estimación de parámetros térmicos mediante datos de alta
TRANSCRIPT
Universitat de València
Facultat de Física
Departament de Termodinàmica
Unitat de Canvi Global
Tesis Doctoral
MARIAM ATITAR
Valencia, 2011
Estimación de Parámetros Térmicos mediante
Datos de Alta frecuencia Temporal:
Aplicación al Sensor MSG2/SEVIRI
i
José Antonio Sobrino y Rodríguez, Catedrático de Física de la Tierra de la
Universitat de València (España) y Naoufal Raissouni, Profesor de la Facultad
de Ciencias de la Universidad Abdelmalek Essaâdi de Tetouan (Marruecos)
CERTIFICAN: Que la presente Memoria “Estimación de parámetros térmicos
mediante datos de alta frecuencia temporal: Aplicación al
Sensor MSG2/SEVIRI”, ha sido realizada bajo nuestra dirección
en el Departamento de Física de la Tierra y Termodinámica de la
Universitat de València por Dña. Mariam Atitar, y constituye su
tesis doctoral dentro del programa de Doctorado código 567-345 D
titulado “Física del Medio Ambiente” de este Departamento.
Y para que así conste, en cumplimiento de la legislación vigente, firmo el presente
certificado en Paterna (Valencia), a 10 de Enero de 2011.
Fdo.: J. A. Sobrino y Rodríguez Fdo.: N. Raissouni
ii
iii
Agradecimientos
Quisiera expresar en las siguientes líneas mi agradecimiento a todos
aquellos que contribuyeron de alguna manera u otra a la realización de este
trabajo en buenas condiciones:
A mi tutor y director, el Dr. José Antonio Sobrino, quiero expresar mi
profundo reconocimiento y gratitud por haberme introducido en el mundo de
teledetección, por su apoyo y comprensión a lo largo de estos años, y por sus
sabios consejos. Gracias por todo.
Al Dr. Naoufal Raissouni, mi co-director, quiero agradecerle por sus
valiosos consejos y por toda la ayuda que me dedicó para instalarme en Valencia.
A la Dr. Soledad Gandía Franco, directora actual del departamento, a
todos los profesores y el personal administrativo del departamento. Mi
agradecimiento también a los miembros del tribunal que han evaluado mi tesis.
A todos los miembros de la UCG, Juan Carlos, Juan, Mireia, Guillem,
Yves, Malena, Monica, Anaïs, Ana Belén, Victoria, Belén y Cristian, por su
iv
inestimable ayuda incondicional, para la elaboración de este trabajo, por
apoyarme siempre, y por compartir conmigo todos los buenos momento.
La realización de este trabajo fue posible gracias a una beca de la AECI
(Agencia Española de Cooperación Internacional) y a los siguientes proyectos i
institucions:
- Agencia Espacial Europea ESA-ESTEC, “CarboEurope, Flex
and Sentinel-2”, CEFLES2, Project 20801/07/I-LG.
- “Desarrollo de un sistema integrado de procesamiento de datos
térmicos de observación dela tierra aplicable al diseño de futuras
misiones Hiperspectrales de la ESA- TERMASTAT. (ESP-2005-
07724-C05-04) Ministerio de ciencia e innovación.
- INRA (Institut National de la Recherche Agronomique - Burdeos -
Francia), especialmente a Jean-Pierre Wigneron por darnos el
permiso para instalar los radiómetros en la torre Le Bray, y a
Jean-Marc Bonnefon por ocuparse de la descarga permanente de
los datos in situ.
- “Exploitation of AnGular effects in Land surfacE observations
from satellites”. EAGLE, Unión Europea (SST·-CT-2003-502057).
Antes de concluir esta sección dedicada a los agradecimientos, me
gustaría dedicar este trabajo, especialmente a mi madre, mi hermano y mis
v
hermanas, por todo lo que me han dado durante toda mi vida, por su amor y
cariño, y a Youssef, por compartir su vida conmigo, y sin cuya ayuda, este trabajo
no hubiera podido realizarse, os quiero a todos.
Gracias a todos
vi
vii
Índice
Agradecimientos ........................................................................................................ iii
Índice ............................................................................................................................... vii
Introducción .................................................................................................................. 1
Capítulo 1 ........................................................................................................................ 7
Características del MSG2-SEVIRI ........................................................................ 7
1.1 Introducción ...................................................................................................... 9
1.2 El satélite MSG2-SEVIRI ............................................................................ 10
1.2.1 Geometría de observación .................................................................. 14
1.2.2 El sensor SEVIRI ...................................................................................... 15
1.2.3 Bandas espectrales ................................................................................. 16
1.3 El sistema de recepción de datos MSG2 ........................................... 20
viii
1.3.1 Equipamiento Material (Hardware) ................................................ 21
1.3.1.1. Selección de antena receptora ................................................ 21
1.3.1.2. Especificaciones técnicas del material ................................. 22
1.3.2 Programas .................................................................................................. 25
1.3.2.1 Setup4PC ......................................................................................... 25
1.3.2.2 Busniss TV-IP ................................................................................. 25
1.3.2.3 Dartcom XRIT Ingester .............................................................. 26
1.3.2.4 iDAP ................................................................................................... 27
1.3.2.5 MacroPro ......................................................................................... 28
1.4 Procesamiento de imágenes ........................................................... 28
Capítulo 2 ..................................................................................................................... 33
Algoritmo propuesto para la obtención de la Temperatura de la
superficie terrestre ................................................................................................. 33
2.1 Introducción ................................................................................................... 35
2.2 Algoritmo .......................................................................................................... 37
ix
2.2.1 Simulación con MODTRAN 4.0 .......................................................... 38
2.2.2 Coeficientes del algoritmo ................................................................... 39
2.2.3 Algoritmo propuesto para el MSG2 ................................................. 40
2.3 Análisis de sensibilidad ............................................................................ 41
Capítulo 3 ..................................................................................................................... 43
Evaluación del algoritmo propuesto ............................................................. 43
3.1 Proyecto CEFLES 2 ....................................................................................... 45
3.1.1. Zona de medidas ..................................................................................... 47
3.1.2. Instrumentos in situ .............................................................................. 49
3.2 Aplicación del algoritmo propuesto .................................................. 50
3.2.1 Estimación de la emisividad de la superficie terrestre ............ 51
3.2.2 Estimación del contenido total en vapor de agua atmosférico….
54
3.2.3 Estimación de la temperatura de la superficie terrestre ........ 56
3.3 Comparación con datos in situ .............................................................. 57
3.4 Comparación con MODIS Y LANDSAF ................................................ 60
x
Capitulo 4 ..................................................................................................................... 67
Ajuste del Ciclo diario de la Temperatura de la superficie terrestre..
67
4.1 Introducción ................................................................................................... 69
4.2 Modelo CDT .................................................................................................... 71
4.3 Aplicación del modelo ............................................................................... 77
4.4 Calculo de errores y análisis de sensibilidad ............................. 82
Capítulo 5 ..................................................................................................................... 85
Estimación de la inercia térmica ..................................................................... 85
5.1 Introducción ................................................................................................... 87
5.2 Concepto de inercia térmica .................................................................. 88
5.3 Métodos de cálculo de la inercia térmica ........................................ 92
5.4 Aplicación ......................................................................................................... 96
Conclusiones ............................................................................................................. 105
xi
Bibliografía ............................................................................................................... 109
Acrónimos .................................................................................................................. 121
Apéndice A ................................................................................................................. 127
Apéndice B ................................................................................................................. 135
Apéndice C ................................................................................................................. 149
xii
1
Introducción
Introducción
2
Introducción
3
El uso de datos de Observación de la Tierra obtenidos mediante instrumentos
embarcados en satélites se ha ido generalizando en un número creciente de
disciplinas científicas, comerciales e industriales. Por ejemplo, se utilizan imágenes
de satélite en la estimación de la temperatura de la superficie terrestre o de mar, la
estimación del contenido total de vapor de agua, en estudios de producción
primaria del océano, calidad del agua, control de parámetros ambientales,
desertización, incendios forestales, control de mareas negras, aplicaciones
cartográficas y por supuesto meteorológicas.
Los datos de satélite son la única fuente de información disponible, sobre todo
en situaciones de emergencia. Por esta razón es indispensable contar con sistemas
de recepción de datos de satélite que garanticen la continuidad en la obtención de
datos de satélite.
La Estación de Recepción de Datos de Satélites del LPI (Laboratorio de
Procesado de Imágenes) de la Universidad de Valencia permitirá asegurar la
obtención continua de imágenes de los satélites MSG2, NOAA, FengYun1 y
TERRA/AQUA. La estación se mantiene operativa desde junio del 2007
Introducción
4
La presente tesis doctoral incluye cinco capítulos que ilustran las etapas de
desarrollo del trabajo.
