MICROONDAS PASIVAS
Se observaron diferentes comportamientos estacionales de los índices de microondas en las áreas de
estudio analizadas (Figura 4-2 y 4-3). Los datos de El Sauzalito y Campo Alegre, en el Bosque seco chaqueño
mostraron tendencias muy similares de LAI, EVI, FI y PI para todas las adquisiciones en el período de tiempo
analizado (Figura 4-2 y 3a). Por esta razón, los datos obtenidos en estos dos sitios se fusionaron en lo que
llamaremos 'Bosque chaqueño (Chaco seco) y se muestran en una única figura. Para el Bosque chaqueño
(Figura 4-2a y 3a), se observaron valores de PI bajos (con respecto a los encontrados para los demás sitios)y
los datos tanto de FI como de PI están inversamente relacionados con las observaciones de MODIS-EVI y
MODIS-LAI (Figura 4-2a y 4-3a, Tabla 4-3). El comportamiento estacional de FI mostró una disminución en
el verano austral y un aumento en el invierno austral, opuesta a MODIS EVI y LAI.
69
FIGURA 4-2 SERIES TEMPORALES CON PERÍODO DE COMPOSICIÓN DE 8-DÍAS DE LOS ÍNDICES FI, EVI Y LAI PARA LOS AÑOS 2007-
2009. BOSQUE CHAQUEÑO (CHACO SECO) (A), SABANA LEÑOSA TROPICAL (HOWARD SPRINGS) (B), SABANA SEMI-ÁRIDA (ALICE
SPRINGS) (C), PASTIZALES (STURT PLAINS) (D), Y BOSQUE DE ECUALIPTO SIEMPRE VERDE (TUMBARUMBA) (E). EL ÁREA
SOMBREADA CORRESPONDE AL PERÍODO DESDE DICIEMBRE A MARZO (TEMPORADA HUMEDA) PARA LOS SITIOS (A) A (D), Y DE
MAYO A AGOSTO (TEMPORADA HÚMEDA) PARA EL SITIO (E).
70
FIGURA 4-3 SERIES TEMPORALES CON PERÍODO DE COMPOSICIÓN DE 8-DÍAS DE LOS ÍNDICES PI, EVI Y LAI PARA LOS AÑOS 2007-
2009. BOSQUE CHAQUEÑO (CHACO SECO) (A), SABANA LEÑOSA TROPICAL (HOWARD SPRINGS) (B), SABANA SEMI-ÁRIDA (ALICE
SPRINGS) (C), PASTIZALES (STURT PLAINS) (D), Y BOSQUE DE ECUALIPTO SIEMPRE VERDE (TUMBARUMBA) (E). EL ÁREA
SOMBREADA CORRESPONDE AL PERÍODO DESDE DICIEMBRE A MARZO (TEMPORADA HÚMEDA) PARA LOS SITIOS (A) A (D), Y DE
MAYO A AGOSTO (TEMPORADA HÚMEDA) PARA EL SITIO (E).
71
TABLA 4-3 RESUMEN DE LOS COEFICIENTES DE DETERMINACIÓN (R2) PARA LAS RELACIONES ENTRE LAS SERIES TEMPORALES MODIS,
AMSR-E, WINDSAT, EL ÍNDICE DE AREA FOLIAR (LAI) Y LA PRODUCTIVIDAD BRUTA DEL ECOSISTEMA (GEP) .DONDE PI ES EL ÍNDICE
DE POLARIZACIÓN, FI ES EL ÍNDICE DE FRECUENCIA Y AA, AD, WA Y WD SE CORRESPONDEN A LAS OBSERVACIONES DEL SISTEMA Y
ORBITA: AMSR-E ASCENDENTE, AMSR-E DESCENDING, WINDSAT ASCENDENTE Y WINDSAT DESCENDENTE RESPECTIVAMENTE. *
CORRESPONDE UN NIVEL DE SIGNIFICACION DE 0,01, ** Y DE 0,001, NS ES NO –SIGNIFICATIVO.
Nombre Tipo de
Cobertura
FIAA FIAD FIWA FIWD PIAA PIAD PIWA PIWD
Howard Springs Sabana leñosa
EVI 0,37** 0,45** 0,54** 0,40** 0,35** 0,28* 0,31** 0,35**
LAI 0,51** 0,65 ** 0,64** 0,65** 0,51** 0,32** 0,39** 0,52**
GEP 0,47** 0,69** 0,59** 0,41** 0,61** 0,50** 0,45** 0,48**
Alice Springs Sabana semi-
árida
EVI 0,10 0,21* 0,13 0,28* 0,62** 0,72** 0,69** 0,68**
LAI 0,03 0,07 0,04 0,11 0,57** 0,56** 0,65** 0,68**
GEP - - - - - - - -
Sturt Plains Pastizal
EVI 0,14 0,27 0,15 0,24 0,34** 0,59** 0,49** 0,36**
LAI 0,15 0,30* 0,16 0,25* 0,33* 0,58** 0,45** 0,33**
GEP 0,31** 0,39** 0,52** 0,55** 0,26* 0,58** 0,45** 0,33*
Tumbarumba Bosque
templado
EVI NS NS NS NS 0,04 NS 0,03 0,01
LAI NS NS NS NS 0,12 0,07 0,08 0,10
GEP 0,10 NS NS NS NS NS NS 0,10
Bosque Chaqueño Bosque
xerophyto
EVI 0,54** 0,33** 0,29* 0,10 0,12* 0,12* 0,10 0,14*
LAI 0,67** 0,24* 0,34** 0,17* 0,20* 0,25* 0,20* 0,30**
GEP - - - - - - - -
72
En Howard Springs, la tendencia estacional fue diferente a la del Bosque Chaqueño (Figura 4-2b y 4-3b).
Aquí las tendencias tanto de FI y PI estuvieron positivamente relacionadas con los índices de MODIS EVI y
LAI (Tabla 4-3). También hubo una relación positiva y significativa entre los índices de microondas pasivas
y GEP calculados a partir de datos de torre de flujo (Tabla 4-3). Dado a que el rango de valores de FI y PI
durante la temporada de lluvias (precipitaciones durante el verano austral) y la biomasa total de este sitio
es moderada, una explicación posible de las tendencias observadas podrían estar relacionadas con una
importante contribución del suelo a la emisividad total. De hecho, encontramos una relación significativa
entre FI, PI y la precipitación y la humedad del suelo (ver Tabla 4-4).
Las series de tiempo de FI, PI, EVI y el LAI para Alice Springs y Sturt Plains se muestran en las figuras 2c, 2d
y 3c, 3d. Estas áreas presentan un valor medio de LAI menor a 1 y se caracterizan por un clima más seco
que en Howard Springs. Los valores de FI de ambos sitios mostraron una relación positiva con EVI.
Curiosamente, las observaciones de PI de ambos sitios mostraron una tendencia inversa con los índices EVI
y LAI (Tabla 4-3). En Alice Springs esto podría ser debido a un prolongado período de sequía desde 2007 al
2008, según lo informado previamente por Ma et al., [2013] (Figura 4-4). Por el contrario, en Sturt Plain la
tendencia temporal de PI resulta ser más compleja. En este sitio, las precipitaciones inicialmente
produjeron un aumento de los valores de PI, el cual fue seguidos por una disminución en los valores de PI
que esta inversamente relacionado con EVI y LAI (Figura 4-3 y 4-4).
Como se encontraron valores altos de FI y PI durante la época de lluvias, de acuerdo con las relaciones
teóricas sobre la humedad del suelo, también se evaluó la relación entre FI y precipitación. En general, los
resultados (Tabla 4-4) mostraron una relación significativa entre la precipitación y FI para el área de Sturt
Plains (Tabla 4-4). Además, se evaluó la relación estacional entre la humedad del suelo (m3/m3) y los índices
de microondas para el sitio Sturt Plains, donde los datos in situ de humedad del suelo estaban disponibles.
Se encontró una relación significativa entre la humedad del suelo y FI, y entre la humedad del suelo y PI
para las observaciones antes de 6:00 h.
73
FIGURA 4-4 SERIES TEMPORALES CON PERÍODO DE COMPOSICIÓN DE 8-DÍAS DE LOS ÍNDICES PI, FI Y PRECIPITACIÓN (MM) PARA
LOS AÑOS 2007-2009. EL ÁREA SOMBREADA CORRESPONDE AL PERÍODO DESDE DICIEMBRE A MARZO (TEMPORADA HÚMEDA).
TABLA 4-4 RESUMEN DE LOS COEFICIENTES DE DETERMINACIÓN (R2) PARA LAS ANOMALIAS ENTRE LAS SERIES TEMPORALES AMSR-
E Y WINDSAT, HUMEDAD DEL SUELO (SM) Y PRECPITACIÓN (PREC). DONDE PI ES EL ÍNDICE DE POLARIZACIÓN, FI ES EL ÍNDICE DE
FRECUENCIA Y AA, AD, WA Y WD SE CORRESPONDEN A LAS OBSERVACIONES DEL SISTEMA Y ORBITA: AMSR-E ASCENDENTE, AMSR-
E DESCENDING, WINDSAT ASCENDENTE Y WINDSAT DESCENDENTE. * CORRESPONDE UN NIVEL DE SIGNIFICACIÓN DE 0,01, ** Y DE
0,001, NS ES NO–SIGNIFICATIVO.
Por último, en el sitio de Tumbarumba las series temporales de FI y PI (Figura 4-2 e y 3e) no mostraron una
fuerte variación estacional, ya que el bosque es relativamente denso y siempre verde. Como se muestra en
las Figura 4-2 e y 3e y la Tabla 4-3, hubo una relación no significativa entre el índice óptico y los índices de
microondas, mientras que el índice PI mostró una relación no significativa con LAI. Se analizó la relación PI
Nombre Tipo de
cobertura FIAA FIAD FIWA FIWD PIAA PIAD PIWA PIWD
Howard Springs Sabana leñosa
Prec 0,21* 0,40** 0,56** 0,37** 0,48** 0,52** 0,52** 0,51**
SM 0,61** 0,67** 0,64** 0,71** 0,77** 0,55** 0,74** 0,64**
Alice Springs
Sabana semi-
árida Prec NS 0,13 0,17* 0,14 NS NS NS NS
Sturt Plains Pastizal
Prec 0,20* 0,28* 0,54** 0,38** 0,21* NS 0,10 0,22*
SM 0,74** 0,77** 0,82** 0,87** 0,46** NS 0,64** 0,22*
74
y GEP calculado a partir de datos de covarianza de torbellino de las torre de flujo (Tabla 4-3). Encontramos
un coeficiente de determinación no significativo entre PI y GEP (Tabla 4-3). La magnitud de ambos índices
microondas pasivas fue baja y dentro del mismo rango de valores que se encontró en el caso de Bosque
chaqueño.
4.4.2. COMPORTAMIENTO HORARIO A LO LARGO DE LA SERIE TEMPORAL DE LOS ÍNDICES DE
MICROONDAS PASIVAS
Para el caso del Bosque Chaqueño, los valores de FI obtenidos por Windsat (06:00 h, 18:00 h) presentaron,
en promedio, las observaciones más altas (Figura 4-2a). Se observó que el comportamiento horario cambia
a lo largo de las diferentes estaciones. Se encontraron diferencias significativas (ANOVA, F = 211,57, p <0,01,
n = 136, grados de libertad de los tratamientos (gl)=1, gl dentro= 275) entre los valores de FI del verano
austral (diciembre-febrero) vs. Invierno (junio-agosto). En verano, los valores de FI (Figura 4-5) aumentaron
desde 0,008 hasta 0,013 para las observaciones adquiridas durante el período de las 1:30 h - 6:00 h, luego
disminuyó fuertemente a 0,006 durante la 13:30 h y finalmente aumentó de nuevo a 0,015 a las 18:00 h.
Vale la pena señalar que estas variaciones: (1) sólo están presentes en el verano y (2) son más grandes que
el error radiométrico esperado en FI (error máximo ~ 0,0025, asumiendo errores radiométricos no
correlacionados ~ 1K para ambas bandas (V y H) ). Se encontraron diferencias significativas (ANOVA, F =
54,57, p <0,01, n = 35, gl tratamientos=3, gl dentro= 137) entre los valores calculados de FI para las cuatro
observaciones por día durante el verano.
En Tumbarumba, las series temporales de FI mostraron patrones horarios similares a los de bosque
chaqueño en verano (Figura 4-5). Se encontraron diferencias significativas (ANOVA, F = 28,47, p <0,01, n =
36, gl tratamientos=3, gl dentro=140) entre los valores de FI a lo largo del día. Por otro lado, las
observaciones para el sitio de sabana, Howard Springs, mostraron aumentos de FI a lo largo del día (Figura
4-2b y 4-5). Por último, las observaciones en los sitios con escasa vegetación (Alice Springs y Sturt Plains),
mostraron variaciones horarias en FI más altos cuando los valores de EVI fueron menores (EVI <0,2),
probablemente debido a la dinámica del suelo y los efectos de la vegetación, que se correspondían con la
temporada de invierno (período seco, mayo-abril) (Figura 4-5). Los valores de FI fueron muy bajos durante
todo el período de tiempo, y mostraron ciclos diarios con valores negativos. Una explicación coherente de
este comportamiento es la variación del perfil de temperatura en los suelos arenosos secos característicos
de este lugar [Prigent et al., 1999].
75
FIGURA 4-5 BOXPLOTS DE LAS SERIES TEMPORALES DE FI CON PERÍODO DE COMPOSICIÓN DE 8-DÍAS PARA LA TEMPORADA DE
VERANO E INVIERNO DEL 2007-2009. LETRAS DIFERENTES INDICAN DIFERENCIAS ESTADÍSTICAMENTE SIGNIFICATIVAS (P <0,05)
(PRUEBA DE COMPARACIONES MÚLTIPLES DE SCHEFFE).
Para comprender mejor la relación entre la temperatura del suelo y el comportamiento horario de FI, se
evaluó la relación entre FI y la temperatura del suelo a 8 cm de profundidad (Ts) en Sturt Plains y Howard
Springs (Alice Springs no fue evaluada debido a la falta de datos Ts por hora durante 2007-2009). Para
ambos sitios se encontró una regresión significativa (r2) (Tabla 4-5) entre Ts y FI durante el período de
invierno, sin embargo, los valores de r2 disminuyen durante la estación lluviosa.
Las variaciones horarias de PI están relacionadas con procesos diferentes. En los sitios boscosos más densos,
Tumbarumba y Bosque chaqueño (Chaco seco), las variaciones horarias y valores medios de PI fueron bajas
para todas las estaciones. En contraste, para los restantes sitios australianos mostraron fuertes variaciones
horarias, con un máximo a las 1:30 h y 13:30 h (AMSR-E) y un mínimo a las 6:00 h y 18:00 h (Windsat). De
manera similar a FI, estas variaciones pueden estar relacionadas con ciclos diarios de la temperatura
termodinámica a diferentes profundidades del suelo. No se encontró una relación significativa entre PI y Ts
para Howard Springs y Sturt Plains (resultados no mostrados).
76
TABLA 4-5 RESUMEN DE LOS COEFICIENTES DE DETERMINACIÓN (R2) PARA LAS SERIES TEMPORALES HORARIAS DE TEMPERATURA
DE SUPERFICIE (TS), Y EL ÍNDICE FI. DONDE FI EL INDICE DE FRECUENCIA CALCULADO USANDO LAS OBSERVACIONES DE LOS
SENSORES AMSR-E Y WINDSAT. * CORRESPONDE UN NIVEL DE SIGNIFICACION DE 0,01, ** Y DE 0,001, NS ES NO –SIGNIFICATIVO.
4.4.3. RESUMEN DEL COMPORTAMIENTO HORARIO Y DIARIO DE LOS ÍNDICES DE
MICROONDAS
Para resumir las variaciones temporales de los índices de microondas, se evaluó la relación entre ambos
índices para todas las áreas de estudio (Figura 4-6 y Figura 4-7). En las áreas con vegetación densa (Chaco
Seco y Tumbarumba), el índice de FI depende de las propiedades del dosel. La dinámica de FI es mayor en
el bosque del Chaco seco, por ser un bosque deciduo, presentando una correlación moderada entre los dos
índices de microondas pasivas (raa = 0,62; rad = 0,53, p <0,01, rwa = 0,49; rwd = 0,46, p <0,05; donde r es el
coeficiente de correlación, aa: AMSR-E ascendente, ad: AMSR-E descendente, wa: Windsat ascendente, y
wd: Windsat descendente). El bosque siempre verde, Tumbarumba, presenta valores bajos de correlación
a las 6,00 h y 1,30 h (raa = 0,45; rwd = 0,27, p <0,05), debido a la falta de estacionalidad. En Howard Springs,
que presenta una vegetación leñosa con biomasa moderada (62,4 ton / ha), estos dos índices de microondas
pasivas están correlacionados significativamente (raa = 0,82; rad = 0,71; rwa = 0,84; rwd = 0,82, p <0,01). En las
áreas con menor densidad de vegetación (Alice Springs y Sturt Plains), se calculó la correlación en dos
situaciones diferentes, (i) uno asociado con bajos valores de precipitación diaria (por día Alice Springs
cuando la precipitación acumulada de 8 días fue inferior a 50 mm / día y para Sturt Plains cuando la
precipitación fue inferior a 100 mm / día), y (ii) con altos valores de precipitación (opuesta a (i)). En ambos
sitios, PI y FI se correlacionaron inversamente (raa = -0,66; rad = -0,82; rwa = -0,64; rwd = -0,36, p <0,01) cuando
las temperaturas del suelo eran la influencia dominante (85% de los datos), pero llegó a estar directamente
correlacionada (raa = 0,58; rad = 0,28; rwa = 0,48; rwd = 0,44, p <0,05) cuando las variaciones de humedad del
suelo fueron la influencia dominante (para el 15% de los datos).
Nombre Tipo de
cobertura
Ene Feb Mar Abr May Jun Jul Agos Sep Oct Nov Dic
Howard
Springs
Sabana
leñosa
Ts 0,42** 0,43** 0,27* 0,11 0,63** 0,64** 0,88** 0,92** 0,56** 0,29** NS NS
Sturt Plains
Pastizal
Ts 0,22* 0,29* - - 0,69** 0,74** 0,41** 0,63** 0,63** 0,74** 0,13 NS
77
FIGURA 4-6 SCATTER PLOTS ENTRE LOS ÍNDICES FI Y PI PARA EL PERÍODO 2007-2009. LAS FIGURAS MUESTRAN LA COMPONENTE
ESTACIONAL DE AMBOS ÍNDICES. LOS SITIOS SELECCIONADOS FUERON EL BOSQUE CHAQUEÑO, SABANA LEÑOSA TROPICAL
(HOWARD SPRINGS), SABANA SEMI-ÁRIDA (ALICE SPRINGS), PASTIZALES (STURT PLAINS), Y BOSQUE DE ECUALIPTO SIEMPRE VERDE
(TUMBARUMBA). LAS LÍNEAS (LÍNEAS CONCEPTUALES )MUESTRAN LAS TRES ZONAS IDENTIFICADAS EN EL ESPACIO FI/PI SEGÚN LO
ANALIZADO EN ESTE CAPÍTULO.
78
FIGURA 4-7 SCATTER PLOTS ENTRE LOS VALORES MEDIOS DE LOS ÍNDICES FI Y PI PARA EL PERÍODO 2007-2009 RESULTANTE DEL
PROMEDIO ENTRE LAS CUATRO OBSERVACIONES. EN (A) LA ESCALA DE COLORES REPRESENTA EL DESVIO ESTÁNDAR DE LOS
VALORES DIARIOS DE PI, Y EN (B) LA ESCALA DE COLORES REPRESENTA EL DESVIO ESTÁNDAR DE LOS VALORES DIARAIOS DE FI.
DONDE LOS TRIANGULOS CON LAS PUNTAS HACIA ARRIBA (▲) CORRESPONDEN A LAS OBSERVACIONES DEL BOSQUE CHAQUEÑO,
LAS ESTRELLAS (*) A LA SABANA LEÑOSA TROPICAL (HOWARD SPRINGS), EL TRIANGULO CON LA PUNTA HACIA ABAJO (▼)
CORRESPONDE A LA SABANA SEMI-ÁRIDA (ALICE SPRINGS), LOS CIRCULOS (○) AL ÁREA DE PASTIZAL (STURT PLAINS), Y LOS
CUADRADOS (□) AL BOSQUE DE EUCALIPTO TEMPLADO (TUMBARUMBA).
79
4.4.4. RELACIÓN ENTRE LOS DATOS DE TORRE DE FLUJO Y LOS ÍNDICES DE MICROONDAS.
La relación entre las observaciones de microondas pasivas y datos in situ de flujo de calor latente (LE)15
mostró una relación significativa entre la LE y FI (Figura 4-8 y Figura 4-9). Curiosamente, el coeficiente de
determinación fue positivo y significativo para Sturt Plains y Howard Springs (p <0,01), pero no significativo,
para Tumbarumba (p> 0,05). Finalmente, se encontró que los valores de PI resultaron no significativos para
Sturt Plains y Tumbarumba. Se encontró únicamente una regresión significativa para Howard Springs (r2aa=
0,40; r2ad= 0,29, r2
wa= 0,28; r2wd=0,41, p<0,01).
FIGURA 4-8 SCATTERPLOT ENTRE LOS ÍNDICES FI CON PERÍODO DE COMPOSISCIÓN DE 8-DÍAS Y EL FLUJO DE CALOR LATENTE (LE)
PARA LOS AÑOS 2007-2009. LOS SITIOS SELECCIONADOS FUERON HOWARD SPRINGS, STURT PLAINS Y TUMBARUMBA. DONDE R2
ES EL COEFICIENTE DE DETERMINACION ESPECIFICO PARA LAS CUATRO OBSERVACIONES DE R2AA: AMSR-E ASCENDENTES, R2AD:
AMSR-E DESCENDENTES, R2 WA: WINDSAT ASCENDENTE Y R2 WD: WINDSAT DESCENDENTE.
15 En los capítulos V y VI se estudian en detalla la relación entre la ET y los índices de microondas, evaluando distintas aproximaciones.
80
FIGURA 4-9 SERIES TEMPORALES DE LOS ÍNDICES FI Y EL FLUJO DE CALOR LATENTE (LE) CON PERÍODO DE COMPOSICIÓN DE 8-DÍAS
PARA LOS AÑOS 2007-2009. EL ÁREA SOMBREADA CORRESPONDE AL PERÍODO DESDE DICIEMBRE A MARZO (TEMPORADA
HÚMEDA) PARA LOS SITIOS (A) A (B), Y DE MAYO A AGOSTO (TEMPORADA HÚMEDA) PARA EL SITIO (C).
4.5. DISCUSIÓN En este estudio se analizaron las contribuciones de la vegetación y del suelo al comportamiento temporal
de dos índices de microondas pasivas para diversos ecosistemas del hemisferio sur, (sabanas tropicales y
semi-áridas, temperatura y bosques xerophyto y pastizales). Para una mejor interpretación de los datos de
microondas, utilizamos análisis previos realizados sobre el norte del Bosque chaqueño [Barraza et al.,
2014a], como un caso testigo. Las tendencias estacionales de esta área fueron explicados en el capítulo
anterior y publicadas en Barraza et al., [2014a] utilizando un modelo de transferencia radiativa. Las
variaciones de LAI explica en gran medida las variaciones estacionales de FI (fenología), y las variaciones a
corto plazo en FI se asociaron con cambios de humedad de la vegetación (por ejemplo, el estrés hídrico)
[Barraza et al., 2014a]. En este análisis, la relación inversa observada entre MODIS EVI y FI se explicó sobre
81
la base de la relación del contenido de humedad de la vegetación. Además, este comportamiento básico
también fue explicado previamente por Li et al., [2009] para el bosque de Harvard utilizando diferentes
definiciones de índice. Esta hipótesis es difícil de probar en el campo, ya que las mediciones directas de la
humedad del dosel generalmente no están disponibles.
Los resultados obtenidos para el Bosque chaqueño no fueron fácilmente extensibles a los sitios de Australia,
donde la dinámica de la vegetación (EVI) mostró relaciones más complejas con los índices de microondas.
En Tumbarumba ambos índices de microondas mostraron bajas variaciones estacionales, algo esperable
para un bosque siempre verde, mientras que la variación horaria de FI fue similar a la observada en el
Bosque chaqueño durante el verano. Para el resto de los sitios de Australia, las propiedades que
controlaban las interpretaciones de las tendencias temporales de los índices de microondas pasivas fue una
compleja relación entre la biomasa de la vegetación, humedad, y temperatura termodinámica del suelo. Se
requiere conocer muchos factores contribuyentes (por ejemplo, la humedad del suelo, el perfil superficial
de la temperatura dentro suelo, la fenología) para explicar el comportamiento de los dos índices de
microondas pasivos en Alice Springs y Sturt Plains. En particular, en estos sitios con vegetación escasa, la
radiación observada se produce no sólo en la interface aire / suelo, y las variaciones de FI se puede explicar
por las variaciones de perfil de temperatura, de acuerdo con trabajos previos [Parinussa et al., 2011;
Norouzi et al., 2012].
Como se mencionó anteriormente, la estimación de la evapotranspiración utilizando información satelital
para una superficie general es un problema de inferencia desafiante. Aunque la base física del problema se
afirmó hace dos décadas, y la serie de tiempo de datos de microondas pasivas puede interpretarse en
términos de cambios de variables biofísicas clave (humedad del suelo y la vegetación), el desarrollo de un
esquema general para la estimación de la ET a partir de estos datos es todavía un problema complejo. Esto
se relaciona con un tema clave: las relaciones que son válidas para un ecosistema (por ejemplo, una
disminución de la humedad de la vegetación conduce una reducción de ET y, en consecuencia, los valores
crecientes de FI observados en los bosques densos), puede ser cualitativamente diferente para otro. Por lo
tanto, es muy importante comprender la fuente de la radiación emitida observada antes de elegir un
esquema de inferencia particular. En este contexto, el esquema de FI vs. PI (Figura 4-7) que se presenta en
este capítulo puede ser utilizado para caracterizar los ecosistemas en términos de su comportamiento PI y
FI (ver Figura 4-10).
82
FIGURA 4-10 DIAGRAMA ESQUEMATICO DE LA RELACIÓN ENTRE LOS ÍNDICES DE MICROONDAS FI Y PI Y EL CONTENIDO DE AGUA
DE LA VEGETACIÓN Y EL SUELO.
En general, una relación significativa no implica causalidad. Sin embargo nuestros resultados también están
en acuerdo con la literatura previa [Prigent et al., 1999; Min y Lin, 2006; Li et al., 2009; Jones et al, 2012.;
Barraza et al., 2014a], lo que muestra que dicha relación FI vs PI proporciona un esquema físico-biofísico
plausible para caracterizar la dinámica eco-hidrológica del ecosistema. Utilizando este esquema se puede
observar que las metodologías desarrolladas por Min y Lin [2006] y Barraza et al., [2014a] sólo se puede
aplicar para áreas con vegetación densa, en las que se cumplen las hipótesis clave requeridas para la
metodología. Además, aunque para estos ecosistemas los procesos clave que se relacionan ET con los
índices de microondas sean similares (disminución de la humedad de la vegetación, disminución de la ET y
aumento de la FI), la relación será una función de los valores de las características geométricas y dieléctricas
del dosel y, en general, variará para diferentes ecosistemas.
En las comparaciones directas con observaciones in situ de energía latente (LE) y FI se encontraron
relaciones significativas para los sitios de Howard Springs y Sturt Plains. En Tumbarumba, la débil
estacionalidad, resulta en una relación no significativa entre ET y los índices de microondas, similar a lo que
ocurre con las relaciones de índices de vegetación del óptico. A pesar de esto, es importante tener en cuenta
que la relación entre FI y LE en Tumbarumba es opuesta a la encontrada para los otros dos sitios.
Particularmente, Yebra et al., [2013] también muestra correlaciones negativas entre el EVI y, ET en este
sitio. Esto sugiere que los índices de microondas sólo podrían ser utilizados para estimar ET a escala
83
regional, pero utilizando un esquema especifico de acuerdo a la cubierta vegetal. Estos resultados están de
acuerdo con los obtenidos por Min y Lin [2006] y Jones et al., [2012].
4.6. CONCLUSIÓN Los índices satelitales resultan ser herramientas muy útiles en los procesos de monitoreo de los flujos de
agua y de energía. En este capítulo, se analizaron dos índices pasivos de microondas, FI y PI, sobre
ecosistemas del hemisferio sur. También se analizaron los índices ópticos, y mediciones obtenidas de torres
de flujo. Encontramos diferentes comportamientos FI / PI en diferente tipos de ecosistemas, que estaban
relacionados con la sensibilidad de estos índices a las características del suelo y vegetación, las cuales son
independientes del horario de observación. La zona del espacio FI/PI donde la señal es función
principalmente de las propiedades de la vegetación va a ser utilizada en los capítulos siguientes para
seleccionar los sitios de torres de flujo correspondientes a ecosistemas boscosos.
De la Figura 4-7 y Figura 4-6, se puede observar que,
a) valores bajos de PI y posibles variaciones de FI pueden estar asociados con ecosistemas en los que
la emisividad general está controlada por las propiedades de la vegetación (LAI y humedad de la
vegetación);
b) valores altos de PI y correlaciones positivas entre las variaciones FI y PI se asocian a ecosistemas
con biomasa moderada y variaciones significativas de la humedad del suelo;
c) valores altos de PI y correlaciones negativas entre las variaciones FI y PI se asocian a los
ecosistemas en los que la emisividad total está controlada por las propiedades físicas del suelo
(temperatura termodinámica y, posiblemente, la humedad del suelo).
Asimismo, se encontró una relación significativa entre ET y FI en diferentes ecosistemas. Esto muestra que
los índices de microondas podrían ser utilizados para el seguimiento de propiedades y procesos de la
vegetación y/o el suelo.
84
CAPÍTULO V
ESTIMACIÓN DE EVAPOTRANSPIRACIÓN Y CONDUCTANCIA SUPERFICIAL
EN ÁREAS BOSCOSAS A PARTIR DE DATOS SATELITALES UTILIZANDO
ENFOQUES BASADOS EN LA ECUACIÓN DE PENMAN-MONTEITH16
RESUMEN
En este estudio se evaluaron y compararon la potencialidad de los índices de microondas pasivas y ópticos (VIS) de
estimar la conductancia superficial (Gs) y la evapotranspiración (ET) utilizando enfoques basados en el modelo de
Penman-Monteith (PM). La metodología se evaluó para la temporada de crecimiento en cinco sitios de bosques de
FLUXNET de EE.UU. y Australia, que incluyen distintos tipos funcionales de vegetación boscosas (bosques deciduos de
hojas anchas, bosques siempre-verde de hojas aciculares y de hojas anchas). Se utilizaron dos índices ópticos: el índice
de verdor EVI y el índice de humedad NDWI; y un índice en microondas: el índice de frecuencia FI por ser sensible al
contenido de agua del dosel. Se evaluaron distintas aproximaciones (regresiones lineales, múltiples, entre otras) para
estimar tanto la Gs como ET basados en el aprovechamiento de series temporales multisensores. El rendimiento del
modelo se evaluó cuantitativamente mediante el uso del coeficiente de regresión (r2), y la raíz del error cuadrático
16 Este capítulo se encuentra públicado en la revista Agricultural and Forest Meteorology y ha sido presentado en el congreso
internacional AGU fall meeting 2014:
V. Barraza; N. Restrepo-Coupe, A. Huete, F. Grings and E. Van Gorsel. Passive microwave and optical Index approaches for estimating
surface conductance and evapotranspiration in forest ecosystems Agricultural and Forest Meteorology, 213,126-137,2015,
doi:10.1016/j.agrformet.2015.06.020
85
medio (RMSE). En general, el modelo combinado (óptico y microondas) resultó en mejores estimaciones de Gs para los
bosques siempre-verde en comparación con los enfoques de índices individuales. En general, los modelos-PM explican
más del 70% de la varianza en LE con valores de RMSE menor a 20 W / m 2. En base a estos resultados, se ha propuesto
un nuevo enfoque para combinar índices de microondas pasivas y ópticos en función de sus ventajas y desventajas
(resolución espaciales vs temporal) para obtener una serie de tiempo de Gs completa.
5.1. INTRODUCCIÓN
La capacidad de monitorear la evapotranspiración (ET) de la superficie vegetal es relevante para diversas
aplicaciones que requieren estimaciones espacialmente explicitas de la disponibilidad de humedad sobre
grandes áreas [Meyer, 1999; Dodds et al., 2005; Cleugh et al., 2007]. La teledetección no puede medir
directamente los flujos turbulentos superficiales; sin embargo, se han propuesto diversas metodologías, las
cuales varían desde aproximaciones puramente empíricas hasta enfoques basados en la ecuación de
balance de energía a partir de los índices de vegetación y temperatura de superficie [Moran y Jackson, 1991;
Cleugh et al., 2007; Kalma et al., 2008; Li et al., 2009; Yebra et al., 2013].
Dentro de estos modelos, la ecuación de Penman-Monteith (PM) [Monteith, 1985; Allen et al., 1998] es la
que se ha utilizado con mayor frecuencia. Cleugh et al., [2007] y Mu [2007] mostraron que la ecuación de
PM es una aproximación biofísica razonable para estimar ET diaria a escala regional y global a partir de
datos obtenidos por sensores remotos. Esto es debido a que: i) combina los principales forzantes de la ET
con un enfoque teórico razonable; ii) proporciona una restricción energética a la tasa de ET; iii) se ha
utilizado con éxito para diagnosticar y predecir la ET en distintas coberturas; y iv) los flujos de ET modelados
son sensibles a variaciones de los datos de entrada. La sensibilidad real depende de las condiciones
ambientales, pero a nivel general: LE sólo es sensible a la velocidad del viento para valores de conductancias
de superficie altas, y la sensibilidad puede ser positiva o negativa dependiendo del valor de la conductancia
de superficie; y la sensibilidad de LE al déficit de humedad (energía disponible) aumenta o disminuye con la
conductancia aerodinámica. Thom, [1972] proporciona una discusión más extensa acerca de la sensibilidad
de la ecuación P-M a sus entradas.
Las estimaciones de ET a partir de datos de teledetección se basan generalmente en diferentes
parametrizaciones de la ecuación de PM, como ser la estimación de conductancia superficial o de la
86
canopea17 usando mediciones de longitudes de onda del visible (VIs, según sus siglas en inglés), infrarrojo
cercano (NIR, según sus siglas en inglés) e infrarrojo de onda corta (SWIR, según sus siglas en inglés) [Yebra
y Chuvieco, 2009; Leuning et al., 2008; Glenn et al., 2010, 2011]. Varios autores analizaron la relación entre
la conductancia superficial y los índices ópticos [Grant, 1987; Matsumoto et al., 2005; Guerschman et al.,
2009; Yebra et al., 2013]. Dichas aproximaciones resultan ser herramientas de monitoreo útiles para evaluar
la eficiencia de uso del agua de los ecosistemas [Glenn et al., 2010].
Numerosas aplicaciones relacionadas con el monitoreo de los recursos hídricos requieren información de
ET en diferentes rangos de resoluciones temporales (escala horaria, diaria o mensual) y espaciales (local,
regional y global). Desafortunadamente, no existe un sistema satelital que pueda ofrecer una cobertura
global, tanto con alta resolución espacial y temporal. Por lo tanto, se deben plantear metodologías que
puedan combinar información a diferentes longitudes de onda y resoluciones. Si bien el sensor Landsat
presenta una mayor resolución espacial (30- 60 m), la frecuencia temporal (16 días) de dicho sistema es un
factor limitante. Los productos MODIS proporcionan información a 250 m, 500 m y 1 km con una resolución
temporal entre 8 y 16 días. Sin embargo, estas metodologías basadas en datos ópticos presentan algunas
limitaciones, en su mayoría debido a la contaminación por presencia de nubes y aerosoles.
Aunque caracterizado por resoluciones espaciales más gruesas, los sensores de microondas pasivas pueden
ser útiles para aplicaciones a escala regional, ya que presentan una alta revisita temporal (1-3 días) y se ven
menos afectados que los sistemas ópticos por las condiciones atmosféricas. En principio, la emisividad
depende de las propiedades de la vegetación y del suelo (humedad y estructura). Sin embargo, en los
ecosistemas boscosos, donde la biomasa vegetal es moderada o alta, la contribución del dosel es dominante
y por lo tanto los índices de microondas son sensibles a la humedad y estructura de la vegetación [Ferrazzoli
y Guerriero, 1996; Min y Lin, 2006; Li et al., 2009; Barraza et al., 2014a]. Sobre la base de esta relación, Min
y Lin [2006] encontraron que el índice de diferencia de emisividades (EDVI) resultó ser empíricamente
17 Se utilizará este término para que coincida con la terminología utilizada en la bibliografía, cuya correcta traducción al español sería
conductancia del dosel.
87
sensible a la ET. Por otra parte, el trabajo realizado por Li et al., [2009] muestra que las variaciones de EDVI
están relacionadas con variaciones en el contenido de agua de la vegetación en respuesta a los cambios de
las condiciones ambientales, tales como el déficit de presión de vapor (VPD, según sus siglas en ingles), el
potencial de agua ( ) y la concentración de dióxido de carbono (CO2), las mismas variables que determinan
la resistencia de la canopea.
En general, la resistencia de la canopea esta conformada por: la resistencia cuticular, y la resistencia
estomática. Dado que la cutícula presenta un fuerte carácter hidrófobo, la resistencia estomática es la
responsable de la mayor parte del agua transpirada [Pallardy, 2008]. Basado en la clásica ecuación Javis
[1976], la resistencia estomática es función de la resistencia mínima (rmin) y función de forzantes
ambientales, como ser la temperatura atmosférica (T), la radiación fotosintéticamente activa (PAR), VPD,
y CO2. La rmin, la cual es la resistencia en ausencia de forzantes ambientales, esta determinada por el
estado de la vegetación. A medida que aumenta el desarrollo de la vegetación disminuye la resistencia. En
el capítulo anterior se encontró que los cambios estacionales en el índice de diferencia en frecuencias (FI)
calculadas en polarización vertical, utilizando las bandas Ka y X, para zonas con alto índice de área foliar
(LAI, según sus siglas en inglés) fueron sensibles a la humedad del dosel y los cambios en el LAI (LAI > 2)
[Barraza et al., 2014a]. Es decir, el índice FI es sensible a las distintas etapas de desarrollo de la vegetación.
Por otro lado, las variaciones de los forzantes ambientales también regulan la resistencia de la canopea. En
este contexto, los cambios diarios o de 8-días del índice FI debido a variaciones en el contenido de agua de
la vegetación podrían ser función de respuestas de la canopea a cambios ambientales, como ser VPD, , y
CO2. Una disminución del índice FI a esta escala temporal es función de un incremento en el contenido de
agua de la vegetación, el cual puede deberse a una recarga de agua a través de las raíces y/o a intercepción
de agua de las hojas. La recarga de agua puede resultar en una disminución del y la intercepción en una
disminución del VPD. Por lo tanto, dado que la conductancia estomática esta estrechamente relacionada
con el contenido de humedad del tronco [Goldstein et al., 1998, 2008; Pfautsch et al., 2010; Zhang et al.,
2013] y variaciones estructurales [Matsumoto et al., 2005], hipotetizamos que la dinámica de la resistencia
de la canopea podría estar relacionada con las variaciones de FI. A escalas espaciales de 25 x 25 km es
conveniente referirse a la resistencia superficial o conductancia superficial (Gs, la inversa de la resistencia
superficial), la cual también incluye la resistencia del suelo. A su vez, la resistencia de la canopea es una de
88
las resistencias más importantes que conforman Gs, por lo cual dicha hipótesis debería ser consistente a
escalas espaciales mayores18 al menos durante la temporada de crecimiento.
Se han realizado varios estudios para relacionar los índices de microondas con ET [Min y Lin, 2006; Li et al.,
2009; Jones et al., 2012], pero hay pocos estudios que hayan realizado estudios multitemporales y no hay
ningún estudio que haya evaluado la potencialidad de estimar ET combinando índices de microondas
pasivas y ópticos sobre diferentes ecosistemas boscosos. En este contexto, los estudios que utilicen
información satelital provenientes de diferentes sensores (microondas y óptico) pueden ser útiles para
mejorar la caracterización de las condiciones de la superficie terrestre a escalas temporales y espaciales
adecuadas y, así generar información relevante para proveer soporte a aplicaciones de modelos climáticos
regionales [Pipunic et al., 2013].