El primer capítulo se centra en el sistema de adquisición y procesamiento de
imágenes Meteosat Segunda Generación (MSG2) recibidas en la estación de
recepción de datos de satélites del LPI.
En el segundo capítulo, se aborda el tema de la estimación de la temperatura de
la superficie terrestre a partir de datos del MSG2 en la región del infrarrojo térmico.
En este capítulo se pueden encontrar las bases teóricas del método split-window, se
explican las simulaciones de los datos del SEVIRI realizadas con el programa
MODTRAN 4.0 así como la obtención de las temperaturas radiométricas,
finalmente se desarrolla un análisis de sensibilidad del algoritmo propuesto.
El tercer capítulo es una validación del algoritmo TST realizado utilizando
tanto datos in situ como comparando con otros productos MODIS y LANDSAF
Una de las aplicaciones del algoritmo TST propuesto es la explotación del
ciclo diario de imágenes MSG2. En el cuarto capítulo, se expone una descripción
detallada de un modelo de ajuste del ciclo diario de temperaturas, y su eventual
aplicación a las imágenes del SEVIRI.
El quinto y último capítulo es una aplicación de la inercia térmica a las
imágenes TST y en la que revelamos la utilidad del ajuste del ciclo diario de
temperaturas para extraer los parámetros necesarios para el uso del algoritmo de
inercia térmica.
Introducción
5
Una vez finalizado el quinto capítulo, se pueden encontrar las conclusiones
más relevantes del trabajo, las referencias citadas a lo largo de esta memoria y los
apéndices, que recogen un total de 3 publicaciones en revistas y congresos, fruto
del trabajo realizado durante estos años de estudio y citadas a lo largo de la
memoria
Introducción
6
7
Capítulo 1 Características del MSG2-SEVIRI
Características del MSG2-SEVIRI
8
Características del MSG2-SEVIRI
9
1.1 Introducción
La Estación de Recepción de Datos de Satélites ha sido instalada en el seno del
LPI (Laboratorio de Procesado de Imágenes) de la Universidad de Valencia, para
asegurar la obtención continua de imágenes de satélite de baja resolución de los
satélites MSG2 (Meteosat Second Generation 2), NOAA (National Oceanic and
Atmospheric Administration), y TERRA/AQUA. La estación se mantiene
operativa desde junio del 2007. Los objetivos de dicha estación son:
Recepción y procesado de datos de los satélites NOAA, TERRA/AQUA y
MSG2, diariamente recibidos a la estación.
Procesado y análisis de datos de los satélites para la observación y estudio
del medio ambiente.
Distribución de datos y productos.
El principal objetivo de la estación es facilitar el acceso de los usuarios a
imágenes brutas de satélites y productos de Observación de la Tierra, para lo cual
desarrolla las siguientes tareas:
Características del MSG2-SEVIRI
10
Mantenimiento de las infraestructuras necesarias para la recepción y
procesado de imágenes procedentes de misiones espaciales de Observación
de la Tierra.
Elaboración sistemática, a partir de estas imágenes, de productos de amplia
utilización por la comunidad de usuarios, tales como la Temperatura
superficial de la tierra – TST, Temperatura superficial del mar – SST
Índice de vegetación – NDVI, Inercia térmica, y etc.
Las principales imágenes usadas en este trabajo son del satélite
MSG2, de hecho, detallamos en este capítulo el sistema de adquisición y
procesamiento de estas imágenes.
1.2 El satélite MSG2-SEVIRI
El Meteosat 8, también llamado Meteosat Segunda Generación 1 (MSG1) es el
primer satélite de la serie de satélites geoestacionarios Meteosat calificada como
"segunda generación"; A causa de renovaciones realizadas en su diseño, fue puesto
en órbita el 28 de agosto de 2002. En comparación con sus predecesores, los
objetivos de la misión son mucho más ambiciosos, esto se debe principalmente a
transmitir una escena registrada en 12 canales de visible, infrarrojo medio y
térmico de infrarrojos cada 15 minutos, con una resolución mayor que los
anteriores satélites del Meteosat primera generación (Meteosat 1-7) Para ello, el
Meteosat 8 fue equipado con el sensor SEVIRI (Spinning Enhanced Visible and
Infrared Imager)
Características del MSG2-SEVIRI
11
El último satélite de la serie es el MSG2 (nombrado también Meteosat 9), se
colocó en órbita el 21 de diciembre de 2005, ha sido una continuación del MSG1.
Los dos forman ahora la base de satélites geoestacionarios (figura 1.1).
Figura 1.1: Satélite MSG2
La nueva generación del Meteosat MSG-1/2, también incorpora un
instrumento específico para la investigación climatológica denominado GERB
(Instrumento para la medida del Balance Radiativo de la Tierra desde la órbita
geoestacionaria) que comprende un telescopio de tres espejos para banda ancha,
alojado en el Módulo Óptico. GERB realiza medidas de la radiación emitida por la
Tierra en onda larga y de la radiación solar de onda corta reflejada.
El instrumento GERB puede realizar una aportación sin igual para comprender
el equilibrio climático terrestre dado que, hasta la fecha, no se habían realizado
Características del MSG2-SEVIRI
12
estas mediciones desde una órbita geoestacionaria. Este instrumento se instaló en
los satélites MSG-1 y MSG-2.
Los satélites MSG también contienen equipos de comunicaciones sumamente
seguros para transmitir datos e incluyen antenas y transmisores de distintas clases
que proporcionan:
- Enlace de satélite a Tierra para transmitir los datos de SEVIRI y GERB a
la Estación Terrestre Principal de EUMETSAT.
- Recepción que alcanza hasta 3 Megabits por segundo y transmisión a 1
Megabit por segundo a las estaciones terrestres receptoras de la
información e imágenes meteorológicas ya procesadas.
- Telemetría, seguimiento y regulación para la vigilancia y control del
satélite.
- Transmisión de la información meteorológica, que ha sido procesada,
además de imágenes de otros satélites en órbita terrestre y señales
procedentes de las plataformas para recoger datos
Las tablas 1.1 y 1.2 muestran los datos del MSG2 y las ventajas del MSG
en general.
Características del MSG2-SEVIRI
13
Tabla 1.2: Ventajas del MSG
Resolución de imagen: Mejor resolución de imágenes en el espectro
visible (1 km. en vez de 2.5 km. del antiguo
Meteosat)
Transmisión de datos: Transmisión completamente digital de datos
del MSG. Transmisión de datos casi 20 veces
más rápida (hasta 3 Megabits por segundo), al
compararla con los antiguos satélites del
Meteosat
Vida útil: Siete años de vida útil nominal en órbita (dos
más al compararla con el Meteosat de la
generación anterior)
Tabla 1.1: Datos de satélite MSG2
Dimensiones: 2.4 m de alto; 3.2 m de diámetro y 2000 kg de peso en
órbita geoestacionaria de transferencia.
Características: Consumo eléctrico de 600 W; sistema propulsor tipo
Bipropelente
Orbita: Geoestacionaria a 36000 km. de altitud; posición
eventual de funcionamiento en explotación: 0ºN-0ºE;
giro estabilizado en 100 RPM.
Costes: El coste total del programa, que abarca tres satélites,
además de los lanzamientos, segmento terrestre y
operaciones, es de mil trescientos (1300) millones de
euros, financiados por EUMETSAT.
El coste del satélite asciende a 475 millones de euros,
de los que ESA financia 2/3 y EUMETSAT 1/3.
Características del MSG2-SEVIRI
14
1.2.1 Geometría de observación
La figura 1.2 muestra el principio del mecanismo de barrido del MSG2-
SEVIRI. MSG2 está localizado a una altitud de 36000 km y a 0º de latitud y 0º de
longitud; El instrumento SEVIRI escanea la Tierra de este a oeste y luego de sur a
norte. La radiación de la tierra entra en el instrumento a través una abertura de 50
cm × 80 cm. Las imágenes se adquieren cada 15 minutos, doce minutos se asignan
a la fase de imágenes, dejando a tres minutos para la calibración, el registro y la
estabilización. La resolución de 1 km de la banda HRV se obtiene mediante la
detección de 9 elementos de la banda ancha. Los otros canales con la resolución de
3 km, se obtienen por la detección de 3 elementos de la banda ancha por canal.
Los datos se almacenan en un buffer de memoria y multiplexados con otros datos
necesarios en un periodo de 600 ms. La transmisión de datos hasta la Tierra en la
banda L (3.2 Mb / s) es continua
Figura 1.2: El principio del barrido mecánico del MSG2-SEVIRI
Características del MSG2-SEVIRI
15
1.2.2 El sensor SEVIRI
El instrumento más importante instalado a bordo del MSG es el radiómetro
SEVIRI (Radiómetro de Exploración por barrido giratorio en la región visible e
infrarroja del espectro) (Figura 1.3), que suministra imágenes frecuentes de la
cuarta parte del disco terrestre y muestra las formaciones de nubes y condiciones
atmosféricas, tanto diurnas como nocturnas. Consigue, cada 15 minutos, una
imagen de resolución completa y, en consecuencia, muestra la evolución de las
condiciones atmosféricas. El instrumento detecta las radiaciones emitidas por la
atmósfera, nubosidad y superficie terrestre mediante un telescopio que dirige la
energía hacia detectores sensibles en doce bandas distintas del espectro
electromagnético y, a continuación, ejecuta el tratamiento electrónico de las señales
suministradas por los detectores.
Los detectores para los canales de infrarrojos tienen que funcionar a muy baja
temperatura, en consecuencia el SEVIRI incorpora un sistema de refrigeración
pasivo y de gran tamaño. El peso del instrumento es de 270 kg y su consumo
energético en funcionamiento es apenas inferior a 123 w.
Características del MSG2-SEVIRI
16
Figura 1.3: Radiómetro SEVIRI
1.2.3 Bandas espectrales
Con sus 12 canales espectrales que abarca desde el infrarrojo al visible (tabla
1.3 ) (Schmetz y al., 2002a), SEVIRI proporciona 20 veces más información que la
anterior generación de sensores a bordo de los satélites Meteosat, ofreciendo
nuevas y, en algunos casos, únicas imágenes de nubes y de seguimiento, detección
de niebla, medición de la temperatura de la superficie de la Tierra y las nubes,
seguimiento de los patrones de ozono, etc
Características del MSG2-SEVIRI
17
Tabla 1.3: Características de los canales espectrales del sensor SEVIRI
Nombre
del
canal
Longitud de
onda (µm)
Longitud de
onda central
(µm)
Ruido
VIS 0.6 0.56 - 0.71 0.640 SNR>10.1 para rango
dinámico de 1%
VIS 0.8 0.74 - 0.88 0.809 SNR>7.28 para rango
dinámico de 1%
NIR 1.6 1.50 - 1.78 1.635 SNR>3 f para rango
dinámico de 1%
IR 3.9 3.48 - 4.36 3.920 0.35 K @ 300 K
WV 6.2 5.35 - 7.15 6.306 0.75 K @ 250 K
WV 7.3 6.85 - 7.85 7.357 0.75 K @ 250 K
IR 8.7 8.30 - 9.1 8.711 0.28 K @ 300 K
IR 9.7 9.38 - 9.94 9.671 1.50 K @ 255 K
IR 10.8 9.80 - 11.80 10.788 0.25 K @ 300 K
IR 12.0 11.00 - 13.00 11.943 0.37 K @ 300 K
IR 13.4 12.40 - 14.40 13.352 1.80 K @ 270 K
HRV 0.4 - 1.1 _ S/N >4.3 f para rango
dinámico de 1%
Características del MSG2-SEVIRI
18
Los dos canales del visible, VIS0.6 y VIS0.8, proporcionan imágenes de la
superficie terrestre e imágenes de nubes durante el día. Estas longitudes de onda
ayudan a la discriminación de las superficies de vegetación de las nubes en
diferentes períodos del año, para determinar los índices de vegetación y las
cantidades de aerosoles atmosféricos.
El canal IR1.6 se usa para discriminar las nubes de nieve y las nubes de agua
de las nubes de hielo. Combinado con los dos canales de la imagen, mejora la
observación de los aerosoles, la estimación de la humedad del suelo y de los
índices de vegetación.
El canal HRV sirve para las tareas de observación (Nowcasting), seguimiento y
aplicaciones en términos de predicciones a muy corto plazo.
Los canales WV6.2 y WV7.3 se utilizan para la determinación de la
distribución de vapor de agua en dos diferentes niveles atmosféricos. También se
combinan con los canales de mayor longitud de onda, para determinar la
temperatura de las pequeñas nubes y la estimación del viento en zonas sin nubes.
Los cuatro canales IR3.8, IR8.7, IR10.8 e IR12.0 proporcionan la observación
de forma continua de nubes y la estimación de la temperatura superficial de nubes,
tierra y mar.
La banda IR3.8 se utiliza especialmente en la noche para detectar la niebla y
las nubes muy bajas.
Características del MSG2-SEVIRI
19
IR9.7 e IR13.4 se utilizan para analizar las masas de aire y para mejorar la
generación de imágenes multi-espectrales, vectores de movimiento de nubes y el
comportamiento de los parámetros de la superficie.
El canal IR9.7 pertenece también a la banda de absorción del ozono, y se usa
para el seguimiento, en las capas altas de la atmosfera, de las características de la
tropopausa y el viento de estratosfera, también hace el seguimiento del contenido
total del ozono.
Por último el canal IR13.4, situado en la banda de observación del dióxido de
carbono, está destinado a la discriminación de los cirros, la evaluación de la
presión en el techo de las nubes, el seguimiento de las nubes y la determinación de
la altura del viento (Schmid,2000).
La figura 1.4 muestra la respuesta espectral de los canales del SEVIRI.
Figura 1.4: Respuesta Espectral de los canales del satélite MSG2-SEVIRI
Características del MSG2-SEVIRI
20
1.3 El sistema de recepción de datos MSG2
El sistema de recepción de datos MSG2 recibe datos de EUMETSAT por
radiodifusión a través del satélite Hotbird 6, lo que constituye una alternativa a la
recepción directa del Meteosat, este servicio se llama EUMETCAST y está
equipado de un programa para el usuario llamado TELLICAST. Actualmente, hay
tres servicios de EUMETSAT: EARS (EUMETSAT ATOVS Webcast Service),
MSG 2 y RSS (Servicio de escaneo rápido). La Figura 1.5 muestra el sistema para
la recepción de datos MSG 2 a través del servicio de EUMETCAST. Las imágenes
recibidas tienen una resolución espacial de 3 km, con 12 bandas espectrales.
Las figuras 1.6 y 1.7 muestran ejemplos de imágenes recibidas por la estación
receptora MSG2.
Figura 1.5: Re-radiodifusión de datos MSG2 después de ser tratados por
EUMETSAT. La imagen será recibida a través de satélite HOTBIRD utilizando una
antena estándar (EUMETCAST, Kuband)
Características del MSG2-SEVIRI
21
Figura 1.6: Sección de una imagen
del norte de África, compuesto por
bandas de VIS006 (0,6 μm), VIS008
(0,8 μm) y IR108 (10,8 μm)
Figura 1. 7: Sección de un plano MSG
(HRV), que muestra las nubes sobre el
sur de Italia
1.3.1 Equipamiento Material (Hardware)
1.3.1.1. Selección de antena receptora
La figura 1.8 muestra el área de cobertura de las diferentes antenas Ku-Band, a
saber, los de 85 cm de diámetro, 1,2 m y 1,8 m. según esta figura, la antena que se
eligió fue la de 85 cm de diámetro, centrado en la zona ocupada por el LPI.
Las imágenes del MSG2 cubren todo el continente africano y europeo
Características del MSG2-SEVIRI
22
Figura 1.8: Zonas de servicio disponibles para la banda Ku-band de
EUMETCAST, dependiendo del tipo de antenas
1.3.1.2. Especificaciones técnicas del material
La estación receptora de datos MSG2 está equipada con una antena de tipo
Technisat Sataman 85cm, un dispositivo de bajo ruido LNB (Low Noise Block)
para la recepción de datos y un tarjeta Technisat SkyStart 2PCI DVB instalada en
el interior del ordenador receptor y equipada de su propio programa Setup4PC, esta
tarjeta está conectada directamente con la antena y tiene la funcionalidad de
descifrado de datos, la figura 1.9 muestra la antena y la tarjeta Technisat.
Características del MSG2-SEVIRI
23
Figura 1.9: A la derecha, la antena parabólica Technisat Satman, y a la
izquierda, la tarjeta Technisat SkyStart 2PCI DVB
Las tablas 1.4, 1.5 y 1.6, muestran, respectivamente, las especificaciones
de la antena parabólica de 85cm de diámetro, las especificaciones del LNB y las
especificaciones de la tarjeta Technisat SkyStart 2PCI DVB. Además de estos
componentes, se instaló una pequeña antena GPS (Global Position System) para
dar en cada momento la posición del sol.