En este capítulo, el objetivo es evaluar la estimación de ET combinado información de índices de vegetación
de microondas pasivas y ópticos utilizando el enfoque de Penman-Monteith (PM) para diferentes
ecosistemas boscosos de EE.UU y Australia. En particular: (1) evaluar la capacidad de los índices de
microondas y ópticos para estimar Gs y ET; (2) evaluar la capacidad de estimar ET combinando información
satelital para estimar Gs e información meteorológica; (3) comparar ambos enfoques (óptico y microondas),
evaluando el error en la estimación de Gs y ET independientemente; y (4) finalmente, proponer nuevos
modelos basados en la combinación de índices ópticos y de microondas.
5.1. HIPÓTESIS Y PREDICCIONES
En áreas boscosas densas las variaciones en el índice FI, al ser sensibles a cambios en el contenido
de agua en el dosel, dan cuenta de variaciones en la Gs.
o Predicción: Menor valor de FI a lo largo del día está asociado a un aumento del Gs
(conductancia superficial) de la vegetación.
18 Escalas espaciales mayores hacen referencia a resoluciones espaciales del orden de Km.
89
En áreas boscosas menos densas las variaciones en los índices verdes, al ser sensibles a cambios
en el contenido de clorofila, dan cuenta de variaciones en la Gs.
o Predicción: Mayor valor de índices verdes a lo largo del día está asociado a un aumento
del Gs (conductancia superficial) de la vegetación.
La estimación de la Evapotranspiración se puede mejorar con la combinación de datos
meteorológicos y variables estimados por técnicas de teledetección o percepción remota.
o Predicción: Relaciones directas presentan mayor RMSE y menor r2 que relaciones
empíricas que combinan información satelital y variables meteorológicas.
5.2. METODOLOGÍA
5.2.1. SET DE DATOS UTILIZADOS DE MICROONDAS PASIVAS Y ÓPTICOS
Se calculó el índice de Frecuencia (FI) [Ferrazzoli y Guerriero, 1996], utilizando las temperaturas de brillo
medidos a 37 GHz (banda Ka) y 10,6 GHz (banda X) [Paloscia y Pampaloni, 1988] obtenidas por el sensor
Advanced Microwave Scanning Radiometer - EOS (AMSR-E / AQUA) [Kawanishi et al., 2003], orbita
ascendente desde el período 2002 a 2006. En Paloscia y Pampaloni, [1992] y Barraza et al., [2014] se mostró
que es posible monitorear el estado hídrico de la planta mediante el índice FI usando dichas frecuencias. Se
utilizaron los datos de polarización vertical en lugar de horizontal, ya que están más correlacionados con
las propiedades de la vegetación [Min y Lin, 2006]. Además, se encontró que para las regiones con biomasa
vegetal moderada o alta, el índice FI depende principalmente de la condición de dosel [Ferrazzoli y
Guerriero, 1996]. Por lo tanto, en los casos mencionados anteriormente, el índice FI es función de la
estructura de la cubierta (es decir, geometría de las hojas y ramas) y contenido de humedad del dosel (es
decir, contenido de humedad de las hojas y ramas). Otros índices de microondas pasivas, como ser el índice
de polarización, son menos sensibles a la humedad de la vegetación. El producto espesor óptico de la
vegetación (VOD, ver apéndice III) también es sensible al contenido de agua de la vegetación, sin embargo
para las áreas de estudio de este capítulo explicó menor porcentaje de varianza de las variables de interés
(evapotranspiración y conductancia superficial) que el índice FI (no se muestran los resultados). Esto puede
deberse a que el índice FI solamente depende de las observaciones, en cambio el VOD es un producto y
depende de más parámetros. Por lo tanto, se utilizó el índice FI en el siguiente análisis.
El índice FI está influenciado por las propiedades de la superficie de la tierra como la vegetación, el suelo y
la nieve. La emisión también está fuertemente afectada por la presencia de precipitaciones durante la
adquisición, debido a la importante contribución de las gotas de agua fría a la emisividad total. Sin embargo
90
durante la temporada de crecimiento, las variaciones de FI dependen principalmente de las propiedades
de la vegetación. Se excluyeron del análisis períodos de nieve, utilizando condiciones en las que la
temperatura ambiental (Ta) < 5º C, como un proxy para eliminar los períodos de latencia y presencia de
nieve. Además, fueron excluidas del análisis las observaciones durante los eventos de precipitaciones,
identificadas con la ayuda de los datos de precipitación in situ. Si bien los datos in situ de precipitación
representan una pequeña fracción del total del área de los píxeles de AMSR-E, por lo que se podría esperar
que este procedimiento introdujera errores, se calculó un compuesto de 8 días de FI basado en los criterios
de composición de la serie MODIS para minimizarlo.
Yebra et al., [2013] encontró que no hay un único índice de vegetación óptico (VIs) que haya presentado el
mejor desempeño en todas los ecosistemas, para estimar ET y Gs. Por lo cual, se han calculado dos índices
de vegetación óptico (VIs) (Tabla 5-2) : Índice de agua normalizado (NDWI), como un índice de humedad de
la vegetación, y el Índice de Vegetación Mejorado (EVI), como un índice de verdor, utilizando las bandas de
reflectancia de superficie que presentan un período de composición de 8 días del sensor Moderate
Resolution Imaging Spectroradiometer (MODIS/AQUA) para el período 2002 a 2006 (MYD09A1), [Vermote
y Vermeulen, 1999]. Ambos sensores AMSR-E y MODIS están en la plataforma AQUA, el cual presenta una
órbita ascendente a las 13,30 horas locales solares (UTC -2). Se utilizaron las bandas de calidad (QA) para
eliminar los datos de menor calidad ya fuera por presencia de nubes, aerosoles u otros problemas. Para ello
los flags de calidad utilizados fueron: MODLAND QA bits (ideal quality — all bands), atm. corr. Performed
(yes), cloud state (clear) y cirrus detected (none). Se realizaron dos análisis de los índices de vegetación
ópticos a dos resoluciones espaciales diferentes, a 1 km y 25 km alrededor de la torre de flujo, para que
coincida con la huella de la torre de flujo y con la escala de los píxeles de AMSR-E, respectivamente. Es
importante mencionar que la huella de la torre de flujo es sólo una pequeña fracción del pixel de los
sistemas de microondas pasivas (AMSR-E), por lo que este efecto de escalas se la considera como una fuente
de posible error.
Los datos de AMSR-E se obtuvieron de la National Aeronautics and Space Administration (NASA)
(http://reverb.echo.nasa.gov/). Los datos MODIS del Laboratorio Nacional de Oak Ridge (ORNL DAAC),
Colección 5. Disponible online (http://daac.ornl.gov/MODIS/modis.html) desde ORNL DAAC, Oak Ridge,
Tennessee, EE.UU. consultado el 20 de noviembre, 2009.
91
TABLA 5-1 ÍNDICES ESPECTRALES CALCULADOS A PARTIR DE LOS SISTEMAS MODIS Y AMSR-E, INCLUYENDO SU SIGLA Y FORMULA
MATEMATICA, X ES LA REFERENCIA DE LA BANDA DE MODIS X (1 A 5); TB ES LA TEMPERATURA DE BRILLO, Y EL SUFIJO V INDICA LA
POLARIZACION VERTICAL.
Índices Formula Referencia
Índice de frecuencia FI = Tbv Ka band − Tbv XbandTbv Ka band + Tbv Xband ∗ [Paloscia y Pampaloni,
1988]
Índice de Vegetación
Mejorado = . ∗ −
+ ∗ − . ∗ + [Huete et al., 2002]
Índice de agua normalizado = − +
[Hardisky, 1983]
5.2.2. DATOS DE FLUXNET
Se utilizaron mediciones in situ de ET de cinco sitios boscosos de la red FLUXNET. FLUXNET
(http://fluxnet.ornl.gov/) es una red internacional que recopila información de diferentes ecosistemas
monitoreados con torres de flujo de covarianza de torbellino. Las mediciones originales cada media hora
fueron pre-procesadas para garantizar la coherencia entre los sitios y reducir las incertidumbres en los flujos
calculados; esto incluye la evaluación de control de calidad, y la eliminación de valores atípicos. Además, a
fin de evitar la influencia del agua sobre la vegetación, se utilizaron sólo datos diarios en los cuales no
hubiese precipitación durante las 24 horas precedentes. Se agruparon los flujos y demás datos
meteorológicos como valores medios diarios cuando había por lo menos 21 de las 24 observaciones
horarias, y luego como períodos de composición de 8 días siempre que hubiera al menos 2 observaciones
dentro de los 8 días. A partir de una base de datos más completa de los flujos y las variables meteorológicas,
se seleccionaron: el flujo de calor latente (LE, W / m2), la temperatura del aire (Ta, ºC), la precipitación
media diaria (Prec, mm), la humedad relativa (HR,%), la radiación entrante de onda corta (SW, W / m2), la
radiación entrante de onda larga (LW, W / m2), el calor sensible (H, W / m2) y la radiación neta (Rn, W / m2).
También se determinó la radiación a tope de atmósfera (TOA, W / m2) siguiendo la metodología de
Goudriaan [1986].
Se centró el análisis en áreas boscosas ubicadas en EE.UU. y Australia, que se caracterizan por diferentes
tipos funcionales de vegetación boscosa incluyendo: bosques de hojas anchas deciduas (DBF), bosques
siempre verdes de hojas aciculares (ENF) y bosques siempre verdes de hojas anchas (FED). Se seleccionaron
los sitios que presentaban cuatro o más años de datos dentro del período 2002-2006 y suficientemente
92
homogéneos a nivel espacial, definido como áreas con al menos un 50% de cobertura de un mismo tipo
funcional de vegetación (evaluado en pixeles de 25 kilómetros). Los píxeles homogéneos fueron
identificados en función del producto IGBP clasificación de coberturas global- MODIS de 1 km (MOD12Q1).
Sin embargo, en Tumbarumba y Willow Creek la homogeneidad de la cobertura de la tierra a 25 km fluctuó
por debajo del 50%. Estos sitios fueron selecionadas teniendo en cuenta el espacio FI/PI (índice de
polarización) desarrollado en el capítulo anterior para garantizar que los índices de microondas (en especial
el índice FI) sea función de las propiedades de la vegtación.
TABLA 5-2 DESCRIPCIÓN DE LOS SITIOS EN LOS CUALES SE LOCALIZAN LAS TORRES DE FLUJO DE COVARIANZA DE TORBELLINO.
DONDE H SE CORRESPONDE A LA ALTURA DE LA CANOPIA, Z ES LA ALTURA DE MEDICION, DBF CORRESPONDE A UN BOSQUE
DECIDUO DE HOJA ANCHA, ENF Y EBF HACEN REFERENCIA A BOSQUES SIEMPRE VERDER CON HOJAS ACICULARES Y ANCHA
RESPECTIVAMENTE. IGBP ES THE INTE‘NATIONAL GEOSPHERE-BIOSPHERE PROGRAMME VEGETATION CLASSIFICATION .
Código Nombre País Lat Lon h(m) Z(m) IGBP Años Referencias
US-Ha1 MA - Harvard
Forest EMS
Tower (HFR1)
USA 42,54 −72,17 22 31 DBF 2000-06 [Urbanski et al., 2007]
US-MMS IN - Morgan
Monroe
State Forest
USA 39,32 −86,41 25 48 DBF 2000-05 [Schmid et al., 2000]
US-WCr WI - Willow
Creek
USA 45,81 −90,08 24 30 DBF 2000-06 [Cook, 2008]
US-Ho1 ME -
Howland
Forest (main
tower)
USA 45,2 −68,74 20 29 ENF 2000-04 [Hollinger et al., 2004]
AU-Tum Tumbarumba Australia -35,66 147,15 40 70 EBF 2001–06 [Leuning et al., 2005]
5.2.3. MODELO PROPUESTO PARA ESTIMAR ET
Los índices de vegetación y los datos de torres de flujo fueron utilizados para evaluar dos enfoques: (1) una
regresión lineal, y (2) estimación de la conductancia superficial (Gs) basado en la ecuación de Penman-
Monteith (PM) (Figura 5-1). El primer enfoque tiene como objetivo evaluar cuanta de la variabilidad de LE
es capturada por los índices de vegetación. Este enfoque combina mediciones de torres de flujo de ET con
series de tiempo de los índices satelitales. Para este primer enfoque, se ha utilizado una ecuación
exponencial para estimar LE usando los índices VIs como se muestra en Yebra et al., [2013] (ecuación: LE=
a*e ^ (b* VIs) + c, donde c es la ordenada al origen y a y b son los coeficientes parciales de la regresión), la
93
cual fue linealizada utilizando una transformación logarítmica. También, se utilizó una regresión polinómica
para estimar LE a partir del índice de microondas [Li et al., 2009] (ecuación: LE= a* FI +b* FI^2+c, donde c
es la ordenada al origen y a y b son los coeficientes parciales de la regresión).
Sin embargo, ningún sistema satelital es capaz de medir flujos directamente desde el espacio. Por lo cual,
el segundo enfoque tiene por objetivo evaluar la variabilidad de LE capturada al combinar los índices de
vegetación y datos meteorológicos. Una de las variables más difíciles de estimar de la ecuación de PM es la
conductancia superficial (Gs), por lo cual el segundo enfoque (PM-Gs) utiliza una relación empírica entre Gs
y diferentes índices de vegetación para paramétrizar el término de Gs de la ecuación PM (Ecuación 5-1)
[Monteith, 1985]. Los valores de Gs estimados y otros datos meteorológicos se utilizaron como datos de
entrada en la ecuación de PM para estimar ET.
LE = ε.A+ cp.ρa �⁄ [e� �� − �].�� ε+ + �� Ecuación 5-1
donde ea es la presión de vapor en el aire (kPa), es es la presión de vapor de saturación evaluado en la
temperatura del aire (kPa), ε = s / γ, e la ue s es la pe die te de la p esió de apo de satu a ió e sus
la curva de temperatura (kPa/ ºC) y γ es la o sta te psi o ét i a (kPa/ ºC), LE es el flujo de calor latente
(W/m2), ρa es la de sidad edia del ai e (kg/m3), cp es el calor específico del aire a presión constante (J/kg
K), A (W/m2) es la energía disponible absorbida por la superficie (radiación absorbida neta menos el flujo
neto de calor en el suelo), Gs (m/s) y Ga (m/s) son las conductancias de superficie y aerodinámica (Ecuación
5-2 y 3). ET (mm/día) se calcula como la relación entre LE y lambda, donde lambda es el calor latente de
vaporización (MJ/kg). ra = �2 u ln �−� ln �−� Ecuación 5-2 Ga = a Ecuación 5-3
donde ra es la resistencia aerodinámica (s/m), u la altura media de la velocidad del viento (m/s) a la altura
(z), d es el desplazamiento del plano cero en las longitudes de rugosidad zo y zoh para el momento y el
calor, respectivamente (m). La variables d, zo y zoH se estimaron como d = 2 h / 3, 0,123* h y 0,0123* h
respectivamente, donde h es la altura del dosel (Tabla 5-1).
La ecuación 6-1 supone que el balance de energía está cerrado, es decir, la energía disponible es igual a la
suma de intercambio de calor latente y sensible. Esta suposición frecuentemente no es cumplida por el
método de covarianza de torbellino (CE) [Wilson et al., 2002; Leuning et al., 2012], aunque se piensa que es
la técnica micrometeorológica más directa para medir flujos de superficie [Meyers y Baldocchi, 2005]. Para
94
este objetivo, el cierre del balance de energía de bosque a escala horaria se estimó mediante la
comparación de la suma de los flujos turbulentos (H + LE) y (Rn - G). Se eliminaron los datos que estaban a
3 desviaciones estándar de la regresión lineal LE + H vs. Rn (Se removió G, dado que la mayoría de las torres
no presentan dicha variable) (Figura 5-1). Dado que se utilizó un compuesto de 8-días de Gs basado en
observaciones horarias, se removió las horas que no cumplen con los supuestos de la ecuación utilizada
(por ejemplo por advección), haciendo la ecuación de PM inestable, lo cual no es característico del
intercambio de energía de los ecosistemas.
Para efectuar una evaluación de la relación entre los índices de vegetación de microondas y ópticos y las
observaciones ET, se usaron como métricas de evaluación: el coeficiente de regresión (r2), utilizando un tipo
de regresión lineal tipo II, entre la estimación de LE y la observación, y la raíz cuadrada del error cuadrático
medio (RMSE), la raíz cuadrada del error sistemático medio (RMSEs) y la raíz cuadrada del error no
sistemática medio (RMSEu). Se consideraron buenos modelos aquellos con un valor de r2 alto, y valores
FIGURA 5-1 EJEMPLO DEL BALANCE DE ENERGÍA A NIVEL HORARIO PARA EL SITIO HARVARD FOREST (HA1).
95
ajos de ‘M“E y ‘M“Es≈ . Los esultados o te idos fue o o pa ados o ot os estudios pu li ados, los
cuales proporcionaron estimaciones de RMSE en W / m2. Con el fin de hacer que el RMSE fuera comparable,
se utilizó LE (W / m2).
5.2.4. ESTIMACIÓN DE CONDUCTANCIA SUPERFICIAL (GS)
La conductancia superficial (Gs) desempeña un papel importante en la regulación de la ET y es en sí misma
una función de las variables de la vegetación y el medio ambiente (como ser, Ta, VPD, potencial hídrico,
radiación fotosintética activa (PAR), y la concentración de dióxido de carbono (CO2) [Monteith, 1985; Allen
et al., 1998]). En este marco, se estudiaron dos enfoques diferentes para estimar la conductancia superficial
(Gs) durante la temporada de crecimiento utilizando el índice FI e índices ópticos de vegetación (VIS):
individual y multisensor (Tabla 5-1). Para ambos casos, se utilizaron datos de torre de covarianza de
torbellino para calcular Gs con la ecuación de PM (Ecuación 5- 4).
G = ⌊ ��.��ε.A − ε+ .LE+ cp.ρa � [e� �� −��]� ⌋ Ecuación 5- 4
Para los enfoques individuales, se ajustaron distintas funciones lineales y no lineales entre los índices de
vegetación y Gs (estos resultados no se muestran) para evaluar cuál era la mejor aproximación. En función
de los resultados obtenidos se seleccionó una ecuación exponencial para estimar Gs usando los índices VIs,
lo cual coincide con lo encontrado en Yebra et al., [2013] (ecuación: Gs= a*e ^ (b* VIs) + c, donde c es la
ordenada al origen y a y b son los coeficientes parciales de la regresión) y una regresión polinómica para
estimar Gs a partir del índice de microondas, coincidiendo con lo obtenido por Li et al., 2009 (ecuación: Gs=
a* FI +b* FI^2+c, , donde c es la ordenada al origen y a y b son los coeficientes parciales de la regresión).
Como mencionamos anteriormente se realizaron dos análisis a dos resoluciones diferentes para el caso de
VIs MODIS y Gs: 1) a 1 km y 2) a 25 km.
La relación lineal entre el índice FI y Gs era esperable debido a la relación lineal encontrada entre el
contenido de agua en la vegetación y FI ([Barraza et al., 2014a], capítulo III). Sin embargo, la relación
exponencial entre Gs y los índices ópticos se podría deber a varios factores limitantes, como ser el LAI y el
contenido de agua de las hojas. Como se ha discutido y analizado en el capítulo III, los índices ópticos son
sensibles en primer lugar al LAI. Este podría ser un factor limitante para la relación entre el NDWI y Gs,
como se observa en la Figura 3-5 del capítulo III donde se observa una relación exponencial entre LAI y
NDWI para valores de LAI mayores a 0,5. Sin embargo, este no podría ser el factor limitante para la relación
96
entre el EVI y Gs. El índice EVI fue desarrollado para optimizar la señal de la vegetación mejorando la
sensibilidad en las regiones con mayor biomasa y para el seguimiento de la vegetación a través de un
acoplamiento de la señal de fondo de dosel y una reducción de las influencias de los aerosoles. Sin embargo,
en el caso de presentar igualmente problemas de saturación, estos serían para valores altos de LAI que
implicarían valores altos de los índices. A su vez, los bosques estudiados en este capítulo no deberían
presentar problemas de saturación dado que los valores de LAI son menores a 2 y la orientación de las hojas
en el dosel es primordialmente vertical, lo que implica que incluso las hojas de las capas más bajas reciben
suficiente radiación. Sin embargo, incluso en un bosque denso con presencia de valores saturados de EVI,
la conductancia estomática no debería saturar, en realidad puede actuar a la inversa, es decir, en
condiciones de baja radiación, los estomas no tendrían necesidad de cerrar y, probablemente la
conductancia sería muy alta.
Los mecanismos de regulación de los estomas no están totalmente analizados, pero la evidencia muestra
que la conductancia estomática responde al potencial hídrico foliar, que se correlaciona con variaciones de
VPD [Mott y Parkhurst, 1991]. Cuando aumenta el VPD, los estomas se cierran en respuesta a una
disminución del potencial hídrico de la hoja y el aumento de la transpiración. Así Gs y VPD están
correlacionados negativamente, siguiendo una función logarítmica. Por lo tanto una posible causa de la
relación exponencial podría ser que al aumentar el VPD, el potencial hídrico de la hoja disminuye y por lo
tanto el contenido de agua también disminuye.
Además de esto, presentamos dos modelos acoplados utilizando índices de microondas pasivas y ópticos
para estimar Gs. El objetivo de estos enfoques es mejorar el modelo basado en observaciones múltiples
que combinan dos variables importantes para la estimación de Gs (humedad de la vegetación y verdor de
las hojas). Se utilizaron los datos de VIs de MODIS agregados a 25 kilómetros para que coincidieran con el
producto AMSR-E. Una metodología se basa en una regresión lineal múltiple por pasos (stepwise) en la cual
se ajusta a un conjunto de observaciones dependientes de datos (Gs) una combinación lineal de variables
explicativas, siendo la variable respuesta Gs y las explicativas las estimaciones de Gs obtenidas por ambos
enfoques individuales (ecuación: Gs= a* Gs (VIs) + b* Gs (FI) + c, donde c es la ordenada al origen y a y b
son los coeficientes parciales de la regresión, Gs (VIs) es la conductancia superficial estimada a partir de
índices ópticos y Gs (FI) es la conductancia superficial estimada a partir de índices de microondas). El
objetivo de esta primera metodología es asignarle pesos a ambas estimaciones individuales para mejorar
la estimación de Gs.
97
El segundo modelo acoplado se basó en una estrategia para combinar los índices Gs (VIs) y Gs (FI) de la
siguiente manera (Figura 5-2): se utiliza el mejor modelo Gs (VIs), Gs (FI) o Gs (VI-FI) como un valor por
defecto; si Gs (VIs) o Gs (VI-FI) fue el valor por defecto y la observación Gs (VIs) o Gs (VI-FI) falta, se sustituye
a la estimación de Gs por la estimación de Gs-FI. El objetivo particular de este segundo modelo acoplado es
mejorar el número de observaciones satelitales disponibles para disminuir el número de datos faltantes en
las series temporales de Gs estimadas, basado en las ventajas de los sistemas de microondas pasivas que
pueden obtener información en condiciones de nubosidad.
FIGURA 5-2 DIAGRAMA DE FLUJO DE LA METODOLOGÍA PARA ESTIMAR LA CONDUCTANCIA SUPERFICIAL (GS) UTILIZANDO LOS
ÍNDICES DE VEGETACIÓN ÓPTICOS Y DE MICROONDAS PASIVAS. DONDE PM: MODELO DE PENMAN-MONTEITH, EVI: ÍNDICE DE
VEGETACIÓN MEJORADO, NDWI: ÍNDICE DE AGUA NORMALIZADO, FI: ÍNDICE DE FRECUENCIA, Y QA: BANDA DE CALIDAD DE
MODIS.
Para la evaluación de la relación entre los índices de satélite y observaciones de Gs, se calculó el coeficiente
de regresión (r2) utilizando un tipo de regresión lineal tipo II usando un grupo de datos para la calibrar la
ecuación entre los índices de satélite y observaciones Gs. El set de datos fue elegido al azar, teniendo un
total de 185 observaciones, y el set de datos de validación presenta una muestra de 618 observaciones. Se
98
calculó el coeficiente ajustado de regresión (r2adj) para la regresión lineal múltiple. También se calculó el r2
y la raíz del error cuadrático medio (RMSE) entre la estimación y observación de Gs, con el conjunto de
datos de calibración y con el resto de la muestra (conjunto de datos de validación). Un buen modelo se
considera que tienen un valor alto de r2 y alo es ajos de ‘M“E ‘M“E≈ .
5.3. RESULTADOS
5.3.1. CALIBRACIÓN DE LOS MODELOS PM-GS.
5.3.1.1. ESTIMACIÓN DE GS USANDO ÍNDICES ÓPTICOS A 1KM.
Dado que las torres de covarianza de torbellino capturan los flujos de aproximadamente 1 km de radio
alrededor de la torre, en esta sección se analizará la relación entre los valores observados de Gs y los índices
ópticos con una resolución espacial de 1km. En este contexto, La Figura 5-3 presenta la relación entre Gs y
los índices ópticos de vegetación. En principio, se evidencia la relación no lineal entre los índices NDWI y
EVI y Gs. A nivel general, se observa que hay una gran dispersión entre los valores de los índices de
vegetación ópticos y Gs. Esto evidencia que no sería posible encontrar una relación que no dependiese del
tipo de cobertura.
En particular, para el caso de Tumbarumba la regresión entre los índices ópticos de vegetación y Gs resultó
no significativa, probablemente debido al comportamiento no estacional de los índices de vegetación (Tabla
5-3). En los bosques de Howland Forest y Harvard Spring, los índices de vegetación también presentaron
una relación no significativa con Gs. En los otros sitios se encontró un mejor ajuste, r2> 0,4 (p< 0,05), para
todos los VIs para los set de datos de calibración y validación.
La relación entre Gs-EVI presentó el mayor coeficiente de determinación con valores de RMSE menores a
4,0 mm/s en dos de las áreas boscosas deciduas (Morgan State Forest Monroe (MMS) y Willow Creek (RGC)
para las series de datos de calibración y validación (Figura 5-3). Para el otro sitio de bosque deciduo, Harvard
Forest (Ha1), y para los bosques de Howland Forest (Ho1), la relación entre Gs- NDWI presentó la mejor
aproximación. Sin embargo, ambos índices proporcionan una estimación robusta de Gs sin perder precisión.
Estos resultados mostraron que ambos VIs podrían explicar la variación de Gs sobre los bosque deciduos.
99
FIGURA 5-3 RELACIÓN ENTRE LA CONDUCTANCIA SUPERFICIAL (GS, MM/S) Y LOS ÍNDICES DE VEGETACIÓN.
TABLA 5-3 RESUMEN DE LA RELACIÓN ENTRE LOS ÍNDICES ÓPTICO Y LA CONDUCTANCIA SUPERFICIAL (GS). R2VI-GS ES COEFICIENTE
DE DETERMINACIÓN ENTRE LOS ÍNDICES SATÉLITALES Y GS, R2GSO-GSE ES COEFICIENTE DE DETERMINACIÓN Y RMSE EL ERROR
CUADRATICO MEDIO ENTRE LAS OBSERVACIONES Y ESTIMACIONES DE GS. UNA TRANSFORMACION LOGARÍTMICA SE HA HECHO
PARA LINEALIZAR LA RELACIÓN ENTRE LOS ÍNDICES ÓPTICOS Y GS.
5.3.1.2. ESTIMACIÓN DE GS USANDO ÍNDICES DE MICROONDAS PASIVAS Y ÓPTICOS A
25 KM
Con el objetivo de mejorar la estimación de Gs utilizando índices ópticos y de microondas pasivas, en esta
sección se analizará: 1) la relación entre los índices ópticos y de microondas con Gs a 25 km, 2) la posibles
errores asociados con problemas de escala, y 3) los dos modelos acoplados descriptos en la sección 5-2-4
para estimar Gs.
La Figura 5-4 presenta la relación entre Gs y los índices ópticos (utilizando los índices VIs agregados a 25
Km) y de microondas pasivos. La Tabla 5-4 muestra las estimaciones de los parámetros, así como los
Nombre IGBP
Calibración Validación
EVI NDWI EVI NDWI
r2VI-Gs r2
Gso-Gse RMSE
(mm/s)
r2VI-Gs r2
Gso-Gse RMSE
(mm/s)
r2Gso-Gse RMSE
(mm/s)
r2Gso-Gse RMSE
(mm/s)
Tum EBF 0,00 0,02 4,72 0,00 0,01 4,73 0,01 4,10 0,00 3,03
Ho1 ENF 0,22 0,19 2,35 0,24 0,19 2,33 0,10 2,74 0,07 3,43
Ha1 DBF 0,14 0,23 3,03 0,22 0,22 3,05 0,21 2,76 0,30 2,62
MMS DBF 0,80 0,50 3,22 0,80 0,46 3,34 0,44 3,32 0,39 3,54
WCr DBF 0,73 0,75 2,52 0,71 0,67 2,93 0,63 3,29 0,50 3,94
100
coeficientes de determinación (r2) derivados de la regresión lineal entre VIs y FI utilizando el conjunto de
datos de calibración. Una transformación logarítmica se aplicó sobre la relación no lineal entre los índices
ópticos y Gs. El modelo de EVI, derivadas del enfoque PM-G, presentaron el mejor ajuste, con valores de
r2> 0,60 para todos los bosques deciduos. El modelo de NDWI presentó el mejor ajuste para Tum, aunque
solamente pudo explicar el 10% de la varianza de Gs; sin embargo el modelo de FI explicó más del 20%.
También se encontró que la regresión múltiple EVI-FI presento el mejor enfoque para Tum y NDWI-FI para
Ho1. Para los otros sitios, el análisis de regresión múltiple no proporcionó más información que los modelos
individuales.
TABLA 5-4 RESUMEN DE LA RELACIÓN ENTRE LOS ÍNDICES ÓPTICOS Y LA CONDUCTANCIA SUPERFICIAL (GS), INCLUYENDO LOS
PARAMETROS ESTIMADOS (A, B Y C) Y LAS METRICAS DE EVALUACIÓN. DONDE R2VI-GS ES COEFICIENTE DE DETERMINACIÓN ENTRE
LOS ÍNDICES ÓPTICOS Y LAS OBSERVACIONES GS, R2FI-GS ES COEFICIENTE DE DETERMINACIÓN ENTRE FI Y LAS OBSERVACIONES GS, Y
FINALMENTE R2ADJ ES COEFICIENTE DE DETERMINACIÓN ADJUSTADO.
Nombre IGBP EVI
Gs= a*e ^ (b* EVI)+c NDWI
Gs=a*e ^ (b* NDWI)+c FI
Gs= a* FI +b* FI^2+c a b c r2
VI-Gs a b c r2VI-Gs a b c r2
FI-Gs
Tum EBF 7,07 0,13 7,76 0,05 -3,72e5 3,71e5 3,12e-5 0,12 616,03 0,18e4 11.63 0.28
Ho1 ENF 6,45 -1,16e4 -27,31 0,33 -1,43e5 1,43e5 1,25e-4 0,14 1,14e3 -3,42e4 -2.77 0.20
Ha1 DBF 5,41 0,05 6,46 0,71 -2,88e5 2,88e5 2,15e-4 0,30 -231,44 -2,16e4 6.91 0.79
MMS DBF 63,22 -65,61 -0,27 0,64 -8,58e5 8,58e5 3,12e-5 0,40 -250,79 -5,51e3 -2.78 0.69
WCr DBF 46,63 -54,28 -0,94 0,69 -9,85 22,87 3,29 0,41 -1,45e3 1,52e4 30.68 0.64
Nombre IGBP EVI, FI
Gs= a* Gs (EVI) + b* Gs (FI) + c NDWI, FI
Gs= a* Gs (NDWI) + b* Gs (FI) + c a b c r2
FI, VI-Gs r2adj a b c r2
FI, VI-Gs r2adj
Tum EBF 1,10 1,76 -11,29 0,20 0,18 0,82 0,73 -4,88 0,11 0,10
Ho1 ENF 0,83 1 8,02e-8 0,19 0,17 0,30 1 8,02e-8 0,20 0,17
Ha1 DBF 0,47 1 1,25e-7 0,22 0,21 1 0,47 -5,52e-10 0,27 0,25
MMS DBF 1 0,24 -8,03e-8 0,44 0,43 1 0,19 0 0,46 0,45
WCr DBF 1 0,22 1,41e-10 0,67 0,67 1 0,25 0 0,68 0,67
FIGURA 5-4 RELACIÓN ENTRE GS (CONDUCTANCIA SUPERFICIAL, MM/S) Y LOS ÍNDICES DE VEGETACIÓN.
101
Utilizando los parámetros anteriores se evaluó la precisión de la ecuación sobre el conjunto de datos de
calibración y validación basado en las métricas, RMSE y r2, entre los valores de Gs estimados y observados
(Tabla 5-5). Para los enfoques de regresión simple, el modelo EVI explico entre un 30-60% de la varianza de
Gs para DBF, con un RSME entre 2,5-3,0 mm/s. Para estos bosques, el modelo de FI presentó valores de r2
similares pero con valores mayores de RSME comparado a lo obtenido con los modelos de índices ópticos
(Tabla 5-5). El modelo de NDWI presentó una mejor aproximación para los bosques siempre verdes que el
índice EVI, aunque explicando menos del 10% de la varianza de Gs. Para los bosques siempre verdes el
modelo FI explico mayor porcentaje de la varianza de Gs en comparación con los índices ópticos.
En resumen, los modelos que utilizan los índices ópticos muestran valores de r2 similares a los que utilizan
FI; sin embargo, estos últimos presentan valores mayores de RMSE. Inconsistencias en la escala espacial
tienen ciertos efectos en la evaluación y comparación de los datos de sensores remotos y los datos de
campo de superficie, entre los que podemos citar: (1) errores comunes asociados con problemas de escalas,
por lo que se utilizó el uso de una regresión de tipo II, que tiene en cuanta tanto los errores en ambas
variables (dependiente e independiente), (2) errores asociados a diferentes tamaño de pixel entre los
instrumentos de las torres de flujo de covarianza turbulenta y sensores meteorológicos (radiación,
temperatura, humedad), y (3) la huella de la torre de flujo (EC) es sólo una pequeña fracción del pixel de los
sistemas de microondas pasivas (AMSR-E).
Para hacer frente a los problemas de escala de EC-RS (sensores remotos), realizamos una primera
evaluación de la relación entre los índices ópticos y los datos de la torre flujo a 1km (Figura 5-5). La
comparación de estos resultados (1 km vs 25 km), RMSE menor y r2 mayor a una escala espacial menor,
muestra que habría errores asociados a diferencias en la escala espacial. Sin embargo, los resultados
obtenidos a la escala espacial de AMSR-E muestran que esta metodología ha sido capaz de capturar las
variaciones de Gs. Las variables biofísicas que definen la homogeneidad de índices ópticos para un área no
son necesariamente los mismos que aquellas que definen la homogeneidad de los índices de microondas
pasivos, esto es una posible explicación de las discrepancias observadas entre los resultados del modelo
que utiliza índices ópticos y de microondas pasivas para similar tamaño de ventana (Tabla 5-5).
102
En este marco, sería posible combinar ambos índices para mejorar las estimaciones de Gs como se propuso
en la sección 5-2-4. Por lo tanto, a continuación se analizaran los dos modelos acoplados propuestos: (i)
regresión múltiple y ii) la estrategia descripta en la Figura 5-2. Por un lado, los modelos de regresión múltiple
mejoran la estimación de Gs para los bosques siempre verde. Para Ha1, a pesar del mayor coeficiente de
determinación de los modelos de regresión múltiple, presento valores de RMSE mayores que los enfoques
individuales. Los resultados obtenidos muestran que la metodología PM-Gs depende del tipo de cobertura.
Curiosamente, el modelo acoplado usando EVI y FI mejoró la estimación de Gs para Tum, explicando 20%
de la varianza en Gs. En Tumbarumba el bosque de eucalipto es moderadamente abierto y los árboles tienen
una altura media de aproximadamente 40 m. La cubierta vegetal se divide principalmente en dos estratos,
uno arbóreo y también se puede encontrar otro estrato con presencia de arbustos y gramíneas [Jupp et al.,
2009; Shrestha et al., 2013]. Para evaluar si esta leve mejora se relaciona con la presencia de otras capas
(arbustos y gramíneas), se estimó Gs usando NDWI a diferentes tamaños de ventana (Figura 5-6). Sin
embargo, a pesar de la disminución de la cubierta forestal el enfoque óptico no mejoró.
Para el análisis final se utilizó el segundo modelo acoplado de PM-Gs (modelo acoplado II, Figura 5-2). La
serie temporal de datos MODIS fue filtrada según las bandas de calidad para eliminar los períodos en que
las mediciones de reflectancia eran de baja calidad. Posteriormente, se reemplazaron los datos faltantes de
la serie de tiempo VIs MODIS con datos de FI. Usando este último enfoque el número de muestras aumentó
(Tabla 4-5-6), sin sacrificar la precisión de la estimación de Gs, mostrando como esta metodología es capaz
de capturar las variaciones de Gs. En particular, para los bosques siempre verdes el modelo de FI y el modelo
acoplado II presentaron los valores más altos de r2 y menores de RMSE en comparación con el modelo
FIGURA 5-5 RELACIÓN ENTRE LOS ÍNDICES ÓPTICOS Y LA CONDUCTANCIA SUPERFICIAL (GS) A DIFERENTES TAMAÑOS DE
VENTANAS ESPACIALES (1- 25 KM).
103
óptico. Contrariamente, para los bosques deciduos el modelo óptico presentó la mejor aproximación, pero
con el menor número de muestras.
TABLA 5-5 RESUMEN DEL AJUSTE ENTRE GS ESTIMACIADAS Y OBSERVADAS AL USAR LOS DISTINTOS MODELOS: GS (VIS) MODELO,
GS (FI) MODELO Y MODELO ACOPLADO (GS (VIS, FI)). EL COEFICIENTE DE DETERMINACIÓN (R2GSO-GSE) Y ERROR CUADRÁTICO MEDIO
(RMSE) SE CALCULARON ENTRE LAS ESTIMACIONES Y OBSERVACIONES DE GS.
Calibración
Nombre IGBP
Gs (EVI) Gs (NDWI) Gs (FI) Gs (EVI, FI) Gs (NDWI, FI)
r2Gso-Gse RMSE
(mm/s)
r2Gso-Gse RMSE
(mm/s)
r2Gso-Gse RMSE
(mm/s)
r2Gso-Gse RMSE
(mm/s)
r2Gso-Gse RMSE
(mm/s)
Tum EBF 0,01 4,07 0,02 1,05 0,03 4,88 0,20 4,61 0,11 4,85
Ho1 ENF 0,10 2,65 0,12 2,63 0,17 2,62 0,25 2,77 0,20 2,77
Ha1 DBF 0,35 2,49 0,31 2,57 0,23 3,44 0,25 3,55 0,30 3,46
MMS DBF 0,45 3,06 0,38 3,25 0,38 3,30 0,44 3,28 0,50 3,19
WCr DBF 0,66 3,19 0,55 3,69 0,59 4,65 0,68 4,07 0,69 4,03
Validación
Nombre IGBP
Gs (EVI) Gs (NDWI) Gs (FI) Gs (EVI, FI) Gs (NDWI, FI)
r2Gso-Gse RMSE
(mm/s)
r2Gso-Gse RMSE
(mm/s)
r2Gso-Gse RMSE
(mm/s)
r2Gso-Gse RMSE
(mm/s)
r2Gso-Gse RMSE
(mm/s)
Tum EBF 0,07 4,04 0,10 4,08 0,10 3,89 0,20 3,77 0,12 3,89
Ho1 ENF 0,02 3,61 0,10 3,02 0,20 2,65 0,14 5,75 0,23 3,38
Ha1 DBF 0,27 2,79 0,40 2,93 0,36 2,49 0,41 4,36 0,50 5,01
MMS DBF 0,44 3,39 0,46 3,32 0,43 3,17 0,47 3,17 0,49 3,40
WCr DBF 0,63 3,46 0,59 4,31 0,57 4,12 0,65 3,73 0,58 5,62
TABLA 5-6 RESUMEN DEL AJUSTE ENTRE GS ESTIMACIÓN Y OBSERVACIÓN AL USAR GS (VIS) MODELO, GS (FI) MODELO Y MODELO
ACOPLADO II (GS (VIS, FI)). EL COEFICIENTE DE DETERMINACIÓN (R2GSO-GSE) Y ERROR CUADRÁTICO MEDIO (RMSE) SE CALCULARON
ENTRE LAS ESTIMACIONES Y OBSERVACIONES DE GS. PARA EL MODELO ACOPLADO II SE UTILIZÓ EL MEJOR MODELO OBTENIDO DE
LA TABAL 5-5, Y SE COMPLETO LOS DATOS FALTANTES CON LOS VALORES DE GS OBTENIDOS DE LA RELACIÓN GS-FI.