Características del MSG2-SEVIRI
24
Tabla 1.4: Especificaciones de la antena parabólica
Tipo reflector 21° offset
material reflectante Aluminio sólido, revestimiento en polvo
Diámetro 0.85 m
F/D 0.67
Ganancia 38.2 dBi
Polarización Lineal
Elevación G/T 17.2 dB/K
Velocidad del viento operacional 80Km/h
Máxima velocidad del viento 120Km/h
Tabla 1.5: Especificaciones del LNB
Tipo de alimentación Scalar Horn
Polarización Lineal
Frecuencia input De 10.7GHz a 12.75GHz
Ruido 0.3 dB
Frecuencias Baja: 9.75GHz, alta: 10.6GHz
Frecuencia output De 950MHz a 2150MHz
Ganancia total De 50dB á 60dB
Características del MSG2-SEVIRI
25
Tabla 1.6: Especificaciones de la tarjeta Technisat SkyStart 2PCI DVB
Frecuencia input RF De 950MHz a 2150MHz
Conector input 75Ω F-type
Velocidad de símbolo 2Msps a 45Msps
Velocidad de datos Alcanza 90 Mbps
1.3.2 Programas
1.3.2.1 Setup4PC
Setup4PC controla la tarjeta Technisat SkyStart instalada en el ordenador
receptor, este programa proporciona información sobre la calidad y el nivel de
señal recibido, señalando que la relación señal / ruido (SNR: Signal Noise Rate)
debe ser superior a 6,0dB, por otra parte, este programa descifra los datos recibidos
y los envía al programa Business TV-IP.
1.3.2.2 Busniss TV-IP
Este programa recolecta y registra los datos proporcionados por el programa
Setup4PC. La grabación se hace de una manera temporal porque la tarea de archivo
de datos es proporcionada por el software Dartcom XRIT Ingester
Características del MSG2-SEVIRI
26
1.3.2.3 Dartcom XRIT Ingester
Permite la adquisición automática sin intervención del usuario, el descifrado, la
descompresión, el archivo y la recuperación de imágenes de baja resolución LRIT
(Low Resolusion Informatizo Transmisión) en tiempo real.
Este software consta con una arquitectura multi-capa que permite el
procesamiento simultáneo de los distintos servicios e incluso con los sistemas
multiprocesadores.
Figura 1. 10: Interfaz del programa Ingester de Dartcom
Características del MSG2-SEVIRI
27
1.3.2.4 iDAP
El programa iDAP permite la visualización, el procesamiento de imágenes, la
impresión y la exploración de imágenes, también ofrece la posibilidad de crear
nuevos productos, cambiar de proyecciones, aplicar máscaras en zonas de tierra y
mar, imprimir y exportar los datos. iDAP Permite también la creación de videos a
partir de una serie de imágenes
Figura 1.11: Interfaz del programa iDAP de Dartcom
Características del MSG2-SEVIRI
28
1.3.2.5 MacroPro
Dartcom MacroPro es un programa que permite automatizar la mayoría de las
tareas previstas por iDAP a través de macros. Sin embargo, este programa solo
permite tratar las imágenes con el formato iDAP.
1.4 Procesamiento de imágenes
Las imágenes SEVIRI se registran en tiempo real en el LPI en la Universidad
de Valencia. Estas imágenes se reciben del MSG2 a partir de EUMETSAT en
Darmstadt (Alemania), luego se procesan en el servidor Tellicast y se reenvían al
satélite HOTBIRD con el formato comprimido HRIT (High Resolution
Information Transmission), según (EUMETSAT, 2007 d). Desde allí las imágenes
se pueden recibir en la banda Ku de Eumetcast con una antena receptora instalada
en el IPL. El tratamiento de los datos recibidos en el IPL se realiza mediante el
programa “Dartcom XRIT Ingester”, que adquiere automáticamente los datos
HRIT, los descifra, los descomprime y los archiva para que sean listos para su
visualización y tratamiento posterior. Las imágenes HRIT están en formato PGM
(Portable Gray Map), que almacena las imágenes en escala de grises con una
codificación de 10 bits. Este formato está diseñado de forma sencilla para poder ser
utilizado por los programas de tratamiento de imágenes.
Para el uso cuantitativo de las imágenes MSG2, estas tienen que ser calibradas
en reflectividades y temperaturas de brillo. La ecuación (1.1) presenta la ecuación
de calibración:
OffsetDNSlopeR *
(1.1)
Características del MSG2-SEVIRI
29
donde R es la radiancia en mWm-2
sr-1
(cm-1
)-1
, DN es el numero de cuentas digitales
del MSG2 (DN:Digital Count); el slope y el offset, importantes valores para la
calibración, son extraídos de la cabecera de la imagen bruta. Los valores típicos del
Slope y el offset, para los cuatro canales utilizados en este trabajo, vienen dados en
la tabla 1.7:
Tabla 1.7. Valores de los slope y offset para cuatro canales del MSG2
Canales Slope Offset
VIS06 0.02014 -1.02691
VIS08 0.02592 -1.32202
TIR10.8 0.20503 -10.45676
TIR12.0 0.22231 -11.33788
Para calcular la reflectividad a partir de las radiancias, se utiliza la
siguiente fórmula (ecuación 1.2):
cos*
**2
I
dR SA
(1.2)
donde es el factor de reflectividad bidireccional (BRF: bidirectional Reflectance
Factor ) y dSA es la distancia astronómica entre el Sol y la Tierra (AU: Astronomic
Unit) en el momento t, su valor está dada por la ecuación (1.3):
Características del MSG2-SEVIRI
30
365
)3(2cos0167.01
JulianDaydSA
(1.3)
Los otros términos de la ecuación (1.2) son: I es la banda de la irradiancia
solar a 1AU en mWm-2
(cm-1
)-1
, para el canal VIS06: I = 65.2065 mWm-2
(cm-1
)-1
y
para el canal VIS08: I = 73.1869 mWm-2
(cm-1
)-1
, de acuerdo con EUMETSAT
(2007 a), y por último, θ es el ángulo cenital solar en radianes. Los canales de
radiancias térmicas pueden convertirse en temperaturas de brillo de la siguiente
manera:
ABR
c
cT
c
b
*1log3
1
22
(1.4)
donde Tb es la temperatura de brillo equivalente in K, νc es el número de onda (en
cm-1
), A y B son constantes que figuran en la tabla 1.8, y por último, C1 y C2 son
las constantes de radiación, las cuales tienen valores de 1.1910659.10-5
mWm-2
Sr-
1(cm
-1)
-4 y 1,438833 cm.K, respectivamente.
Tabla 1.8. Valores de A, B y los números de onda centrales para los dos
canales térmicos IR10.8 e IR12.0
Canales νc A B
TIR10.8 930.659 0.9983 0.627
TIR12.0 839.661 0.9988 0.397
Características del MSG2-SEVIRI
31
En este capítulo, se presentaron las características del MSG2-SEVIRI y de la
estación de datos instalada en el seno del LPI, así como el procesamiento de las
imágenes recibidas.
Uno de los objetivos de este trabajo es la estimación de la temperatura de la
superficie terrestre a partir del sensor SEVIRI que detallamos en el próximo
capítulo.
Características del MSG2-SEVIRI
32
33
Capítulo 2
Algoritmo propuesto para la
obtención de la Temperatura de la
Superficie Terrestre
Algoritmo propuesto para la obtención de la Temperatura de la Superficie Terrestre
34
Algoritmo propuesto para la obtención de la Temperatura de la Superficie Terrestre
35
2.1 Introducción
La necesidad del conocimiento de la temperatura de la superficie terrestre
para estudios medioambientales y para la administración de los recursos de la
Tierra ha convertido la estimación de la temperatura desde satélite en uno de los
temas de investigación más importantes en el campo de la Teledetección en el
infrarrojo térmico durante las últimas dos décadas. Excepto para los componentes
de la irradiancia solar, los flujos que intervienen en el balance de energía en la
interface superficie/atmósfera únicamente pueden parametrizarse a partir del uso de
la temperatura de la superficie terrestre. Por lo tanto, el conocimiento de la
temperatura resulta de gran interés para muchas aplicaciones, como la estimación
de los balances de agua y energía, evapotranspiración, inercia térmica, modelos de
circulación general (GCM), efecto invernadero, estudios de desertificación, etc.
Para obtener valores de temperatura a partir de datos de sensores a bordo
de satélites lo suficientemente precisos es necesario corregir los efectos
atmosféricos y angulares, así como corregir el efecto de la emisividad.
En este capítulo se estudia en profundidad el tema de la estimación de la
temperatura de la superficie terrestre a partir de los datos proporcionados por el
Algoritmo propuesto para la obtención de la Temperatura de la Superficie Terrestre
36
sensor SEVIRI, sobre todo en la región espectral del infrarrojo térmico
comprendida entre los 8 y los 13 mm. El algoritmo desarrollado en el trabajo se
aplica a imágenes SEVIRI para su posterior validación. Actualmente, los resultados
muestran que en general y desde satélite, la temperatura de la superficie terrestre
puede obtenerse con una precisión de 1.3K, bajo ángulos de visión inferiores a 50
grados.
Otro algoritmo de tipo split-window para MSG1 fue desarrollado por
Sobrino y Romaguera (2004), con una desviación estándar de 1.5 K para ángulos
inferiores a 50º. La propuesta de un nuevo algoritmo para el MSG2 en este trabajo
viene debida al cambio en las respuestas espectrales de los canales térmicos de
SEVIRI para MSG1 y MSG2, especialmente para el canal IR12.0, (Eumetsat,
2006), figura (2.1).
Figura 2.1: Respuestas espectrales de los canales del SEVIRI en las ventanas
térmicas, centradas en 10,8μm y 12,0μm, respectivamente, a bordo de MSG1, MSG2
y MSG3
Algoritmo propuesto para la obtención de la Temperatura de la Superficie Terrestre
37
2.2 Algoritmo
La estructura del algoritmo se obtiene a partir de la ecuación de
transferencia radiativa aplicada a la región del infrarrojo térmico, según la cual la
radiación B (Tiθ) medida a nivel del sensor para un canal dado i y bajo el ángulo de
observación cenital θ viene expresada de acuerdo con la ecuación (2.1):
atiiiisiii RrefRTBTB (2.1)
donde, εiθ es la emisividad de la superficie, Bi(Ts) es la radiancia emitida por un
cuerpo negro a una temperatura Ts de superficie, ηiθ es la transmisividad total
atmosférica y Ri(ref) es la radiancia atmosférica reflejada dada por la ecuación
(2.2). En ella, Rihem es la radiancia atmosférica descendente procedente de todo el
hemisferio en el canal i, y que puede ser obtenida directamente de las simulaciones
con MODTRAN4.0 junto con la radiación atmosférica.
iihemi RrefR 1
(2.2)
El método split-window consiste en combinar los datos obtenidos
simultáneamente por los dos canales del sensor en la misma ventana atmosférica,
en los cuales la absorción de la radiación por parte de la atmósfera es distinta, al
tratarse de dos longitudes de onda diferentes. Evaluando tales absorciones, es
posible obtener la radiación absorbida por parte de la atmósfera. En este trabajo,
hemos considerado el siguiente algoritmo (Ecuación 2.3) para estimar la TST, dado
por (Sobrino y al. 1996), y adaptado luego a las características del sensor SEVIRI:
Algoritmo propuesto para la obtención de la Temperatura de la Superficie Terrestre
38
0654
3
2
21
1
1
aWaaWa
aTTaTTaTT jijiis
(2.3)
donde: Ts es la temperatura de la superficie TST (en K), Ti y Tj son las
temperaturas radiométricas medidas por el sensor en los dos canales del térmico de
SEVIRI (en K), ε es la emisividad media: ε=(εi+εj)/2, Δε es la diferencia de
emisividades: Δε= εi-εj, W es el contenido total en vapor de agua de la atmósfera
(en g.cm-2
) en la dirección de observación del sensor, y ai son los coeficientes
numéricos del algoritmo, obtenidos con las simulaciones de MODTRAN 4.0.
2.2.1 Simulación con MODTRAN 4.0
Como hemos indicado antes, MODTRAN 4.0 ha sido utilizado para extraer
los coeficientes del algoritmo y analizar los efectos atmosféricos. Para llevar acabo
esta tarea, se han utilizado dos bases de datos de radiosondeos: la primera
comprende 61 radiosondeos de observaciones extraídos de la base de datos “TOVS
Initial Guess Retrieval (TIGR)” de acuerdo con (Scott y Chedin, 1981), y la
segunda los perfiles atmosféricos estándar incluidos en MODTRAN 4.0 para
latitudes medias en verano, latitudes medias en invierno, tropical, sub-ártico en
verano y sub-ártico en invierno.
Considerando la variación angular de SEVIRI, las simulaciones se han
realizado con 7 ángulos de observación cenital (0º, 10º, 20º, 30º, 40º, 50º, 60º)
Otro parámetro importante en estas simulaciones es la emisividad, y debido
a la falta de medidas angulares de emisividad, hemos seleccionado 108 muestras
Algoritmo propuesto para la obtención de la Temperatura de la Superficie Terrestre
39
naturales de los espectros de emisividad de la librería espectral de ASTER. Para
cada canal térmico, los valores de emisividad se obtuvieron mediante la integración
de la función filtro de respuesta, con la emisividad del espectro. Como resultado,
hemos obtenido 46116 situaciones diferentes (61 atmósferas, 7 ángulos y 108
espectros de emisividad) que se utilizaron para cada canal térmico con el fin de
obtener los coeficientes de regresión lineal del algoritmo. Los valores de
emisividades oscilan entre 0.7 y 0.99, el vapor de agua atmosférico fue extraído a
partir de los 61 radiosondeos en dirección nadir y se encuentra comprendido entre
0 y 6 g.cm-2
, y los valores de la temperatura del aire en la primera capa de la
atmósfera entre 244 y 310 K.
2.2.2 Coeficientes del algoritmo
En esta sección presentamos el algoritmo TST final y su análisis de
sensibilidad. Con el fin de obtener los valores numéricos de los coeficientes, en la
ecuación 3 se han utilizado los resultados de las simulaciones con MODTRAN y
los espectros de emisividad. En la tabla 2.1 se muestran los resultados de la
utilización del método de mínimos cuadrados para calcular la desviación estándar y
escoger la mejor combinación de los dos canales térmicos de SEVIRI. A partir de
esta tabla, la mejor combinación de los dos canales térmicos de SEVIRI viene dada
por los canales IR10.8 e IR12.0 ya que suponen el valor mínimo de desviación
estándar, 0.35 K en dirección nadir y 1.6 K bajo un ángulo de visión de 60º.
Por otra parte, la Tabla 2.2 muestra los coeficientes del algoritmo TST
usando los dos canales IR10.8 eIR12.0 en función del ángulo de visión cenital.
Algoritmo propuesto para la obtención de la Temperatura de la Superficie Terrestre
40
Tabla 2.1. Desviación estándar (K) del algoritmo TST usando cuatro canales
térmicos del SEVIRI en combinaciones de dos y en función de 7 ángulos de
observación cenital
Ca. i Ca. j 0º 10º 20º 30º 40º 50º 60º
IR 8.7 IR 10.8 1.424 1.438 1.484 1.567 1.712 1.937 3.034
IR 8.7 IR 12.0 1.048 1.059 1.093 1.158 1.278 1.53 2.772
IR 10.8 IR 12.0 0.348 0.354 0.375 0.416 0.5 0.69 1.608
Tabla 2.2 Coeficientes numéricos del algoritmo TST
θ (º) a1 a2
(K-1
)
a3
(K)
a4
(cm2.K.g
-1)
a5
(K)
a6
(cm2.K.g
-1)
a0
(K)
0 1.21 0.36 49.28 -4.23 -105.05 15.06 0.23
10 1.21 0.37 49.11 -4.13 -105.03 14.85 0.24
20 1.20 0.38 48.56 -3.83 -105.00 14.23 0.27
30 1.18 0.40 47.45 -3.29 -105.12 13.25 0.33
40 1.16 0.44 44.69 -2.33 -105.44 11.96 0.45
50 1.20 0.47 39.57 -1.02 -108.74 10.87 0.66
60 0.85 0.60 18.72 3.30 -55.03 1.57 2.00
2.2.3 Algoritmo propuesto para el MSG2
Con el fin de obtener un algoritmo global de la TST, hemos ajustado los
coeficientes de la tabla 2 en función del coseno del ángulo de observación cenital θ.
La comparación con diferentes formas del ajuste lineal da un mejor coeficiente de
correlación usando 1/cos2(θ) como variable en cada término del algoritmo
Algoritmo propuesto para la obtención de la Temperatura de la Superficie Terrestre
41
propuesto. La ecuación 2.4 da la estructura física del algoritmo propuesto para
obtener la TST a partir de datos SEVIRI/MSG2 (Atitar y Sobrino, 2008):
22
222
2
0.128.1020.128.1028.10
cos
57.044.0
cos
27.444.19
cos
09.1591.1251
cos
47.271.61
cos
01.1067.60
cos
08.029.0
cos
11.034.1
W
W
TTTTTT IRIRIRIRIRs
(2.4)
Los valores necesarios para el cálculo de la TST, como el vapor de agua se
obtiene siguiendo a Schroedter-Homscheidt et al, (2004a) y Sobrino y Romaguera,
(2008), el valor de la emisividad se ha calculado utilizando el método de umbrales
desarrollado en Sobrino et al, (2001) y adaptado en este caso al SEVIRI.
2.3 Análisis de sensibilidad
Para obtener la precisión en la estimación de la TST, la tabla 2.3 muestra la
estimación de errores de cada término del algoritmo y los errores totales obtenidos
a partir de la base de datos para cada ángulo de observación θ.