Name IGBP
VI FI VI-FI
n r2IGBP
RMSE
(W/ m2) n r2
IGBP RMSE
(W/ m2) VI-FI n r2
IGBP RMSE
(W/ m2)
r2Gso-
Gse
RMSE
(W/ m2)
Tum EBF 173 ns 4,27 237 0,29 3,21
EVI-FI 292 0,20 3,54
0,20 3,77
Ho1 ENF NDWI-FI 0,20 2,61
Ha1 DBF
157 0,53 3,28 179 0,35 3,96
NDWI
326 0,45 3,39
0,42 2,82
MMS DBF NDWI 0,50 3,32
WCr DBF EVI 0,75 3,37
104
5.3.2. ESTIMACIÓN DE EVAPOTRANSPIRACIÓN
Se compararon y evaluaron dos metodologías para estimar ET: (1) regresión lineal simple, y (2) el enfoque
PM-Gs. El primer enfoque tiene como objetivo evaluar cuanta de la variabilidad de LE es capturada por los
índices de vegetación, y por otro lado, el segundo enfoque pretende evaluar la variabilidad de LE capturada
al combinar los índices de vegetación y datos meteorológicos.
En particular, analizando los resultados de la primera metodología (regresión lineal), el índice EVI presentó
una mayor precisión en la estimación de ET, para la mayoría de los bosques; con la excepción de Tum, donde
el mejor modelo, en términos de r2 y RMSE, fue al utilizar el índice NDWI (Tabla 5-7). En Tum, los índices VIs
y FI no presentan una clara estacionalidad (ciclo anual con baja amplitud), reduciendo así la correlación
entre la ET y VI en comparación con la de otros bosques. Para los otros sitios, los valores de r2 fueron
menores a 0,7 y el RMSE superior a 20 W / m2 para todos los VIs y FI. En general, los RMSEs resultaron
mayores que los RMSEu. La Figura 5-7 muestra la relación entre los índices de vegetación y LE, y la Figura
5-8 la relación entre los valores observados y estimados de LE. En resumen, la relación VIs -LE presentó
valores más bajos de RMSE y más altos de r2 que el enfoque FI-LE. Sin embargo, en ambos enfoques directos
FIGURA 5-6 RELACIÓN ENTRE LA CONDUCTANCIA SYPERFICIAL (GS) ESTIMADA UTILIZANDO EL ÍNDICE NDWI Y LAS
OBSERVACIONES A DIFERENTES ESCALAS ESPACIALES (CELDAS 1 A 25 KM DE LADO). DONDE R2 ES EL COEFICIENTE DE
DETERMINACIÓN, RMSE ES EL ERROR CUADRÁTICO MEDIO Y LA FRACCION DE BOSQUE FUE CALCULADA UTILIZANDO EL
PRODUCTO MODIS (MOD12Q1) IGBP GLOBAL LAND COVER CLASSIFICATION PRODUCT .
105
se observa que para valores mayores de LE (aproximadamente mayores a 60 W/m2) se produce una
subestimación de LE, como se muestra en Figura 5-8. Además, hubo una tendencia a una sobreestimación
de los valores más bajos de LE.
FIGURA 5-7 RELACIÓN ENTRE LOS ÍNDICES ÓPTICOS Y FI Y EL FLUJO DE CALOR LATENTE MEDIDO (LE (W / M2)).
TABLA 5-7 RESUMEN DEL AJUSTE ENTRE LOS VALORES ESTIMADOS Y MEDIDOS DEL FLUJO DE CALOR LATENTE (LE (W / M2))
DERIVADOS DIRECTAMENTE DE ÍNDICES ÓPTICOS Y DE MICROONDAS PASIVO. DONDE R2VI-LE ES EL COEFICIENTE DE DETERMINACIÓN
ENTRE LOS ÍNDICES ÓPTICOS Y MEDIDAS DE LE, R22FI-LE ES EL COEFICIENTE DE DETERMINACIÓN ENTRE LOS ÍNDICES DE MICROONDAS
PASIVAS Y MEDIDAS LE Y RMSE EL ERROR CUADRATICO MEDIO, RMSES ERROR CUADRÁTICO MEDIO SISTEMATICO Y RMSEU ERROR
CUADRATICO MEDIO NO SISTEMATICO.
Nombre IGBP
VI FI
r2VI-LE RMSE
(W/m2)
RMSEu
(W/m2)
RMSEs
(W/m2)
r2FI-LE RMSE
(W/m2)
RMSEu
(W/m2)
RMSEs
(W/m2)
Tum EBF 0,36(NDWI) 24,66 14,85 19,68 0,04 31,27 2,52 31,17
Ho1 ENF 0,51 (EVI) 17,57 12,56 12,29 0,30 22,07 11,22 19,01
Ha1 DBF 0,56 (EVI) 20,51 15,41 13,52 0,30 26,25 14,30 22,01
MMS DBF 0,72 (EVI) 20,73 17,60 10,92 0,75 20,32 17,78 10,22
WCr DBF 0,62 (EVI) 19,33 15,26 11,87 0,47 22,56 15,52 16,35
106
En relación a la segunda metodología (PM-Gs) se observa que en general, los enfoques PM-Gs (VI) y PM-Gs
(FI) explicaron más del 70% de la varianza de ET (Tabla 5-8). Sin embargo, el modelo PM-Gs (FI) presentó
mayores valores de RMSE que el modelo PM-Gs (VI). Para el modelo óptico se utilizó EVI y NDWI como se
muestra en la Tabla 5-5. En general, las diferencias sistemáticas (RMSEs) entre los valores observados y
estimados del modelo fueron menores que el error no sistemático (RMSEu). Por lo que se supone que el
RMSE se compone sobre todo de RMSEu, por lo cual el modelo RMSE fue probablemente el mejor modelo
posible.
La Figura 5-9 muestra la relación entre los valores de LE observados y estimados como función del error
relativo de Gs (%) para todos los sitios juntos y valores de Gs observados y estimados. En general, el modelo
PM-Gs (VIs) y PM-Gs (FI) explicaron el 70% de la varianza de LE. El modelo acoplado (modelo acoplado II)
presentó el mejor desempeño (r2 alta y bajo RMSE), y el más alto poder predictivo contra Gs. Además, el
modelo acoplado II presentó un mayor número de muestras en comparación con el enfoque individual PM-
Gs sin sacrificar la precisión.
FIGURA 5-8 VALORES ESTIMADOS Y OBSERVADOS DEL FLUJO DE CALOR LATENTE (LE, W/M2) ESTIMADOS DIRECTAMENTE A PARTIR
DE LOS ÍNDICES ÓPTICOS (A) Y DE MICROONDAS (B).
107
FIGURA 5-9 RELACIÓN ENTRE LOS VALORES ESTIMADOS Y MEDIDOS DE LA CONDUCTANCIA SUPERFICIAL (GS (MM/S)) Y FLUJO DE
CALOR LATENTE (LE (W/M2)) DERIVADO DE LOS ÍNDICES MOSTRADOS EN LA TABLA 6-5 (A), FI (B) Y DE LA COMBINACIÓN DE AMBOS
ÍNDICES (C) BASADOS EN EL MODELO DE PM. LA BARRA DE COLOR REPRESENTA EL ERROR RELATIVO PORCENTUAL DE LAS
ESTIMACIONES DE GS.
108
TABLA 5-8 RESUMEN DEL AJUSTE ENTRE LOS VALORES MEDIDOS Y ESTIMADOS DEL FLUJO DE CALOR LATENTE (LE (W / M2))
DERIVADOS DIRECTAMENTE DE ÍNDICES ÓPTICO Y DE MICROONDAS PASIVO. DONDE R2LEO-LEE ES EL COEFICIENTE DE
DETERMINACIÓN ENTRE LOS VALORES ESTIMADOS Y MEDIDOS, RMSE ES EL ERROR CUADRATICO MEDIO, RMSE S ES EL ERROR
CUADRÁTICO MEDIO SISTEMATICO, RMSEU ES EL ERROR CUADRATICO MEDIO NO SISTEMATICO, N ES EL NÚMERO DE MUESTRAS
CON OBSERVACIONES VALIDAS DE LAS TORRES, DE MODIS Y DE AMSR-E CON PERÍODO DE COMPOSICIÓN DE 8 DÍAS.
Nombre IGBP
VI
n r2LEo-LEe
RMSE
(W/m2)
RMSEu
(W/m2)
RMSEs
(W/m2)
Tum EBF 136 0,71 26,67 19,39 18,32
Ho1 ENF 37 0,27 25,82 20,40 15,85
Ha1 DBF 40 0,61 18,80 17,56 6,73
MMS DBF 70 0,75 19,93 19,77 2,55
WCr DBF 47 0,87 9,45 9,36 1,28
Nombre IGBP
FI
n r2LEo-LEe
RMSE
(W/m2)
RMSEu
(W/m2)
RMSEs
(W/m2)
Tum EBF 175 0,69 26,59 25,42 7,78
Ho1 ENF 62 0,37 20,59 17,68 10,55
Ha1 DBF 53 0,72 16,71 13,63 9,66
MMS DBF 86 0,73 21,81 20,83 6,47
WCr DBF 40 0,74 14,98 13,91 5,56
Nombre IGBP
VI-FI
n r2LEo-LEe
RMSE
(W/m2)
RMSEu
(W/m2)
RMSEs
(W/m2)
Tum EBF 230 0,72 24,55 23,81 6,00
Ho1 ENF 62 0,37 20,58 17,68 10,55
Ha1 DBF 108 0,72 17,71 13,44 11,54
MMS DBF 118 0,71 21,68 18,56 11,20
WCr DBF 100 0,70 17,36 14,26 9,89
La Figura 5-10 muestra los valores de LE observados y estimados diferenciado para los bosques siempre
verde y deciduos. Para los bosques siempre verdes, el modelo acoplado II resultó ser el mejor modelo en
término de r2 y RMSE (Figura 5-10 a, b, y c). Sin embargo, en la Figura 5-10 se observa que este modelo
109
presenta una tendencia a sobreestimar para valores mayores de LE. Para los bosques deciduos, la
metodología individual presentó mayor precisión (Figura 5-10 d, e); Sin embargo el número de muestras
aumentaron hasta un 50% usando el modelo acoplado II (Figura 5-10 F).
La Figura 5-11 muestra las series temporales de LE observadas y estimadas en función del tiempo por los
distintos enfoques. En general las series estimadas de LE, usando estos tres enfoques, captan la variación
estacional en los períodos transitorios y durante el estado estable de la temporada de crecimiento. Esto
implica que estos modelos podrían representar la estacionalidad del estado de la vegetación. Sin embargo,
para Tumbarumba hubo una sobreestimación durante el estado estable de la temporada de crecimiento.
FIGURA 5-10 RELACIÓN ENTRE LOS VALORES ESTIMADOS Y MEDIDOS DE LA CONDUCTANCIA SUPERFICIAL (GS (MM/S)) Y FLUJO
DE CALOR LATENTE (LE (W/M2)) DERIVADO DE LOS ÍNDICES MOSTRADOS EN LA TABLA 6-5 (A), FI (B) Y DE LA COMBINACIÓN DE
AMBOS ÍNDICES (C) BASADOS EN EL MODELO DE PM PARA LOS BOSQUES DECIDUOS Y SIEMPRE-VERDE. LA BARRA DE COLOR
REPRESENTA EL ERROR RELATIVO PORCENTUAL DE LAS ESTIMACIONES DE GS.
110
FIGURA 5-11 SERIES TEMPORALES ESTIMADAS Y MEDIDAS DEL FLUJO DE CALOR LATENTE (LE (W/M2)) CON PERÍODO DE
COMPOSICIÓN DE 8-DÍAS UTILIZANDO ÍNDICES OPTICOS (LE VIS), FI (LE FI) Y UTILIZANDO AMBOS ÍNDICES (LE VIS Y FI) COMBINANDO
CON DATOS METEOROLÓGICOS.
5.4. DISCUSIÓN
La mayoría de los trabajos desarrollados están basados en la utilización de índices ópticos y/o de productos
de temperatura de superficie, ya sea a partir de modelos simples, como ser el modelo del triángulo [Gillies
et al., 1997; Carlson, 2007], o modelos más complejos, como los modelos de suelo-vegetación-atmosfera
(SVAT) que utilizan están variables como parámetros de entrada [Olioso et al., 2005]. Como se discutió en
el capítulo I, los modelos SVAT son difíciles de implementar sobre grandes áreas, debido a que requieren
una gran cantidad de parámetros de entrada. Kalma et al., [2008] analizo más de 30 metodologías y
concluyo que sorprendentemente cuanto más complejo sean los modelos físicos y métodos analíticos no
111
necesariamente resultan en estimaciones más precisas de ET, en comparación con modelos empíricos y/o
estadísticos. Por esto se ha incrementado el interés en desarrollar modelos más simples. Sin embargo,
numerosos estudios encontraron que los índices ópticos proveen mejores estimaciones de ET que las
bandas térmicas [McVicar y Jupp, 1999; Cleugh et al., 2007; Guerschman et al., 2009]. Por otro lado, como
se ha discutido a lo largo de esta tesis, los índices ópticos también presentar algunas desventajas (baja
resolución temporal y necesidad de correcciones atmosféricas). En este contexto, Li et al., [2009]
desarrollaron una nueva técnica que utiliza un índice de diferencia en frecuencias de microondas pasivas
para estimar ET, pero solamente para el bosque de Harvard Forest. Los índices de microondas pasivas se
pueden obtener en casi todas las condiciones atmosféricas, y además la radiación de microondas tiene
mayor penetración dentro de la vegetación que longitudes de onda del óptico. En este marco, en este
capítulo se presentó una modificación de la metodología propuesta por Li et al., [2009] con el objetivo de
mejorar las estimaciones de ET basados en observaciones múltiples que combinan dos variables
importantes para la estimación ET (humedad de la vegetación y fotosíntesis de la hoja) sobre tres tipos de
ecosistemas forestales (DBF, EBF y ENF). En particular, se evaluaron dos aproximaciones (modelo de
Penman-Monteith (PM) y regresiones directas) para estimar ET en ecosistemas forestales utilizando índices
ópticos y de microondas pasivas.
Las estimaciones de LE obtenido según el enfoque PM-Gs resultaron ser mejores, en términos de r2 y RMSE,
que las estimaciones derivadas de regresiones directas entre VIs o FI y LE. Se observó un efecto de
saturación en LE-VIs y LE-FI para todos los bosques analizados. En general, los modelos PM-Gs explicaron
más del 70% de la varianza en LE con RMSE menores a 20 W/m2. La magnitud de los valores de RMSE
encontrados en este estudio se corresponden con los reportados previamente [Kalma et al., 2008; Li et al.,
2009; Yebra et al., 2013]. La diferencia media entre los valores estimados y observados de LE fue de ~ 30%,
lo que estuvo de acuerdo con el error reportado previamente [Kalma et al., 2008; Li et al., 2009; Yebra et
al., 2013]. Es relevante mencionar que el principal forzante de LE fueron las variables meteorológicas.
Debido a esto, la performance de los modelos de LE resultó mejor que los resultados obtenidos para los
modelos de Gs. Sin embargo, subestimaciones de Gs en algunos ecosistemas resultaron en subestimaciones
de LE a pesar de que las demás variables meteorológicas eran más precisas (Figura 5-10). En estos casos,
mejores estimaciones de Gs mejoran las estimaciones de LE. Por lo tanto, los resultados obtenidos
muestran que la incorporación de parámetros vegetativos (Gs) en las estimaciones de ET es muy
conveniente ya que ayuda a representar el proceso físico, mejorando las estimaciones de ET.
112
Las relaciones entre los índices ópticos y de microondas pasivas y Gs (AMSR-E y el sensor MODIS son en el
sistema AQUA), están basados en diferentes procesos biofísicos. Los índices de vegetación ópticos son
principalmente sensibles a los cambios estacionales relacionados con la concentración de clorofila y LAI de
la vegetación. Sin embargo, los índices de microondas pueden proporcionar otra información, debido a su
mayor penetración y sensibilidad tanto a factores estructurales y dieléctricos de las hojas y de los
componentes leñosos.
Los resultados obtenidos mostraron que ambos índices ópticos, NDWI y EVI, se encuentran relacionados
con las variaciones de Gs en bosques deciduos, lo que posibilita el uso de información satelital para estimar
dicho parámetro. En contraste con Yebra et al., [2013] no se obtuvo una diferencia sustancial en los
resultados obtenidos entre ambos índices ópticos (EVI y NDWI). Esta relación entre dichos índices y Gs era
esperada dado que Gs está estrechamente relacionada con la concentración de clorofila, estructura y
turgencia de la hoja [Bowman, 1989; Matsumoto et al., 2005]. Por un lado, el índice NDWI es sensible a
variaciones en el contenido hídrico de la hoja [Guerschman et al., 2009], y el índice EVI es sensible a la
concentración de clorofila [Matsumoto et al., 2005]. Bajas concentraciones de clorofila esta
frecuentemente relacionado con valores bajos de conductividad estomática [Matsumoto et al., 2005], y
explica la buena relación encontrada entre el índice EVI y Gs. Por otro lado, la reflectancia de las hojas en
el infrarrojo cercano (NIR, según sus siglas en inglés) está determinando principalmente por el tejido y
estructura celular [Grant, 1987], y las variaciones en la reflectancia en el NIR sería consecuencia de
variaciones en el espacio intercelular de las células de las hojas, turgencia de las células oclusivas y
conductancia estomática. Para el bosque siempre verde, se encontró una menor correlación entre los
índices de vegetación y Gs, probablemente debido a la falta de un fuerte componente estacional.
En general, más del 40% de las variaciones en Gs se ha explicado utilizando series de tiempo de índices de
microondas, lo que se corresponde con lo obtenido por Li et al., [2009]. Los índices de microondas pasivas
(EDVI en el caso de Li et al., [2009] y FI para el estudio actual [Barraza et al., 2014a, 2014b]) son sensibles a
la humedad de la vegetación (contenido de agua en la madera y hoja), que es un componente importante
en el proceso de interacción entre la vegetación y la atmósfera. Como FI está directamente relacionada con
la humedad de la vegetación, los cambios de FI son función de cambios del dosel por variaciones de las
condiciones ambientales en diferentes ecosistemas boscosos. Debido a esto, se ha podido estimar la
conductancia de la superficie, y luego LE. Además, el modelo FI explico mayor porcentaje de variación de
Gs que los índices ópticos, en los bosques siempre verdes. La radiación en la región del espectro de las
microondas presenta una mayor penetración en el dosel de la vegetación que las longitudes de onda del
113
visible. La emisión en las microondas de un dosel es una integración del perfil vertical ponderado por su
transmisión. Esto efecto podría haber sido el responsable del mejor rendimiento del modelo de FI sobre
bosques siempre verde.
Este estudio también ha desarrollado dos maneras distintas de combinar la información provista por los
índices ópticos y de microondas pasivas: 1) una regresión lineal múltiple y, 2) desarrollamos un producto
de Gs combinando ambos índices (VIs y FI) basado en las ventajas y desventajas de ambos índices (modelo
acoplado II). Estos modelos acoplados presentan un enfoque complementario para estimar Gs a gran escala,
que se basa en la diferente información biofísica proveniente de los índices de microondas pasivas y los
índices ópticos (humedad de la vegetación, de concentración de clorofila de la hoja, y la hoja de turgencia
y estructura). En los bosques siempre verde, el modelo de regresión lineal múltiple presentó la mayor
precisión en comparación con los modelos individuales. Para los demás sitios de, este enfoque no
proporciono nueva información con respecto a los modelos individuales.
A pesar de la mayor precisión del enfoque Gs –VIs comparada con el modelo Gs-FI para los otros sitios
boscosos, la Figura 5-10 muestra valores de error relativo positivo, debido a presencia de ruido en los datos.
En algunas situaciones, las bandas de calidad (QA) de MODIS son insuficientes para reducir el ruido en los
productos de MODIS [Demarty et al., 2007]. Diversos filtros pueden reducir el ruido, pero esto introduce
valores artificiales a la serie de tiempo [Mu et al., 2011]. Por otro lado, los índices de microondas pasiva se
ven menos afectados que los sistemas ópticos por las condiciones atmosféricas, por lo que este capítulo
muestra un enfoque complementario para proporcionar una serie de tiempo completa. Desarrollamos una
estrategia para combinar las series temporales de Gs provistas por ambos índices, y de esta forma reducir
el número de datos faltantes sin perder precisión en la estimación de Gs.
En comparación con el producto de conductancia global (Gc), [Yebra et al., 2013]
(https://data.csiro.au/dap/landingpage?pid=csiro%3A5946), basado en el ensamble de tres índices ópticos
(NDVI, EVI y Kc) calculados a partir del producto de reflectancia de MODIS (MCD43C4) con una resolución
espacial de 0, ⁰ y te po al de días, los resultados obtenidos en este capítulo presentan una mejor
aproximación (en términos de r2 y RMSE). Dado que Gc deriva del modelo de PM, es posible evaluar este
producto con las observaciones de Gs obtenidas en este capítulo [Yebra et al., 2013]. A pesar de los
problemas de escalas entre la torre de flujo y el índice de microondas pasivo (25 km), los resultados
presentados en este artículo muestran un enfoque mejorado de estimaciones Gs para estos bosques (Figura
5-12 y Tabla 5-9).
114
FIGURA 5-12 COMPARACIÓN ENTRE LOS VALORES PREDICHOS Y OBSERVADOS CADA 8-DÍAS DE LA CONDUCTANCIA SUPERFICIAL
(GS (MM/S)) ENTRE EL PRODUCTO DE CONDUCTANCI DEL DOSEL GLOBAL (GC) DERIVADO DEL MODELO DE YEBRA ET AL., [2013] Y
DEL MODELO MULTISENSOR PROPUESTO EN ESTE CAPÍTULO PAR A LOS BOSQUES SIEMPRE VERDES Y BOSQUES DECIDUOS.
TABLA 5-9 RESUMEN DE LA RELACIÓN ENTRE LOS VALORES ESTIMADOS VERSUS OBSERVADOS DE CONDUCTANCIA DEL DOSEL
GLOBAL (GC), OBTENIDO DEL PRODUCTO DE YEBRA ET AL., [2013]. ESTE PRODUCTO PROVEE ESTIMACIONES DE CONDUCTANCIA
DEL DOSEL A UNA ESCALA ESPACIAL DE (0.05⁰) BASADOS EN EL PROUCTO MCD43C4 DE REFLECTACNIA DE SUPERFICIE DEL SENSOR
MODIS Y TRES ÍNDICES DE VEGETACION (NDVI, EVI Y KC). DONDE NDVI ES EL ÍNDICE DE VEGETACIÓN NORMALIZADO, EVI ES EL
ÍNDICE DE VEGETACION MEJORADO, Y KC ES EL COEFICIENTE DE CULTIVO CALCULADO A PARTIR DEL ÍNDICE EVI. EL PRODUCTO ES
PROVISTO DE FORMA GLOBAL A UNA ESCALA ESPACIAL DE 0.05⁰ Y CADA 8-DÍAS.
Finalmente, es importante mencionar que los resultados obtenidos son relevantes, dado que las series
temporales estimadas de Gs pueden integrarse con los modelos de superficie (SVAT) que utilizan el enfoque
de PM. Además, ambas estimaciones (1 km vs 25 km) podrían presentar diferentes aplicaciones
dependiendo de la escala de análisis (por ejemplo, las aplicaciones climáticas vs. ecológicos). Es necesario
seguir trabajando a fin de evaluar mejores formas de integrar ambos datos satelitales tanto temporal como
espacialmente. Así mismo, una evaluación de la relación entre Gs y los índices satelitales (ópticos y de
Nombre IGBP r2Gso-Gse
RMSE
(mm/s)
Tum EBF 0,08 13,45
Ho1 ENF 0,36 4,10
Ha1 DBF 0,21 4,86
MMS DBF 0,39 4,43
WCr DBF 0,40 17,55
115
microondas pasivas) usando el modelo de [Jarvis y McNaughton, 1986] permitiría una evaluación más
detallada de la relación entre ambas variables, dado que propone estimar Gs como función de LAI, radiación
fotosintéticamente activa (PAR), concentración de CO2, potencial agua, VPD, entre otras.
5.5. CONCLUSIONES
Cuando se combinan ambos índices, las desventajas de ambos sensores se pueden reducir. En este capítulo
se muestra que la estimación de Gs utilizando índices ópticos o de microondas pasiva presenta un número
igual de ventajas y desventajas. Las ventajas más importantes de los índices ópticos son: 1) alta resolución
espacial, 2) sensibilidad a características de las hojas, como ser concentración de clorofila. Por el contrario,
las ventajas del índice de microondas son: 1) mayor resolución temporal, con posibilidad de obtener valores
diarios y horarios [Li et al., 2009; Barraza et al., 2014b], 2) sensible a la propiedades estructurales y
dieléctricas de hojas, troncos y ramas. La desventaja más importante de los sistemas de microondas pasivas
es la menor resolución espacial. Por otro lado, los datos ópticos también presentan algunas limitaciones
relacionadas con la baja resolución temporal debido a la presencia de nubes y contaminación por aerosoles.
116
CAPÍTULO VI
ESTIMACIÓN DE LA CONDUCTANCIA SUPERFICIAL Y EVAPOTRANSPIRACIÓN
A LO LARGO DE LA TRANSECTA DEL NORTE DE AUSTRALIA USANDO
MÚLTIPLES SENSORES
RESUMEN
En este estudio se evaluaron y compararon la potencialidad de los índices de microondas pasivas y ópticos
para estimar la conductancia superficial (Gs) y la evapotranspiración (ET) siguiendo el modelo de Penman-
Monteith (PM). La metodología se evaluó sobre la transecta tropical del norte de Australia (NATT), que se
caracteriza por presentar seis sitios con torres de flujo a lo largo de 1100 km. Se utilizaron dos índices
ópticos (EVI y NDWI) y dos índices de microondas pasivas (FI, PI, VOD (espesor óptico de la vegetación) y
SM (humedad del suelo)). Se evaluaron distintas aproximaciones (regresiones lineales, múltiples entre
otras) para estimar tanto Gs como ET basados en el aprovechamiento de series temporales multisensores.
El rendimiento del modelo se evaluó cuantitativamente mediante el uso del coeficiente de regresión (r2), y
la raíz del error cuadrático medio (RMSE). También se evaluó un modelo multisitio para poder espacializar
la estimación de Gs para otras coberturas presentes en NATT utilizando índices ópticos y de microondas
pasivas. En general, los modelos Gs-índices satelitales explicaron más del 50% de la varianza de Gs con un
valor de RMSE menor a 2 mm/s. Además, los modelos PM-Gs explicaron más del 70% de la varianza de LE
con valores de RMSE entre 20 W / m2. Con base en estos resultados, se evaluó el patrón biogeográfico de
Gs y de LE para el área de estudio.
6.1 INTRODUCCIÓN La evapotranspiración (ET) es un proceso importante para el análisis del ciclo del agua y del balance de
energía de los ecosistemas, y es particularmente relevante para el estudio de ecosistemas con deficiencia
de agua, tales como la sabana y vegetación semiárida. Las sabanas australianas se mantienen en gran parte
ecológicamente intacta con niveles relativamente bajos de fragmentación, proveyendo un escenario clave
para comprender los determinantes ambientales en su crecimiento y funcionamiento. En el norte de
117
Australia, la sabana tropical es el ecosistema dominante que cubre aproximadamente el 25% de los
ecosistemas de Australia. La transecta del Norte tropical de Australia (NATT), es conocido como un
"laboratorio viviente", siendo un área importante para investigar la relación entre los cambios estructural
y fenológicos de la vegetación con la variación de factores climáticos, en relación al intercambio tierra-
atmósfera a escala regional [Williams et al., 1996; Hutley et al., 2011].
Como se ha mencionado en capítulos anteriores existe una gran diversidad de modelos desarrollados para
estimar ET usando información satelital [Moran y Jackson, 1991; Cleugh et al., 2007; Kalma et al., 2008; Li
et al., 2009; Yebra et al., 2013]. Entre estos modelos, se ha utilizado con mayor frecuencia la ecuación de
Penman-Monteith (PM) [Monteith, 1985; Allen et al., 1998]. El producto MODIS16 ET se basa en ese
esquema, que utiliza productos provistos por el sensor MODIS combinando con información meteorológica
diaria obtenidos a partir de datos de re-análisis como variables de entrada. La ET es la suma de los flujos de
vapor de agua de la evaporación del suelo, la evaporación del dosel húmedo y transpiración de las plantas.
La temperatura diaria del aire, datos sobre el déficit de presión de vapor (VPD), humedad relativa, y el
producto LAI de MODIS se utilizan para estimar la conductancia superficial, en conjunto con otras variables
ambientales claves. Sin embargo, un estudio que evaluó la precisión de dicho producto MODIS16 ET sobre
la sabana Africana muestra una baja precisión en la estimación de ET, debido a varias razones: (1) a las
incertidumbres en los productos LAI, albedo y tipo de cobertura, (2) la parametrización del modelo de
Penman-Monteith, (3) errores de medición en torres de flujo y (4) la relación entre la huella de la torre de
flujo vs la resolución espacial de los píxeles de MODIS [Ramoelo et al., 2014]. Además, diversos trabajos
mostraron que este producto presenta problemas de sobreestimación de ET y remarcaron que deben
realizarse mejoras del modelo especialmente para zonas áridas [Mu et al., 2011; Nadzri y Hashim, 2014].
Aunque puede ser posible mejorar el producto MODIS ET a nivel global usando datos meteorológicos de
mejor calidad [Jang et al., 2013], también sería útil considerar métodos alternativos para la estimación
precisa de otras variables de la que ET es función, como por ejemplo la conductancia superficial (Gs).
Estudios previos demostraron que la conductancia superficial (Gs) puede estimarse a partir de sensores
remotos utilizando mediciones en longitudes de onda del visible (VIs), infrarrojo cercano (NIR) e infrarrojo
de onda corta (SWIR), debido a su sensibilidad a la concentración de clorofila, turgencia y estructura de la
hoja [Yebra et al., 2013]. Dado que Gs está estrechamente relacionada con la concentración de clorofila de
la hoja [Matsumoto et al., 2005], se espera una buena correlación entre Gs y NDVI y/o EVI. Por otra parte,
se han realizado estudios para relacionar los índices de microondas con la conductancia de superficie sobre
zonas forestales [Min y Lin, 2006; Li et al., 2009; Jones et al., 2012; Barraza et al., 2015]. La relación entre
118
la conductancia superficial y los índices de microondas pasivas se basa en la sensibilidad de estos índices de
la humedad de la vegetación. Además, en el capítulo anterior mostramos la importancia de utilizar de
manera sinérgica la información provista por múltiples sensores (microondas y ópticos) para estimar la
conductancia superficial en ecosistemas boscosos densos. Sin embargo, en comparación con el capítulo
anterior, para ecosistemas con valores bajos de LAI, como es el caso de algunos de los ecosistemas del norte
de Australia, los índices de microondas también son sensibles a la humedad del suelo [Barraza et al., 2014b].
Harris et al., [2004] mostró que la conductancia estomática se encuentra limitada por la radiación solar, la
temperatura del aire, déficit de presión de vapor, y el déficit de agua en el suelo (basado en una
modificación de los modelos presentados por Javis [1976], y luego fue extendido por Stewart [1988]). En
este contexto, se espera que debido a la sensibilidad de los índices de microondas a la humedad del suelo,
los mismos estén relacionados con Gs de dos maneras: a través de la humedad de la vegetación y la
humedad del suelo.
Para diferentes ecosistemas en el norte de Australia, en este capítulo se presenta un modelo multisensor
utilizando índices ópticos y de microondas pasivas para estimar Gs a escala local y ragional. El objetivo de
este enfoque es mejorar el modelo basado en observaciones múltiples que combinan dos variables
importantes para la estimación Gs (humedad del suelo/vegetación y fotosíntesis de la hoja). Los datos de
entrada y sus errores asociados son, "en general, la información mínima necesaria para construir una
solución aproximada para resolver los problemas mal condicionados" [Tikhonov, 1995]. La inclusión de
información tiende a mejorar la relación entre las observaciones de satélite y los parámetros deseados. Sin
embargo, esto no sólo aumenta el contenido global de la información de datos sino que también aumenta
su incertidumbre general. El primero mejora la calidad de las estimaciones mientras que el segundo lo
suprime. Por lo tanto, la especificación de una combinación óptima de contenido de información de datos
y la incertidumbre global es una tarea clave para lograr la continuidad de la serie temporal de productos Gs
derivados de múltiples sensores.
La hipótesis planteada es que la sinergia de sensores proporciona una mejor estimación de Gs y ET en el
área NATT. En este contexto, los objetivos de este capítulo son:
i) evaluar y comparar la estimación de Gs obtenida a partir de una combinación de índices
ópticos (VIs) y de microondas pasivas (MIs) con observaciones de covarianza de torbellino.
ii) analizar el desempeño de los productos de Gs multisensor vs los derivados usando
únicamente un índice individual (VIs o MIs).
119
iii) evaluar el desempeño del modelo de Gs en la estimación de ET.
Estos análisis se llevaron a cabo utilizando los datos de MODIS y AMSR-E para el área de NATT para el
período 2002 a 2010. Las observaciones de covarianza de torbellino obtenidas de la red Ozflux se utilizaron
para evaluar la calidad de estos productos.
6.2 HIPÓTESIS Y PREDICCIONES
En áreas boscosas densas las variaciones en los índices MIs, al ser sensibles a cambios en el
contenido de agua en el dosel, dan cuenta de variaciones en la Gs.
o Predicción: Menor valor de MIs a lo largo del día está asociado a un aumento del Gs
(conductancia superficial) de la vegetación.
En áreas boscosas menos densas, las variaciones en los índices MIs dan cuenta de cambios
producidos en el contenido de agua del suelo.
o Predicción: Mayor valor de MIs diario está asociado a un aumento del contenido de agua
en el suelo.
Las variaciones en los índices verdes, al ser sensibles a cambios en el contenido de clorofila y/o al
contenido de agua en las hojas, dan cuenta de variaciones en la Gs.
o Predicción: Mayor valor de índices verdes a lo largo del día está asociado a un aumento
del Gs (conductancia superficial) de la vegetación.
La estimación de la Evapotranspiración se puede mejorar con la combinación de datos
meteorológicos y variables estimadas por técnicas de teledetección o percepción remota.
o Predicción: Relaciones directas presentan mayor RMSE y menor r2 que relaciones
empíricas que combinan información satelital y variables meteorológicas.
6.3 METODOLOGÍA
6.3.1 ÁREAS DE ESTUDIO
Este estudio se centró en un área que se caracteriza por un gradiente de precipitación de más de 1100 km
de longitud, conocida como la transecta del norte tropical de Australia (NATT) [Koch et al., 1995], que
abarcaba una superficie de 1.380.000 km2 entre 12 y 23 ° latitud Sur y 128 y 138 ° longitud Este (Figura 6-1).
La región NATT se caracteriza por tener un patrón clásico de clima monzónico [Suppiah, 1992]. La
precipitación anual disminuye desde más de 1700 mm en las zonas tropicales a unos 300 mm en la zona
sur. Las variaciones interanuales en las precipitaciones (2000-2012) van desde menos del 30% (coeficiente
de variación, CV) a más del 60% CV de norte a sur.
120
FIGURA 6-1 MAPA DE COBERTURA DE LA TRANSECTA DEL NORTE DE AUSTRALIA, CONOCIDA COMO NATT. LOS CIRCULOS ROJOS
CORRESPONDEN A LOS SEIS SITIOS DE TORRES DE FLUJO. EL MAPA DE COBERTURA REPRESENTA LOS GRUPOS FUNCIONALES
DOMINANTES DE CADA ECOSISTEMA (AUSTRALIAN MAJOR VEGETATION GROUPS (MVGS, V4.1)), PROVISTO POR EL SISTEMA
NACIONAL DE INFORMACION SOBRE LA VEGETACION DE AUSTRALIA (NVIS, 2007).
Para analizar las variaciones a lo largo de esta extensa transecta, se seleccionaron seis sitios representativos
de distintas clases de sabanas y vegetación semiárida, caracterizadas por diferentes tipos funcionales de
vegetación y regímenes de precipitación [Beringer et al., 2011] (Tabla 6-1). Estos sitios presentan torres de
121
flujo que pueden ser usadas para evaluar las estimaciones satelitales de Gs. De norte a sur: Howard Springs,
Adelaide River, Daly River, Dry River, Sturt Plains y Alice Spring.
TABLA 6-1 DESCRIPCIÓN DE LOS SITIOS DE COVARIANZA DE TORBELLLINO LOCALIZADOS EN EL ÁREA DE ESTUDIO. DONDE H: ALTURA
DE LA VEGETACIÓN, Z: ALTURA DE MEDICIÓN, MVG: GRUPOS DOMINANTES DE LA VEGETACIÓN, AÑOS: AÑOS DONDE ESTUVIERON
DISPONIBLES LOS DATOS DE TORRES DE FLUJOS, PI: INVESTIGADOR PRINCIPAL DE LA TORRE, GS: CONDUCTANCIA SUPERFICIAL.
Código Nombre Lat (ºS) Lon (ºE) h(m) Z(m) MVG Años PI Referencia
HSP Howard
Springs
12,495 131,150 18,9 23 Bosques de
eucalipto
2001-2011 Prof. Jason
Beringer &
Dr. Lindsay
Hutley
[Hutley et al.,
2011]
AR Adelaire
Rivers
13,077 131,118 12,5 15 Bosques
tropical de
eucalipto
2007-2009 Prof. Jason
Beringer
[Sea et al.,
2011]
DRP Daly River 14,159 131,838 16,4 23 Bosques de
eucalipto
2007-2011 Prof. Jason
Beringer
[Hutley et al.,
2011]
DYR Dry River 15,259 132,371 12,3 15 Bosques
abierto de
eucalipto
2010-2011 Prof. Jason
Beringer
[Sea et al.,
2011]
SP Sturt
Plains
17,151 133,350 0,1 4.8 Pastizal 2008-2010 Prof. Jason
Beringer
[Sea et al.,
2011]
ALS Alice
Springs
22,283 133,249 6,5 9 Mulga 2010-2011 Prof Derek
Eamus & Dr
James
Cleverly
[Eamus et
al., 2000]
6.3.2 ÍNDICES DE VEGETACIÓN ÓPTICO, DE MICROONDAS PASIVAS Y MAPA DE COBERTURA.
Yebra et al., [2013] encontraron que no hay un único índice de vegetación óptico (VIS) que haya presentado
el mejor desempeño en todos los ecosistemas, para estimar ET y Gs. Por lo cual, se calcularon dos índices
de vegetación ópticos (VIs) (Tabla 6-2): Índice de agua normalizado (NDWI), como un índice de humedad
de la vegetación, y el Índice de Vegetación Mejorado (EVI), como un índice de verdor, utilizando el producto
de reflectancia de superficie con período de composición de 8 días del sistemas Moderate Resolution
Imaging Spectroradiometer (MODIS / Aqua) para el período 2002-2010 (MYD09A1, [Vermote y Vermeulen,
1999]). Se utilizaron las bandas de calidad (QA) para eliminar los datos de menor calidad ya fuera por
presencia de nubes, aerosoles u otros problemas. Para ello los flags de calidad utilizados fueron: MODLAND
QA bits (ideal quality — all bands), atm. corr. Performed (yes), cloud state (clear) y cirrus detected (none).
Este producto de MODIS con resolución espacial de 500 m fue agregada a 25 km de resolución espacial. En
122
el proceso de agregación, el valor de VIs de los píxeles de 25 km se calculó como la media de los valores de
VIs de datos de buena calidad dentro de los pixeles de 25 kilómetros.