WnoiseSdtotal
2222 (2.5)
donde ζ total es el error total de la simulación de toda la base de datos (en K), ζ sd
es el error estándar de la estimación (en K), ζruido es el error debido a la
incertidumbre del ruido equivalente a la delta de temperatura (en K), ζε es el error
Algoritmo propuesto para la obtención de la Temperatura de la Superficie Terrestre
42
debido a la incertidumbre en los valores de la emisividad (en K), ζw es el error
debido a la incertidumbre en el valor del contenido total en vapor de agua
atmosférico (en K) y r es el coeficiente de correlación, una explicación detallada
del análisis de sensibilidad puede encontrarse en Sobrino et al, (2004). Los valores
típicos de incertidumbre escogidos son: ± 0.01 ± 0.005 para valores de emisividad,
± 0.5 g.cm-2
para el contenido total en vapor de agua atmosférico, y 0.07 y 0.1K
para el ruido equivalente a la delta de temperatura (NEΔT) para los canales IR 10.8
y IR12.0 respectivamente, de acuerdo con Eumetsat (2007 b).
Tabla 2.3. Estimación de los diferentes errores y el error total
obtenido por la base de datos de simulaciones en función del ángulo
de observación cenital
θ(º) σSd r σruido σε σw σtotal
0º 0.348 0.983 0.372 0.972 0.12 1.103
10º 0.354 0.982 0.374 0.971 0.118 1.105
20º 0.375 0.982 0.381 0.968 0.111 1.112
30º 0.416 0.98 0.394 0.965 0.101 1.127
40º 0.5 0.976 0.416 0.96 0.083 1.162
50º 0.69 0.965 0.446 0.965 0.064 1.269
60º 1.608 0.869 0.459 0.734 0.037 1.826
En este capítulo, se presenta un algoritmo operativo para la estimación de
la temperatura de superficie terrestre TST a partir de datos SEVIRI. Los resultados
muestran un error en la TST de 1.3K, bajo ángulos de visión inferiores a 50 grados.
El siguiente capítulo, se centra sobre la comparación de este algoritmo con
los productos MODIS y LANDSAF.
43
Capítulo 3
Evaluación del algoritmo
propuesto
Evaluación del algoritmo propuesto
44
Evaluación del algoritmo propuesto
45
Una vez presentada la teoría y desarrollado el algoritmo necesario para la
estimación de la temperatura de la superficie terrestre, llega el momento de
aplicarlo a imágenes de satélite y validarlo. Para ello, previamente evaluamos su
precisión frente a datos medidas in situ. El proceso de validación consiste en una
comparación entre los resultados extraídos de las imágenes de satélite una vez
aplicados los algoritmos y los resultados obtenidos a partir de medidas de campo u
otros productos de satélites. De esta forma se considera que las medidas de campo
o los resultados extraídos a partir de ellas son los más fiables, lo que habitualmente
se llama verdad terreno, por lo que resulta de vital importancia disponer de unas
medidas de campo de calidad.
En este capítulo explicamos cómo aplicar el algoritmo propuesto en el
capítulo 2 sobre imágenes SEVIRI, y comparamos los resultados con datos in situ
de la zona de Le Bray, Burdeos, y además, con los productos MODIS y LANDSAF.
3.1 Proyecto CEFLES 2
La Agencia Espacial Europea (ESA) promueve campañas de medidas
sobre el terreno y con imágenes de sensores aeroportados para proyectos de
calibración, validación o simulación de misiones de observación de la Tierra.
Evaluación del algoritmo propuesto
46
CEFLES2 (CarboEurope, Flex and Sentinel-2) es un proyecto de la ESA
que agrupa tres campañas llevadas a cabo durante 2007 sobre zonas urbanas,
rurales, forestales, y de montaña en Francia y España.
El objetivo de dichas campañas es la simulación de los datos y productos
de la futura misión de GMES (Global Monitoring of Environment and Security)
Sentinel-2 y la entonces candidata Earth Explorer FLEX (Fluorescente Explorer).
Las tres campañas de CEFLES2 son:
- CERES (CarboEurope Regional Experiment Strategy) proporciona la
validación de la fotosíntesis estimada basándose en medidas terrestres y aéreas
del flujo la planta mediante procesos de cambio (absorción del CO2, la
evapotranspiración y el balance energético).
- FLEX (Fluorescente Explorer) proporciona medidas aéreas de
fluorescencia inducida por energía solar y extensas medidas en tierra de los
procesos a nivel de la hoja en apoyo de la entonces candidata Earth Explorer
FLEX.
- Sentinel-2 apoya la preparación en curso de la misión Sentinel-2 de GMES.
Así, CEFLES2 (CarboEurope, FLEX y Sentinel-2) fue concebido como
una campaña colectiva de múltiples objetivos para aprovechar las sinergias entre
los tres experimentos para ser colocados en la región de Les Landes de Francia
durante el período de abril a septiembre del 2007, centrándose en diferentes tipos
de paisajes, incluidas las zonas urbanas, agrícolas y forestales.
Evaluación del algoritmo propuesto
47
3.1.1. Zona de medidas
Las medidas de CEFLES2 se llevaron a cabo junto con la campaña de
CERES, por lo tanto han sido en la misma área de estudio, que se ve limitada
dentro de un rectángulo que se extiende desde Burdeos a Toulouse en el suroeste
de Francia. La mayoría de los sitios se encuentran en la zona de bosques de Les
Landes y en la zona intermedia adyacente, en la transición entre los bosques y
áreas de cultivo (Figura 3.1). Algunas de las restricciones afectan a la selección del
sitio. Para el área de estudio de CEFLES2, los requisitos no se cumplen por los
sitios de CERES, en alternativa, centros cercanos tuvieron que ser considerados
para completar la adquisición de datos. Para el experimento FLEX, los objetivos
del campo de medidas debe ser homogéneo en una superficie mínima, con el fin de
garantizar que las medidas terrestres y aéreas coinciden y se relacionan con la
misma cubertura de la superficie.
Para el experimento de Sentinel-2, las prioridades y los requisitos para los
sitios de medidas apropiados son relativamente restrictivos. El experimento
Sentinel-2 requiere, en primera prioridad, sitios de vegetación agrícola y natural.
Evaluación del algoritmo propuesto
48
Figura 3.1: Zonas de Medidas del proyecto CEFLES2
La zona de medidas escogida en este trabajo es la zona de Le Bray, es una
zona de bosque de pino muy bien investigada (Figuras 3.2, 3.3). Una torre de
CERES se instalo en el centro de este sitio. Durante las tres campañas, fue posible
caracterizar el dosel estructural y dar medidas del intercambio de gases, y las
medidas espectrometricas de reflectancia/transmisión de hojas.
Evaluación del algoritmo propuesto
49
Figura 3.2 : Bosque de pino de Le Bray
en Septiembre
Figura 3.3: Zona de bosque de Le Bray,
imagen de falso color de SPOT5 en Abril
del 2007, el cuadro blanco indica el área
de estudio
3.1.2. Instrumentos in situ
Desde el 26 de abril de 2007, dos radiómetros (Raytek (R) y Everest (Ev))
han sido instalados en una torre de 33 metros de altura, en la zona forestal de Le
Bray - Burdeos (44º43'01.7''N, 0º46'09.8''O). Los dos radiómetros están orientados
en dirección nadir con un campo de visión (FOV: field Of View), de 6º y 4º,
respectivamente, tienen una sola banda de 8-14μm y miden cada 5 minutos (figura
3.4)
Evaluación del algoritmo propuesto
50
(a)
(b)
Figura 3.4: a) Radiómetro Raytek y Everest instalados en la torre de Le Bray en
Burdeos, b) vista aérea de la zona de Le Bray y la torre de medidas
3.2 Aplicación del algoritmo propuesto
La aplicación del algoritmo propuesto (2.4) requiere el conocimiento de
muchos parámetros, a saber, las emisividades espectrales, el contenido total en
vapor de agua atmosférico, las temperaturas radiométricas y el ángulo de
observación cenital θ
Las temperaturas radiométricas se obtienen desde los datos de satélite y se
corrigen siguiendo las etapas explicadas en el apartado 1.3 del primer capitulo
La imagen del ángulo de observación cenital θ es suministrada por el
satélite MSG2
Evaluación del algoritmo propuesto
51
Finalmente, las emisividades espectrales y el contenido total en vapor de
agua atmosférico se obtienen mediante algoritmos que explicaremos a continuación.
3.2.1 Estimación de la emisividad de la superficie terrestre
El conocimiento de la emisividad es esencial para la discriminación, la
clasificación y determinación de los tipos de suelo, en nuestro caso, el cálculo
proviene de la necesidad de corrección de la temperatura de la superficie terrestre.
Los valores de la emisividad de la superficie terrestre se obtienen a partir
del método de umbrales del índice de vegetación NDVI (Normalized Difference
Visible Index) desarrollado por Sobrino y Raissouni (2000). El método se basa en
la introducción de parámetros efectivos considerando una superficie dada como
constituida por una mezcla de suelo desnudo y vegetación (Sobrino y al., 1990).
La aplicación de este método tiene en cuenta las características del suelo y
el valor del NDVI. Así, el cálculo de este último se define así:
(3.1)
ρroig y ρir son respectivamente, los valores de reflectividad para los canales del
visible y del infrarrojo cercano, es decir los canales VIS0.6y VIS0.8 del SEVIRI
La emisividad se calcula de forma diferente en función de cada clase de
píxel, tal y como se detalla a continuación.
Evaluación del algoritmo propuesto
52
3.1.1.1 Pixeles mixtos
Los píxeles corresponden a superficies heterogéneas y rugosas que son los
más habituales en teledetección y que corresponden a los valores de NDVI entre
0,2 y 0,5. Para obtener la emisividad correspondiente a un píxel, consideraremos el
modelo geométrico desarrollado por Sobrino y al. (1990). En concreto, nos
fijaremos en la expresión de la emisividad efectiva, que quedaría reducida a la
contribución de la emisión directa según Sobrino (1989) y dada por la Ecuación 3.2:
(3.2)
Con εt, εsi εp son las emisividades debidas al techo de la vegetación, el
suelo y el pared vertical de la vegetación, Pt, Ps y Pp son las análogas proporciones
de vegetación y suelo, εv y Pv es la emisividad y proporción de vegetación debidas
a la vegetación, y finalmente : εt = εv =εp, Pt + Pp = Pv y Ps= 1- Pv
La proporción de vegetación se puede obtener por el método de Carlson y
Ripley (1997) a partir de la imagen del NDVI usando la siguiente ecuación:
(3.3)
La emisividades espectrales se pueden obtener según Romaguera (2006),
escogiendo unas 28 muestras de suelos de la librería espectral de ASTER y sus
correspondientes reflectividades, donde las reflectividades se obtuvieron filtrando
los espectros con las bandas correspondientes del SEVIRI, sabiendo que
. En la expresión 3.2 se ha considerado para εs una media de los valores
Evaluación del algoritmo propuesto
53
de emisividad de las 28 muestras, y para εv los valores de emsividad espectral de
las coníferas, y así, obtenemos las siguientes emisividades:
(3.4)
3.1.1.2 Pixeles de vegetación
Los pixeles con valores de NDVI superior a 0,5 se consideran píxeles
totalmente cubiertos de vegetación (PV = 1), pero dado que las variaciones del
espectro de emisividad en la región entre el 8-14μm son mínimas, una constante ha
sido añadida para todos los canales térmicos, es decir:
(3.5)
3.1.1.3 Pixeles suelos desnudos
Los píxeles que tienen valores de NDVI inferiores a 0,2 se consideran
como suelo desnudo con escasa vegetación (PV = 0).
Las emisividades para cada canal se obtienen a partir de un ajuste lineal
entre los valores de emisividad y los de reflectividad (ρ) en la región del rojo
(banda VIS0.6 del SEVIRI), es decir:
Evaluación del algoritmo propuesto
54
(3.6)
El ajuste se ha llevado a cabo a partir de los espectros de suelos escogidos en
el apartado anterior, así obtenemos las siguientes emisividades espectrales (3.7).
Con ζ la desviación estándar del ajuste de la expresión (3.6)
(3.7)
3.2.2 Estimación del contenido total en vapor de agua
atmosférico
La teledetección del contenido total en vapor de agua es también de gran
importancia sobre todo en la comprensión del ciclo hidrológico, interacción
biosfera-atmósfera, el balance de energía, así como en el control del cambio
climático debido a los gases del efecto invernadero. Además, el conocimiento del
contenido total en vapor de agua atmosférico, W, es necesario para mejorar la
precisión de las estimaciones de temperatura de la superficie terrestre obtenida a
partir de los datos suministrados por los satélites artificiales mediante los
algoritmos de tipo split-window (Sobrino et al, 1994). La inclusión del contenido
total en vapor de agua en los algoritmos permite eliminar una importante fuente de
error en la estimación de la temperatura de la superficie terrestre, y por tanto
contribuye a mejorar la precisión de los algoritmos split-window.
Evaluación del algoritmo propuesto
55
Una forma de acceder a este parámetro consiste en disponer de radiosondeos
atmosféricos coincidentes con la hora de paso del sensor y sobre la misma zona.
Sin embargo, esto no siempre es posible, especialmente cuando se trabaja con
bases de datos históricos de satélite. Además, en numerosas zonas de nuestro
planeta no se realizan radiosondeos de forma sistemática. Para resolver este
inconveniente se han propuesto, en los últimos años, numerosos métodos que
permiten estimar el contenido total en vapor de agua atmosférico a partir de los
datos suministrados por sensores como el AVHRR (Sobrino y al, 1999).
Para nuestro algoritmo, hemos utilizado el algoritmo de estimación de vapor
de agua desarrollado por Schroedter-Homscheidt et al, (2004a) y adaptado al
SEVIRI por Sobrino y Romaguera, (2008), ecuación (3.8):
W= a arg 2 + b arg + c
Con:
(3.8)
Los parámetros utilizados en este algoritmo son:
- W es el contenido total de vapor de agua.
Evaluación del algoritmo propuesto
56
- T11 y T12 son las temperaturas radiométricas en los canales
térmicos IR10.8 e IR12.0. A y B son las imágenes SEVIRI
tomadas en dos momentos diferentes, la imagen A es a las 7:00 am
y la imagen B es a las 13:15am. A y B se eligen de modo que la
diferencia de temperatura entre ellos sea mayor a 10 K, para evitar
los efectos del ruido del sensor.
3.2.3 Estimación de la temperatura de la superficie terrestre
Una vez obtenidos los parámetros de vapor de agua y las emisividades
espectrales, necesarios para la aplicación del algoritmo TST en la ecuación 2.4, y
aplicando el algoritmo, obtenemos un ejemplo de la imagen TST correspondiente
al día 27 de julio del 2007 a las 12h00 UTC (figura3.5). Los inputs del algoritmo,
son las imágenes del ángulo de observación cenital θ, las temperaturas
radiométricas en los canales IR10.8 e IR12.0, W, ε y Δε.
Evaluación del algoritmo propuesto
57
Figura 3.5. Imagen de la TST obtenida con el algoritmo propuesto para el día 27 de
julio de 2007 a las 12:00 UTC
3.3 Comparación con datos in situ
La evaluación de la TST a partir de datos SEVIRI se ha llevado a cabo
utilizando datos in situ obtenidos mediante las medidas realizadas en Burdeos
(Francia) en la torre de Le Bray. La fecha seleccionada para comparar la TST es el
27 de julio de 2007, un día despejado y sin nubes.
La TST se comparó con los datos in situ. La ecuación de transferencia
radiativa (Ecuación 2.1) se ha utilizado para calcular la temperatura de superficie a
partir de los dos radiómetros, donde la radiación atmosférica descendente se
calculó utilizando el código MODTRAN4.0 y el producto MODIS del perfil
Evaluación del algoritmo propuesto
58
atmosférico (MOD07_L2) descargado de la pagina web oficial de MODIS
(http://modis.gsfc.nasa.gov/data/dataprod/dataproducts.php?MOD_NUMBER=07)
para el día seleccionado.
El valor de emisividad considerado para esta zona de bosque es de 0.98. La
Figura 3.6 muestra los resultados del algoritmo propuesto en este trabajo, en
comparación con las temperaturas obtenidas a partir de la temperatura de brillo de
los dos radiómetros (R) y (EV), y también, la TST calculada utilizando el
algoritmo desarrollado para el MSG1 (Sobrino y Romaguera, 2004). Esta
comparación incluye 96 imágenes SEVIRI, adquiridas cada 15 minutos, durante el
día seleccionado. Las medidas efectivas de los radiómetros fueron promediadas
cada 15 minutos con el fin de compararlos con los valores de la TST del SEVIRI.
Figura 3.6. Valores de la TST usando algoritmos para MSG1 y MSG2, y la
TST calculada a partir de los datos de los dos radiómetros RAYTEK y el Everest,
durante el día 27 de julio de 2007
Evaluación del algoritmo propuesto
59
La tabla 3.1 muestra la comparación entre las temperaturas dadas por los
datos in situ y las TSTs dadas por el algoritmo propuesto y el algoritmo para el
MSG1.
Tabla 3.1. Valores del ECM de la comparación entre la TST, calculada utilizando los
algoritmos para MSG1 y MSG2, y la TST extraída y calculada a partir de los datos de
los radiómetros RAYTEK1 (R) y Everest (EV) durante el día 27 de julio del 2007
MSG1 MSG2
Hora (h) TSEVIRI-TR1
(K)
TSEVIRI-TEV
(K)
TSEVIRI-TR1
(K)
TSEVIRI-TEV
(K)
0-8h30 1.58 2.53 1.02 1.88
8h45-18h15 7.47 8.47 6.65 7.65
18h30-23h45 1.88 2.43 1.13 1.67
En el caso del algoritmo propuesto, durante la tarde y en la noche, el error
cuadrático medio ECM es inferior a 1.9K, pero durante el día el ECM alcanza los
7.6 K. Esto se debe al factor de escala entre la superficie cubierta por los
radiómetros (16m x 16m) y el tamaño del píxel SEVIRI (3km x 3km), lo que
provoca que las medidas de los radiómetros sean menos representativas en las
horas centrales del día, cuando existe una alta heterogeneidad térmica, esto explica
la diferencia entre las medidas in situ y la TST del SEVIRI durante el día entre
8h30 y 18h15 UTC. El mismo problema aparece usando el algoritmo para el MSG1
pero con un gran ECM. A continuación, se incluye una segunda comparación
utilizando productos oficiales de TST para MODIS y LANDSAF.