Por otro lado, se calculó el índice de polarización (PI) a 10,6 GHz (Banda X) [Paloscia y Pampaloni, 1988] y
el Índice de Frecuencia (FI) [Ferrazzoli et al., 1995], calculado utilizando las temperaturas de brillo medidos
a 37 GHz (banda Ka) y 10,6 GHz (banda X) del radiómetro Advanced Microwave Scanning Radiometer - EOS
(AMSR-E / AQUA) [Kawanishi et al., 2003], orbita ascendente obtenidas desde 2002 hasta 2010. Se
calcularon compuesto de 8 días basados en criterios de composición de las series de tiempo de MODIS. Los
datos obtenidos de ambos sistemas AMSR-E y MODIS fueron descargadas del siguiente sitio:
http://reverb.echo.nasa.gov/.
En Paloscia y Pampaloni, [1992] y Barraza et al., [2014] se mostró que es posible monitorear el estado
hídrico de la vegetación mediante el índice FI usando dichas frecuencias. Se utilizaron los datos de
polarización vertical en lugar de horizontal, ya que están más correlacionados con las propiedades de la
vegetación [Min y Lin, 2006]. Además, se encontró que para las regiones con biomasa vegetal moderada o
alta, el índice FI depende principalmente de la condición del dosel [Ferrazzoli y Guerriero, 1996]. Por lo
tanto, en los casos mencionados anteriormente, el índice FI es función de la estructura del dosel (es decir,
geometría de las hojas y ramas) y contenido de humedad del dosel (es decir, contenido de humedad de las
hojas y ramas). Otros índices de microondas pasivas, como ser el índice de polarización (PI), son menos
sensibles a la humedad de la vegetación y más sensibles a la humedad del suelo. Por eso en este capítulo
también se utilizó el índice de polarización, dado que en varios de los sitios analizados en este capítulo la
principal fuente de emisión es el suelo [Barraza et al., 2014]. A diferencia del capítulo V, se utilizó la serie
de tiempo completa.
Además de los índices FI y PI, en este capítulo se analizaron los productos de espesor óptico de la vegetación
(VOD) y humedad del suelo (SM) del modelo Land Parameter Retrieval Model (LPRM) derivados del sensor
AMSR-E. El VOD describe la opacidad de la vegetación en el rango de las microondas y es mayormente
sensible al contenido de agua de la vegetación (Apéndice III). Al igual que el índice FI, es sensible al
contenido de agua tanto de las hojas como de la biomasa maderable. A diferencia del índice FI, el VOD se
encuentra corregido por factores geométricos y por la emisividad del suelo. Owe et al., [2001] desarrollo el
modelo LPRM para obtener el VOD utilizando observaciones de microondas pasivas obtenidas en bajas
frecuencias. Este modelo fue mejorado por Meesters et al., [2005] y ha sido aplicado a observaciones de
distintos sensores [Liu et al., 2009].
123
Por otro lado, se incluyó como posible variable explicativa de Gs la Humedad del Suelo (SM). La posibilidad
de estimar la SM desde sensores remotos remotos ha cobrado un auge significativo en la última década. A
pesar de que numerosos estudios de estimación de humedad se han desarrollado con imágenes ópticas,
los resultados más prometedores se han obtenido empleando imágenes captadas por sensores de
microondas [Engman, 1991; Ulaby et al., 1982]. Las tecnologías de teledetección en el rango de las
microondas han demostrado tener el potencial de detectar y monitorear cambios relativos al contenido de
humedad de una superficie a tiempos regulares y en condiciones independientes del clima y la luz solar. En
particular, en este capítulo se utilizó la serie temporal de SM derivada del modelo LPRM banda X. Este
producto está basado en la evidencia experimental que apunta a que la emisividad de un suelo desnudo
disminuye ante aumentos de la humedad volumétrica del suelo. El producto SM corresponde a
estimaciones de humedad del suelo superficial, en este caso debido a que se utilizó la banda X solamente
sería representativa de la SM hasta los 3 cm de profundidad.
TABLA 6-2 ÍNDICES ESPECTRALES CALCULADOS A PARTIR DE LOS SISTEMAS MODIS Y AMSR-E, INCLUYENDO SU SIGLA Y FÓRMULA
MATEMÁTICA, DONDE ΡX ES LA REFLECTANCIA CORRESPONDIENTE A LAS BANDAS DE MODIS (1 A 5); TB ES LA TEMPERATURA DE
BRILLO, EL SUFIJO V INDICA LA POLARIZACION VERTICAL, U ES EL ANGULO DE INCIDENCIA, A Y D SE DEFINEN EN EL APÉNDICE III.
Índice Formulación Referencia
Espesor óptico de la vegetación VOD = cos + √ + + [Antoon et al., 2005]
Humedad del suelo SM = modelo LPRM [Owe et al., 2001]
Índice de polarización PI = Tbv Xband − Tbh XbandTbv Xband + Tbh Xband ∗ [Paloscia y Pampaloni,
1988]
Índice de frecuencia FI = Tbv Ka band − Tbv XbandTbv Ka band + Tbv Xband ∗ [Ferrazzoli et al., 1995]
Índice de agua normalizado = − +
[Hardisky, 1983]
Índice de vegetación mejorado = . ∗ − + ∗ − . ∗ + [Huete et al., 2002]
124
6.3.3 MODELO DE CONDUCTANCIA SUPERFICIAL
En este capítulo se utilizaron como datos de entrada a la ecuación de PM [Monteith, 1985] para estimar ET:
(i) la conductancia superficial (Gs) estimada a partir de los índices de vegetación y (ii) datos meteorológicos.
LE = ε.A+ cp.ρa �⁄ [e� �� − �].�� ε+ + �� Ecuación 6-1
donde ea es la presión de vapor en el aire (kPa), es es la presión de vapor de saturación evaluado en la
temperatura del aire kPa , ε = s / γ, e la ue s es la pendiente de la presión de vapor de saturación versus
la u a de te pe atu a kPa/ ºC y γ es la o sta te psi o ét i a kPa/ ºC , LE es el flujo de calor latente
(W/m2 , ρa es la de sidad edia del ai e kg/ 3), cp es el calor específico del aire a presión constante (J/kg
K), A (W/m2) es la energía disponible absorbida por la superficie (radiación absorbida neta menos el flujo
neto de calor en el suelo), Gs (m/s) y Ga (m/s) son las conductancias de superficie y aerodinámica (Ecuación
6-2 y 3). ET (mm/día) se calcula como la relación entre LE y lambda, donde lambda es el calor latente de
vaporización (MJ/kg).
En este capítulo se utilizaron como datos de entrada a la ecuación de PM [Monteith, 1985] para estimar ET:
(i) la conductancia superficial (Gs) estimada a partir de los índices de vegetación satelital y (ii) datos
meteorológicos. En relación a la estimación de Gs, se puso a prueba un enfoque multisensor utilizando
índices de microondas pasivas (MIs) e índices de vegetación ópticos (VIs). A partir de datos de torres
meteorológicas y de flujo, se calculó Gs con período de composición de 8 días (Ecuación 6-1), variable
necesaria para el análisis de calibración y validación:
G = ⌊ ��.��ε.A − ε+ .LE+ cp.ρa � [e� �� −��]� ⌋ Ecuación 6-2
ra = �2 u ln �−� ln �−� Ecuación 6-3 Ga = a Ecuación 6-4
donde ra es la resistencia aerodinámica (s/m), u la altura meda de la velocidad del viento (m/s) a la altura
(z), d es el desplazamiento del plano cero en las longitudes de rugosidad zo y zoh para el momento y el
calor, respectivamente (m). La variables d, zo y zoH se estimaron como d = 2 h / 3, 0,123* h y 0,0123* h
respectivamente, donde h es la altura del dosel (ver Tabla 6-1).
La ecuación 6-1 supone que el balance de energía está cerrado, es decir, la energía disponible es igual a la
suma de intercambio del flujo de calor latente y sensible. Esta suposición frecuentemente no es cumplida
125
por el método de covarianza de torbellino (CE) [Wilson et al., 2002; Leuning et al., 2012], aunque se piensa
que es la técnica micrometeorológica más directa para medir flujos de superficie [Meyers y Baldocchi,
2005]. Para este objetivo, el cierre del balance de energía de bosque a escala horaria se estimó mediante
la comparación de la suma de los flujos turbulentos (H + LE) y (Rn - G).
La metodología propuesta para estimar Gs se basó en una estrategia de combinación de la información
provista por ambos índices MODIS VIs y AMSR-E MIs (Figura 6-2).Tomando como base lo analizado en el
capítulo V, se utilizaron los datos de VIs de MODIS agregados a 25 kilómetros para que coincidieran con el
producto AMSR-E. En un primer lugar se realizaron las estimaciones individuales, es decir a partir de la
relación de cada índice con Gs. Se utilizó una ecuación exponencial para estimar Gs de VIs basados en el
trabajo Yebra et al., [2013] y en el capítulo anterior. Se utilizó una ecuación exponencial para estimar Gs de
VIs basados en el trabajo Yebra et al., [2013] y en el capítulo anterior19(ecuación: Gs= a*e ^ (b* VIs) + c,
donde c es la ordenada al origen, a y b son los coeficientes parciales de la regresión); y para los índices de
microondas una regresión polinómica [Li et al., 2009] (ecuación: Gs= a* MIs+ b* MIs^2+c, , donde c es la
ordenada al origen y a y b son los coeficientes parciales de la regresión). Además, se utilizó una regresión
19 La relación lineal entre el índice MI y Gs era esperable debido a la relación lineal encontrada entre el contenido de agua en la vegetación/ humedad
del suelo y FI/PI, respectivamente ([Barraza et al., 2014b], capítulo III y IV). Sin embargo, la relación exponencial entre Gs y los índices ópticos se podría
deber a varios factores limitantes, como ser el LAI y el contenido de agua de las hojas. Como se ha discutido y analizado en el capítulo III, los índices
ópticos son sensibles en primer lugar al LAI. Este podría ser un factor limitante para la relación entre el NDWI y Gs, como se observa en la Figura 3-6 del
capítulo donde se observa una relación exponencial entre LAI y NDWI para valores de LAI mayores a 0.5. Sin embargo, este no podría ser el factor limitante
para la relación entre el EVI y Gs. El índice EVI fue desarrollado para optimizar la señal de la vegetación mejorando la sensibilidad en las regiones con
mayor biomasa y para el seguimiento de la vegetación a través de un acoplamiento de la señal de fondo de dosel y una reducción de las influencias de
los aerosoles. Sin embargo, en el caso de presentar igualmente problemas de saturación, estos serían para valores altos de LAI que implicarían valores
altos de los índices. A su vez, los bosques estudiados en este capítulo no deberían presentar problemas de saturación dado que los valores de LAI son
menores a 2 y la orientación de las hojas en el dosel es primordialmente vertical, lo que implica que incluso las hojas de las capas más bajas reciben
suficiente radiación. Sin embargo, incluso en un bosque denso con presencia de valores saturados de EVI, la conductancia estomática no debería saturar,
en realidad puede actuar a la inversa, es decir, en condiciones de baja radiación, los estomas no tendrían necesidad de cerrar y, probablemente la
conductancia sería muy alta. Los mecanismos de regulación de los estomas no están totalmente analizados, pero la evidencia muestra que la conductancia
estomática responde al potencial hídrico foliar, que se correlacionan con variaciones de VPD [Mott and Parkhurst, 1991]. Cuando aumenta el VPD, los
estomas se cierran en respuesta a una disminución del potencial hídrico de la hoja y el aumento de la transpiración. Así Gs y VPD están correlacionados
negativamente, siguiendo una función logarítmica. Por lo tanto una posible causa de la relación exponencial podría ser que al aumentar el VPD, el
potencial hídrico de la hoja disminuye y por lo tanto el contenido de agua también disminuye.
126
lineal múltiple por pasos (stepwise) en la cual se ajusta a un conjunto de observaciones dependientes de
datos (Gs) una combinación lineal de variables explicativas (Gs-VIs-MIs), siendo la variable respuesta Gs y
las explicativas las estimaciones de Gs obtenidas por ambos enfoques individuales (ecuación: Gs= a* Gs
(VIs) + b* Gs (MIs) + c, donde c es la ordenada al origen y a y b son los coeficientes parciales de la regresión,
Gs (VIs) es la conductancia superficial estimada a partir de índices ópticos y Gs (MIs) es la conductancia
superficial estimada a partir de índices de microondas.
Luego de haber realizado las estimaciones individuales y según el modelo de regresión múltiple, se
seleccionó entre ellas la mejor estimación (en términos de r2 y RMSE) para cada cobertura. Posteriormente,
se procedió a combinar las distintas estimaciones de Gs según la Figura 6-2. Se compararon los dos modelos
y se completaron los valores faltantes con los del que mejor se desempeñaba. Las observaciones satelitales
y los datos de torre de flujo también se utilizaron para evaluar la capacidad del modelo multisensor para
estimar Gs. Finalmente, se evaluó un análisis en el que se utilizó la información de la mayoría de los sitios
(que llamaremos multisensor/multisitio). Todas las ecuaciones fueron calibradas utilizando un pool de
datos elegidos al azar (n= 264), que corresponde al 20% de la muestra total. Para realizar una primera
evaluación de la relación entre el modelo multisensor, los modelos individuales y las observaciones de Gs,
se calculó el coeficiente de determinación (r2) utilizando una regresión lineal de tipo II, y el error cuadrático
medio (RMSE) utilizando un pool de datos de validación (n=419). Un buen modelo se considera que tiene
un valor alto de r2, y bajo de RMSE.
Para realizar los mapas regionales de Gs, adicionalmente se utilizó el mapa de cobertura como variable de
entrada al modelo (Figura 6-1). Este mapa de cobertura presenta una resolución espacial de 1 kilómetro
presentando ocho clases de vegetación dominantes: bosques de eucaliptos, bosques de eucaliptos
tropicales, bosques abiertos de eucaliptos, pastizales de gramíneas y bosques de acacia. Se utilizó el mismo
mapa, pero a 25 km de resolución mediante la elección de la cobertura que se presenta con mayor
frecuencia entre los píxeles de 1 kilómetro.
127
FIGURA 6-2 DIAGRAMA DE FLUJO DE LA METODOLOGÍA EMPLEADA PARA ESTIMAR LA CONDUCTANCIA SUPERFICIAL (GS)
UTILIZANDO SERIES TEMPORALES DE MULTIPLES SENSORES. DONDE PM: PENMAN-MONTEITH, VIS: ÍNDICE DE VEGETACIÓN
OPTICO, FI: ÍNDICE DE FRECUENCIA, PI: ÍNDICE DE POLARIZACIÓN, VOD: ESPESOR ÓPTICO DE LA VEGETACIÓN Y SM: HUMEDAD
DEL SUELO. DATOS DE ENTRADA: MODIS VI Y AMSR-E FI, VOD, SM, QA: BANDA DE CALIDAD DE MODIS.
6.3.4 VALIDACIÓN CON MEDICIONES DE CAMPO
Se utilizaron mediciones in situ de ET de seis sitios boscosos de la red Ozflux. Las mediciones originales cada
media hora fueron pre-procesadas para garantizar la coherencia entre los sitios y reducir las incertidumbres
en los flujos calculados; esto incluyó la evaluación de control de calidad, y la eliminación de valores atípicos.
Además, a fin de evitar la influencia del agua sobre la vegetación, se utilizó sólo datos diarios en la cual no
hubiese precipitación durante las 24 horas que presiden. Se agregaron los flujos y demás datos
meteorológicos a valores diarios y luego a los períodos de tiempo de 8 días donde por lo menos 21 de las
24 horas de observaciones, si al menos 2 de los 8 días estaban disponibles. A partir de una base de datos
más completa de los flujos y las variables meteorológicas, se seleccionó : el flujo de calor latente (LE, W /
m2), la temperatura del aire (Ta, ºC), la precipitación media diaria (Prec, mm), humedad relativa (HR, %),
radiación entrante de onda corta (SW, W / m2), la radiación entrante de onda larga (LW, W / m2), calor
128
sensible (H, W / m2), la radiación neta (Rn, W / m2). Se determinó radiación a tope de atmósfera (TOA, W /
m2) siguiendo la metodología de [Goudriaan, 1986].
6.4 RESULTADOS
6.4.1 EVALUACIÓN DEL MODELO DE GS CON DATOS DE TORRE DE FLUJO
En esta sección se probaron distintos enfoques para estimar Gs en función de los índices VIs, MIs y ambos.
La Figura 6- 3 muestra la relación entre las observaciones de Gs y los distintos índices VIs y MIs, y la Figura
6-4 muestra los valores estimados versus los observados de Gs (mm/s) derivados de las distintas
aproximaciones. Se evidencia la relación no lineal entre los índices NDWI y EVI y Gs. PI, FI, VOD y SM
presentan distintos tipos de relaciones con Gs. También se evidencia un aumento en Gs y los valores de los
índices VIs y MIs para el sitio de sabana tropical. Los resultados obtenidos en las Tabla 6-3 y Tabla 6-4
muestran que ninguno de los índices (VIs vs MIs) resultó ser consistentemente la mejor aproximación para
todos los tipos de cobertura. Entre los índices ópticos, el modelo NDWI presentó el mayor coeficiente de
determinación (r2) y menor error cuadrático medio (RMSE) para estimar Gs para uno de los bosques de
eucalipto (HSP) y para el sitio de pastizal (SP). El modelo EVI para los restantes bosques de eucalipto (DRP,
DRY y AR) y para la sabana semiárida (ALS). Entre los índices de microondas pasivas, el modelo Gs-VOD
mostró el valor más alto de r2 y más bajo de RMSE para los bosques de eucalipto (exceptuando HSP) y Gs-
SM para el sitio de pastizal y AR. El modelo multivariado FI-EVI explico el 70% y el 40% para de la varianza
de Gs para el pool de datos de calibración y validación con el menor RMSE, respectivamente para HSP. Para
los restantes sitios, los modelos multivariados no explicaron mayor variabilidad de Gs.
129
FIGURA 6-3 RELACIÓN ENTRE LOS VALORES OBSERVADOS DE GS (CONDUCTANCIA SUPERFICIAL, MM/S) Y LOS ÍNDICES OPTICOS Y DE
MICROONDAS. DONDE EVI ES EL ÍNDICE DE VEGETACIÓN MEJORADO, NDWI EL ÍNDICE NORMALIZADO DE AGUA, PI (BANDA X) ES EL
ÍNDICE DE POLARIZACIÓN, FI V (BANDAS KA- X) ES EL ÍNDICE DE FRECUENCIA, VOD ES EL ESPESOR ÓPTICO DE LA VEGETACIÓN Y SM
ES LA HUMEDAD DEL SUELO. LOS SITIOS SELECCIONADOS FUERON: HOWARD SPIRNGS (HSP), ADELAIDE RIVER (AR), DRY (DRP), DRY
RIVER (DRY), STURT PLAIN (SP) Y ALICE SPRINGS (ALS).
130
TABLA 6-3 RESUMEN DE LA RELACIÓN ENTRE LOS ÍNDICES ÓPTICOS Y LA CONDUCTANCIA SUPERFICIE (GS) PARA EL SET DE DATOS DE CALIBRACIÓN. SE UTILIZÓ UNA TRANSFORMACIÓN
LOGARÍTMICA PARA LINEALIZAR LA RELACIÓN ENTRE LOS ÍNDICES ÓPTICOS Y GS.
Nombre FI PI EVI
r2Gso-Gse RMSE (mm/s) r2 r2
Gso-Gse RMSE (mm/s) r2 r2Gso-Gse RMSE (mm/s) r2
HSP 0,62 2,52 0,61 0,32 2,41 0,33 0,58 1,74 0,68
AR 0,28 2,48 0,24 0,33 3,01 0,30 0,87 1,20 0,93
DRP 0,26 0,41 0,30 0,45 0,38 0,51 0,32 0,43 0,10
DRY 0,46 0,56 0,66 0,32 0,28 0,43 0,52 0,44 0,59
SP 0,03 0,26 0,02 0,26 0,19 0,01 0,07 0,24 0,02
ALS 0,59 0,58 0,69 0,90 0,44 0,10 0,37 0,41 0,31
NDWI FI, EVI PI, EVI
Nombre r2Gso-Gse RMSE (mm/s) r2 r2
Gso-Gse RMSE (mm/s) r2/ r2adj r2
Gso-Gse RMSE (mm/s) r2/ r2adj
HSP 0,72 1,48 0,68 0,76 1,62 0,75/0,74 0,58 5,85 0,58/0,57
AR 0,23 2,88 0,18 0,92 1,21 0,93/0,92 0,88 1,36 0,88/0,87
DRP 0,21 0,43 0,19 0,62 0,29 0,62/0,60 0,32 0,76 0,31/0,30
DRY 0,16 0,55 0,24 0,63 0,42 0,56/0,54 0,52 0,41 0,52/0,49
SP 0,43 0,19 0,06 0,09 0,56 - 0,09 0,57 -
ALS 0,37 0,39 0,28 0,88 1,53 - 0,36 1,56 -
VOD SM VOD, EVI
Nombre r2Gso-Gse RMSE (mm/s) r2 r2
Gso-Gse RMSE (mm/s) r2 r2
Gso-Gse RMSE (mm/s) r2/ r2adj
HSP 0,20 3,30 0,16 0,25 3,15 0,31 0,75 1,76 0,75/0,75
AR 0,25 2,87 0,05 0,69 1,87 0,69 0,87 1,21 0,87/0,86
DRP 0,55 0,33 0,55 0,43 0,39 0,42 0,64 0,29 0,64/0,65
DRY 0,69 0,33 0,75 0,69 0,33 0,70 0,69 0,33 0,62/,060
SP 0,22 0,23 0,23 0,20 0,23 0,33 0,22 0,23 0,22/0,15
ALS 0,57 0,39 0,62 0,93 0,15 0,02 0,53 1,76 -
131
TABLA 6-4 RESUMEN DE LA RELACIÓN ENTRE LOS ÍNDICES ÓPTICOS Y LA CONDUCTANCIA SUPERFICIE (GS) PARA EL SET DE DATOS DE VALIDACIÓN. SE UTILIZÓ UNA TRANSFORMACIÓN
LOGARÍTMICA PARA LINEALIZAR LA RELACIÓN ENTRE LOS ÍNDICES ÓPTICOS Y GS.
Nombre
FI PI EVI
r2Gso-Gse RMSE (mm/s) n r2
Gso-Gse RMSE (mm/s) n r2Gso-Gse RMSE (mm/s) n
HSP 0,40 3,34 126 0,20 3,72 126 0,50 3,09 116
AR 0,10 1,93 20 0,01 1,91 20 0,40 2,51 18
DRP 0,24 0,39 58 0,24 0,39 58 0,54 0,41 58
DRY 0,07 0,65 17 0,20 0,73 17 0,15 0,95 15
SP 0,03 0,21 31 0,41 0,47 31 0,31 1,46 26
ALS 0,79 0,54 7 0,81 0,38 7 0,78 0,49 7
NDWI FI, EVI PI, EVI
Nombre r2Gso-Gse RMSE (mm/s) n r2
Gso-Gse RMSE (mm/s) n r2Gso-Gse RMSE (mm/s) n
HSP 0,72 2,25 116 0,61 2,68 116 0,21 8,19 116
AR 0,01 3,21 18 0,33 2,40 18 0,01 1,87 18
DRP 0,22 0,43 58 0,41 0,34 58 0,46 0,67 58
DRY 0,15 0,64 15 0,15 1,03 15 0,20 0,72 15
SP 0,27 19, 26 0,30 1,64 26 0,41 1,99 26
ALS 0,91 0,53 7 0,77 1,92 7 0,89 2,13 7
VOD SM VOD, EVI
Nombre r2Gso-Gse RMSE (mm/s) n r2
Gso-Gse RMSE (mm/s) n r2Gso-Gse RMSE (mm/s) n
HSP Ns 4,26 126 0,41 3,20 126 0,96 3,10 126
AR Ns 2,72 20 0,26 1,63 20 0,34 1,29 20
DRP 0,47 0,33 58 0,43 0,34 58 0,62 0,32 58
DRY 0,65 0,40 17 0,58 0,48 17 0,43 0,38 17
SP 0,42 0,15 31 0,40 0,16 31 0,63 6,4 31
ALS 0,82 0,22 7 0,51 1,04 7 0,26 2,55 7
132
TABLA 6-5 RESUMEN DEL AJUSTE DE LOS MEJORES ENFOQUES PARA ESTIMAR GS UTILIZANDO ÍNDICES ÓPTICOS (VI), ÍNDICES DE
MICROONDAS PASIVAS (MI) O EL MODELO MÚLTISENSOR (VI, MI) SEGÚN LO DETALLADO EN LA FIGURA 6-2.
La Tabla 6-5 muestran un resumen de los mejores modelos Gs- índices de vegetación tanto para los índices
de microondas pasivas como ópticos. A su vez se incluyó el modelo multisensor calculado según la
metodología detallada en la Figura 6-2 combinado las series temporales de Gs-VIs y Gs-MI derivadas de
MODIS y AMSR-E, observando que en general explica el similar o mayor porcentaje de varianza de Gs que
el modelo Gs-VIs.
Si bien en este capítulo se analizaron seis sitios que corresponden a distintos grupos funcionales de la
vegetación, en el área NATT existen más tipos de coberturas. En este marco se planteó el desarrollo de un
modelo multisitio. En función de la Figura 6-3 es pertinente señalar que para la metodología de multisitio
solo incluimos AR, DRP, DRY, SP y ALS. Se evaluaron distintas aproximaciones para generar el mejor modelo
multisitio, siendo el modelo multisensor VOD y EVI el que presento la mejor aproximación para todos los
ecosistemas. Si bien se observa una disminución en el porcentaje de varianza explicada de Gs, este modelo
Nombre MIs VIs
Índices r2Gso-Gse RMSE n Índices r2
Gso-Gse RMSE n
HSP FI, EVI 0,69 2,07 126 NDWI 0,72 2,25 116
AR SM 0,87 1,63 20 EVI 0,40 2,51 18
DRP VOD 0,55 0,33 58 EVI 0,22 0,43 58
DRY VOD 0,69 0,40 17 EVI 0,15 0,95 15
SP SM 0,22 0,15 31 NDWI 0,27 1,9 26
ALS VOD 0,57 0,21 7 EVI 0,78 0,49 7
VIs, MIs Multisitio
Índices r2Gso-Gse RMSE n Índices r2
Gso-Gse RMSE n
HSP NDWI, FI 0,77 2,00 126 VOD, EVI 0,35 4,60 118
AR EVI, SM 0,66 1,55 20 VOD, EVI 0,63 0,97 20
DRP NDWI, VOD 0,47 0,33 58 VOD, EVI 0,43 0,88 58
DRY EVI, VOD 0,65 0,40 17 VOD, EVI 0,63 0,71 15
SP NDWI, SM 0,42 0,15 31 VOD, EVI 0,30 0,78 26
ALS EVI, VOD 0,81 0,21 7 VOD, EVI 0,97 1,28 7
133
permite extrapolar los resultados obtenidos a otros tipos funcionales de vegetación dentro de la transecta
NATT.
FIGURA 6-4 RELACIÓN ENTRE LOS VALORES ESTIMADOS Y OBSERVADOS DE GS (MM/S) DERIVADOS DE LOS DISNTINTOS
ENFOQUES INDIVIDUALES (ÍNDICES OPTICOS O DE MICROONDAS PASIVAS), ENFOQUE MULTISNESOR Y MULTISITIO/
MULTISENSOR.
6.4.2 PATRONES BIOGEOGRÁFICOS DE GS A LO LARGO DE LA TRANSECTA NATT
Se estimó la conductancia superficial, Gs, utilizando el modelo multisensor y multisitio Gs para el período
2002-2010 para los ecosistemas de sabana y vegetación semiárida. La Figura 6-5 muestra los valores
promedios anuales de Gs para el período analizado. En ambas figuras se observa que los valores máximos
de Gs se localizaron a lo largo de la franja costera y los valores menores de conductancias en las partes
meridionales áridas de la zona de NATT. A su vez, los valores máximos de conductancia superficial se
correspondieron con áreas de bosques de eucalipto tropical, bosques de eucalipto y bosques abiertos de
134
eucaliptos Kelliher et al., 1995]. La distribución de valores de Gs sobre el área de NATT se encontró sesgada
hacia valores bajos de Gs, presentando más de 50% de los píxeles valores menores a 1 mm /s (el valor de la
mediana fue de 0,80 mm/s). Este resultado es razonable teniendo en cuenta que en esta zona hay una gran
cantidad de pixeles que se corresponden con ecosistemas, tales como pastizales y la sabana semi-árida. Si
bien los valores de Gs para la sabana semi-árida se corresponde con el rango de valores observados para
este sitio, presenta valores de Gs muy bajos (correspondientes a altos valores de resistencia) esto se debió
a que durante el período analizado esta zona se vio afectada por un periodo de sequía extrema (conocido
como big dry). Por lo cual, este evento extremo limita las estimaciones de Gs solamente para el periodo
analizado.
FIGURA 6-5 MAPAS DE VALORES MAXIMOS ANUALES DE CONDUCTANCIA SUPEFICIAL (GS, MM/S) ESTIMADOS UTILIZANDO EL
MODELO MULTISENSOR Y MULTISITIO, Y OBSERVADOS. LOS PÍXELES FALTANTES (BLANCOS) CORRESPONDEN A CUERPOS DE AGUA,
DATOS FALTANES DE MODIS, DE AMSR-E, O FUERA DE RANGO.
6.4.3 ESTIMACIÓN DE LA EVAPOTRANSPIRACIÓN
Con el fin de evaluar la influencia de las estimaciones de Gs para estimar ET según el algoritmo PM,
analizamos la metodología PM-Gs utilizando el enfoque individual y multisensor para estimar la
evapotranspiración (Tabla 6-6, Figura 6-6). En primer lugar, el modelo de VIs presentó un buen desempeño
en ecosistemas de sabana leñosa (exceptuando el bosque tropical de eucalipto); sin embargo en el modelo
135
de MIs y multisitio presentaron un mejor desempeño para todos los ecosistemas (Figura 6-6). Además, el
número de muestras aumenta para casi todos los sitios que utilizan esta última metodología (Tabla 6-5).
TABLA 6-6 RESUMEN DEL AJUSTE ENTRE LOS VALORES ESTIMADOS Y OBSERVADOS DE LE (W/M2). DONDE R2 ES EL COEFICIENTE DE
DETERMINACIÓN, RMSE EL ERROR CUADRATICO MEDIO ENTRE LAS OBSERVACIONES Y ESTIMACIONES DE LE.
Nombre MIs VIs
Índices r2Leo-LEe RMSE Índices r2
Leo-LEe RMSE
HSP FI, EVI 0,69 20,51 NDWI 0,71 18,43
AR SM 0,48 30,46 EVI 0,81 18,14
DRP VOD 0,71 13,99 EVI 0,52 18,52
DRY VOD 0,84 11,65 EVI 0,67 15,23
SP SM 0,55 11,93 NDWI 0,10 30,57
ALS VOD 0,73 22,99 EVI 0,49 24,11
VIs, MIs Multisitio
Índices r2Leo-LEe RMSE Índices r2
Leo-LEe RMSE
HSP NDWI, FI 0,71 18,43 VOD, EVI 0,82 20,50
AR EVI, SM 0,81 18,15 VOD, EVI 0,80 20,00
DRP NDWI, VOD 0,71 13,99 VOD, EVI 0,57 28,56
DRY EVI, VOD 0,84 11,65 VOD, EVI 0,72 28,24
SP NDWI, SM 0,49 11,93 VOD, EVI 0,20 18,51
ALS EVI, VOD 0,85 6,03 VOD, EVI 0,83 12,51
136
6.5 DISCUSIÓN
Australia es un continente mayormente árido del que se necesita conocer el patrón espacio temporal de la
evapotranspiración real a lo largo de los distintos ecosistemas. Glenn et al., [2011] realizó un análisis de
distintas metodologías para estimar la ET desarrolladas a lo largo de los últimos 20 años para Australia. A
su vez, resaltó la necesidad de usar otros conjuntos de datos satelitales diferentes a los que utilizan las
metodologías tradicionales (temperatura de superficie y/o índices ópticos) para mejorar la estimación de
FIGURA 6-6 RELACIÓN ENTRE LOS VALORES ESTIMADOS Y OBSERVADOS DE LE (W/M2) DERIVADOS DE LOS DISNTINTOS ENFOQUES
INDIVIDUALES (ÍNDICES OPTICOS O DE MICROONDAS PASIVAS), ENFOQUE MULTISENSOR Y MULTISITIO.
137
ET. En este contexto, a lo largo de este capítulo se han evaluado modelos para estimar conductancia
superficial (Gs) y ET combinando información provista por datos de torres de flujo de la red Ozflux, mapa
de cobertura y datos satelitales (índices ópticos y de microondas pasivas). A diferencia del capítulo anterior,
se evaluaron sitios donde la sensibilidad de los índices de microondas sobre la humedad del suelo no es
despreciable. Además, dado que este sitio cuenta con seis torres de flujo distribuidas a lo largo de la
transecta en distintos formas funcionales de vegetación fue posible espacializar las estimaciones de Gs.
6.5.1 ANÁLISIS DEL MODELO DE CONDUCTANCIA SUPERFICIAL
En una primera etapa se evaluó la estimación de Gs utilizando los índices individuales (VIs y MIs),
encontrando que ambos índices eran sensibles a las variaciones estacionales de Gs. En general, los mejores
modelos PM-Gs explicaron más de un 50% de la varianza de Gs y el RMSE resulto ser menor a 1 mm/s
(excepto para Howard Springs con RMSE = 2 mm/s). Interesantemente, el enfoque que utiliza los índices de
microondas pasivas (en especial VOD y SM) entre las variables regresoras presentó el mejor desempeño en
términos de varianza explicada de Gs, lo cual difiere con los resultados obtenidos en el capítulo anterior.
Esto puede deberse a que dichos ecosistemas están limitados por diferentes forzantes eco fisiológicas,
haciendo en una primera instancia el enfoque Gs- índices de vegetación un modelo que depende del tipo
de cobertura.
Entre los índices de microondas pasivas los índices VOD y SM presentaron el mejor desempeño en términos
de varianza explicada de Gs, lo cual difiere de lo encontrado en el capítulo anterior. El índice FI solamente
presentó un mejor desempeño en el sitio HSP, que corresponde a un bosque de eucalipto con el valor de
LAI más alto de esta transecta (LAI = 1,05). Esto puede deberse a que el índice FI solamente depende de las
observaciones, en cambio el VOD es un producto y depende de más parámetros. Para estimar este último,
se utiliza un esquema de minimización, con diversas suposiciones con respecto al tipo de cobertura. Si se
conoce correctamente los parámetros que caracterizan la cobertura, el VOD sería un mejor estimador del
contenido de agua de la vegetación que el FI para cualquier tipo de cobertura. Esto es debido a que el índice
FI no está corregido por factores geométricos ni por la influencia del suelo. Caso contrario, el FI sería más
robusto.
El producto SM resulto un buen estimador de Gs para AR (bosque tropical de eucalipto) y SP (pastizal). Sin
embargo, se encontró una menor precisión de las estimaciones de Gs para el área de Sturt Plain (<30%).
Por lo tanto, resulta necesario un análisis adicional para evaluar con mayor detalle la relación entre los
índices de vegetación (ópticos y de microondas), y la humedad del suelo, VPD y otros factores ambientales
138
que afectan a Gs en este ecosistema. Estimaciones independientes de la conductancia del dosel y del suelo
utilizando índices satelitales bajo el marco de otros modelos, como Shuttleworth-Wallace [Shuttleworth y
Wallace, 1985], podrían mejorar la estimación de Gs y por lo tanto de LE.
Por otro lado, se demostró que los índices ópticos están correlacionados con Gs en bosques de eucaliptos,
bosques de eucaliptos tropical y bosque abierto de eucalipto. Dado que Gs está estrechamente relacionada
con la concentración de clorofila de la hoja [Matsumoto et al., 2005] y el contenido de agua en la hoja, se
esperaba encontrar una buena correlación entre Gs y EVI - NDWI.
Adicionalmente, se evaluaron dos estrategias distintas para combinar la información provista por ambos
índices de vegetación: i) un modelo de regresión múltiple, el cual mejoró la estimación de Gs para el sitio
de Howard Springs y, ii) una estrategia para combinar las series temporales de VIs y MIs basados en el
reemplazado de datos faltantes de VIs. Como se ha discutido previamente en los capítulos anteriores, los
índices de microondas pasivas se ven menos afectados que los sistemas ópticos por las condiciones
atmosféricas, por lo cual este estudio muestra un enfoque complementario para proporcionar una serie de
tiempo completo. Ajustes similares se obtuvieron para los enfoques individuales VIs y multisensores, lo que
indica que no habría una inconsistencia entre ambos conjuntos de datos al utilizar el segundo modelo.
Además, el número de muestras aumenta significativamente, haciendo de esta metodología un enfoque
robusto, capaz de capturar las variaciones sutiles en Gs sin sacrificar la precisión del ajuste (en términos del
r2 y RMSE).
Para poder espacializar el modelo Gs- índices de vegetación a otros tipos funcionales de vegetación
presenten en el área de estudio se evaluaron distintas aproximaciones multisitio. El mejor enfoque resulto
el modelo de regresión múltiple VOD y EVI. Si bien se observa una degradación en cuanto a la precisión, el
error obtenido sigue siendo menor a 2 mm/s lo cual está acorde con lo encontrada en los demás enfoques.
Bell y Williams [1997] citan valores de conductancia estomática máxima entre 4,4 a 12,2 mm/s para diez
especies de eucalipto durante la temporada de crecimiento, lo cual se corresponde con lo obtenido para
los sitios analizados cada 8-días para el mismo período (5-15 mm/s). En función de este modelo se
generaron los mapas regionales de Gs para evaluar la variabilidad espacial de esta variable calculada sobre
el área de estudio NATT. Espacialmente, Gs aumentó de sur a norte, lo que se corresponde con el gradiente
de precipitación y densidad de la vegetación. Las regiones donde el valor medio anual de Gs fue alto se
corresponden con zonas de sabana leñosa, y sitios con valores bajos de Gs se encuentran en la parte sur de
la zona árida del NATT. Para las zonas de Bosques de eucalipto, se encontró el valor mayor de Gs anual (5
139
mm/s), seguido por sitios de bosque abierto y eucalipto (2,09 mm/s). Como se esperaba, los bosques de
eucalipto presentaron valores superior de Gs con respecto a los ecosistemas de pastizal (0,27 mm/s) y
mulga (0,24 mm/s). Por lo tanto, el patrón espacial de Gs fue razonable y mostró que el modelo fue capaz
de captar la variación espacial de Gs. Los resultados de este trabajo muestran coherencia con la información
de la literatura. Yebra et al., [2013] presentó un mapa de valores medios de Gs, derivados de un enfoque
de índices ópticos, que varían entre 0-10 mm/s.
Como se ha discutido en estudios previos [Li et al., 2009; Jones et al., 2012; Ramoelo et al., 2014] y en el
capítulo anterior, los errores por diferencias de escala tienen ciertos efectos en la evaluación y comparación
de los datos satelitales y torres de flujo. A pesar de que algunas variaciones encontradas en este capítulo
pueden ser explicadas por problemas de escala, resulta importante mencionar que más del 50% de la
variación de Gs pudo ser explicada por los índices satelitales. Además, comparando los resultados obtenidos
por Yebra et al., [2013] con datos de torre de flujo para el área de NATT, se observa que el enfoque
presentado en este capítulo mejora el trabajo desarrollado por la autora (Tabla 6-7 y Figura 6-7). Si bien las
métricas de evaluación (r2 y RMSE) son comparables o superiores en términos de precisión a las obtenidas
en este capítulo, la Figura 6-7 muestra que son el resultado de sobreestimaciones para valores bajos de Gs
y subestimaciones para valores altos de Gs. Debido a esto en este capítulo además de utilizar las métricas
de evaluación (r2 y RMSE) se analizaron las figuras de dichas relaciones (Figura 6-4 y 6-5), y la distribución
de errores (Figura 6-6).
TABLA 6-7 RESUMEN DEL AJUSTE ENTRE LOS VALORES ESTIMADOS VERSUS OBSERVADOS DE CONDUCTANCIA DEL DOSEL GLOBAL
(GC), OBTENIDO DEL PRODUCTO DE YEBRA ET AL., [2013]. ESTE PRODUCTO PROVEE ESTIMACIONES DE CONDUCTANCIA DEL DOSEL
A UNA ESCALA ESPACIAL DE 0.05⁰ BASADOS EN EL PROUCTO MCD43C4 DE REFLECTACNIA DE SUPERFICIE DEL SENSOR MODIS Y
TRES ÍNDICES DE VEGETACION (NDVI, EVI Y KC). DONDE NDVI ES EL ÍNDICE DE VEGETACIÓN NORMALIZADO, EVI ES EL ÍNDICE DE
VEGETACION MEJORADO, Y KC ES EL COEFICIENTE DE CULTIVO CALCULADO A PARTIR DEL ÍNDICE EVI. EL PRODUCTO ES PROVISTO
DE FORMA GLOBAL A UNA ESCALA ESPACIAL DE 0.05⁰ Y CADA 8-DÍAS.
Name Gc
r2Gso-Gse RMSE (mm/s)
HSP 0,81 2,03
AR 0,72 1,72
DRP 0,42 1,10
DRY 0,65 1,85
SP 0,16 1,31
ALS 0,15 1,07
140
FIGURA 6-7 RELACIÓN ENTRE LA CONDUCTANCIA SUPERFICIAL ESTIMADA POR YEBRA ET AL., [2013] Y OBSERVADA
6.5.2 ANÁLISIS DEL ENFOQUE PM-GS PARA ESTIMAR LA EVAPOTRANSPIRACIÓN
Por último, en este capítulo se aplicó el modelo de Penman-Monteith (PM) para estimar ET a través de los
ecosistemas NATT en escalas de tiempo de 8 días utilizando índices ópticos y/o de microondas pasivas. En
general, los modelos PM-Gs explicaron más del 60% de la varianza en LE con RMSE menores a 20 W / m2.
El modelo PM-(Gs-MI) resulto ser el mejor enfoque en términos de r2, RMSE y N. A pesar de todas las
incertidumbres asociadas con problemas de escala entre las mediciones de torre de flujo e índices
satelitales, este enfoque proporcionó una estimación robusta de LE. El enfoque PM (Gs, VI-MI) presentó
similares valores de r2 que el enfoque (Gs, VI), pero con valores menores de RMSE. Finalmente, el modelo
multisitio al igual que se observa una degradación en cuanto a la precisión, la diferencia media entre los
valores estimados y observados de LE está en acuerdo con el rango de errores de la literatura [Kalma et al.,
2008; Li et al., 2009; Yebra et al., 2013]. Además, dichos errores resultaron menores a los reportados sobre
la sabana africana al usar el producto MODIS ET [Ramoelo et al., 2014].
141
6.6 CONCLUSIONES
La metodología desarrollada tanto en este capítulo como en el anterior (capítulo V) presentaron una mejora
de los trabajos propuestos por Yebra et al., [2013] y Li et al., [2009]. Esta metodología podría ser
implementada en otros ecosistemas naturales, y/o se podría evaluar el desempeño de las ecuaciones
obtenidas (en estos capítulos) para otros sitios que presenten similares tipos de coberturas. El último punto
resulta importante dado que sería posible combinar los valores predichos de Gs con variables
meteorológicas obtenidas de datos de re-análisis, para obtener estimaciones espacialmente distribuidas de
ET. Esto será de gran importancia especialmente para poder implementar dicha metodología en áreas que
carecen de datos in-situ (como es el caso de los ecosistemas boscosos en Argentina). En el siguiente capítulo
se analizará la performance de combinar las estimaciones de Gs con datos de re-análisis.
142
CAPÍTULO VII
ESTIMACIÓN DE LA EVAPOTRANSPIRACIÓN COMBINANDO INFORMACIÓN
SATELITAL CON INFORMACIÓN DE MODELOS DE SUPERFICIE Y DATOS DE
RE-ANÁLISIS
RESUMEN
El objetivo de este capítulo es analizar y evaluar la potencialidad de combinar la conductancia superficial,
obtenida a partir de series temporales multisensor, con datos meteorológicos provenientes de datos de
re-análisis y/o de modelos de superficie off-line para la estimación de la evapotranspiración. Se
compararon los resultados obtenidos con datos de torres de flujos, y otros productos de
evapotranspiración disponibles (MOD16A2, GLDAS/NOAH y MERRA). También se evaluó el patrón espacial
y temporal de las estimaciones de evapotranspiración. Estos resultados son de interés especialmente
dado que muchos ecosistemas a nivel mundial (entre ellos en Argentina) carecen de datos meteorológicos
de terreno espacialmente distribuidos, convirtiéndose en una alternativa robusta para la estimación de la
ET.
7.1. INTRODUCCIÓN La evapotranspiración (ET) desempeña un papel importante en el balance de agua y energía, siendo un
factor clave en los campos de la geografía, meteorología, hidrología y ecología [Meyer, 1999; Dodds et al.,
2005; Cleugh et al., 2007]. Sin embargo, su medición directa o en su defecto su estimación es muy difícil
dada la diversidad y complejidad de factores involucrados en este proceso (meteorológicos, fisiológicos y
edafológicos) [Martínez, 2002]. Esto hace que en la actualidad se empleen numerosas meteorologías y
modelos para estimar y/o medir ET. El uso de la teledetección es una buena alternativa para lograr este
objetivo, ya que puede ser utilizado para obtener conjuntos de datos a largo plazo sobre grandes zonas. Sin
embargo, la teledetección no puede medir directamente los flujos turbulentos superficiales. Por ello, se
143
han propuesto diversas metodologías, las cuales varían desde aproximaciones puramente empíricas hasta
enfoques basados en la ecuación de balance de energía a partir de los índices de vegetación y temperatura
de superficie [Moran y Jackson, 1991; Cleugh et al., 2007; Kalma et al., 2008; Li et al., 2009; Yebra et al.,
2013].
Dentro de estas metodologías existen métodos que proponen la determinación de la evapotranspiración
utilizando únicamente información satelital y otros que combinan información meteorológica convencional
con los datos de satélite habituales [Reginato et al., 1985; Yebra et al., 2013]. En este contexto, las
metodologías que combinan información meteorológica con datos satelitales [Reginato et al., 1985; Yebra
et al., 2013] para la estimación de ET dependen de datos meteorológicos in situ, por ejemplo, temperatura
del aire, humedad del aire y velocidad del viento. Sin embargo, la adquisición de estos datos para algunas
regiones es problemático. Las regiones económicamente subdesarrolladas o en vías de desarrollo
presentan poca infraestructura y pocos recursos para el monitoreo continuo de los datos. Por otro lado, en
regiones remotas, también resulta difícil establecer y mantener estaciones meteorológicas. Por lo tanto, es
de gran importancia desarrollar una manera de estimar ET para las regiones que carecen de datos de
campo.
En este marco, una posibilidad es utilizar series de tiempo de datos globales representativos de las
condiciones atmosféricas, conocidos como datos de re-análisis de modelos de circulación global. Estos
datos juegan un papel importante por ser datos meteorológicos que describen el estado de la atmósfera
en una grilla regular de puntos a diferentes alturas que cubren todo el planeta. Los mismos se obtienen a
partir del análisis de los datos meteorológicos históricos disponibles y la simulación con modelos
meteorológicos de manera que se genera una grilla regular de datos. En la actualidad además se encuentran
disponibles capas de información provenientes de modelos off-line de proceso suelo-vegetación-
atmosfera, los cuales si bien no son estrictamente datos de re-análisis pueden ser utilizados y analizados.
Por ejemplo, el producto de MODIS de evapotranspiración (MOD16A2 y A3) utiliza datos de re-análisis como
parámetros de entrada para su modelo [Mu, 2007].
El objetivo de este capítulo es evaluar la potencialidad de estimar la ET a nivel regional combinando el
conjunto de datos de modelos de superficie, datos de re-análisis y el producto de Gs generado a lo largo de
la tesis. Para lo cual se realizó un análisis a dos escalas: i) local, comparando la estimación de ET con los
datos de torres de flujo (covarianza de torbellino) y otros productos de ET, y ii) regional, generando mapas
de evapotranspiración y analizando el patrón biogeográfico de los mismos.
144
7.2. HIPÓTESIS Y PREDICCIÓN
La estimación de la Evapotranspiración se puede mejorar con la combinación de datos de re
análisis/modelos de superficie y variables estimados por técnicas de teledetección.
o Predicción: Se puede capturar la variabilidad espacial y temporal de la
evapotranspiración combinando información satelital y datos meteorológicos globales
(datos de re-análisis y /o datos de modelos de superficie).
7.3. METODOLOGÍA
7.3.1. PRODUCTO DE CONDUCTANCIA DE SUPERFICIE
Según las metodologías detalladas en los capítulos anteriores, se utilizó el producto de conductancia
superficial (Gs) basados en un enfoque de múltiples sensores desarrollado en los capítulos V y VI. Este
producto tiene una resolución espacial de 25 km y un período de composición de 8 días. El mismo está
basado en la ecuación de Penman-Monteith (PM) (Ecuación 7-1). La conductancia superficial (Gs)
desempeña un papel importante en la regulación de ET y es en sí misma una función de las variables de la
vegetación y el medio ambiente, entre otros, Ta, VPD, potencial hídrico, radiación fotosintética activa (PAR),
y la concentración de dióxido de carbono (CO2) [Monteith, 1985; Allen et al., 1998].
G = ⌊ ��.��ε.A − ε+ .LE+ cp.ρa � [e� �� −��]� ⌋ Ecuación 7-1
donde ea es la presión de vapor en el aire (kPa), es es la presión de vapor de saturación evaluado en la
te pe atu a del ai e kPa , ε = s / γ, e la ue s es la pendiente de la presión de vapor de saturación versus
la u a de te pe atu a kPa/ ºC y γ es la o sta te psi o ét i a (kPa/ ºC), LE es el flujo de calor latente
(W/m2 , ρa es la de sidad edia del ai e kg/ 3), cp es el calor específico del aire a presión constante (J/kg
K), A (W/m2) es la energía disponible absorbida por la superficie (radiación absorbida neta menos el flujo
neto de calor en el suelo), Gs (m/s) y Ga (m/s) son las conductancias de superficie y aerodinámica.
7.3.2. DATOS DE TORRES DE FLUJO
Se utilizaron mediciones in situ de covarianza de torbellino de cinco sitios pertenecientes a la red Ozflux y
tres de la red Ameriflux-Fluxnet, los cuales corresponden a diferentes tipos funcionales de vegetación, como
se muestra en la Tabla 7-1. Las mediciones originales fueron pre-procesadas para garantizar la coherencia
entre los sitios y reducir las incertidumbres en los flujos calculados; esto incluye la evaluación de control de
calidad, y la eliminación de valores atípicos. Además, a fin de evitar la influencia del agua sobre la
145
vegetación, se utilizaron sólo como datos diarios sin precipitación durante las 24 horas precedentes. Se
agregaron los flujos y demás datos meteorológicos a valores diarios, si por lo menos 21 de las 24 horas de
observaciones estaban disponibles, y luego a los períodos de tiempo de 8 días, si al menos 2 de los 8 días
estaban disponibles. A partir de una base de datos más completa de los flujos y las variables meteorológicas,
se seleccionó : el flujo de calor latente (LE, W/m2), la temperatura del aire (Ta, ºC), la precipitación media
diaria (Prec, mm), la humedad relativa (HR,%), la radiación entrante de onda corta (SW, W/m2), la radiación
entrante de onda larga (LW, W/m2), el calor sensible (H, W/m2), la radiación neta (Rn, W/m2). Se determinó
la radiación a tope de atmósfera (TOA, W/m2) siguiendo la metodología de [Goudriaan, 1986].
TABLA 7-1 DESCRIPCIÓN DE LOS SITIOS CON TORRES DE FLUJO DE COVARIANZA DE TORBELLINO. DONDE H SE CORRESPONDE A LA
ALTURA DE LA CANOPIA, Z ES LA ALTURA DE MEDICION, DBF CORRESPONDE A UN BOSQUE DECIDUO DE HOJA ANCHA, ENF Y EBF
HACEN REFERENCIA A BOSQUES SIEMPRE VERDER CON HOJAS ACICULARES Y ANCHA RESPECTIVAMENTE. IGBP ES THE
INTERNATIONAL GEOSPHERE-BIOSPHERE PROGRAMME VEGETATION CLASSIFICATION
Código Nombre País Lat Lon h(m) Z(m) IGBP Años Referencias
AU-HSP Howard
Springs Australia 12,48 131,15 18,9 23 WSA 2001-11 [Hutley et al., 2011]
AU-AR Adelaire
Rivers Australia 13,09 131,12 12,5 15 WSA 2007-09 [Sea et al., 2011]
AU-DRP Daly River Australia 14,16 131,84 16,4 23 WSA 2007-11 [Hutley et al., 2011]
AU-DYR Dry River Australia 15,26 132,37 12,3 15 WSA 2010-11 [Sea et al., 2011]
AU-SP Sturt Plains Australia 17,15 133,35 0,1 4.8 GRA 2008-10 [Sea et al., 2011]
US-Ha1 Harvard
Forest
USA 42,54 −72,17 22 31 DBF 2000-06 [Urbanski et al., 2007]
US-MMS Morgan
Monroe
State Forest
USA 39,320 −86,41 25 48 DBF 2000-05 [Schmid et al., 2000]
US-WCr WI - Willow
Creek
USA 45,81 −90,08 24 30 DBF 2000-06 [Cook, 2008]
US-Ho1 Howland
Forest
USA 45,20 −68,74 20 29 ENF 2000-04 [Hollinger et al.,
2004]
7.3.3. DATOS DE MODELOS DE PROCESO
El set de datos meteorológico GLDAS [Rodell et al., 2004] es un sistema de asimilación de datos de superficie
que fue desarrollado conjuntamente por la NASA, Goddard Space Flight Center (GSFC), la National Oceanic
and Atmospheric Administration (NOAA) y el National Centers for Environmental Prediction (NCEP). GLDAS
146
provee en forma global y en alta resolución, campos de flujos de calor sensible y latente, así como también
estados de la superficie del suelo simulados por cuatro modelos de suelo. En esta tesis se decidió trabajar
con el sistema GLDAS-NOAH, con una resolución espacial de 0,25º y una resolución temporal de 3 horas.
El modelo NOAH, [Chen y Dudhia, 2001] incluye las interacciones suelo-vegetación-atmósfera, de acuerdo
con el esquema de la Figura 7-1. El mismo, parte del enfoque del acoplamiento diario de la
evapotranspiración potencial basado en la ecuación de Penman (1948) según Mahrt y Ek, [1984], del
modelo de suelo con múltiples capas de Mahrt y Pan [1984], y en el modelo primitivo de canopea de Pan y
Mahrt, [1987]. La resistencia del dosel se calcula siguiendo el enfoque de Noilhan y Planton, [1989], y
Jacquemin y Noilhan, [1990]. Por consiguiente, se considera que su uso es adecuado para los fines de esta
Tesis ya que ofrece una opción representativa del estado del sistema en lo que hace a la representación de
la interacción suelo-vegetación-atmósfera.
FIGURA 7-1 ESQUEMA DE LOS PROCESOS CONTEMPLADOS EN EL MODELO NOAH. OBTENIDO DE
HTTP://WWW.RAL.UCAR.EDU/RESEARCH/LAND/TECHNOLOGY/LSM.PHP.
Para ser consistentes con la metodología desarrollada en los capítulos anteriores y con la serie temporal
de datos de torre de flujo de covarianza de torbellino, se agregaron los flujos y demás datos meteorológicos
a valores diarios y luego a los períodos de tiempo de 8-días con el mismo criterio mencionado en la sección
anterior. Las capas de información utilizadas fueron: el flujo de calor latente (LE, W/m2), la temperatura del
aire (Ta, ºC), precipitación (Prec, mm), radiación entrante de onda corta (SW, W/m2), la radiación entrante
de onda larga (LW, W/m2), calor sensible (H, W/m2), la radiación neta (Rn, W/m2).
147
7.3.4. DATOS DE RE-ANÁLISIS
Se utilizaron los datos de re-análisis diarios de MERRA (Modern-Era Retrospective Analysis For Research
And Applications), (http://disc.sci.gsfc.nasa.gov/daac-bin/FTPSubset.pl). Incluyen las variables temperatura
media y mínima del aire y humedad relativa, proporcionadas por la oficina de Modelado global y Asimilación
(GMAO o MERRA- GMAO) de la NASA, una rama de la NASA [Schubert et al., 1993]. El modelo se basa en la
aplicación de esquemas de clausura de orden cero, con coeficientes volumétricos de cantidad de
movimiento, humedad y calor que tienen en cuenta la estabilidad atmosférica.
Estos datos, producidos cada seis horas, se obtienen utilizando un modelo de circulación global (MCG), que
incorpora observaciones de terreno y datos satelitales. Estos datos se distribuyen con una resolución de 0,5
° x 0,6 ° (MERRA- GMAO) o 1,00 ° x 1,25 ° (GMAO, v4.0.0). La humedad relativa, longitud de rugosidad que
gobierna la transferencia de calor y vapor de agua (Z0h, m) y la longitud de rugosidad que gobierna la
transferencia del momentum (Z0, m) se obtuvo a partir del producto de 0,5 ° x 0,6 ° (MERRA- GMAO), el
cual fue re-grillado a 25 x 25 km con el método de re-muestreo de interpolación bilineal para reducir la
escala, y agregado temporalmente para obtener una resolución temporal de 8-días. Por otro lado, los datos
LE del producto MERRA se distribuyen con una resolución de 1,00 ° x 1,25 ° (GMAO, v4.0.0). Se supone que
los datos meteorológicos a una resolución gruesa proporcionan una descripción robusta de las condiciones
del terreno y son homogéneos dentro de la extensión espacial de cada pixel. Se agregaron los flujos y demás
datos meteorológicos a valores diarios y luego a los períodos de tiempo de 8-días con el mismo criterio
mencionado en la sección anterior.
7.3.5. ESTIMACIÓN DE EVAPOTRANSPIRACIÓN
El producto de conductancia superficial (Gs) obtenida a lo largo de esta tesis (set de datos de validación),
las capas de información derivadas de los set de datos meteorológicos GLDAS-NOAH y MERRA fueron
utilizadas para estimar la evapotranspiración basado en la ecuación de Penman-Monteith (PM) [Monteith,
1985].
LE = ε.A+ cp.ρa �⁄ [e� �� − �].�� ε+ + �� Ecuación 7-2
donde ea es la presión de vapor en el aire (kPa), es es la presión de vapor de saturación evaluado en la
te pe atu a del ai e kPa , ε = s / γ, e la ue s es la pe die te de la p esió de apo de satu a ió e sus
la u a de te pe atu a kPa/ ºC y γ es la o sta te psi o ét i a (kPa/ ºC), LE es el flujo de calor latente
148
(W/m2 , ρa es la de sidad edia del ai e kg/ 3), cp es el calor específico del aire a presión constante (J/kg
K), A (W/m2) es la energía disponible absorbida por la superficie (radiación absorbida neta menos el flujo
neto de calor en el suelo), Gs (m/s) y Ga (m/s) son las conductancias de superficie y aerodinámica
(Ecuación7-2 y 3). ET (mm/día) se calcula como la relación entre LE y lambda, donde lambda es el calor
latente de vaporización (MJ/kg).
ra = �2 u ln �−� ln �−� Ecuación 7-3 Ga = a Ecuación 7-4
donde ra es la resistencia aerodinámica (s/m), u la altura mediade la velocidad del viento (m/s) a la altura
(z), d es el desplazamiento del plano cero en las longitudes de rugosidad zo y zoh para el momento y el
calor, respectivamente (m). La variables d, zo y zoH se estimaron como d = 2 h / 3, 0,123* h y 0,0123* h
respectivamente, donde h es la altura del dosel (Tabla 7-1).
Para ser consistente con los capítulos anteriores, se utilizó LE (W / m2) en lugar de ET (mm/s). Para efectuar
una evaluación de LE se usaron como métricas de evaluación: el coeficiente de regresión (r2) y la raíz
cuadrada del error cuadrático medio (RMSE), entre la estimación de LE obtenidas por la metodología
previamente mencionadas y las observaciones de LE obtenidas por las torres de flujo de covarianza de
torbellino. Adicionalmente, se calcularon las mismas métricas entre las observaciones de LE y otros
productos de LE, siendo estos la capa de flujo de calor latente obtenida por los set de datos meteorológicos
GLDAS/NOAH, MERRA y el producto de LE de MODIS (MOD16A2) [Mu, 2007; Mu et al., 2011]. El producto
MOD16A2 se basa en la lógica de la ecuación de PM, que utiliza productos provistos por el sensor MODIS
combinando con información meteorológica diaria obtenidos a partir de datos de re-análisis como variables
de entrada. La ET es la suma de los flujos de vapor de agua de la evaporación del suelo, la evaporación del
dosel húmedo y transpiración de las plantas. La temperatura diaria del aire, datos sobre el déficit de presión
de vapor (VPD), humedad relativa, y el producto LAI de MODIS se utilizan para estimar la conductancia
superficial, en conjunto con otras variables ambientales claves.
149
7.4. RESULTADOS
7.4.1. EVALUACIÓN LOCAL: COMPARACIÓN DE LA ESTIMACIÓN DE GS Y LE USANDO DATOS
DE RE ANÁLISIS Y EL PRODUCTO MULTISENSOR.
A nivel general, al comparar el producto LE multisensor alimentado con datos meteorológicos in-situ (LE-
local) vs el producto LE multisensor alimentado con datos meteorológicos globales (obtenidos de modelos
de superficie y de re-análisis, LE-global) se observa una degradación en la performance del modelo
reduciendo el r2 en un 10% y aumentando el RMSE (Tabla 7-2). El modelo LE-global presenta el mejor ajuste
para la resolución temporal de 8-días. Al agregar los compuestos a nivel mensual y anual se observa y una
disminución en el r2 y en el RMSE. Por otro lado, el producto MOD16A2 presenta valores más altos de r2 y
bajos de RMSE solamente a nivel mensual y para el compuesto de 8-días. Los otros dos productos,
GLDAS/NOAH y MERRA, presentaron valores de r2 menores y de RMSE mayores.
Analizando en detalle las métricas de evaluación para cada sitio se observa que los productos LE de MERRA
y GLDAS/NOAH presentaron los valores de r2 menores y de RMSE mayores en comparación con los modelos
que incluyen información satelital (Figura 7-2 y Tabla 7-3). El producto MOD16A2 presenta la mejor
performance, sin embargo, al analizar en detalle se observan que dichos resultados son función de
compensaciones en los errores debido a subestimaciones para valores bajos de LE y sobrestimaciones de
LE. En particular, para el sitio Howard Spring se observa una mejora en la estimación de LE según el enfoque
Gs, GLDAS y MERRA en comparación al producto MODIS MOD16A2. Sin embargo, para el bosque deciduo
Harvard Forest el producto MODIS presenta la mejor aproximación.
TABLA 7-2 EVALUACIÓN GENERAL DE LE (FLUJO DE CALOR LATENTE, W/M2) PARA LOS DISTINTOS PRODUCTOS A NIVEL ANUAL,
MENSUAL Y 8-DÍAS.
Productos 8-días Mensual Anual
r2 RMSE r2 RMSE r2 RMSE
LE-local (con datos meteorológicos in-situ) 0,67 23,34 0,87 13,50 0,77 12,17
LE-global (con datos meteorológicos obtenidos de modelos de superficie y de re-análisis )
0,64 27,34 0,58 24,99 0,47 23,58
LE MOD16A2 0,56 32,98 0,56 29,03 0,01 37,66
LE GLDAS/NOAH 0,54 36,67 0,51 33,50 0,10 33,33
LE MERRA 0,39 39,59 0,11 47,74 0,01 36,40
150
TABLA 7-3 EVALUACIÓN DE LE (FLUJO DE CALOR LATENTE, W/M2) PARA LOS DISTINTOS PRODUCTOS ANALIZADOS.
Nombre IGBM LE-MODIS LE-MERRA LE –GLDAS/NOAH
LE – MERRA- GLDAS,
Multisensor (PM)
r2 RMSE r2 RMSE r2 RMSE r2 RMSE
HSP WSA 0,70 31,14 0,65 27,14 0,71 52,08 0,60 29,22
AR WSA 0,77 26,54 0,37 36,57 0,66 39,36 0,51 28,18
DRP WSA 0,54 23,54 0,55 42,10 0,63 46,58 0,65 23,30
DRY WSA 0,77 23,35 0,70 47,65 0,81 32,88 0,75 21,65
SP GRA 0,47 14,01 0,03 105,13 0,48 19,11 0,30 17,65
Ho1 ENF 0,38 28,51 0,03 36,38 0,23 21,87 0,30 22,50
Ha1 DBF 0,46 40,15 0,01 37,89 0,12 50,92 0,41 54,87
MMS DBF 0,87 19,06 0,01 43,86 0,51 28,87 0,67 28,55
WCr DBF 0,63 80,76 0,13 30,73 0,11 33,26 0,50 32,06
FIGURA 7-2 RELACIÓN ENTRE LAS ESTIMACIONES Y OBSERVACIONES DE LE (W/M2) CON PERÍODO DE COMPOSICIÓN DE 8-DÍAS.
151
Otro aspecto importante a evaluar es la dinámica estacional de los distintos enfoques analizados en este
capítulo (Figura 7-3). En general, el modelo multisensor (LE - GLDAS, MERRA, Gs) captura la dinámica
estacional tanto en el período estacional como en las temporadas de crecimiento para seis de los nueve
sitios (HSP, MMS, Ho1, WCr, y SP) en las distintas etapas del ciclo de crecimiento. Solamente para el sitio
AR se observa que el modelo LE multisensor capturó la variabilidad de la LE medida in situ. El producto
MOD16A2 para las áreas de bosque deciduo (MMS, WCR y Ho1) se observó una subestimación de LE
durante toda la temporada de crecimiento.
FIGURA 7-3 SERIE TEMPORAL DE LE (W/M2) OBSERVADO Y LOS PRODUCTOS GLDAS/NOAH, MOD16A2, MERRA Y MULTISENSOR
(GLDAS, MERRA Y GS) EN FUNCIÓN DEL TIEMPO.
7.4.2. EVALUACIÓN REGIONAL: COMPARACIÓN DE LA ESTIMACIÓN DE ET USANDO EL
CONJUNTO DE DATOS GLDAS Y EL PRODUCTO MULTISENSOR DE GS.
Para el análisis regional nos centraremos en los sitios de estudio localizados en el norte de Australia por
encontrarse a lo largo de una transecta de 1100 kilómetros, permitiendo realizar una evaluación regional
(Figura 7-4). Esta región se caracteriza por un gradiente de precipitación en donde en la zona norte la
152
precipitación anual generalmente excede los 1500 mm, y en la región semi-árida, la precipitación anual es
inferior a 500 mm. El patrón espacial de LE, obtenido combinando datos GLDAS, MERRA y el producto Gs
multisensor, se corresponde con el gradiente de precipitación de dicha área y con los valores observados
de LE. A su vez, las zonas de máximo LE se encuentran localizado en sitios con vegetación leñosa, más
precisamente, la sabana de eucalipto. Los valores mínimos de LE se corresponden con la zona árida de la
transecta NATT. Por lo tanto, los campos medios de LE se corresponden con lo esperado. Si bien los cuatro
productos presentan un gradiente de LE norte-sur, se encuentran diferencias en el rango de valores de cada
producto. La Figura 7-5 compara tres de los productos con el modelo multisensor, permitiendo observar
que el modelo MOD16A2 es el que presenta las menores diferencias con valores de r2 de 0,89. Para los
otros dos productos el modelo LE multisensor solamente comparte un 65 % de su variación con el producto
GLDAS/NOAH y MERRA. Al comparar los patrones espaciales para distintos meses (enero vs julio) se observa
claramente una disminución de LE de enero a julio (Figura 7-6 y Figura 7-7). Sin embargo, a escala mensual
se observa que el producto MOD16A2 sobreestima (Figura 7-6, Figura 7-7 y Figura 7-8), al igual que ocurrió
al comparar con los datos de las torres de los sitios AR, DRP y DRY (Figura 7-2 y Figura 7-3).
FIGURA 7-4 MEDIA ANUAL DE LE (W/M2) PARA LOS DISTINTOS PRODUCTOS.
153
FIGURA 7-5 COMPARACIÓN ENTRE LAS MEDIAS ANUALES DE LE (W/M2) ENTRE PRODUCTO LE (MERRA, GLDAS, MULTISENSOR) Y
MERRA, MOD16A2 Y GLDAS/NOAH. LA BARRA DE COLOR HACE REFERENCIA A LA DENSIDAD DE NÚMERO DE PIXELES.
FIGURA 7-6 MEDIA MENSUAL DE LE (W/M2) CORRESPONDIENTE AL MES DE ENERO PARA LOS DISTINTOS PRODUCTOS.
154
FIGURA 7-7 MEDIA MENSUAL DE LE (W/M2) CORRESPONDIENTE AL MES DE JULIO PARA LOS DISTINTOS PRODUCTOS.
FIGURA 7-8 COMPARACIÓN ENTRE LAS MEDIAS MENSUALES DE LE (W/M2) ENTRE PRODUCTO LE (MERRA, GLDAS, MULTISENSOR)
Y MOD16A2. LA BARRA DE COLOR HACE REFERENCIA A LA DENSIDAD DE NÚMERO DE PIXELES.
155
7.5. DISCUSIÓN
Los flujos de calor de la superficie terrestre son componentes esenciales del ciclo de agua y energía. Las
mediciones in situ de covarianza de torbellinos a través de redes de torre de flujo existen, pero carecen de
una cobertura global. A lo largo de este capítulo se evaluó la potencialidad de combinar capas de
información de los set de datos meteorológicos GLDAS/NOAH y MERRA con el producto Gs multisensor
para estimar evapotranspiración a nivel regional. Por lo tanto, la metodología propuesta solo necesitaría
de dos fuentes de información, datos satelitales y datos meteorológicos provistos por modelos de superficie
y/o datos de re-análisis, siendo una metodología completamente independiente de observaciones a
campos. En este contexto esta metodología presenta un gran potencial para estudios regionales en áreas
que carecen de información de campo espacialmente distribuida.
En una primera instancia se analizó el efecto de re-emplazar datos meteorológicos in-situ con datos
globales, evidenciándose una leve degradación en términos del coeficiente de determinación y el RMSE al
realizar dicho reemplazo. La escala espacial de las variables meteorológicas es una variable dependiente, y
por lo tanto cada variable observada in situ puede representar una escala diferente. Esta diferencia de
escala debe ser tenida en cuenta al evaluar la previsibilidad del modelo. Sin embargo, los resultados
mostraron que el modelo propuesto mejora las estimaciones de LE en comparación con el producto de LE
de los modelos GLDAS/NOAH y MERRA. El producto MOD16A2 si bien presentó para algunos sitios valores
de r2 mayores y RMSE menores, se observó que para muchos casos se deben a una subestimación para
valores bajos de LE y una sobreestimación para valores altos de LE, o sobrestimaciones de LE para todo el
ciclo anual. Diversos trabajos mostraron que el producto MOD16A2 presenta problemas de
sobreestimación y subestimación de ET y remarcaron que deben realizarse mejoras del modelo
especialmente sobre zonas áridas [Mu et al., 2011; Nadzri y Hashim, 2014; Ramoelo et al., 2014]. Este
capítulo muestra que si bien puede ser posible mejorar el producto MODIS ET a nivel global usando datos
meteorológicos de mejor calidad [Jang et al., 2013], también sería útil considerar métodos alternativos para
la estimación precisa de otras variables, como ser la conductancia superficial (Gs). La nueva versión del
producto MODIS MOD16A3 presenta una mejora en la metodología para la estimación de Gs, pero
solamente está disponible a escala temporal anual.
A nivel biogeográfico se obtuvieron representaciones robustas de LE, evidenciándose el gradiente de
precipitación a lo largo del NATT y la transición entre el período húmedo y seco. Analizando los patrones
156
espaciales de los mapas anuales se observó una alta relación entre el producto multisensor y el producto
MOD16A2. La principal diferencia entre estos dos productos es la metodología empleada para estimar Gs.
Para la miesma el modelo desarrollado en esta tesis depende del tipo de cobertura, en cambio el producto
MODIS es dependiente del bioma para determinar características relevantes para estimar Gs.
Por otro lado, a nivel mensual se vio que producto MODIS subestima los valores de LE con respecto al
modelo propuesto en este capítulo. Ramoelo et al., [2014] para la sabana africana encontró que a nivel
mensual el producto MOD16A2 subestimó los valores de LE medidos a través de torres de flujo,
especialmente en la época de verano donde se produce el mayor número de gaps (datos faltantes) en la
serie temporal (por presencia de nubosidad). Por lo tantos, los resultados obtenidos son relevantes dado
que el evento hidrometeorológico más significativo en el norte de Australia es la transición entre la
temporada húmeda a seca (transición de período de mayor a menor número de datos faltantes en el
producto MODIS). Este es un ciclo que se repite en muchas regiones áridas y semiáridas de todo el mundo
(como ser la sabana africana, sur-oeste de los Estados Unidos) y juega un papel crítico en la biodiversidad,
la ecología y la hidrología de estas regiones. En base a todos los resultados obtenidos en el próximo capítulo
se analizará la posibilidad de utilizar este enfoque en Argentina en sitios que carecen de datos in situ.
157
CAPÍTULO VIII
ESTIMACIÓN DE EVAPOTRANSPIRACIÓN EN LA ECORREGIÓN DEL CHACO
SECO
RESUMEN En el presente capítulo se generaron mapas de evapotranspiración para el área del Norte del Chaco Seco,
Argentina, a partir del producto de conductancia superficial desarrollando en esta tesis, información del
modelo de superficie y datos de re-análisis. Se compararon los patrones espaciales y temporales de los
resultados obtenidos con otros productos de evapotranspiración disponibles para el área (MOD16A2,
MOD16A3 y GLDAS).
8.1. INTRODUCCIÓN
Los bosques templados secos (bosques y matorrales) constituyen una proporción significativa de los
ecosistemas terrestres del mundo y juegan un papel fundamental en la regulación del clima y la provisión
de bienes y servicios de los ecosistemas [Reynolds et al., 2007; Rotenberg y Yakir, 2010]. Más de la mitad
de los bosques secos mundiales se encuentran en América del Sur, principalmente en Brasil y Argentina
[Miles et al., 2006]. En particular, la región chaqueña es la segunda área boscosa más extensa en Sudamérica
luego del Amazonas. En total esta región cubre una superficie de 108 millones de ha, incluyendo algunas
de las áreas continuas de bosques secos más grandes del continente. La mayor parte de la superficie de la
región se encuentra en Argentina, donde cubre 65 millones de ha lo que representa el 60 % de la superficie
total, mientras que la superficie restante se distribuye un 11 % en Bolivia, 28 % en Paraguay y 1 % en Brasil.
En las últimas décadas se han producido intensas transformaciones en el uso del suelo en esta región,
principalmente por el avance de la frontera agrícola debido particularmente al cultivo de la soja [Gasparri
y Grau, 2009; Guida Johnson y Zuleta, 2013]. La expansión de la soja en áreas forestales se ha atribuido, en
parte, al aumento de las lluvias que ha afectado el noroeste de Argentina en las últimas décadas [Minetti
et al., 2007].
Tal conversión de la cubierta vegetal tiene el potencial de alterar de manera significativa una serie de
parámetros biofísicos claves de la superficie terrestre (por ejemplo, el albedo y rugosidad del suelo) [Zeng
158
y Neelin, 2000; Houspanossian et al., 2013] que tienen el potencial de alterar procesos ecohidrológicos (por
ejemplo, el balance hídrico) [Wilcox y Huang, 2010; Wilcox et al., 2012]. En regiones áridas y semiáridas la
mayor parte de las pérdidas del agua precipitada en superficie se deben a la evapotranspiración, con valores
superiores al 95% de la precipitación [Wilcox et al., 2003] mientras que el drenaje puede considerarse
prácticamente nulo [Scanlon et al., 2005]. Es por esto que pequeños cambios en la evapotranspiración
pueden generar importantes modificaciones en el drenaje profundo y provocar fuertes impactos en la
hidrología subterránea [Noy-Meir, 1973]. Para cuantificar estas dinámicas en las zonas áridas y semiáridas
se requieren observaciones a gran escala, debido a que la distribución espacial de la vegetación y los
recursos (agua, nutrientes, etc.) no es uniforme [McCulley et al., 2004]. Con todas sus limitaciones, la
teledetección sigue siendo la mejor herramienta para lograr este objetivo, ya que puede ser utilizada para
obtener conjuntos de datos a largo plazo sobre grandes zonas.
Existen varios trabajos que utilizan diversas metodologías para la estimación de la evapotranspiración
utilizando información satelital de datos ópticos e infrarrojo térmico en áreas cultivadas en Argentina [Rivas
y Carmona, 2013]. Sin embargo, la información específica sobre la estimación de la evapotranspiración a
nivel regional en áreas boscosas en Argentina es realmente escasa. Tratando la temática más particular del
Chaco Seco Argentino, existen antecedentes que analizan y vinculan la ET con procesos de deforestación a
escala local [Marchesini et al., 2014], pero hasta el momento no hay un análisis de los patrones espaciales
de este proceso a escala regional. Jobbágy et al., [2008] realizaron un análisis teórico sobre la importancia
de la ET en la planicie chaco-pampeano, resaltando la importancia de dicha variable en este ecosistema.
El presente capítulo representaría uno de los primeros aportes para generar herramientas para el
monitoreo de evapotranspiración a nivel regional que tiene en cuenta el rol fundamental de dichas áreas
boscosas en el reciclado de agua hacia la atmósfera, permitiendo generar información de base necesaria
para actividades de manejo y conservación. En particular, se comparó el producto de LE desarrollado a lo
largo de esta tesis, con el producto MODIS MOD16A2, el producto del set de datos meteorológicos GLDAS-
NOAH y MERRA. Además, se analizaron los patrones biogeográficos del producto LE desarrollado.
Finalmente, se comparó el valor medio anual obtenido para el área de estudio con valores estimados y
medidos para otros tipos funcionales de vegetación boscosa.
8.2. HIPÓTESIS Y PREDICCIÓN
La estimación de la Evapotranspiración en el área norte del Chaco Seco se puede mejorar con la
combinación de datos de re análisis/modelos de superficie y variables estimados por técnicas de
159
teledetección o percepción remota.
o Predicción: Se puede capturar la variabilidad espacial y temporal de la
evapotranspiración en el Chaco Seco combinando información satelital y datos de re-
análisis.
8.3. METODOLOGÍA
8.3.1. DESCRIPCIÓN DEL ÁREA
El Norte del Chaco Seco Argentino fue seleccionado como área de estudio porque incluye el área continua
de bosque más extensa de Argentina (Figura 8-1). El Bosque Chaqueño es el mayor ecosistema forestal de
Argentina y cubría una superficie de 23 millones de ha en 1998 (SAyDS 2004). Es un bosque seco estacional
con estación húmeda durante el verano. La estructura del bosque y la diversidad siguen un fuerte gradiente
de precipitaciones que va desde los 400 mm/año en las zonas más secas hasta más de 1200 mm/año
[Cabrera, 1976; Prado y Gibbs, 1993]. En particular, nos centraremos en la eco-región del Chaco seco, en
donde la vegetación característica (Chaco Occidental según Cabrera, 1976), dominada por bosques secos
de Schinopsis lorentzii (quebracho colorado) y Aspidosperma quebracho-blanco (quebracho blanco) (que en
algunos sectores dominan el dosel de manera conjunta con Bulnesia sarmientoi palo santo) conforman lo
ue lo al e te se o o e o o Mo te Alto . El lima del área de estudio es subtropical semiárido, con
precipitaciones concentradas durante los meses de verano (diciembre a marzo).
FIGURA 8-1 ÁREA DE ESTUDIO: EL CHACO SECO EN ARGENTINA Y DETALLE DEL ÁREA DE ESTUDIO DEL NORTE DEL CHACO SECO
ARGENTINO MOSTRANDO EL ÁREA DE ESTUDIO.
160
8.3.2. PRODUCTOS DE EVAPOTRANSPIRACIÓN
El producto de conductancia superficial (Gs), las capas de información derivadas del set de datos
meteorológico GLDAS-NOAH [Rodell et al., 2004] y el set de datos de re-análisis MERRA fueron utilizados
para estimar la evapotranspiración basada en la ecuación de Penman-Monteith (PM) [Monteith, 1985]
(Figura 8-2, Ecuación 8-2).
LE = ε.A+ cp.ρa �⁄ [e� �� − �].�� ε+ + �� Ecuación 8-2
donde ea es la presión de vapor en el aire (kPa), es es la presión de vapor de saturación evaluado a la
temperatura del aire kPa , ε = s / γ, e la ue s es la pendiente de la presión de vapor de saturación versus
la u a de te pe atu a kPa/ ºC y γ es la o sta te psi o ét i a (kPa/ ºC), LE es el flujo de calor latente
(W/m2 , ρa es la de sidad edia del ai e kg/ 3), cp es el calor específico del aire a presión constante (J/kg
K), A (W/m2) es la energía disponible absorbida por la superficie (radiación absorbida neta menos el flujo
neto de calor en el suelo), Gs (m/s) y Ga (m/s) son las conductancias de superficie y aerodinámica. ET
(mm/día) se calcula como la relación entre LE y lambda, donde lambda es el calor latente de vaporización
(MJ/kg).
ra = �2 u ln �−� ln �−� Ecuación 8-3 Ga = a Ecuación 8-4
do de a es la esiste ia ae odi á i a s/ , la altu a ediade la velocidad del viento (m/s) a la altura
(z), D es el desplazamiento del plano cero en las longitudes de rugosidad zo y zoh para el momento y el
calor, respectivamente (m). La variables d, zo y zoH se estimaron como d = 2 h / 3, 0,123* h y 0,0123* h
respectivamente, donde h es la altura del dosel.
Para poder aplicar esta metodología en el área de estudio (Figura 8-2), se deben cumplir los siguientes
supuestos:
El enfoque de PM es una aproximación biofísica razonable para estimar ET cado 8-días a escala
regional a partir de datos obtenidos por sensores remotos y datos meteorológicos globales (analizado
en el capítulo V y VI).
En áreas boscosas las variaciones en el índice FI, al ser sensibles a cambios en el contenido de agua en
el dosel, dan cuenta de variaciones en la Gs (analizado en el capítulo III, IV, V y VI).
161
En áreas boscosas las variaciones en los índices verdes, al ser sensibles a cambios en el contenido de
clorofila, dan cuenta de variaciones en la Gs (analizado en el capítulo III, IV, V y VI).
Los datos de meteorológicos globales (datos de re-análisis) representan las condiciones atmosféricas
regionales (analizado en el capítulo VII).
Al combinar ambas fuentes de información (satelital y datos meteorológicos globales) permitan
obtener un error cuadrático medio de LE de 30 W/m2 en el marco de la ecuación de PM (analizado en
el capítulo VII).
En este marco, se calibró la relación entre Gs y los índices ópticos y de microondas pasivas utilizando la
ecuación desarrollada en el capítulo V para bosques deciduos. Por otro lado, los datos meteorológicos
diarios (como ser: la temperatura del aire, presión atmosférica, velocidad del viento) se obtuvieron a partir
de productos GLDAS/NOAH que posee una resolución temporal de 3 horas. Los datos cada 3 horas se
agregaron a valores diarios y luego a promedios cada 8 días, con la misma metodología descrita para en los
capítulos anteriores. El set de datos meteorológico GLDAS es un sistema de asimilación de datos de
superficie que fue desarrollado conjuntamente por la NASA, Goddard Space Flight Center (GSFC), la
National Oceanic and Atmospheric Administration (NOAA) y el National Centers for Environmental
Prediction (NCEP). GLDAS provee en forma global y en alta resolución, campos de flujos de calor sensible y
latente, así como también estados de la superficie del suelo simulados por cuatro modelos de suelo.
FIGURA 8-2 DIAGRAMA SOBRE LA METODOLÓGIA EMPLEADA. EVI: ÍNDICE DE VEGETACIÓN MEJORADO, QA: BANDA DE CALIDAD,
FI: ÍNDICE DE FRECUENCIA, DATOS METERODÓGICOS: DATOS DE RE-ANÁLISIS Y DATOS DE MODELOS DE SUPERFICIE, GS:
CONDUCTANCIA SUPERFICIAL, PM: PENMAN-MONTEITH Y LE: FLUJO DE CALOR LATENTE (W/M2).
162
La humedad relativa, la longitud de rugosidad que gobierna la transferencia de calor y vapor de agua (Z0h,
m) y la longitud de rugosidad que gobierna la transferencia de momento (Z0, m) se obtuvieron a partir del
producto de 0,5 ° x 0,6 ° (MERRA- GMAO) (Edad Moderna-Análisis retrospectivo de Investigación y
Aplicaciones) [Schubert et al., 1993]. Los datos de re-análisis diarios de MERRA
(http://disc.sci.gsfc.nasa.gov/daac-bin/FTPSubset.pl) son proporcionados por la oficina de Modelado global
y Asimilación (GMAO o MERRA- GMAO) de la NASA, una rama de la NASA [Schubert et al., 1993]. Estos
datos, producidos cada seis horas, se obtienen utilizando un modelo de circulación global (MCG), que
incorpora observaciones de terreno y datos satelitales. Este set de datos de re-análisis ha sido validado en
la escala global a partir de datos meteorológicos de superficie para evaluar la incertidumbre de diversos
factores meteorológicos (es decir, temperatura, radiación, humedad, y el equilibrio de la energía) (Global
Modelado y asimilación de Office, 2004). En comparación con otros datos de re-análisis, NCEP / NCAR 1
(NCEP1), NCEP-DOE AMIPII (NCEP2), ECMWF 40 años de re-análisis (EEI-40), ARJ-25 y NARR, MERRA mostró
resultados comparables para el ciclo global de agua y energía [Bosilovich et al., 2008; Kennedy et al., 2011].
Hay que señalar que la resolución espacial de 25 km del producto GLDAS fue elegida como la resolución
final de los cálculos de ET. Los productos MERRA utilizados fueron re-grillados a 25 x 25 km con el método
de interpolación bilineal como el método de re-muestreo para reducir la escala, y agregados
temporalmente para obtener una resolución temporal de 8-días.
Se compararon para la zona de Chaco seco los resultados obtenidos de LE según lo descripto anteriormente
(al que llamaremos modelo multisensor), con las capas de LE provistas por los set de datos GLDAS/NOAH
[Rodell et al., 2004], MERRA [Reichle et al., 2011] y el producto MODIS MOD16A2 [Mu, 2007] (Tabla 8-1). El
producto MOD16A2 se basa en la lógica de la ecuación de PM, que utiliza productos provistos por el sensor
MODIS combinando con información meteorológica diaria obtenidos a partir de datos de re-análisis como
variables de entrada. La ET es la suma de los flujos de vapor de agua de la evaporación del suelo, la
evaporación del dosel húmedo y transpiración de las plantas. La temperatura diaria del aire, datos sobre el
déficit de presión de vapor (VPD), humedad relativa, y el producto LAI de MODIS se utilizan para estimar la
conductancia superficial, en conjunto con otras variables ambientales claves. Si bien se encuentran
disponibles dos versiones del modelo MOD16A2, para ser consistente con la escala temporal analizada a lo
largo de esta tesis se utilizó el producto MOD16A2 con período de composición de 8-días y una resolución
espacial de 1km. Este producto ha sido re-grillado a la escala espacial de 25 x 25 km.
Por otro lado, los datos LE del producto MERRA se distribuyen con una resolución de 1,00 ° x 1,25 ° (GMAO,
v4.0.0). Se supuso que el flujo LE a una resolución gruesa proporciona una descripción robusta de las
163
condiciones del terreno y es homogéneos dentro de la extensión espacial de cada pixel. Se agregaron los
flujos de MERRA y GLDAS/NOAH a valores diarios y luego a los períodos de tiempo de 8-días con el mismo
criterio mencionado en la sección anterior.
TABLA 8-1 CUADRO COMPARATIVO DE LOS DISTINTOS PRODUCTOS DE EVAPOTRANSPIRACION Y FLUJO DE CALOR LATENTE
UTILIZADO EN ESTE CAPÍTULO.
Modelo Resolución
espacial
Resolución
temporal
Dominio Disponibilidad Método
Multisensor 25 km 8-días Regional 2002-2011 (extensible desde 1997 con
datos TMI (Tropical Rainfall Measuring
Mission, Microwave images))
Satelital, datos de
re-análisis
MOD16A2 1 km 8-días Global 2000-2014 Satelital, datos de
re-análisis
GLDAS/NOAH 25 km Cada 3
horas
Global 1979-actualidad Modelo de
superficie (NOAH)
MERRA Aprox. 100 km Diario Global 1979-actualidad Re-análisis
Finalmente, se compararon y analizaron los resultados obtenidos para el área del norte del bosque
chaqueño con las estimaciones y mediciones obtenidas para otros tipos funcionales de vegetación boscosa
(sabana leñosa, bosque deciduo de hojas anchas y bosque siempre-verde de hojas aciculares) (Tabla 8-1).
A nivel comparativo se incluyó un sitio de pastizal. Para este fin, se calcularon los valores medios anuales
de LE (W/m2) para todos los sitios descriptos en la Tabla 8-2 y para un área del Chaco Seco en función de
distintas forzantes meteorológicas (precipitación y temperatura) y también en función del índice de área
foliar, como una variable que caracteriza la estructura de la cobertura forestal de los distintos tipos
funcionales de vegetación.
164
TABLA 8-2 DESCRIPCIÓN DE LOS SITIOS EN LOS CUALES SE LOCALIZAN LAS TORRES DE FLUJO DE COVARIANZA DE TORBELLINO.
DONDE H SE CORRESPONDE A LA ALTURA DE LA CANOPIA, Z ES LA ALTURA DE MEDICION, DBF CORRESPONDE A UN BOSQUE
DECIDUO DE HOJA ANCHA, ENF Y EBF HACEN REFERENCIA A BOSQUES SIEMPRE VERDER CON HOJAS ACICULARES Y ANCHA
RESPECTIVAMENTE. IGBP ES THE INTE‘NATIONAL GEOSPHERE-BIOSPHERE PROGRAMME VEGETATION CLASSIFICATION
Código Nombre País Lat Lon h(m) Z(m) IGBP Años Referencias
AU-HSP Howard
Springs Australia 12,48 131,15 18,9 23 WSA 2001-11 [Hutley et al., 2011]
AU-AR Adelaire
Rivers Australia 13,09 131,12 12,5 15 WSA 2007-09 [Sea et al., 2011]
AU-DRP Daly River Australia 14,16 131,84 16,4 23 WSA 2007-11 [Hutley et al., 2011]
AU-DYR Dry River Australia 15,26 132,37 12,3 15 WSA 2010-11 [Sea et al., 2011]
AU-SP Sturt Plains Australia 17,15 133,35 0,1 4.8 GRA 2008-10 [Sea et al., 2011]
US-Ha1 Harvard
Forest
USA 42,54 −72,17 22 31 DBF 2000-06 [Urbanski et al., 2007]
US-MMS Morgan
Monroe
State Forest
USA 39,320 −86,41 25 48 DBF 2000-05 [Schmid et al., 2000]
US-WCr WI - Willow
Creek
USA 45,81 −90,08 24 30 DBF 2000-06 [Cook, 2008]
US-Ho1 Howland
Forest
USA 45,20 −68,74 20 29 ENF 2000-04 [Hollinger et al.,
2004]
8.4. RESULTADOS
8.4.1. EVAPOTRANSPIRACIÓN ESTIMADA UTILIZANDO EL MODELO PM
La figura muestra las estimaciones de LE realizadas utilizando la metodología desarrollada en los capítulos
anteriores (Figura 8-3). Una característica importante a remarcar en el conjunto de mapas de LE de la Figura
8-3 es que se observa una zonificación de la LE con orientación este-oeste y norte-sur, la cual a su vez
presenta variación interanual. Esta zonificación este-oeste puede ser consecuencia del gradiente de
precipitaciones [Burkart et al., 1999], y el patrón norte-sur esté posiblemente relacionado con diferencias
en la biomasa de la cobertura forestal y el gradiente de temperatura. En particular, se encontró que el 40%
de la varianza de LE fue explicada por la precipitación media anual (p<0,001). Por otro lado, la temperatura
y la productividad media anual explicaron solamente un 20% y 30% de LE (p<0,05).
165
8.4.2. COMPARACIÓN CON OTROS PRODUCTOS DE EVAPOTRANSPIRACIÓN.
Para tener una base de comparación de las estimación de LE realizada según la metodología desarrollada a
lo largo de esta tesis se analizaron otros productos de LE disponibles (GLDAS/NOAH, MOD16A2 y MERRA)
(Figura 8-4). En general, se observa que el producto MODIS MOD16A2 presenta los valores de LE más bajos.
Lo Error! Reference source not found.muestra el patrón espacial del valor medio anual de los tres
productos para el período 2002-2010 (Figura 8-4). Asimismo, se observan diferencias en los patrones
espaciales de los cuatro productos. El producto multisensor y MOD16A2 presentan un patrón espacial este-
oeste, que podría ser consecuencia del gradiente de precipitaciones, y uno norte-sur posiblemente
relacionado con diferencias en la biomasa de la cobertura forestal y el gradiente de temperatura. En los
mapas de enero y abril se puede observar de forma clara la zonificación indicada (Figura 8-6 y Figura 8-6).
En la Figura 8-7 se puede observar la relación entre el producto multisensor con relación a los restantes
tres productos. Nuevamente se evidencia que el modelo multisensor resulta en valores de LE mayores que
los restantes tres productos. A diferencia de lo obtenido en el capítulo VII, no se encontró una relación clara
entre los tres productos para esta zona. Al analizar en detalle la dinámica estacional de los cuatro productos
para un área (24,87º S, 62,12º E) se observa un marcado ciclo estacional, aumentando en la época estival y
disminuyendo en la época invernal (Figura 8-8). Por lo tanto, todos los productos reproducen el ciclo
estacional esperado debido al ciclo de precipitaciones característico de la zona de estudio. A su vez, se
observa que el producto multisensor, GLDAS/NOAH y MERRA presentan valores de ET mensual superiores
FIGURA 8-3 MAPAS DE MEDIAS ANUALES DE LE (W/M2) PARA EL ÁREA DE ESTUDIO DEL NORTE DEL CHACO SECO DESDE 2002-2009.
166
a la precipitación observada. Esto podría ser evidencia de que las especies arbóreas presentarían mayor
capacida de explorar y utilizar otras fuentes de agua distinta a la precipitación.
FIGURA 8-4 MEDIAS ANUALES DE LE (W/M2) DE LOS PRODUCTOS LE MULTISENSOR, GLDAS/NOAH Y MOD16A2 PARA EL PERÍODO
2002-2010.
FIGURA 8-5 MEDIA MENSUAL DE LE (W/M2) CORRESPONDIENTE AL MES DE ABRIL PARA LOS DISTINTOS PRODUCTOS.
167
FIGURA 8-7 RELACIÓN ENTRE LOS VALORES MENSUALES DEL PRODUTO LE (W/M2) MULTISENSOR CON LOS PRODUCTOS
GLDAS/NOAH, MERRA Y MOD16A2.
FIGURA 8-6 MEDIA MENSUAL DE LE (W/M2) CORRESPONDIENTE AL MES DE ENERO PARA LOS DISTINTOS PRODUCTOS.
168
8.4.3. COMPARACIÓN CON OTROS PRODUCTOS DE EVAPOTRANSPIRACIÓN.
Dado que no existen datos de campo para poder realizar una validación del producto desarrollado a lo largo
de la tesis para el área de estudio analizada en este capítulo, se realizó una comparación del valor medio
anual de LE (W/m2) de los cuatro productos con los valores de LE obtenidos en otros sitios que poseen
mediciones de campo (Figura 8-9).
Los factores que influyen en la ET son principalmente: factores meteorológicos (como ser, temperatura,
precipitación, humedad relativa, radiación solar), factores relacionados con la vegetación (como ser, área
foliar, estructura, albedo) y factores ambientales o de manejo (como ser, fertilidad del suelo, cobertura,
área foliar, manejo) [Allen et al., 1998]. Teniendo en cuenta los principales forzantes de la
evapotranspiración, se evaluó el valor medio anual de LE en función de la precipitación anual acumulada,
temperatura media anual y LAI (índice de área foliar, según sus siglas en ingles) para distintas coberturas.
Para este fin, se calculó el valor medio anual de LE de las distintas aproximaciones (multisensor,
GLDAS/NOAH, MOD16A2 y MERRA), y en los casos que correspondió también se incluyó el valor medido in-
situ.
FIGURA 8-8 CICLO ESTACIONAL DE PRECPITACIÓN (MM), TEMPERATURA (ºC) Y ET (MM) MEDIA MENSUAL ESTIMADOS Y
OBSERVADOS SEGÚN LOS PRODUCTOS GLDAS/NOAH, MERRA, MOD16A2 Y EL PRODUCTO MULTISENSOR.
169
En general, se observó que el único tipo funcional de vegetación que presentó un valor medido de LE medio
anual menor a 40 W/ m2 fue el sitio de pastizal localizado en la región norte de Australia. Los restantes
sitios, que corresponden a distintos tipos funcionales de vegetación boscosa (sabanas leñosas, bosques
deciduos de hojas anchas y bosques siempre verdes con hojas aciculares) presentan valores medios anuales
≥ 50 W/ m2. A su vez, se observó que para siete de los nueve sitios, el modelo multisensor representó una
robusta estimación del valor medido de LE. Analizando el caso particular del bosque seco chaqueño (DCF),
se observó que solamente el modelo multisensor presentó un valor medio anual de aproximadamente 55
W/ m2, por el contrario los restantes productos presentaron valores in-situ menores a 40 W/m2, mas bien
característicos de zonas de pastizales (según la Figura 8-9). Por otro lado, los sitios de sabana presentaron
un valor medido de LE que varió entre 60 y 80 W/ m2, y los bosques deciduos de hoja ancha entre 50 y 65
W/ m2.
170
FIGURA 8-9 MEDIAS ANUALES DE LE (W/M2) PARA OBSERVACIONES DE TORRES DE FLUJO, Y DE LAS ESTIMACIONES OBTENIDAS POR LOS MODELOS MULTISENSOR, GLDAS/NOAH, MERRA Y MOD16A2.
171
8.5. DISCUSIÓN
Los resultados obtenidos muestran la posibilidad de obtener estimaciones regionales de LE utilizando la
metodología desarrollada en los capítulos anteriores para sitios como el bosque chaqueño que carece de
verdad de terreno. Es importante recordar que esta metodología se basó sobre un modelo de Gs validado
para otros ecosistemas forestales en otros sitios del planeta. Sin embargo, los mapas de LE resultantes de
la aplicación del modelo parecerían mostrar la sensibilidad de éste para reproducir los cambios en las
condiciones meteorológicas del área de estudio. También, se puede ver de manera más clara la variación
entre diferentes zonas como consecuencia de la distribución espacial de precipitación. Los resultados
obtenidos son relevante, ya que la vegetación leñosa en los bosques secos de Argentina cumple un papel
importante en la regulación de variables meterológicas, especialmente a través de su influencia en la ET
[Marchesini et al., 2014]. En este marco, la información obtenida permitiría mejorar el análisis territorial
del área de estudio y puede contribuir a la toma de decisiones para la planificación en el uso de la tierra a
escala regional.
Como se mencionó anteriormente, la falta de datos de terreno implicó el desarrollo de una medida
alternativa de evaluación del producto LE obtenido. En una primera instancia se compararon la variabilidad
espacio-temporal del producto obtenido con otros tres productos disponibles para el área de estudio
(GLDAS/NOAH, MERRA y MOD16A2). El producto multisensor presentó una clara zonificación este-oeste,
siguiendo el patrón climático esperado de la región en función del gradiente de precipitación, temperatura
y biomasa. Por otro lado, los restantes productos no presentaron una relación significativa con dichos
forzantes (no se muestran los resultados). Comparando los resultados con lo obtenido en el capítulo VII, se
observa que hay mayores discrepancias entre los productos para el área de estudio. Esto puede ser
resultado de que los errores de los datos de forzantes meteorológicos globales tienden a ser mayores en
partes del mundo donde las redes de medición están menos desarrollados, como es el caso del bosque
chaqueño. Los set de datos meterologicos utilizados se encuentran validados y/ corregidos en áreas que
presentan extensas redes de mediciones [Zhao et al., 2013; Lipton et al., 2015].
El resultado principal de este análisis es que, en general, el producto desarrollado en la tesis (multisensor),
presentó valores mayores de LE que los obtenidos por los restantes tres productos. Esto no es extraño, ya
que según evidencian [Rodell et al., 2004] la variable LE obtenida del set de datos meteorológico GLDAS off-
line estaría subestimada en comparación a datos de flujo obtenidos de torres de covarianza. Esto a su vez,
172
coincide con lo encontrado en el capítulo anterior para el área de la transecta del norte de Australia.
Asimismo, García et al., [2013] evaluaron el desempeño del producto MOD16A2 para un sitio localizado en
San Luis, que pertenece a la ecorregión Chaco Seco. Estos autores concluyeron que dicho producto
subestima los valores de LE medidos mediante una torre de flujo de covarianza de torbellinos, capturando
solamente un 40% de la variabilidad de LE. En este contexto, si se supone que el modelo multisensor
presenta una mejor performance que el del set de datos meteorológico GLDAS/NOAH y el producto MODIS,
el primero debería presentar valores mayores de LE en relación a los otros dos productos. Si bien no es
posible concluir cuál de los productos representa la mejor estimación de LE en termino del error, los
resultados obtenidos coinciden con lo esperado.
Además, existe evidencia indirecta que la vegetación arbórea (comunicación personal, Dr. Ignacio Gasparri)
aprovechan otras fuentes de agua distintas a la de precipitación. La vegetación arbórea presentaría mayor
capacidad de explorar y utilizar aguas subterráneas. Esto explicaría además porque el producto multisensor
no evidencio disminución marcada de la evapotranspiración para el período 2008-2009, que se caracterizó
por ser un período de sequía [Barraza et al., 2013].
Finalmente, al comparar los valores medios anuales de LE de distintas coberturas boscosas se denota que
los productos MOD16A2, MERRA y GLDAS/NOAH presentan valores menores en relación a lo obtenido para
otros sitios boscosos. En función de los resultados obtenidos en la Figura 8-9 para otros bosques con valores
similares de LAI y temperatura media anual, la estimación de LE multisensor sería la que más se acerca al
valor esperado. Por otro lado, al analizar la relación entre el valor medio anual de precipitación acumulada
y LE parecería que el modelo multisensor estaría sobrestimando los valores de evapotranspiración. Si bien
no se dispone de trabajos específicos para la región Parque Chaqueño, en general la fenología de los árboles
en ecosistemas de bosques secos está regulada principalmente por los mecanismos de almacenamiento de
agua en la planta y el acceso a las reservas de agua subterránea. Es decir, los árboles del bosque chaqueño
tienen mayor capacidad de explorar y utilizar las aguas subterráneas. En este contexto, hipotetizamos que
el bosque chaqueño podría presentar valores relativamente altos de LE en condiciones de escasa
precipitación.
173
CAPÍTULO IX
CONCLUSIONES GENERALES
9.1. CONSIDERACIONES FINALES Y APLICABILIDAD DE LOS RESULTADOS
El tema central de esta tesis fue el desarrollo de un producto satelital de evapotranspiración (ET) para áreas
boscosas, a partir del análisis de series temporales multisensor (ópticos y microondas pasivas). Esta tesis
puso especial énfasis en la relación entre variables físicas-biofísicas y eco-fisiológicas, en relación al
contenido de humedad de la vegetación. En particular, este trabajo de tesis presentaron los siguientes
aportes originales sobre el objeto de estudio (ecológicas), y por otro lado, sobre la utilidad de los datos
satelitales (metodológicas):
Evaluación de la potencialidad de estimar el contenido de agua de la vegetación a partir de
índices de microondas pasivas en áreas boscosas.
Desarrollo de un esquema simple FI / PI para evaluar de manera cuantitativa la sensibilidad de
estos índices a las características del suelo y la vegetación para distintos ecosistemas.
Desarrollo de un modelo multisensor (basado en datos ópticos y de microondas pasivas), con
base física sencilla, capaz de estimar la evapotranspiración y conductancia superficial para áreas
boscosas.
Validación del modelo en distintas áreas boscosas de USA y Australia, utilizando datos
provenientes de redes de torres de flujos (FLUXNET y OzFLUX).
Evaluación de la potencialidad de combinar fuentes de información satelital y de modelos de
superficie, para generar mapas espacialmente distribuidos de ET, especialmente para áreas
carentes de datos de terreno (Figura 9-1).
Generación de mapas de ET y Gs para distintos sistemas boscosos.
Todo esto sólo fue posible debido a la vinculación entre teorías, conceptos y metodologías asociadas a la
ecología, la biometeorología y la física. En este marco, la metodología desarrollada se basa un conjunto de
supuestos, ampliamente discutidos a lo largo de los distintos capítulos (Figura 9-2). En particular, en los
174
capítulos II y III se analizó el supuesto que relaciona los índices de vegetación con parámetros biofísicos de
relevancia para la estimación de Gs, tanto ópticos como de microondas pasivas. Por otro lado, en los
capítulos V y VI se evaluó la relación entre los índices y Gs en el marco del modelo de Penman-Monteith
(PM). A su vez, en el capítulo VII se realizó una evaluación de errores para poder remplazar datos
meteorológicos locales con datos globales. Este último punto es de relevancia para poder implementar
dicha metodología en áreas que carecen de verdad de terreno, como es el caso del bosque chaqueño. Y
finalmente, se incluyen supuestos inherentes al algoritmo de PM mencionados en el capítulo V.
Los resultados obtenidos mejoran el conocimiento y la comprensión del funcionamiento de los ecosistemas
boscosos a nivel regional. El uso de expresiones empíricas facilita la determinación de la
evapotranspiración, requiriendo principalmente información meteorológica de estaciones estándar y
características generales de la vegetación, parámetros posibles de estimar de manera operativa. La
incorporación de parámetros de la vegetación en las estimaciones de evapotranspiración es muy
conveniente ya que ayuda a representar el proceso físico, mejorando la estimación de la
evapotranspiración.
FIGURA 9-1 DIAGRAMA QUE RESUME LA METODOLOGÍA DESARROLLADA A LO LARGO DE LA TESIS. DONDE MIS CORRESPONDE A
LOS ÍNDICES DE MICROONDAS PASIVAS, VIS A LOS ÍNDICES ÓPTICOS, GS A LA CONDUCTANCIA SUPERFICIAL Y ET A LA
EVAPOTRANSPIRACIÓN.
175
FIGURA 9-2 SUPUESTOS PARA APLICAR LA METODOLOGÍA DESARROLLADA EN LA CORRIENTE TESIS.
Al comparar los resultados obtenidos con datos in-situ de datos de covarianza de torbellino se observó que
la metodología desarrollada es lo suficientemente robusta y precisa para ser utilizada principalmente en
aplicaciones ecológicas, y eco-hidrológicas a escala regional. En particular, al comparar el producto
generado de conductancia superficial desarrollado por Yebra et al., [2013] se denota un avance significativo
(en términos de menor error relativo y mayor precisión). En base a lo discutidos en cada capítulo se concluye
que al combinar fuentes de información complementarias es posible mejorar la estimación satelital de la
ET y Gs. Por otra parte, se resalta la necesidad de evaluar las relaciones entre las variables físicas y biofísicas
antes de la selección de la metodología a utilizar, debido a que las relaciones que son válidas para un
ecosistema pueden ser cualitativamente diferente para otro.
En conclusión el modelo desarrollado presenta las siguientes ventajas con respecto a otros modelos:
Facil aplicación.
Al combinar índices ópticos y de microondas permite mejorar la estimación satelital de Gs, y en
consecuencia de ET.
Permite obtener series completas de Gs y ET.
Permite evaluar desde escalas locales a regionales.
176
Si bien se evidencio un gran avance en esta tesis con respecto a los estudios de Yebra et al., [2013] y Li et
al, [2009], el modelo desarrollado presenta ciertas desventajas. En primer lugar, las relaciones empíricas
entre los índices y Gs, como los supuestos que se realizan entre las variables físicas y biofísicas dependientes
del tipo de cobertura. Además, al utilizar tanto información tanto satelital como meteorológica a distintas
escalas espaciales, se espera que esta tenga un efecto en términos del error obtenido en la estimación de
Gs. A su vez, se observó que al utilizar set de datos meteorológicos en lugar de datos in-situ el error en la
estimación de ET aumenta. Finalmente, los errores del modelo son mayores en sitios que carecen de datos
in-situ, debido a tanto a la estimación de Gs como a los set de datos meteorológicos.
Debido a sus objetivos y metodología de trabajo, la intención de esta tesis es también acercar herramientas
de análisis de datos satelitales de múltiple sensores al usuario final, que es el encargado de la determinación
de parámetros directamente medibles en el terreno y en última medida, de proponer o ejecutar decisiones
de manejo. A su vez, al publicar los resultados asociados a los desarrollos de cada capítulo, se obtuvo un
conjunto de comentarios de retro-alimentación y sugerencias indispensable de la comunidad internacional
de teledetección, biometeorología y ecología y se generó la evidencia necesaria para justificar una
metodología dada. En cada capítulo estas herramientas están presentadas y discutidas en detalle, haciendo
debido hincapié en sus condiciones de aplicación y sus limitaciones inherentes. Si bien existe una larga
historia de uso de datos ópticos, en esta tesis se resalta la importancia de hacer uso de otros sensores
(microondas pasivas) haciendo hincapié en las ventajas y desventajas que cada sistema presenta y
evidenciando que al combinar ambas fuentes de información las desventajas de ambos sensores se pueden
reducir. Los conceptos desarrollados en relación a los índices de vegetación, tanto ópticos como de
microondas pasivas, pueden ser utilizadas en otras aplicaciones como ser el análisis de la estructura de la
vegetación.
Este trabajo de tesis abre una diversidad de temas que requieren un análisis futuro más profundo, en
términos ecológicos y metodológicos. Una cuestión importante para analizar es el ciclo diario de las
observaciones satelitales de microondas pasivas incrementando el análisis a nivel temporal. En esta tesis
no fue posible ampliar la serie temporal de datos horarios debido a problemas inherentes a las políticas de
distribución gratuita de datos del sistema Windsat, contando solamente con una serie de tiempo de dos
años.
Otro tema que presenta interrogantes es la validación de los mapas obtenidos para la región chaqueña. Es
necesario resaltar que esta fue la principal dificultad afrontada en la tesis, la cual pudo ser superada
177
parcialmente mediante la evaluación de la metodología en otros sitios boscosos con presencia de datos de
covarianza de torbellino en otras zonas del planeta. A sí mismo, se utilizaron métricas de evaluación del
producto LE resultante y se comparó el mismo con la capa de LE obtenida del modelo de proceso off-line
GLDAS-NOAH, con el producto MOD16A2 y el producto MERRA. Si bien existen metodologías para estimar
errores a partir de varios productos, como ser la metodología de triple collocation [Stoffelen, 1998] (según
su nombre en inglés), este método tiene como supuesto que los errores de diferentes sets de datos no
pueden estar correlacionados. No siendo el caso de los sets de datos utilizados (dado que el modelo
multisensor utiliza como variables meteorológicas capas de información de los sets de datos
meteorológicos GLDAS-NOAH y MERRA), por lo cual esta técnica no pudo ser empleada. A su vez, el
producto MOD16A2 también utiliza variables provistas por el set de datos del modelo MERRA.
En febrero de 1997, el Panel Intergubernamental sobre Bosques (IPF) de la Comisión de Desarrollo
Sostenible (CDS) definió el programa forestal mundial, reafirmando que la conservación y desarrollo
sostenible de los bosques son asuntos de interés internacional. A nivel local, a finales de 2007 el Congreso
Argentino aprobó la Ley 26.331 de Presupuestos Mínimos de Protección Ambiental de los Bosques Nativos,
más conocida como Ley de Bosques, reglamentada en febrero de 2009. Esta ley establece normas y también
recursos económicos para el manejo sostenible de los bosques nativos y los servicios ambientales que éstos
brindan a la sociedad. En este marco, se evidencia la importancia de los productos generados, los cuales
proporcionaran un registro coherente de la ET de la cubierta forestal a nivel regional para el área de parque
chaqueño. En primer lugar, los productos serán de importancia para la conservación y manejo de los
recursos naturales a escala regional. En segundo lugar, será de utilidad para comprender mejor el papel de
los bosques y sus cambios en el sistema terrestre, y será de especial valor para diversas aplicaciones de
modelado (particularmente las relativas a la modelización hidrológica a escala regional [Sahin y Hall, 1996;
Bounoua et al., 2002]).
Como se ha discutido en la introducción, la evapotranspiración es una variable clave para diversas
aplicaciones como ser hidrología, ecología, meteorología, epidemiología, entre otras. Por lo tanto, las capas
de evapotranspiración generadas en esta tesis para los distintos sitios podrían ser utilizados como variables
explicativas en modelos de distribución de especies, casos de enfermedad, entre otros. En general, las capas
de evapotranspiración utilizadas en estudios ecológicos derivan de estimaciones obtenidas solamente con
datos meteorológicos [Koenraadt et al., 2004; Carbajo et al., 2009]. Por otro lado, tanto los mapas de
conductancia superficial como los de evapotranspiración podrían ser asimilados en los modelos climáticos
regionales para mejorar las predicciones de dichos modelos en áreas boscosas. En este contexto,
178
numerosas aplicaciones podrían hacer uso tanto de los mapas generados como de las metodologías
desarrolladas.
179
APÉNDICE I
I. CONCEPTOS BÁSICOS DE TELEDETECCIÓN UTILIZADOS EN ESTA TESIS
RESUMEN En este apéndice se discuten conceptos básicos de teledetección relevantes para la tesis. Se repasa el
concepto de teledetección, y se discute el papel de la teledetección en el monitoreo del sistema terrestre.
Se analizan con mayor detalle los sistemas ópticos y sistemas de microondas pasivos. Luego, se discuten
brevemente la utilidad de los índices de vegetación para el monitoreo de la vegetación. Por último, se
define el problema inverso y directo en el marco de estudios de teledetección.
INTRODUCCIÓN El té i o teledete ió fue el adoptado por los países de habla hispana como traducción del inglés
remote sensing, utilizándose a partir del año 1960 para describir observaciones de un objeto efectuadas sin
mediar contacto físico con él [Pinilla, 1995]. Esta definición es sencilla, pero demasiado vaga para ser
realmente útil. Con carácter más restrictivo, el termino teledetección se reserva a las técnicas de
adquisición de información sobre la superficie terrestre, observada desde arriba usando radiación
electromagnética [Rees, 2013].
Definido así, un sistema de teledetección se caracteriza por la concurrencia de los siguientes procesos: 1)
Emisión de radiación electromagnética desde una fuente, 2) interacción de la radiación con la superficie
terrestre, 3) interacción de la radiación con la atmósfera, 4) recepción de las ondas electromagnéticas en
instrumentos a bordo de una plataforma [Pinilla, 1995].
MONITOREO DEL SISTEMA TERRESTRE VÍA OBSERVACIÓN REMOTA -TELEDETECCIÓN
Los sistemas de observación satelitales miden la energía reflejada, emitida o dispersada por la superficie
terrestre en alguna longitud de onda característica. La longitud de onda elegida depende de que se desee
medir. Si se desea monitorear la atmósfera, es conveniente utilizar longitudes de onda donde la atmósfera
emita o refleje una gran cantidad de energía. En cambio, si se desea monitorear la superficie terrestre, es
180
conveniente elegir longitudes de onda sobre las ventanas atmosféricas, donde la transitividad de la
atmósfera es máxima debido a la menor absorción de sus constituyentes y donde la atenuación de energía
es mínima (Figura I-1). La absorción de la radiación se produce en longitudes de onda específicas. El vapor
de agua, el dióxido de carbono y el ozono son los principales elementos que absorben la radiación solar.
Básicamente, existen dos ventanas atmosféricas: una en el visible e infrarrojo (∼0.3 µm a ∼15 µm) y otra
en las microondas (∼1 cm a ∼1 m).
En la práctica, hay tres tipos de sistemas que operan en alguna de estas ventanas:
(1) pasivos, que miden la reflexión del terreno de la luz solar (en las longitudes de onda del visible e
infrarrojo).
(2) pasivos, que miden la energía emitida naturalmente por el terreno (significativa únicamente en las
longitudes de onda del infrarrojo térmico y las microondas).
(3) los sistemas activos, que emiten energía y miden la retrodispersión del terreno (en las longitudes de
onda del visible, el infrarrojo y las microondas).
En esta tesis se utilizaron datos provenientes de sensores ópticos y sensores de microondas pasivas. A
continuación se explicarán los principios físicos básicos necesarios para la utilización de dichos datos.
FIGURA I-1 DIAGRAMA DEL ESPECTRO ELECTROMAGNÉTICO
181
I.2.1. SENSORES ÓPTICOS
Los sensores ópticos, como ya se explicó, utilizan al sol como fuente de energía, y miden la porción de la
energía emitida por esta fuente que los alcanza luego de interactuar con los elementos de la superficie
terrestre y con la atmósfera. Los detectores del sensor generan una corriente eléctrica cuya intensidad es
directamente proporcional a la radiancia20 detectada en un determinado rango de longitudes de onda y
en un momento dado. Las imágenes multiespectrales son producidas por sensores ópticos que poseen
detectores que miden en rangos distintos de longitudes de onda, y la radiancia es registrada
independientemente en cada uno de ellos, correspondiendo cada uno a una banda de la imagen. Los valores
registrados se almacenan como números enteros conocidos como contajes o números digitales (digital
number), en un formato dependiente de la resolución radiométrica del sensor (por ej. 0-255 para 8 bits, 0-
1023 para 10 bits).
Desde hace más de tres décadas, una de las más proliferas aplicaciones de las misiones espaciales en
teledete ió ha sido el estudio de las u ie tas egetales. Lla a e os se so es ópti os a a uellos que
tienen un ancho de banda comprendido en algunas/s zona/s entre el visible (azul, verde y rojo, abreviado
con la letra V) y el infrarrojo (cercano o NIR - por Near Infra Red en inglés; medio o SWIR- por short-wave
Infra Red en inglés). Entre estos sensores podemos mencionar a los históricos NOAA-AVHRR (Advanced
Very High Resolution Radiometer) y Landsat (Land Satellite) MSS, TM y ETM+. Actualmente, el sensor
MODIS (Moderate-Resolution Imaging Spectroradiometer)-TERRA y MODIS –AQUA es uno de los sistemas
más utilizados en la última década para el monitoreo de la vegetación.
I.2.2. SENSORES DE MICROONDAS PASIVAS
Los sensores de microondas pasivas miden la intensidad de la emisión natural desde la superficie del suelo
mediante un radiómetro. La emisión natural es proporcional al producto de la temperatura superficial y la
20 Intensidad de energía radiada por unidad de superficie, longitud de onda y ángulo sólido.
182
emisividad de la superficie [Lewis et al., 1986; Engman, 1991], y es denominada comúnmente temperatura
de brillo (TB).
Las principales ventajas de las microondas son:
La atmósfera es casi transparente a estas longitudes de onda, lo que permite su uso independiente
de las condiciones meteorológicas.
La medición en microondas tiene una estrecha dependencia de la constante dieléctrica del medio
(humedad de la vegetación y el suelo).
Las mediciones son independientes de la iluminación solar, lo que permite observaciones en
cualquier momento.
La principal limitación de esta técnica reside en que, debido a la baja intensidad de emisión de microondas
de las diferentes superficies, la resolución espacial que tienen estos sensores en las frecuencias de interés
es bajo, lo que hace que sea aplicable solo a estudios a gran escala [Jackson et al., 2002].
I.2.3. ÍNDICES DE VEGETACIÓN
Se basan en la combinación algebraica de dos o más bandas en sus valores espectrales corregidos y
calibrados radiométricamente. El objetivo es reducir la respuesta multivariante del sensor en un único valor
por pixel que pueda correlacionarse con éxito con un parámetro biofísico como biomasa, área foliar, etc.
La reformulación de índices es constante debido al dinamismo de la teledetección que se ve ampliada y
modificada rápidamente con la aparición de nuevos sensores con nuevas capacidades espectrales. Su
facilidad de implementación los ha hecho muy populares en la estimación no destructiva de la vegetación,
sin embargo tienen inconvenientes de que los resultados están circunscritos a las condiciones particulares
de la toma e influidos por factores del sensor.
Comúnmente, estos índices están desarrollados con información proveniente del óptico. La energía
reflejada por las plantas en el visible del espectro es muy baja debido a la actividad de los pigmentos
fotosintéticos que determinan una fuerte absorción en las porciones del azul (470 nm) y del rojo (670 nm);
por el contrario, casi toda la radiación en el infrarrojo cercano se refleja dependiendo del índice de área
foliar (LAI), la distribución angular de las hojas y su anatomía y morfología. El contraste entre las respuestas
del ojo y el i f a ojo e a o lla ado o ú e te o de ojo o stituye u a edida se si le de la
cantidad de vegetación [Tucker, 1979; Asrar et al., 1984]. Las características de reflectividad también varían
según el estado de la biomasa verde en pie, donde la máxima diferencia entre el canal rojo (R) e NIR
183
corresponde al estadio de mayor densidad o vigor de la vegetación y el mínimo contraste a áreas de muy
poca vegetación o en estado senescente. El índice de vegetación más ampliamente usado es el Índice de
Vegetación Normalizado, NDVI (Normalized Difference Vegetation Index, [Tucker, 1979]), el cual resulta de
una diferencia normalizada entre las bandas presentes en las longitudes de onda del visible e infrarrojo
cercano. Los valores de NDVI oscilan entre 0,1 (Zonas desérticas con vegetación escasa) hasta 0,9 (Bosques
tropicales con alta densidad de vegetación). Sin embargo, este índice presenta ciertas desventajas,
principalmente se ve afectado por problemas de saturación en áreas densas.
Huete, [1988], desarrollo el índice de vegetación ajustado al suelo (SAVI), muy adecuado para trabajos en
zonas semiáridas, donde la contribución del suelo es muy importante. Así cuando se realice un estudio
sobre una zona de estas características, este índice resultará más consistente que el NDVI, gracias a esa
mayor distinción entre el suelo y la vegetación.
Luego el índice de vegetación mejorado (EVI, [Huete et al., 2002]) obtiene la respuesta de las variaciones
estructurales del dosel vegetal incluyendo el índice de área foliar LAI (índice de área foliar), tipo y
arquitectura del dosel y fisonomía de la planta. Fue desarrollado para optimizar la señal de la vegetación
con sensibilidad mejorada para altas densidades de biomasa, lográndose esto al separar la señal
proveniente de la vegetación y la influencia atmosférica. A partir del 2000, y después de la puesta en marcha
de los dos sensores MODIS de Terra y Aqua de la NASA, el índice EVI ha sido adoptado como un producto
estándar por la NASA y se hizo muy popular entre los usuarios debido a su capacidad para eliminar los ruidos
de fondo y el ambiente, así como su casi no saturación, un problema típico de NDVI.
Si bien los índices de vegetación ópticos presentan una mayor difusión y popularidad en el ambiente
científico, en los últimos años se comenzó a utilizar índices derivados de información en microondas
pasivas. Entre estos podemos mencionar, el índice de polarización (PI), índice de diferencia en frecuencia
(FI) y el índice de diferencia de emisividades (EDVI). A lo largo de la corriente tesis se detallaran y explicaran
en detalle dichos índices de microondas pasivas. Sin embargo, resulta importante mencionar que no existen
tantos índices de microondas pasivas como índices ópticos. Esto está relacionado con el hecho de que la
emisividad en función de longitud de onda es más o menos monótona. Esto implica que diferentes
definiciones de los índices de microondas multifrecuencia conducirán a resultados cualitativamente
similares. Esta situación es muy diferente a los índices ópticos, en la que pequeños cambios en la longitud
de onda pueden implicar grandes cambios en la reflectividad.
184
I.2.4. PROBLEMA DIRECTO Y PROBLEMA INVERSO
En el esquema conceptual de la teledetección, los datos adquiridos mediante sensores se utilizan para
estimar variables del sistema terrestre. Estas variables pueden ser el nivel de agua de una cuenca, la
biomasa maderable de un bosque o la proporción de biomasa seca/verde de un humedal. Además, como
ya mencionamos, hay que tener en cuenta que el hecho de pasar de las mediciones de los sensores a las
variables de interés no es un paso trivial, y no existen soluciones generales que funcionen en todos los
casos. Un enfoque epistémico posible para acercase a este tipo de problemas es en términos del problema
directo y el problema inverso. El problema directo consiste en describir el medio y determinar qué onda
electromagnética se obtendría de ese medio si incidiera un haz de radiación electromagnética. El problema
inverso consiste en determinar alguna característica del terreno a partir de las propiedades de la onda
electromagnética observada.
185
APÉNDICE II
II. DINÁMICA FENOLÓGICA REGIONAL EN LA CUENCA DEL RÍO BERMEJO,
MEDIANTE EL ANÁLISIS DE SERIES TEMPORALES DE NDVI (TERRA-MODIS)21
RESUMEN El propósito de este trabajo fue el modelado de la serie de tiempo de NDVI en la Cuenca del Río Bermejo
durante el período 2002-2010. Se utilizó el producto de NDVI del sistema MODIS (MOD13Q1) de período
de composición de 16 días. Antes de seleccionar el modelo temporal, se evaluaron las características de
los datos y las posibles fuentes de variación asociadas al producto. Se utilizó un modelo cuadrático simple
cuyos parámetros pudieron ser interpretados ecológicamente. Se identificaron clases de patrones
temporales de NDVI relevantes espacialmente, y mediante un árbol de decisión se clasificaron las curvas
anuales de los diez años de estudio. Se definieron dos índices basados en las transiciones entre los
patrones temporales, para evaluar el comportamiento inter-anual del área de estudio
INTRODUCCIÓN Con el fin de extraer información sobre las variaciones fenológicas de las coberturas vegetales a nivel
regional, resulta útil analizar los patrones estacionales de la vegetación a partir de series temporales de
datos satelitales. Este enfoque de estudio es conocido como land surface phenology (LSP) [Lhermitte et al.,
2011] (según su nombre en inglés). En la actualidad, el sistema Moderate Resolution Imaging
Spectroradiometer (MODIS) ofrece numerosos productos que son ampliamente utilizados en estudios
ambientales. El desarrollo de algoritmos que sean capaces de obtener parámetros asociados a las
21 Este capítulo es un resumen del siguiente artículo generado como información complementaria necesaria para el desarrollo de la
tesis: V. Barraza, Francisco Grings, Mercedes Salvia, Pablo perna, Anibal E. Carbajo, y Haydee Karszenbaum. Monitoring and Modeling
Land Surface Dynamics In Bermejo River Basin, Argentina: Time Series Analysis Of Modis NDVI Data, International Journal of Remote
Sensing, 34: P5429 -5451, 2013.
186
variaciones del LSP a partir de series temporales de NDVI se ha convertido en un tema de investigación
popular. Las series de tiempo de NDVI han sido modeladas utilizando diversas estrategias: desde la
implementación de modelos complejos (TIMESAT [Tan et al., 2011]), modelos simples como ser modelos
cuadráticos [de Beurs y Henebry, 2005], hasta la utilización de modelos temporales autorregresivos
[Alhamad et al., 2007]. Estos enfoques muestran virtudes y debilidades inherentes, pero la calidad de los
datos y el objetivo de modelado son los factores cruciales que determinan el éxito del modelo a utilizar.
El objetivo de este capítulo es el monitoreo y modelado de LSP en la Cuenca del Río Bermejo para el período
2000-2010. Este enfoque está basado en el análisis de la serie de tiempo del producto NDVI (Terra-MODIS).
La región de estudio es la Cuenca del Río Bermejo (22-27 ° S y 58-66 ° W). Esta cuenca abarca dos zonas
fitogeográficas boscosas: La llanura Chaqueña y la Selva Tucumano-Oranense (bosque de Yungas). El
primero se caracteriza por ser un singular bosque abierto seco (20% cobertura de copas) en América del
Sur. La segunda región presenta una gran variedad de tipos de vegetación, desde bosques semi-
caducifolios, bosques siempre- verde y pastizales.
METODOLOGÍA.
II.2.1. DATOS.
Se utilizó el producto de NDVI del sistema MODIS (MOD13Q1) de resolución espacial de 250 m y período
de composición de 16 días. Un factor relevante a tener en cuenta para el modelado de series de tiempo de
NDVI a partir de este producto es la presencia de ruido. Este ruido se puede deber a variaciones en las
condiciones atmosféricas y/o cobertura nubosa. Por lo cual, utilizando la información de calidad presente
en el producto (QA) se realizó el filtrado de datos con presencia de nubes (baja calidad). Otra fuente de
error puede provenir de los modelos de composición que se utiliza para generar el producto integrado de
16 días (Modelo de reflectividad bidireccional (BDRF) y modelo de composición CV-MVC: filtro por ángulo
de visión seguida de un compuesto de valor máximo) [Huete et al., 2002]. La técnica empleada depende del
número y la calidad de las observaciones. En este contexto, se evaluaron las técnicas utilizadas para generar
el producto MODIS a partir de información presente en QA. En general, el modelo utilizado fue el método
BDRF. Mediante este análisis, se llegó a la conclusión de que las variaciones menores a 0.01 eran producto
del modelo BRDF, y las grandes fluctuaciones fueron resultado de efectos atmosféricos, en particular
durante las estaciones lluviosas. La fuente de error asociada al modelo de BDRF utilizado para estimar el
valor de nadir a partir de adquisiciones off-nadir, probablemente se deba a que el modelo BDRF real
necesario, dado las características del área de estudio, difiere del utilizado por el producto.
187
II.2.2. MODELO DE NDVI.
Los resultados previamente mencionados limitan los objetivos de investigación. Por lo tanto, se optó por
modelar la evolución temporal del NDVI mediante una modificación del algoritmo propuesto por De Beurs
y Henebry, [2005] el cual permite filtrar las variaciones erráticas presentes en la serie de tiempo de NDVI.
TABLA II- 1 DESCRIPCIÓN E INTERPRETACIÓN ECOLÓGICA DE LOS PARÁMETROS DEL MODELO.
Parámetros Interpretación ecológica Comentario
α [NDVI] Cantidad de biomasa verde al inicio del período de
observación (invierno)
Siempre es un valor positive entre cero y
uno
β [NDVI/t] Tasa inicial de crecimiento de la vegetación Es siempre un valor positivo
γ [NDVI/t2] Determina la forma de crecimiento a partir de la
concavidad de la curva.
Es siempre un valor negativo
donde α es la ordenada al origen del patrón de NDVI, β es la pendiente inicial, ϒ es la concavidad, y t
corresponde al día juliano. Se tomó como comienzo del año el principio del invierno, de manera que
coincida con el ciclo de crecimiento de la vegetación. También se estudió la evolución temporal del NDVI
en varias áreas con el fin de definir clases temáticas que puedan explicar patrones anuales a nivel areal de
las o e tu as egetales. De este a álisis, se ide tifi a o uat o lases de pat o es esta io ales de NDVI
en función de los parámetros del modelo. Mediante un árbol de decisión se clasificaron los diez años de
estudio utilizando las clases mencionadas.
Dado que la evolución temporal del NDVI es un indicador de la dinámica fenología, un cambio estructural
en las series temporales del NDVI tiene relevantes implicancias ecológicas. Con el fin de evaluar la dinámica
fenológica regional se implementaron dos indicadores. En primer lugar, se calculó el número de transiciones
que presento cada pixel (class change index (CCI)). En segundo lugar, se calculó el número de clases distintas
en que cada píxel ha sido clasificado en el período de estudio (Class number index (CNI)).
188
RESULTADOS.
II.3.1. MODELO TEMPORAL DE NDVI.
El patrón estacional del NDVI presentó fuertes patrones anuales (ciclos anuales). La serie temporal de NDVI
mostró una tendencia parabólica, con un máximo en verano y un mínimo en invierno. Áreas no naturales
presentaron tendencias aleatoria (agua) o ciclos bianuales (cultivos y pastizales). Se aplicó el modelo
temporal de NDVI para cada píxel y año. En la Figura II-2 se muestra un ejemplo de la serie de tiempo de
NDVI, y los valores estimados al aplicar el modelo. La ventaja principal de este tipo de modelos es que es lo
suficientemente complejo como para proveer un buen ajuste (r2adj = 72,86%), y lo suficientemente simple
como para que cada uno de sus parámetros tenga una interpretación ecológica.
FIGURA II-1 EJEMPLO DE UNA SERIE DE TIEMPO DEL PRODUCTO DE 16 DÍAS DE NDVI (LÍNEA LLENA), VALORES ESTIMADOS POR EL
MODELO (NDVIFIT, LÍNEA PUNTEADA) (A), Y RESIDUOS (B).
II.3.2. PATRONES ESTACIONALES DE NDVI.
Se realizó un análisis preliminar a partir de 400 muestras seleccionadas aleatoriamente, el cual mostró que
no todas las posibles combinaciones de los parámetros del modelo están presentes en la zona de estudio.
De este análisis, se identificaron "clases de patrones estacionales de NDVI". Los cuatro grupos más
importantes espacialmente fueron:
Clase A: Se caracteriza por un aumento en la biomasa verde en invierno, estacionalidad no marcada
(disminución en la tasa inicial de acumulación de biomasa y disminución en la concavidad en la curva
anual de NDVI)
Clase B: Se caracteriza por una disminución en la biomasa verde en invierno, con marcada estacionalidad
(aumento en la tasa inicial de acumulación de biomasa y un aumento en la concavidad de la curva anual
de NDVI).
189
Clase C: Se caracteriza por un aumento en la biomasa verde en invierno, con marcada estacionalidad
(aumento en la tasa inicial de acumulación de biomasa y un aumento en la concavidad de la curva anual
de NDVI).
Clase D: Se caracteriza por una reducción en la biomasa verde en invierno y estacionalidad no marcada
(disminución en la tasa inicial de acumulación de biomasa y disminución en la concavidad en la curva
anual de NDVI)
Sin clasificar: Corresponde a otro tipo de curva anual.
Residuo > 0,1: Patrón distinto al parabólico. Puede corresponder a cultivos con dos estaciones de
crecimiento, o patrones aleatorios.
La Figura II-2 muestra los resultados de la clasificación obtenido para cada año. Más del 90% del área de
estudio presentó un comportamiento parabólico asociado a los cuatro patrones importantes mencionados
previamente. El restante 10% se corresponde con tendencias anuales que no pueden ser explicadas por el
modelo. Como se observa en la Figura II-3, la estructura espacial presenta grandes parches de vegetación
con características similares.
FIGURA II-2 RESULTADO DE LA CLASIFICACIÓN PARA EL PERÍODO 2000-2010.
190
II.3.3. DINÁMICA INTER-ANUAL DE LOS PATRONES FENOLÓGICOS DE
NDVI.
En la Figura II-3 se muestra la relación entre los índices CCI y CNI. El rango de valores tomadas por CCI se
encuentran entre 1 y 9 (nueve transiciones en los diez años de estudio). Por otro lado, dado las siete clases
identificadas el rango de variación de CNI es entre 1 y 7. Hay combinaciones que por definición de los índices
no pueden existir (área dado por arriba de la línea punteada). En el contexto de LSP, valores de CCI y CNI
iguales a 0 y 1 respectivamente se corresponden con áreas estables que no presentan variaciones
interanuales en el patrón temporal de NDVI. Por otro lado, un área puede ser denominado como resilientes
frente a variaciones ambientales al presentar valores de CCI=1 y CNI=2. Combinaciones entre el rango 6-9
y 2-3 de CCI y CNI respectivamente no fueron observados. Las restantes combinaciones de valores muestran
áreas relevantes espacialmente que han mostrado cambios en el patrón estacional del NDVI. A nivel
regional, las dos forzantes principales que pueden producir variaciones inter-anuales de los patrones
fenológicos de NDVI son los eventos climáticos o forzantes antrópicos.
Las Figuras II-4 y 5, muestran la estructura espacial de ambos índices. En las mismas se distingues las tres
zonas características de la cuenca, que se corresponden con ecorregiones diferentes. Estas figuras muestran
que la zona de la cuenca baja es la que presenta mayor dinámica temporal en relación a los índices CCI y
CNI.
FIGURA II-3 SCATTER-PLOT ENTRE CNI Y CCI. EL TAMAÑO DE LAS BURBUJAS ES PROPORCIONAL A LA FRECUENCIA DE PIXELES EN
ESCALA LOGARÍTMICA.
191
FIGURA II- 4 MAPA DEL ÍNDICE CLASS CHANGE INDEX (CCI) PARA EL ÁREA DE LA CUENCA DEL RÍO BERMEJO.
FIGURA II- 5 MAPA DEL ÍNDICE CLASS NUMEBER INDEX (CNI) PARA EL ÁREA DE LA CUENCA DEL RÍO BERMEJO.
192
En función de los índices analizados se evaluaron las principales transiciones observadas a lo largo del área
de estudio, encontrando tres zonas principales con características similares (Figura II-6). El primero de ellos
se encuentra en la cuenca media y no mostró ningún cambio significativo durante el período de 10 años. El
segundo sitio, en la cuenca alta, el cual no mostró una variación interanual significativa. Por otro lado, la
zona de la cuenca alta presentó cambios interanuales que se correspondieron con transiciones de la clase
A a C (o viceversa). La principal diferencia entre estas dos clases es la estacionalidad, siendo la clase C la
que presenta un patrón estacional más marcado. En la cuenca baja, la principal diferencia se debió a
diferencias en la magnitud de los valores de NDVI, presentando la misma tendencia estacional. En este caso,
las áreas clasificadas como clase A cambiaron a D (o viceversa). En Barraza et al., [2013] se realizó un análisis
más profundo de la relación entre estos cambios con variaciones de la precipitación anual.
FIGURA II- 6 PRINCIPALES CAMBIOS ONSERVADOS EN EL ÁREA DE LA CUENCA DEL RÍO BERMEJO.
CONCLUSIONES. En este trabajo, se presentó un modelo de análisis de series temporales de NDVI a partir del producto
MODIS, que es capaz de representar el ciclo fenológico anual en términos de LSP para el área de la Cuenca
del Río Bermejo. Estos resultados se basaron en un análisis de las propiedades estructurales de las series
temporales del NDVI, permitiendo realizar una correcta selección del modelo. En función de los parámetros
del modelo, se identificaron patrones fenológicos estacionales de NDVI que representaron el
comportamiento anual de ~ 90% del área. A partir de los índices CNI y CCI, se evaluó la dinámica inter-anual
de dichos patrones.
193
APÉNDICE III
III. LRPM- LAND SURFACE PARAMETER RETRIEVAL MODEL22:
La temperatura de brillo esta expresada como una ecuación de transferencia radiativa y se basa en dos
parámetros claves, el espesor óptico de la vegetación (VOD) y el single scattering albedo ( ) (según su
nombre en inglés) [Owe et al., 2001].
Donde es la transmisibidad, er es la emisividad del suelo, Ts es la temperatura de brillo del suelo, Tc es la
temperatura de brillo de la vegetación. El índice b se refiere a la polarización.
22 Owe et al, [2008]
194
El primer término de la ecuación describe la emisión desde el suelo atenuado por la superposición con la
vegetación. El segundo término describe la emisión de la vegetación. El tercer término da cuenta de la
radiación que proviene desde las capas bajas de la vegetación, es reflejada hacia arriba por la superficie del
suelo, y nuevamente atenuada por la vegetación.
En el modelo LPRM, el factor de atenuación de la vegetación o transmisibidad se asume igual para ambas
polarizaciones. La transmisibidad esta definido en términos del VOD y está dada por la siguiente ecuación:
Г = � − �
donde es el ángulo de incidencia.
Dentro del modelo de LPRM se aplica el modelo de VOD propuesto por Meeters et al., [2005]. La ecuación
final de VOD es:
VOD = cos + √ + +
donde a y d son:
�, = � �, − ℎ �, − � �, − ℎ �,
= �− �
Donde MPDI es el índice de diferencia en frecuencia (similar al índice de polarización), e es la emisividad en
la polarización h y v, k es la constante dieléctrica.
Para obtener mayor detalle de como estimar la humedad del suelo utilizando este modelo ver Owe et al.,
[2008] y [2001].
195
REFERENCIAS
Aboukhaled, A., J. F. Alfaro, y M. Smith (1982), Lysimeters, Food and Agriculture Organization of the United Nations, Serie Riesgos y Drenaje, FAO: ROMA.
Aldakheel, Y. Y., y F. M. Danson (1997), Spectral reflectance of dehydrating leaves: measurements and modelling, Int. J. Remote Sens., 18(17), 3683–3690, doi: 10.1080/014311697216883.
Alhamad, M. N., J. Stutht, y M. Vannucci (2007), Biophysical modelling and NDVI ti e se ies to p oje t ea ‐term forage supply: spectral analysis aided by wavelet denoising and ARIMA modelling, International Journal of Remote Sensing, 28(11), 2513–2548, doi:10.1080/01431160600954670.
Allen, R. G., L. S. Pereira, D. Raes, M. Smith, y others (1998), Crop evapotranspiration-Guidelines for computing crop water requirements-FAO Irrigation and drainage paper 56, FAO Rome, 300, 6541.
Allen, R. G., L. S. Pereira, T. A. Howell, y M. E. Jensen (2011), Evapotranspiration information reporting: I. Factors governing measurement accuracy, Agric. Water Manag., 98(6), 899–920, doi:10.1016/j.agwat.2010.12.015.
Aragão, L. E. O., Y. E. Shimabukuro, F. D. Espírito-Santo, y M. Williams (2005), Spatial validation of the collection 4 MODIS LAI product in Eastern Amazonia, Geosci. Remote Sens. IEEE Trans. On, 43(11), 2526–2534, doi: 10.1109/TGRS.2005.856632.
Asrar, G., M. Fuchs, E. T. Kanemasu, y J. L. Hatfield (1984), Estimating Absorbed Photosynthetic Radiation and Leaf Area Index from Spectral Reflectance in Wheat1, Agron. J., 76(2), 300, doi:10.2134/agronj1984.00021962007600020029x.
Baldocchi, D. D., y K. B. Wilson (2001), Modeling CO2 and water vapor exchange of a temperate broadleaved forest across hourly to decadal time scales, Ecol. Model., 142(1–2), 155–184, doi: 10.1016/S0304-3800(01)00287-3.
Barraza, V., F. Grings, M. Salvia, P. Perna, A. E. Carbajo, y H. Karszenbaum (2013), Monitoring and modelling land surface dynamics in Bermejo River Basin, Argentina: time series analysis of MODIS NDVI data, Int. J. Remote Sens., 34(15), 5429–5451, doi:10.1080/01431161.2013.791759.
Barraza, V., F. Grings, P. Ferrazzoli, A. Huete, N. Restrepo-Coupe, J. Beringer, E. Van Gorsel, y H. Karszenbaum (2014b), Behavior of multitemporal and multisensor passive microwave indices in Southern Hemisphere ecosystems, J. Geophys. Res. Biogeosciences, 119(12), 2014JG002626, doi: 10.1002/2014JG002626.
Barraza, V., F. Grings, P. Ferrazzoli, M. Salvia, M. Maas, R. Rahmoune, C. Vittucci, and H. Karszenbaum (2014a), Monitoring Vegetation Moisture Using Passive Microwave and Optical Indices in the Dry Chaco Forest, Argentina, IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens., 7(2), 421–430, doi:10.1109/JSTARS.2013.2268011.
196
Barraza, V., N. Restrepo-Coupe, A. Huete, F. Grings, y E. Van Gorsel (2015), Passive microwave and optical index approaches for estimating surface conductance and evapotranspiration in forest ecosystems, Agric. For. Meteorol., 213, 126–137, doi:10.1016/j.agrformet.2015.06.020.
Bastiaanssen, W. G. M. (2000), SEBAL-based sensible and latent heat fluxes in the irrigated Gediz Basin, Turkey, J. Hydrol., 229(1), 87–100, doi: 10.1016/S0022-1694(99)00202-4.
Bastiaanssen, W. G. M., M. Menenti, R. A. Feddes, y A. A. M. Holtslag (1998), A remote sensing surface energy balance algorithm for land (SEBAL). 1. Formulation, J. Hydrol., 212, 198–212, doi: 10.1016/S0022-1694(98)00253-4.
Bastiaanssen, W. G., y L. Chandrapala (2003), Water balance variability across Sri Lanka for assessing agricultural and environmental water use, Agric. Water Manag., 58(2), 171–192, doi: 10.1016/S0378-3774(02)00128-2.
Bell D.T.,y J.E.Williams (1997), Eucalypt ecophysiology. In: Williams JE, Woinarski J, editors. Eucalypt Ecology. Cambridge, UK: Cambridge University Press, 168-196.
Beringer, J. (2013a), Sturt Plains OzFlux tower site OzFlux: Australian and New Zealand Flux Research and Monitoring, hdl:102.100.100/13772.
Beringer, J. (2013b), Howard Springs OzFlux tower site OzFlux: Australian and New Zealand Flux Research and Monitoring,hdl:102.100.100/13779
Beringer, J. et al. (2011), Special-savanna patterns of energy and carbon integrated across the landscape, Bull. Am. Meteorol. Soc., 92(11), 1467–1485, doi: http://dx.doi.org/10.1175/2011BAMS2948.1.
Boegh, E. et al. (2009), Remote sensing based evapotranspiration and runoff modeling of agricultural, forest and urban flux sites in Denmark: From field to macro-scale, J. Hydrol., 377(3), 300–316, doi:10.1016/j.jhydrol.2009.08.029.
Bosilovich, M. G., F. R. Robertson, y J. Chen (2011), Global Energy and Water Budgets in MERRA, J. Climate, 24(22), 5721–5739, doi:10.1175/2011JCLI4175.1.
Bounoua, L., R. DeFries, G. J. Collatz, P. Sellers, y H. Khan (2002), Effects of land cover conversion on surface climate, Climatic Change, 52(1-2), 29–64., doi: 10.1023/A:1013051420309.
Bowman, W. D. (1989), The Relationship Between Leaf Water Status, Gas Exchange, and Spectral Reflectance in Cotton Leaves, Remote Sens. Environ., 255, 249–255, doi: 10.1016/0034-4257(89)90066-7.
Burba, G., y D. Anderson (2010), A Brief Practical Guide to Eddy Covariance Flux Measurements: Principles and Workflow Examples for Scientific and Industrial Applications, LI-COR Biosciences.
Burkart, R. N., Bárbaro, O., Sánchez, R. O., y Gómez, D. A. (1999), Eco-regiones de la Argentina, Administración de Parques Nacionales. Programa de desarrollo Institucional Ambiental, Buenos Aires.
197
Cabrera, A. L. (1976), Regiones fitogeográficas argentinas, Editorial Acme.
Carbajo, A. E., C. Vera, y P. L. M. González (2009), Hantavirus reservoir Oligoryzomys longicaudatus spatial distribution sensitivity to climate change scenarios in Argentine Patagonia, International Journal of Health Geographics, 10, 1–10, doi:10.1186/1476-072X-8-44.
Carbajo, A. E., N. Schweigmann, S. I. Curto, A. De Garín, y R. Bejarán (2001), Dengue transmission risk maps of Argentina, Trop. Med. Int. Health, 6(3), 170–183, doi: 10.1046/j.1365-3156.2001.00693.x.
Ca lso , T. , A o e ie of the t ia gle ethod fo esti ati g su fa e e apot a spiration and soil moisture from satellite imagery, Sensors, 7(8), 1612–1629, doi: 10.3390/s7081612.
Carlson, T. N., W. J. Capehart, y R. R. Gillies (1995), A new look at the simplified method for remote sensing of daily evapotranspiration, Remote Sens. Environ., 54(2), 161–167, doi: 10.1016/0034-4257(95)00139-R.
Caselles, V., J. A. Sobrino, y C. Coll (1992), On the use of satellite thermal data for determining evapotranspiration in partially vegetated areas, Int. J. Remote Sens., 13(14), 2669–2682, doi: 10.1080/01431169208904071.
Caselles, V., M. M. Artigao, E. Hurtado, C. Coll, y A. Brasa (1998), Mapping actual evapotranspiration by combining Landsat TM and NOAA-AVHRR images: application to the Barrax area, Albacete, Spain, Remote Sens. Environ., 63(1), 1–10, doi: 10.1016/S0034-4257(97)00108-9.
Ceccato, P. (2001), Estimation of vegetation water content using remote sensing for the assessment of fire risk occurrence and burning efficiency, University of Greenwich.
Ceccato, P., S. Flasse, y J. Gregoire (2002), Designing a spectral index to estimate vegetation water content from remote sensing data: Part 2. Validation and applications, Remote Sens. Environ., 79, 166–175, doi: 10.1016/S0034-4257(02)00036-6.
Chen, F., y J. Dudhia (2001), Coupling an Advanced Land Surface–Hydrology Model with the Penn State–NCAR MM5 Modeling System. Part II: Preliminary Model Validation, Mon. Weather Rev., 129(4), 587–604, doi:10.1175/1520-0493(2001)129<0587:CAALSH>2.0.CO;2.
Chen, J. M., X. Chen, W. Ju, y X. Geng (2005), Distributed hydrological model for mapping evapotranspiration using remote sensing inputs, J. Hydrol., 305(1), 15–39, doi:10.1016/j.jhydrol.2004.08.029.
Choudhury, B. (1989), Estimating evaporation and carbon assimilation using infrared temperature data: vistas in modelling, Theory Appl. Opt. Remote Sens., 628–690.
Choudhury, B. J., y J. L. Monteith (1988), A four-layer model for the heat budget of homogeneous land surfaces, Q. J. R. Meteorol. Soc., 114(480), 373–398, doi:10.1002/qj.49711448006.
Chuvieco, E. A., y E. C. Salinero (1996), Fundamentos de teledetección espacial, Rialp.
198
Chu ie o, E., D. Co e o, D. ‘ia o, P. Ma ti , J. Ma tı ez-Vega, J. de la Riva, y F. Pérez (2004), Combining NDVI and surface temperature for the estimation of live fuel moisture content in forest fire danger rating, Remote Sens. Environ., 92(3), 322–331, doi: 10.1016/j.rse.2004.01.019.
Chuvieco, E., M. P. Martin, y A. Palacios (2002), Assessment of different spectral indices in the red-near-infrared spectral domain for burned land discrimination, Int. J. Remote Sens., 23(23), 5103–5110, doi: 10.1080/01431160210153129.
Cleugh, H. A., R. Leuning, Q. Mu, y S. W. Running (2007), Regional evaporation estimates from flux tower tower and MODIS satellite data, Remote Sens. Environ., 106 (3), 285-304, doi:10.1016/j.rse.2006.07.007.
Combal, B., F. Baret, M. Weiss, A. Trubuil, D. Mace, A. Pragnere, R. Myneni, Y. Knyazikhin, y L. Wang (2002), Retrieval of canopy biophysical variables from bidirectional reflectance - Using prior information to solve the ill-posed inverse problem, Remote Sens. Environ., 84(1), 1–15, doi: 10.1016/S0034-4257(02)00035-4.
Cook, B. (2008), Using Light-Use and Production Efficiency Models to Predict Photosynthesis and Net Carbon Exchange During Forest Canopy Disturbance, Ecosystems, 11(1), 26–44, doi: 10.1007/s10021-007-9105-0.
Courault, D., B. Seguin, y A. Olioso (2005), Review on estimation of evapotranspiration from remote sensing data: From empirical to numerical modeling approaches, Irrig. Drain. Syst., 19(3-4), 223–249, doi: 10.1007/s10795-005-5186-0.
Darvishzadeh, R., A. A. Matkan, y A. D. Ahangar (2012), Inversion of a Radiative Transfer Model for Estimation of Rice Canopy Chlorophyll Content Using a Lookup-Table Approach, IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens., 5(4), 1222–1230, doi:10.1109/JSTARS.2012.2186118.
Das, N. N., A. Colliander, S. K. Chan, E. G. Njoku, y L. Li (2014), Intercomparisons of brightness temperature observations over land from AMSR-E and WindSat, IEEE Trans. Geosci. Remote Sens., 52(1), 452–464, doi:10.1109/TGRS.2013.2241445.
De Beurs, K. M., y G. M. Henebry (2005), A statistical framework for the analysis of long image time series, Int. J. Remote Sens., 26(8), 1551–1573, doi: 10.1080/01431160512331326657.
Demarez, V. (1999), Seasonal variation of leaf chlorophyll content of a temperate forest. Inversion of the PROSPECT model, Int. J. Remote Sens., 20(5), 879–894, doi: 10.1080/014311699212975.
Demarty, J., F. Chevallier, A. D. Friend, N. Viovy, S. Piao, y P. Ciais (2007), Assimilation of global MODIS leaf area index retrievals within a terrestrial biosphere model, Geophys. Res. Lett., 34(15), L15402, doi: 10.1029/2007GL030014.
Dodds, P., W. S. Meyer, y A. Barton (2005), A Review of Methods to Estimate Irrigated Reference Crop Evapotranspiration across Australia, CRC for Irrigation Futures Technical Report Nº 04/05, April 2005, CRC for Irrigation Futures/ CSIRO Land and Water, Toowoomba, Qld.
199
Ea us, D., A. P. O G ady, y L. Hutley (2000), Dry season conditions determine wet season water use in the wet-tropical savannas of northern Australia, Tree Physiol., 20(18), 1219–1226, doi: 10.1093/ t reephys/ 20.18.1219.
Eamus, D., J. Cleverly, N. Boulain, N. Grant, R. Faux, y R. Villalobos-Vega (2013), Carbon and water fluxes in an arid-zone Acacia savanna woodland: An analyses of seasonal patterns and responses to rainfall events, Agric. For. Meteorol., 182–183, 225–238, doi:10.1016/j.agrformet.2013.04.020.
Engman, E. T. (1991), Applications of microwave remote sensing of soil moisture for water resources and agriculture, Remote Sens. Environ., 35(2), 213–226, doi: 10.1016/0034-4257(91)90013-V.
Engman, E. T., y N. Chauhan (1995), Status of microwave soil moisture measurements with remote sensing, Remote Sensing of Environment, 51(1), 189–198, doi:10.1016/0034-4257(94)00074-W.
Entraigas, I., R. Rivas, y E. Usunoff (2001), Intercepción y distribución de la precipitación bajo el canopeo de maíz. Rainfall interception and distribution by a corn canopy., Rev. Argent. Agrometeorol., 1(2), 89–94.
Eva, H. D., A. S. Belward, E. E. De Miranda, C. M. Di Bella, V. Gond, O. Huber, S. Jones, M. Sgrenzaroli, y S. Fritz (2004), A land cover map of South America, Glob. Change Biol., 10(5), 731–744, doi:10.1111/j.1529-8817.2003.00774.x.
Falge, E. et al. (2001), Gap filling strategies for long term energy flux data sets, Agric. For. Meteorol., 107(1), 71–77, doi: 10.1016/S0168-1923(00)00235-5.
Ferrazzoli, P., y L. Guerriero (1996), Passive microwave remote sensing of forests: a model investigation, IEEE Trans. Geosci. Remote Sens., 34(2), 433–443, doi:10.1109/36.485121.
Ferrazzoli, P., D. Solimini, G. Luzi, y S. Paloscia (1991), Model Analysis of Backscatter and Emission from Vegetated Terrains, J. Electromagn. Waves Appl., 5(2), 175–193, doi: 10.1163/156939391X00554.
Ferrazzoli, P., L. Guerriero, S. Paloscia, y P. Pampaloni (1995), Modeling X and Ka band emission from Leafy vegetation, J. Electromagn. Waves Appl., 9(3), 393–406, doi: 10.1163/156939395X00541.
Ferreira, L. (2003), Seasonal landscape and spectral vegetation index dynamics in the Brazilian Cerrado: An analysis within the Large-Scale Biosphere–Atmosphere Experiment in Amazônia (LBA), Remote Sens. Environ., 87(4), 534–550, doi:10.1016/j.rse.2002.09.003.
Foken, T., y B. Wichura (1996), Tools for quality assessment of surface-based flux measurements, Agric. For. Meteorol., 78(1–2), 83–105, doi: 10.1016/0168-1923(95)02248-1.
Foken, T., F. Wimmer, M. Mauder, C. Thomas, y C. Liebethal (2006), Some aspects of the energy balance closure problem, Atmospheric Chem. Phys., 6(12), 4395–4402, doi: 10.5194/acp-6-4395-2006.
French, A., T. J. Schmugge, y W. P. Kustas (2002), Evapotranspiration estimates using ASTER thermal infrared imagery, Geoscience and Remote Sensing Symposium, 2001. IGARSS '01. IEEE 2001 International, 2, 718 - 720.
200
Friedl, M. A. (2002), Forward and inverse modeling of land surface energy balance using surface temperature measurements, Remote Sens. Environ., 79(2–3), 344–354, doi: 10.1016/S0034-4257(01)00284-X.
Gaiser, P. W. et al. (2004), The WindSat spaceborne polarimetric microwave radiometer: sensor description and early orbit performance, IEEE Trans. Geosci. Remote Sens., 42(11), 2347–2361, doi:10.1109/TGRS.2004.836867.
Gao, B.-C. (1996), NDWI—a normalized difference water index for remote sensing of vegetation liquid water from space, Remote Sens. Environ., 58(3), 257–266, doi: 10.1016/S0034-4257(96)00067-3.
García, A. G, A. N. Campos, C. M. Di Bella y G. Posse (2013), Evolución de la evapotranspiración en diferentes coberturas vegetales de la argentina utilizando productos derivados del sensor modis, en http://inta.gob.ar/documentos/evolucion-de-la-evapotranspiracion-en-diferentes-coberturas-vegetales-de-la-argentina-utilizando-productos-derivados-del-sensor-modis/at_multi_download/file/INTA_%20Resumen%20Expandido_Garcia%20Alfredo.pdf.
Gasparri, N. I., y G. Baldi (2013), Regional patterns and controls of biomass in semiarid woodlands: lessons from the Northern Argentina Dry Chaco, Reg. Environ. Change, 13(6), 1131–1144, doi: 10.1007/s10113-013-0422-x.
Gasparri, N. I., y H. R. Grau (2009), Forest Ecology and Management Deforestation and fragmentation of Chaco dry forest in NW Argentina (1972 –2007), For. Ecol. Manag., doi:10.1016/j.foreco.2009.02.024.
Gillies, R. R., W. P. Kustas, y K. “. Hu es , A e ifi atio of the t ia gle ethod fo o tai i g su fa e soil water content and energy fluxes from remote measurements of the Normalized Difference Vegetation Index (NDVI) and surface, Int. J. Remote Sens., 18(15), 3145–3166, doi: 10.1080/014311697217026.
Giménez, A. M., y J. G. Moglia (2003), Árboles del Chaco argentino: guía para el reconocimiento dendrológico, Secretaria de Ambiente y Desarrollo Sustentable de la Nación, Facultad de Ciencias Forestales de Santiago del Estero.
Glenn, E. P., A. R. Huete, P. L. Nagler, K. K. Hirschboeck, y P. Brown (2007), Integrating Remote Sensing and Ground Methods to Estimate Evapotranspiration, Crit. Rev. Plant Sci., 26(3), 139–168, doi: 10.1080/07352680701402503.
Glenn, E. P., C. M. U. Neale, D. J. Hunsaker, y P. L. Nagler (2011), Vegetation index-based crop coefficients to estimate evapotranspiration by remote sensing in agricultural and natural ecosystems, Hydrol. Process., 25(26), 4050–4062, doi:10.1002/hyp.8392.
Glenn, E. P., P. L. Nagler, y A. R. Huete (2010), Vegetation Index Methods for Estimating Evapotranspiration by Remote Sensing, Surv. Geophys., 31(6), 531–555, doi: 10.1007/s10712-010-9102-2.
Göckede, M., C. Rebmann, y T. Foken (2004), A combination of quality assessment tools for eddy covariance measurements with footprint modelling for the characterisation of complex sites, Agric. For. Meteorol., 127(3), 175–188, doi:10.1016/j.agrformet.2004.07.012.
201
Goel, N. S. (1988), Models of vegetation canopy reflectance and their use in estimation of biophysical parameters from reflectance data, Remote Sens. Rev., 4(1), 1–212, doi: 10.1080/02757258809532105.
Goldstein, G., F. C. Meinzer, S. J. Bucci, F. G. Scholz, A. C. Franco, y W. A. Hoffmann (2008), Water economy of Neotropical savanna trees: six paradigms revisited, Tree Physiol., 28(3), 395–404, doi:10.1093/treephys/28.3.395.
Goldstein, G., J. L. Andrade, F. C. Meinzer, N. M. Holbrook, J. Cavelier, P. Jackson, y A. Celis (1998), Stem water storage and diurnal patterns of water use in tropical forest canopy trees, Plant Cell Environ., 21(4), 397–406, doi:10.1046/j.1365-3040.1998.00273.x.
González, M. H., y O. K. Flores (2010), Análisis de la precipitación en la llanura chaqueña argentina y su relación con el comportamiento de la circulación atmosférica y las temperaturas de la superficie del mar, Meteorologica, 35(2), 53–66.
Goudriaan, J. (1986), A simple and fast numerical method for the computation of daily totals of crop photosynthesis, Agric. For. Meteorol., 38(1), 249–254, doi: 10.1016/0168-1923(86)90063-8.
Goulden, M. L., J. W. Munger, S.-M. Fan, B. C. Daube, y S. C. Wofsy (1996), Measurements of carbon sequestration by long-term eddy covariance: methods and a critical evaluation of accuracy, Glob. Change Biol., 2(3), 169–182, doi:10.1111/j.1365-2486.1996.tb00070.x.
Grant, L. (1987), Diffuse and specular characteristics of leaf reflectance, Remote Sens. Environ., 22(2), 309–322, doi: 10.1016/0034-4257(87)90064-2.
Grings, F., V. Douna, V. Barraza, M. Salvia, H. Karszenbaum, N. I. Gasparri, P. Ferrazzoli, y R. Rahmoune (2012), C-Band Radiometric Response to Rainfall Events in the Subtropical Chaco Forest, IEEE Geosci. Remote Sens. Lett., 9(2), 209–213, doi:10.1109/LGRS.2011.2162484.
Gu, L. et al. (2005), Objective threshold determination for nighttime eddy flux filtering, Agric. For. Meteorol., 128(3), 179–197, doi: 10.1016/j.agrformet.2004.11.006.
Guerschman, J. P., A. I. J. M. Van Dijk, G. Mattersdorf, J. Beringer, L. B. Hutley, R. Leuning, R. C. Pipunic, y B. S. Sherman (2009), Scaling of potential evapotranspiration with MODIS data reproduces flux observations and catchment water balance observations across Australia, J. Hydrol., 369(1–2), 107–119, doi:10.1016/j.jhydrol.2009.02.013.
Guida Johnson, B., y G. A. Zuleta (2013), Land-use land-cover change and ecosystem loss in the Espinal ecoregion, Argentina, Agric. Ecosyst. Environ., 181, 31–40, doi:10.1016/j.agee.2013.09.002.
Hansen, M. C., y B. Reed (2000), A comparison of the IGBP DISCover and University of Maryland 1 km global land cover products, Int. J. Remote Sens., 21(6-7), 1365–1373, doi: 10.1080/014311600210218.
Hardisky, M. S. (1983), The influence of soil salinity, growth form and leaf moisture on the spectral radiance of Spartina alterniflora canopies, Photogramm. Eng. Remote Sens., 48, 77–84, doi: 10.1016/j.isprsjprs.2015.07.004.
202
Hillel, D. (1998), Environmental Soil Physics: Fundamentals, Applications, and Environmental Considerations, Academic Press.
Hollinger, D. Y. et al. (2004), Spatial and temporal variability in forest–atmosphere CO2 exchange, Glob. Change Biol., 10(10), 1689–1706, doi:10.1111/j.1365-2486.2004.00847.x.
Houspanossian, J., M. Nosetto, y E. G. Jobbágy (2013), Radiation budget changes with dry forest clearing in temperate Argentina, Glob. Change Biol., 19(4), 1211–1222, doi:10.1111/gcb.12121.
Huete, A. R. (1988), A soil-adjusted vegetation index (SAVI), Remote Sens. Environ., 25(3), 295–309, doi: 10.1016/0034-4257(88)90106-X.
Huete, A., K. Didan, T. Miura, E. P. Rodriguez, X. Gao, y L. G. Ferreira (2002), Overview of the radiometric and biophysical performance of the MODIS vegetation indices, Remote Sens. Environ., 83(1–2), 195–213, doi: 10.1016/S0034-4257(02)00096-2.
Hunt, E. R., L. Li, M. T. Yilmaz, y T. J. Jackson (2011), Comparison of vegetation water contents derived from shortwave-infrared and passive-microwave sensors over central Iowa, Remote Sens. Environ., 115(9), 2376–2383, doi:10.1016/j.rse.2011.04.037.
Hutley, L. B., J. Beringer, P. R. Isaac, J. M. Hacker, y L. A. Cernusak (2011), A sub-continental scale living laboratory: Spatial patterns of savanna vegetation over a rainfall gradient in northern Australia, Agric. For. Meteorol., 151(11), 1417–1428, doi:10.1016/j.agrformet.2011.03.002.
Inoue, Y., y M. S. Moran (1997), A simplified method for remote sensing of daily canopy transpiration-a case study with direct measurements of canopy transpiration in soybean canopies, Int. J. Remote Sens., 18(1), 139–152, doi: 10.1080/014311697219321.
Jackson, R. D., S. B. Idso, R. J. Reginato, y P. J. Pinter (1981), Canopy temperature as a crop water stress indicator, Water Resour. Res., 17(4), 1133–1138, doi:10.1029/WR017i004p01133.
Jackson, T. J. (1997), Soil moisture estimation using special satellite microwave/imager satellite data over a grassland region, Water Resour. Res., 33(6), 1475–1484, doi: 10.1029/97WR00661.
Jackson, T. J., A. Y. Hsu, y P. E. O Neill , “u fa e soil oistu e et ie al a d appi g usi g high-frequency microwave satellite observations in the Southern Great Plains, J. Hydrometeorol., 3(6), 688–699, doi: http://dx.doi.org/10.1175/1525-7541(2002)003<0688:SSMRAM>2.0.CO;2.
Jacobs, J. M., S. L. Mergelsberg, A. F. Lopera, y D. A. Myers (2002), Evapotranspiration from a wet prairie wetland under drought conditions: Paynes Prairie Preserve, Florida, USA, Wetlands, 22(2), 374–385, doi: 10.1672/0277-5212(2002)022[0374:EFAWPW]2.0.CO;2.
Jacquemin, B., y J. Noilhan (1990), Sensitivity study and validation of a land surface parameterization using the HAPEX-MOBILHY data set, Bound.-Layer Meteorol., 52(1-2), 93–134, doi: 10.1007/BF00123180.
203
Jacquemoud, S., S. L. Ustin, J. Verdebout, G. Schmuck, G. Andreoli, y B. Hosgood (1996), Estimating leaf biochemistry using the PROSPECT leaf optical properties model, Remote Sens. Environ., 56(3), 194–202, doi: 10.1016/0034-4257(95)00238-3.
Jacquemoud, S., W. Verhoef, F. Baret, C. Bacour, P. J. Zarco-tejada, G. P. Asner, C. François, y S. L. Ustin , ‘e ote “e si g of E i o e t P‘O“PECT + “AIL odels : A e ie of use fo egetatio
characterization, Remote Sens. Environ., 113, S56–S66, doi:10.1016/j.rse.2008.01.026.
Jakubauskas, M. E., D. R. Legates, y J. H. Kastens (2001), Harmonic analysis of time-series AVHRR NDVI data, Photogramm. Eng. Remote Sens., 67(4), 461–470, doi: 0099-11 12/01/6704-461$3.00/0.
Jang, K., S. Kang, Y.-J. Lim, S. Jeong, J. Kim, J. S. Kimball, y S. Y. Hong (2013), Monitoring daily evapotranspiration in Northeast Asia using MODIS and a regional Land Data Assimilation System, J. Geophys. Res. Atmospheres, 118(23), 2013JD020639, doi: 10.1002/2013JD020639.
Jarvis, P. G., y K. G. McNaughton (1986), Stomatal Control of Transpiration: Scaling Up from Leaf to Region, in Advances in Ecological Research, vol. Volume 15, edited by A. MacFadyen and E.D. Ford, pp. 1–49, Academic Press.
Jiang, L., S. Islam, W. Guo, A. S. Jutla, S. U. Senarath, B. H. Ramsay, y E. Eltahir (2009), A satellite-based daily actual evapotranspiration estimation algorithm over South Florida, Glob. Planet. Change, 67(1), 62–77, doi: 10.1016/j.gloplacha.2008.12.008.
Jobbágy, E. G., M. D. Nosetto, C. S. Santoni, y G. Baldi (2008), El desafío ecohidrológico de las transiciones entre sistemas leñosos y herbáceos en la llanura Chaco-Pampeana, Ecol. Austral, 18(3), 305–322.
Johnson, R. S., L. E. Williams, J. E. Ayars, y T. J. Trout (2005), Weighing lysimeters aid study of water relations in tree and vine crops, Calif. Agric., 59(2), 133–136, doi:10.3733/ca.v059n02p133.
Jones, M. O., J. S. Kimball, L. a. Jones, y K. C. McDonald (2012), Satellite passive microwave detection of North America start of season, Remote Sens. Environ., 123, 324–333, doi:10.1016/j.rse.2012.03.025.
Jupp, D. L. B., D. S. Culvenor, J. L. Lovell, G. J. Newnham, A. H. Strahler, y C. E. Woodcock (2009), Estimating forest LAI profiles and structural parameters using a ground- ased lase alled E hid a, Tree Physiol., 29(2), 171–181, doi:10.1093/treephys/tpn022.
Kalma, J. D., T. R. McVicar, y M. F. McCabe (2008), Estimating Land Surface Evaporation: A Review of Methods Using Remotely Sensed Surface Temperature Data, Surv. Geophys., 29(4-5), 421–469, doi: 10.1007/s10712-008-9037-z.
Kanniah, K. D., J. Beringer, y L. Hutley (2011), Exploring the link between clouds, radiation, and canopy productivity of tropical savannas, Agric. For. Meteorol., doi:10.1016/j.agrformet.2013.06.010.
Kawanishi, T., T. Sezai, Y. Ito, K. Imaoka, T. Takeshima, Y. Ishido, A. Shibata, M. Miura, H. Inahata, y R. W. Spencer (2003a), The Advanced Microwave Scanning Radiometer for the Earth Observing System (AMSR-E , NA“DA s o t i utio to the EO“ fo glo al e e gy a d ate y le studies, IEEE Trans. Geosci. Remote Sens., 41(2), 184–194, doi:10.1109/TGRS.2002.808331.
204
Kennedy, A. D., X. Dong, B. Xi, S. Xie, Y. Zhang, y J. Chen (2011), A Comparison of MERRA and NARR Reanalyses with the DOE ARM SGP Data, J. Climate, 24(17), 4541–4557, doi:10.1175/2011JCLI3978.1.
Koch, G. W., P. M. Vitousek, W. L. Steffen, y B. H. Walker (1995), Terrestrial transects for global change research, Vegetatio, 121(1-2), 53–65, doi: 10.1007/BF00044672.
Koenraadt, C. J. M., A. K. Githeko, y W. Takken (2004), The effects of rainfall and evapotranspiration on the temporal dynamics of Anopheles gambiae s.s. and Anopheles arabiensis in a Kenyan village, Acta Tropica, 90(2), 141–153, doi:10.1016/j.actatropica.2003.11.007.
Kustas, W. P. (1990), Estimates of Evapotranspiration with a One- and Two-Layer Model of Heat Transfer over Partial Canopy Cover, J. Appl. Meteorol., 29(8), 704–715, doi:10.1175/1520-0450(1990)029<0704:EOEWAO>2.0.CO;2.
Kuusk, A. (1991), The Hot Spot Effect in Plant Canopy Reflectance, in Photon-Vegetation Interactions, edited by D. R. B. Myneni and A. P. D. J. Ross, pp. 139–159, Springer Berlin Heidelberg.
Leuning, R., E. van Gorsel, W. J. Massman, y P. R. Isaac (2012), Reflections on the surface energy imbalance problem, Agric. For. Meteorol., 156, 65–74, doi:10.1016/j.agrformet.2011.12.002.
Leuning, R., H. A. Cleugh, S. J. Zegelin, y D. Hughes (2005), Carbon and water fluxes over a temperate Eu alyptus fo est a d a t opi al et / d y sa a a i Aust alia : easu e e ts a d o pa iso with MODIS remote sensing estimates, Agric. For. Meteorol., 129, 151–173, doi:10.1016/j.agrformet.2004.12.004.
Leuning, R., Y. Q. Zhang, A. Rajaud, H. Cleugh, y K. Tu (2008), A simple surface conductance model to estimate regional evaporation using MODIS leaf area index and the Penman-Monteith equation, Water Resour. Res., 44(10), W10419, doi: 10.1029/2007WR006562.
Lewis, B. L., F. T. Ulaby, F. F. Kretschmer, A. K. Fung, R. K. Moore, y W. W. Shelton (1986), Microwave Remote Sensing: Active and Passive, Artech House.
Lhermitte, S., J. Verbesselt, W. W. Verstraeten, y P. Coppin (2011), Remote Sensing of Environment A comparison of time series similarity measures for classi fi cation and change detection of ecosystem dynamics, Remote Sensing of Environment, doi:10.1016/j.rse.2011.06.020.
Li, R., Q. Min, y B. Lin (2009), Estimation of evapotranspiration in a mid-latitude forest using the Microwave Emissivity Difference Vegetation Index (EDVI), Remote Sens. Environ., 113(9), 2011–2018, doi:10.1016/j.rse.2009.05.007.
Lipton, A. E., P. Liang, C. Jiménez, J.-L. Moncet, F. Aires, C. Prigent, R. Lynch, J. F. Galantowicz, R. P. d E t e o t, y G. Uymin (2015), Sources of discrepancies between satellite-derived and land surface model estimates of latent heat fluxes, J. Geophys. Res. Atmospheres, 120(6), 2014JD022641, doi: 10.1002/2014JD022641.
205
Liu, Y.Y., A.I.J.M. van Dijk, R.A.M. de Jeu, y T.R.H. Holmes (2009), An analysis of spatiotemporal variations of soil and vegetation moisture from a 29-year satellite-derived data set over mainland Australia, Water Resour. Res., 45 (7) (2009), p. W07405, doi: 10.1029/2008WR007187.
López-López, R., W. Ojeda-Bustamante, A. P. López Andrade, y E. A. Catalán-Valencia (2013), Heat pulse method and sap flow for measuring transpiration in cacao, Rev. Chapingo Ser. Zonas Áridas, XII(2), 85–96, doi:10.5154/r.rchsza.2012.06.023.
Loukas, A., L. Vasiliades, C. Domenikiotis, y N. R. Dalezios (2005), Basin-wide actual evapotranspiration estimation using NOAA/AVHRR satellite data, Phys. Chem. Earth Parts ABC, 30(1), 69–79, doi:10.1016/j.pce.2004.08.023.
Lu, H., M. R. Raupach, T. R. Mcvicar, y D. J. Barrett (2003), Decomposition of vegetation cover into woody and herbaceous components using AVHRR NDVI time series, Remote Sens. Environ., 86, 1–18, doi: 10.1016/S0034-4257(03)00054-3.
Mahrt, L. y H. L. Pan (1984), A two-layer model of soil hydrology, Boundary Layer Meteorology, 29: 1-20, doi: 10.1007/BF00119116
Mahrt, L., y M. Ek (1984), The Influence of Atmospheric Stability on Potential Evaporation, J. Clim. Appl. Meteorol., 23(2), 222–234, doi:10.1175/1520-0450(1984)023<0222:TIOASO>2.0.CO;2.
Marchesini, V. A., R. J. Fernández, J. F. Reynolds, J. A. Sobrino, y C. M. Di Bella (2014), Changes in evapotranspiration and phenology as consequences of shrub removal in dry forests of central Argentina, Ecohydrology, doi: 10.1002/eco.1583.
Martín, G. O., M. G. Nicosia, y E. D. Lagomarsino (1997), Fenología foliar en leñosas nativas del Chaco Semiárido de Tucumán y algunas consideraciones para su aprovechamiento forrajero, Rev Agron Noroeste Argent., 29(1), 65–85.
Martínez, M. S. (2002), Modelos y Aproximaciones para la Estimacion de la Evapotranspiración con Información Satelital, Revista de Geografía Norte Grande, Available from: http://www.redalyc.org/articulo.oa?id=30002909 (Accessed 10 September 2015).
Matsumoto, K., T. Ohta, y T. Tanaka (2005), Dependence of stomatal conductance on leaf chlorophyll concentration and meteorological variables, Agric. For. Meteorol., 132(1-2), 44–57, doi:10.1016/j.agrformet.2005.07.001.
McCulley, R. L., E. G. Jobbagy, W. T. Pockman, y R. B. Jackson (2004), Nutrient uptake as a contributing explanation for deep rooting in arid and semi-arid ecosystems, Oecologia, 141(4), 620–628, dx.doi.org/10.1007/s00442-004-1687-z.
McVicar, T. R., y D. L. B. Jupp (1999), Estimating one-time-of-day meteorological data from standard daily data as inputs to thermal remote sensing based energy balance models, Agric. For. Meteorol., 96(4), 219–238, doi: 10.1016/S0168-1923(99)00052-0.
206
Meesters, A. G. C. A., R. A. M. de Jeu, y M. Owe (2005), Analytical derivation of the vegetation optical depth from the microwave polarization difference index, IEEE Geoscience and Remote Sensing Letters, 2(2), 121–123, doi:10.1109/LGRS.2005.843983.
Meroni, M., R. Colombo, y C. Panigada (2004), Inversion of a radiative transfer model with hyperspectral observations for LAI mapping in poplar plantations, Remote Sens. Environ., 92(2), 195–206, doi:10.1016/j.rse.2004.06.005.
Meyers, T., y D. Baldocchi (2005), Current Micrometeorological Flux Methodologies with Applications in Agriculture, Publ. Agencies Staff US Dep. Commer.
Miles, L., A. C. Newton, R. S. DeFries, C. Ravilious, I. May, S. Blyth, V. Kapos, y J. E. Gordon (2006), A global overview of the conservation status of tropical dry forests, J. Biogeogr., 33(3), 491–505, doi:10.1111/j.1365-2699.2005.01424.x.
Min, Q., y B. Lin (2006), Remote sensing of evapotranspiration and carbon uptake at Harvard Forest, Remote Sens. Environ., 100, 379–387, doi:10.1016/j.rse.2005.10.020.
Min, Q., B. Lin, y R. Li (2010), Remote Sensing Vegetation Hydrological States Using Passive Microwave Measurements, IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens., 3(1), 124–131, doi:10.1109/JSTARS.2009.2032557.
Minetti, J. L. (2005), El clima del noroeste argentino, Laboratorio climatológico sudamericano, Fuandación Caldenius, Ed. MAGNA. ISBN: 987-9390-66-0.
Minetti, J. L., W. M. Vargas, B. Vega, y M. C. Costa (2007), Droughts in the pampa humeda-impact in the productivity of corn, Rev. Bras. Meteorol., 22(2), 218–232, doi:10.1590/S0102-77862007000200007.
Moglia, J. G., y C. R. López (1912), Variabilidad radial de algunos caracteres anatómicos de Aspidosperma quebracho blanco, Bosque, 2, 3–14.
Mohamed, Y. A., W. G. M. Bastiaanssen, y H. H. G. Savenije (2004), Spatial variability of evaporation and moisture storage in the swamps of the upper Nile studied by remote sensing techniques, J. Hydrol., 289(1), 145–164, doi:10.1016/j.jhydrol.2003.11.038.
Monteith, J. L. (1985), Evaporation from land surfaces: progress in analysis and prediction since 1948, in Advances in Evapotranspiration, pp. 4–12, Chicago.
Moran, M. S., y R. D. Jackson (1991), Assessing the Spatial Distribution of Evapotranspiration Using Remotely Sensed Inputs, J. Environ. Qual., 20(4), 725, doi:10.2134/jeq1991.00472425002000040003x.
Morello, J. (1974), Las grandes unidades de vegetacion y ambiente del Chaco argentino: pt. Vegetacion y ambiente de la provincia del Chaco, Secretaria de Estado de Agricultura y Ganaderia de la Nacion, Instituto Nacional de Tecnologia Agropecuaria, Centro de Investigaciones de Recursos Naturales.
207
Mott, K. A., y D. F. Parkhurst (1991), Stomatal responses to humidity in air and helox, Plant, Cell & Environment, 14(5), 509–515, doi:10.1111/j.1365-3040.1991.tb01521.x.
Mu, Q. (2007), Development of a global evapotranspiration algorithm based on MODIS and global meteorology data, Remote Sens. Environ., 111(4), 519–536, doi:10.1016/j.rse.2007.04.015.
Mu, Q., M. Zhao, y S. W. Running (2011), Improvements to a MODIS global terrestrial evapotranspiration algorithm, Remote Sens. Environ., 115(8), 1781–1800, doi:10.1016/j.rse.2011.02.019.
Myneni, R. B., R. Ramakrishna, R. Nemani, y S. W. Running (1997), Estimation of global leaf area index and absorbed par using radiative transfer models, IEEE Trans. Geosci. Remote Sens., 35(6), 1380–1393, doi:10.1109/36.649788.
Nadzri, M. I., y M. Hashim (2014), Validation of MODIS Data for localized spatio-temporal evapotranspiration mapping, IOP Conf. Ser. Earth Environ. Sci., 18(1), 012183, doi:10.1088/1755-1315/18/1/012183.
Nagler, P. L., E. P. Glenn, H. Kim, W. Emmerich, R. L. Scott, T. E. Huxman, y A. R. Huete (2007), Relationship between evapotranspiration and precipitation pulses in a semiarid rangeland estimated by moisture flux towers and MODIS vegetation indices, J. Arid Environ., 70(3), 443–462, doi:10.1016/j.jaridenv.2006.12.026.
Nagler, P. L., J. Cleverly, E. Glenn, D. Lampkin, A. Huete, y Z. Wan (2005b), Predicting riparian evapotranspiration from MODIS vegetation indices and meteorological data, Remote Sens. Environ., 94(1), 17–30, doi:10.1016/j.rse.2004.08.009.
Nagler, P. L., R. L. Scott, C. Westenburg, J. R. Cleverly, E. P. Glenn, y A. R. Huete (2005a), Evapotranspiration on western US rivers estimated using the Enhanced Vegetation Index from MODIS and data from eddy covariance and Bowen ratio flux towers, Remote Sens. Environ., 97(3), 337–351, doi:10.1016/j.rse.2005.05.011.
Nemani, R., L. Pierce, S. Running, y L. Band (1993), Forest ecosystem processes at the watershed scale: sensitivity to remotely-sensed leaf area index estimates, Int. J. Remote Sens., 14(13), 2519–2534, doi: 10.1080/01431169308904290.
Niklas, K. J. (1994), Plant Allometry: The Scaling of Form and Process, University of Chicago Press.
Niklas, K. J., y B. J. Enquist (2002), On the vegetative biomass partitioning of seed plant leaves, stems, and roots, Am. Nat., 159(5), 482–497, doi: 10.1086/339459.
Noilhan, J., y S. Planton (1989), A Simple Parameterization of Land Surface Processes for Meteorological Models, Mon. Weather Rev., 117(3), 536–549, doi:10.1175/1520-0493(1989)117<0536:ASPOLS>2.0.CO;2.
Norouzi, H., W. Rossow, M. Temimi, C. Prigent, M. Azarderakhsh, S. Boukabara, y R. Khanbilvardi (2012), Remote Sensing of Environment Using microwave brightness temperature diurnal cycle to improve emissivity retrievals over land, Remote Sensing of Environment, 123, 470–482, doi:10.1016/j.rse.2012.04.015.
208
Noy-Meir, I. (1973), Desert ecosystems: environment and producers, Annu. Rev. Ecol. Syst., 25–51.
Oke, T. R. (1988), Boundary Layer Climates, 2 edition., Routledge, London.
Oki, T., y S. Kanae (2006), Global Hydrological Cycles and World Water Resources, Science, 313(5790), 1068–1072, doi:10.1126/science.1128845.
Olioso, A. et al. (2005), Future directions for advanced evapotranspiration modeling: assimilation of remote sensing data into crop simulation models and SVAT models, Irrig. Drain. Syst., 19(3-4), 377–412, doi: 10.1007/s10795-005-8143-z.
Olson, D. M. et al. (2001), Terrestrial Ecoregions of the World: A New Map of Life on Earth, BioScience, 51(11), 933–938, doi:10.1641/0006-3568(2001)051[0933:TEOTWA]2.0.CO;2.
Owe, M., y A. A. V. D. Griend (2001), On the relationship between thermodynamic surface temperature and high-frequency (37 GHz) vertically polarized brightness temperature under semi-arid conditions, International Journal of Remote Sensing, 22(17), 3521–3532, doi:10.1080/01431160110063788.
Owe, M., R. de Jeu, y T. Holmes (2008), Multisensor historical climatology of satellite-derived global land surface moisture, J. Geophys. Res., 113(F1), F01002, doi:10.1029/2007JF000769.
Pallardy, S. G. (2008), Chapter 12 - Transpiration and Plant Water Balance, in Physiology of Woody Plants (Third Edition), edited by S. G. Pallardy, pp. 325–366, Academic Press, San Diego.
Paloscia, S., y P. Pampaloni (1988), Microwave polarization index for monitoring vegetation growth, IEEE Trans. Geosci. Remote Sens., 26(5), 617–621, doi:10.1109/36.7687.
Pan, H.-L., y L. Mahrt (1987), Interaction between soil hydrology and boundary-layer development, Bound.-Layer Meteorol., 38(1-2), 185–202, doi: 10.1007/BF00121563.
Parinussa, R. M., T. R. H. Holmes, M. T. Yilmaz, y W. T. Crow (2011), The impact of land surface temperature on soil moisture anomaly detection from passive microwave observations, Hydrol. Earth Syst. Sci., 15(10), 3135–3151, doi:10.5194/hess-15-3135-2011.
Penman, H. L. (1948), Natural Evaporation from Open Water, Bare Soil and Grass, Proceedings of the Royal Society of London A: Mathematical, Physical and Engineering Sciences, 193(1032), 120–145, doi:10.1098/rspa.1948.0037.
Petropoulos, G., T. N. Carlson, y M. J. Wooster (2009), An overview of the use of the SimSphere Soil Vegetation Atmosphere Transfer (SVAT) Model for the study of land-atmosphere interactions, Sensors, 9(6), 4286–4308, doi:10.3390/s90604286.
Pfautsch, S., T. M. Bleby, H. Rennenberg, y M. A. Adams (2010), Sap flow measurements reveal influence of temperature and stand structure on water use of Eucalyptus regnans forests, For. Ecol. Manag., 259(6), 1190–1199, doi:10.1016/j.foreco.2010.01.006.
Pinilla, C. R. (1995), Elementos de teledetección, Ra-Ma.
209
Pipunic, R. C., J. P. Walker, A. W. Western, y C. M. Trudinger (2013), Assimilation of multiple data types for improved heat flux prediction: A one-dimensional field study, Remote Sens. Environ., 136, 315–329, doi:10.1016/j.rse.2013.05.015.
Prado, D. E., y P. E. Gibbs (1993), Patterns of Species Distributions in the Dry Seasonal Forests of South America, Ann. Mo. Bot. Gard., 80(4), 902–927, doi:10.2307/2399937.
Priestley, C. H. B., y R. J. Taylor (1972), On the assessment of surface heat flux and evaporation using large-scale parameters, Mon. Weather Rev., 100(2), 81–92.
Prigent, C., Rossow, W. B., Matthews, E., y Marticorena, B. (1999), Microwave radiometric signatures of different surface types in deserts, Journal of Geophysical Research, 1041, 12147–12158, doi:10.1029/1999JD900153.
Ramoelo, A., N. Majozi, R. Mathieu, N. Jovanovic, A. Nickless, y S. Dzikiti (2014), Validation of Global Evapotranspiration Product (MOD16) using Flux Tower Data in the African Savanna, South Africa, Remote Sens., 6(8), 7406–7423, doi:10.3390/rs6087406.
Raupach, M. R., y J. J. Finnigan (1988), Single-layer models of evaporation from plant canopies are incorrect but useful, whereas multilayer models are correct but useless: Discuss, Funct. Plant Biol., 15(6), 705–716, doi:10.1071/PP9880705.
Raven, P. H., R. F. Evert, y S. E. Eichhorn (1992), Biología de las plantas, Reverte.
Rees, W. G. (2013), Physical Principles of Remote Sensing, Cambridge University Press.
Reginato, R. J., R. D. Jackson, y P. J. Pinter (1985), Evapotranspiration calculated from remote multispectral and ground station meteorological data, Remote Sens. Environ., 18(1), 75–89, doi:10.1016/0034-4257(85)90039-2.
Reichle, R. H., R. D. Koster, G. J. M. De Lannoy, B. A. Forman, Q. Liu, S. P. P. Mahanama, y A. Touré (2011), Assessment and Enhancement of MERRA Land Surface Hydrology Estimates, J. Clim., 24(24), 6322–6338, doi:10.1175/JCLI-D-10-05033.1.
Reynolds, J. F. et al. (2007), Global desertification: building a science for dryland development, science, 316(5826), 847–851, doi: 10.1126/science.1131634.
Richardson, A. D., y D. Y. Hollinger (2005), Statistical modeling of ecosystem respiration using eddy covariance data: Maximum likelihood parameter estimation, and Monte Carlo simulation of model and parameter uncertainty, applied to three simple models, Agricultural and Forest Meteorology, 131(3–4), 191–208, doi:10.1016/j.agrformet.2005.05.008.
Rivas, R. (2004), Propuesta de un modelo operativo para la estimación de la evapotranspiración, tesis de doctorado, Universitat de València – TERMODINÀMICA.
Rivas, R. E., y F. Carmona (2013), Evapotranspiration in the Pampean Region using field measurements and satellite data, Phys. Chem. Earth Parts ABC, 55, 27–34, doi:10.1016/j.pce.2010.12.002.
210
Rivas, R., y V. Caselles (2004), A simplified equation to estimate spatial reference evaporation from remote sensing-based surface temperature and local meteorological data, Remote Sens. Environ., 93(1), 68–76, doi:10.1016/j.rse.2004.06.021.
Rodell, M., J. S. Famiglietti, J. Chen, S. I. Seneviratne, P. Viterbo, S. Holl, y C. R. Wilson (2004), Basin scale estimates of evapotranspiration using GRACE and other observations, Geophys. Res. Lett., 31(20).
Rotenberg, E., y D. Yakir (2010), Contribution of Semi-Arid Forests to the Climate System, Science, 327(5964), 451–454, doi:10.1126/science.1179998.
Rouse, J. W., R. H. Haas, J. A. Schell, y D. W. Deering (1974), Monitoring Vegetation Systems in the Great Plains with Erts, NASA Special Publication, 351, 309.
Ruppert, J., M. Mauder, C. Thomas, y J. Lüers (2006), Innovative gap-filling strategy for annual sums of CO 2 net ecosystem exchange, Agric. For. Meteorol., 138(1), 5–18.
Sahin, V., y M. J. Hall (1996), The effects of afforestation and deforestation on water yields, Journal of hydrology, 178(1), 293–309, doi: http://dx.doi.org/10.1016/0022-1694(95)02825-0.
Scanlon, B. R., R. C. Reedy, D. A. Stonestrom, D. E. Prudic, y K. F. Dennehy (2005), Impact of land use and land cover change on groundwater recharge and quality in the southwestern US, Glob. Change Biol., 11(10), 1577–1593, doi: 10.1029/2004GL020873.
Schmid, H. P., C. S. B. Grimmond, F. Cropley, B. Offerle, y H.-B. Su (2000), Measurements of CO2 and energy fluxes over a mixed hardwood forest in the mid-western United States, Agric. For. Meteorol., 103(4), 357–374, doi:10.1016/S0168-1923(00)00140-4.
Schubert, S. D., R. B. Rood, y J. Pfaendtner (1993), An Assimilated Dataset for Earth Science Applications, Bull. Am. Meteorol. Soc., 74(12), 2331–2342, doi:10.1175/1520-0477(1993)074<2331:AADFES>2.0.CO;2.
Sea, W. B., P. Choler, J. Beringer, R. A. Weinmann, L. B. Hutley, y R. Leuning (2011), Documenting improvement in leaf area index estimates from MODIS using hemispherical photos for Australian savannas, Agric. For. Meteorol., 151(11), 1453–1461, doi:10.1016/j.agrformet.2010.12.006.
Seguin, B. (1989), Use of surface temperature in agrometeorology, in Applications of remote sensing to agrometeorology, pp. 221–240, Springer, doi: 10.1007/978-94-009-2235-8_9.
Seguin, B., D. Courault, y M. Guerif (1994), Surface temperature and evapotranspiration: Application of local scale methods to regional scales using satellite data, Remote Sens. Environ., 49(3), 287–295, doi: 10.1016/0034-4257(94)90023-X.
Seguin, B., J.-P. Lagouarde, y M. Savane (1991), The assessment of regional crop water conditions from meteorological satellite thermal infrared data, Remote Sens. Environ., 35(2), 141–148, doi:10.1016/0034-4257(91)90007-S.
Sellers, P. J., D. A. Randall, G. J. Collatz, J. A. Berry, C. B. Field, D. A. Dazlich, C. Zhang, G. D. Collelo, y L. Bounoua (1996), A revised land surface parameterization (SiB2) for atmospheric GCMs. Part I:
211
Model formulation, J. Clim., 9(4), 676–705, doi: http://dx.doi.org/10.1175/1520-0442(1996)009<0676:ARLSPF>2.0.CO;2.
Seneviratne, S. I., D. Lüthi, M. Litschi, y C. Schär (2006), Land–atmosphere coupling and climate change in Europe, Nature, 443(7108), 205–209, doi:10.1038/nature05095.
Shrestha, N., D. Raes, y S. K. Sah (2013), Strategies to Improve Cereal Production in the Terai Region (Nepal) during Dry Season: Simulations With Aquacrop, Procedia Environ. Sci., 19, 767–775, doi:10.1016/j.proenv.2013.06.085.
Shuttleworth, W. J., y J. S. Wallace (1985), Evaporation from sparse crops-an energy combination theory, Q. J. R. Meteorol. Soc., 111(469), 839–855, doi:10.1002/qj.49711146910.
Stewart, W. (1999), Standard reference evaporation calculation for inland, south eastern Australia [electronic resource] / by Wayne S. Meyer, PANDORA electronic collection., Technical report C“I‘O. La d a d Wate : O li e ; o. / ., C“I‘O La d a d Wate , [Ca e a].
Stisen, S., I. Sandholt, A. Nørgaard, R. Fensholt, y K. H. Jensen (2008), Combining the triangle method with thermal inertia to estimate regional evapotranspiration—Applied to MSG-SEVIRI data in the Senegal River basin, Remote Sens. Environ., 112(3), 1242–1255, doi:10.1016/j.rse.2007.08.013.
Stoffelen, A. (1998), Toward the true near-surface wind speed: Error modeling and calibration using triple collocation, J. Geophys. Res. Oceans, 103(C4), 7755–7766, doi:10.1029/97JC03180.
Suppiah, R. (1992), The Australian summer monsoon: a review, Prog. Phys. Geogr., 16(3), 283–318, doi:10.1177/030913339201600302.
Tan, B., J. T. Morisette, R. E. Wolfe, F. Gao, G. A. Ederer, J. Nightingale, y J. A. Pedelty (2011), An Enhanced TIMESAT Algorithm for Estimating Vegetation Phenology Metrics From MODIS Data, Remote Sensing of Environment, 4(2), 361–371.
Taylor, J. A., y D. Tulloch (1985), Rainfall in the wet-dry tropics: Extreme events at Darwin and similarities between years during the period 1870–1983 inclusive, Aust. J. Ecol., 10(3), 281–295, doi:10.1111/j.1442-9993.1985.tb00890.x.
Thom, A. (1972), Momentum, mass and heat exchange of vegetation, Quart. J. Roy. Meteorol. Soc, 98(415), 124–134, doi: 10.1002/qj.49709841510.
Thornthwaite, C. W. (1948), An approach toward a rational classification of climate, Geogr. Rev., 55–94.
Tikhonov, A. N. (1995), Numerical Methods for the Solution of Ill-Posed Problems, Springer Science & Business Media.
Tucker, C. J. (1979), Red and photographic infrared linear combinations for monitoring vegetation, Remote Sens. Environ., 8(2), 127–150, doi:10.1016/0034-4257(79)90013-0.
212
Urbanski, S., C. Barford, S. Wofsy, C. Kucharik, E. Pyle, J. Budney, K. McKain, D. Fitzjarrald, M. Czikowsky, y J. W. Munger (2007), Factors controlling CO2 exchange on timescales from hourly to decadal at Harvard Forest, J. Geophys. Res. Biogeosciences, 112(G2), G02020, doi:10.1029/2006JG000293.
van Gorsel, E. et al. (2013), Primary and secondary effects of climate variability on net ecosystem carbon exchange in an evergreen Eucalyptus forest, Agric. For. Meteorol., 182–183, 248–256, doi:10.1016/j.agrformet.2013.04.027.
Vendramini, F., S. Díaz, D. E. Gurvich, P. J. Wilson, K. Thompson, y J. G. Hodgson (2002), Leaf traits as indicators of resource-use strategy in floras with succulent species, New Phytol., 154(1), 147–157, doi:10.1046/j.1469-8137.2002.00357.x.
Vermote, E. F., y A. Vermeulen (1999), Atmospheric correction algorithm: spectral reflectances (MOD09), ATBD Version, 4.
Wilcox, B. P. et al. (2012), Invasion of shrublands by exotic grasses: ecohydrological consequences in cold versus warm deserts, Ecohydrology, 5(2), 160–173, doi:10.1002/eco.247.
Wilcox, B. P. et al. (2012), Invasion of shrublands by exotic grasses: ecohydrological consequences in cold versus warm deserts, Ecohydrol., 5(2), 160–173, doi:10.1002/eco.247.
Wilcox, B. P., y Y. Huang (2010), Woody plant encroachment paradox: Rivers rebound as degraded grasslands convert to woodlands, Geophys. Res. Lett., 37(7), L07402, doi:10.1029/2009GL041929.
Wilcox, B. P., D. D. Breshears, y C. D. Allen (2003), Ecohydrology of a Resource-Conserving Semiarid Woodland: Effects of Scale and Disturbance, Ecol. Monogr., 73(2), 223–239.
Williams, R. J., G. A. Duff, D. Bowman, y G. D. Cook (1996), Variation in the composition and structure of tropical savannas as a function of rainfall and soil texture along a large-scale climatic gradient in the Northern Territory, Australia, J. Biogeogr., 23(6), 747–756, doi: 10.1111/j.1365-2699.1996.tb00036.x.
Wilson, J. S., M. Clay, E. Martin, D. Stuckey, y K. Vedder-Risch (2003), Evaluating environmental influences of zoning in urban ecosystems with remote sensing, Remote Sens. Environ., 86(3), 303–321, doi: 10.1016/S0034-4257(03)00084-1.
Wilson, K. B., P. J. Hanson, P. J. Mulholland, D. D. Baldocchi, y S. D. Wullschleger (2001), A comparison of methods for determining forest evapotranspiration and its components: sap-flow, soil water budget, eddy covariance and catchment water balance, Agric. For. Meteorol., 106(2), 153–168, doi: 10.1016/S0168-1923(00)00199-4.
Wilson, K. et al. (2002), Energy balance closure at FLUXNET sites, Agric. For. Meteorol., 113(1–4), 223–243, doi: 10.1016/S0168-1923(02)00109-0.
Yebra, M., A. Van Dijk, R. Leuning, A. Huete, y J. P. Guerschman (2013), Evaluation of optical remote sensing to estimate actual evapotranspiration and canopy conductance, Remote Sens. Environ., 129, 250–261, doi:10.1016/j.rse.2012.11.004.
213
Yebra, M., y E. Chuvieco (2009), Linking ecological information and radiative transfer models to estimate fuel moisture content in the Mediterranean region of Spain: Solving the ill-posed inverse problem, Remote Sensing of Environment, 113(11), 2403–2411, doi:10.1016/j.rse.2009.07.001.
Yilmaz, M. T., E. R. Hunt, y T. J. Jackson (2008), Remote sensing of vegetation water content from equivalent water thickness using satellite imagery, Remote Sens. Environ., 112, 2514–2522, doi:10.1016/j.rse.2007.11.014.
Zeng, N., y J. D. Neelin (2000), The Role of Vegetation–Climate Interaction and Interannual Variability in Shaping the African Savanna, J. Clim., 13(15), 2665–2670, doi:10.1175/1520-0442(2000)013<2665:TROVCI>2.0.CO;2.
Zhang, Y.-J., F. C. Meinzer, J.-H. Qi, G. Goldstein, y K.-F. Cao (2013), Midday stomatal conductance is more related to stem rather than leaf water status in subtropical deciduous and evergreen broadleaf trees., Plant Cell Environ., 36(1), 149–58, doi:10.1111/j.1365-3040.2012.02563.x.
Zhao, L., X. Lee, y S. Liu (2013), Correcting surface solar radiation of two data assimilation systems against FLUXNET observations in North America, J. Geophys. Res. Atmospheres, 118(17), 9552–9564, doi:10.1002/jgrd.50697.