Evaluación del algoritmo propuesto
60
3.4 Comparación con MODIS Y LANDSAF
Con el fin de comprobar la influencia tanto en latitud como en longitud, así
como el tipo de superficie, el algoritmo propuesto en este trabajo se comparó con
dos productos de diferentes satélites (Atitar et al, 2008):
- El producto oficial de MODIS: MOD11_L2 que se puede
descargar de la pagina web oficial de MODIS:
http://modis.gsfc.nasa.gov/data/dataprod/dataproducts.php?MOD_
NUMBER=11
- El producto oficial de LANDSAF que usa imágenes del MSG2
(LANDSAF, 2006) y que se puede descargar de la pagina web
oficial de LANDSAF: http://landsaf.meteo.pt/products/prods.jsp.
El día seleccionado para comparar la TST es el 27 de Julio de 2007. La
comparación se llevó a cabo en cuatro zonas homogéneas diferentes, a las 11:00
UTC, en zonas de 3x3 píxeles MODIS promediadas a 1 píxel SEVIRI, con un
porcentaje de superposición de cobertura alrededor del 70% del píxel SEVIRI, y
dependiendo de la geometría de visión angular, este porcentaje debería, como
mínimo, cubrir el 50% de la zona estudiada según Erwin et al, (2007). La Figura
3.7 muestra la imagen TST obtenida a partir de datos SEVIRI con las cuatro áreas
escogidas para la comparación, en la tabla 3.2 se muestra la diferencia de la TST
calculada con los dos algoritmos del MSG1 y MSG2 y los productos oficiales de
MODIS y LANDSAF en las cuatro zonas escogidas y bajo distintos ángulos de
visión.
Evaluación del algoritmo propuesto
61
Figura 3.7. Imagen de la TST del SEVIRI para el día 7 de julio del 2007,
a las 11:00 UTC, y las zonas de evaluación del algoritmo propuesto
Como muestra la tabla 3.2, la diferencia entre la TST estimada con el
algoritmo propuesto para el MSG2 y los productos MODIS y LANDSAF da, en
ambos casos, un error cuadrático medio inferior comparado con el algoritmo para
MSG1.
La evaluación del algoritmo propuesto con el producto MODIS da un ECM
de 1.5K; en el caso del producto LANDSAF esta diferencia es del orden de 0.9K.
62
Tabla 3.2. Valores de la diferencia, la desviación estándar (σ) y el ECM obtenidos a partir de la diferencia entre los TST del
los dos algoritmos para MSG1 y MSG2, y los productos MODIS y LANDSAF en cuatro áreas diferentes y bajo diferentes
ángulos de visión
Angulo de visión Producto MODIS Producto LANDSAF
Zona Latitud Longitud SEVIRI
(º)
MODIS
(º)
TModis-
TMSG1
(K)
TModis-
TMSG2
(K)
TLANDSAF-
TMSG1
(K)
TLANDSAF-
TMSG2
(K)
1.LeBray (Francia) 44º43’6.6’’N 0º45’22.96’’O 51 10 -2.66 -1.67 -0.98 0.01
2.Desierto (Marruecos) 25º17’54.9’’N 13º10’21.1’’O 33 55 0.19 -1.63 1.3 0.94
3.Vegetación (España) 42º21’50.2’’N 5º 48’ 18.8’’O 49 37 -1 -0.16 -0.36 0.48
4. Dehesa (España) 38º50'46.22''N 6º 52' 58.5''O 45 38 0.58 1.23 0.69 1.34
Bias (K) -0.72 -0.56 0.16 0.69
σ (K) 1.46 1.38 1.02 0.57
ECM (K) 1.63 1.49 1.04 0.9
Evaluación del algoritmo propuesto
63
Con el MSG2, tenemos un amplio rango de datos y cobertura temporal
para hacer una comparación más rigurosa con el algoritmo propuesto para el MSG2.
De hecho, la figura 3.8 ilustra 5 gráficas de diferentes zonas geográficas en las
cuales comparamos la TST calculada con el algoritmo propuesto y el producto
LANDSAF a lo largo del día 27 de julio de 2007. Además, la tabla 3.3 muestra la
diferencia entre las TSTs, y el error cuadrático medio.
Tabla 3.3. Comparación entre la TST calculada con el algoritmo propuesto para el
MSG2 y el producto LANDSAF
Zona Latitud Longitud
Bias
(K)
σ
(K)
ECM
(K)
1. Bosque
(Burdeos-Francia) 44º43'6.6"N 0º45'23"O 0.92 1.03 1.38
2. Desierto (Sahara-
Marruecos) 25º17'54.99"N 13º10'21.16"O 0.22 0.91 0.94
3. Vegetación
(Galicia-España) 43º16'40.8"N 8º24'37.4"O 0.25 0.60 0.65
4. Dehesa (Badajoz-
España) 38º50' 46.22''N 6º 52' 58.5''O -1.02 1.06 1.47
5. Urbana (Madrid-
España) 40º29’12.75”N 3º43’55.96”O -1.11 1.65 1.99
Evaluación del algoritmo propuesto
64
a. Bosque (Burdeos-Francia)
b. Desierto (Sahara-Marruecos)
c. Vegetación (Galicia-España)
d. Dehesa (Badajoz-España)
e. Vegetación (Galicia-España)
Figura 3.8: Valores de la TST calculada con el algoritmo propuesto para MSG2, y la TST del
producto LANDSAF, durante el dia 27 de julio del 2007: a) Bosque (Burdeos-Francia), b)
Desierto (Sahara-Marruecos), c) Vegetación (Galicia-España), d) Dehesa (Badajoz-España),
e) Vegetación (Galicia-España)
Evaluación del algoritmo propuesto
65
A partir de la tabla 3.3, la diferencia entre el algoritmo propuesto y el
producto LANDSAF genera un ECM que varía entre 0.9K en zonas homogéneas,
como el desierto, y alcanza 2K en zonas urbanas, donde hay mayor heterogeneidad
térmica.
La figura 3.8 ilustra la diferencia entre el algoritmo propuesto y los
productos LANDSAF para todas las adquisiciones de imágenes TSTs durante el
día 27 de julio del 2007 en cinco diferentes zonas geográficas
En las dos comparaciones con MODIS y LANDSAF, las diferencias de la
TSTs se deben básicamente al método de estimación de la emisividad. En nuestro
caso, el método utilizado es el de umbrales, este método se basa en los valores del
Índice diferencial de vegetación normalizado: NDVI (Normalizad Difference
Vegetation Index) calculado en el mismo momento que la TST. En el caso de los
productos MODIS y LANDSAF, se usa el método de clasificación de suelo, según
(Snyder et al, 1998), este método utiliza un mapa anual de la cobertura terrestre
(producto MOD12Q1 en el caso de MODIS y el producto Land Cover en caso de
LANDSAF). Además, en el caso de MODIS, la resolución espacial de los dos
sensores y el ángulo de visión influyen bastante en los resultados de la
comparación. Dichos resultados muestran una de las ventajas más importantes del
algoritmo propuesto que es la operatividad, ya que se puede utilizar fácilmente y no
requiere un reconocimiento a priori de los tipos de la superficie.
Evaluación del algoritmo propuesto
66
Las TSTs obtenidas por el algoritmo propuesto se han comparado con
datos in situ y productos MODIS y LANDSAF, los resultados de esta evaluación
corroboran el error obtenido por las simulaciones.
67
Capitulo 4
Ajuste del Ciclo Diario de la Temperatura de la Superficie
Terrestre
68
Ajuste del Ciclo Diario de la Temperatura de la Superficie Terrestre
69
4.1 Introducción
El Meteosat segunda generación ofrece una mayor resolución temporal, puesto
que la adquisición de imágenes es cada 15min, lo que permite una cobertura diaria
de la TST en una zona determinada
En una imagen de satélite, todos los píxeles son adquiridos a la misma hora
UTC pero la hora solar local es muy diferente. Por ejemplo, en una imagen global
del MSG2-SEVIRI, la diferencia máxima de la hora local solar entre el este y el
oeste a lo largo del ecuador es de casi 8 horas.
Para los sensores a bordo de los satélites en órbita polar, como MODIS,
AVHRR o AATSR, además de la diferencia en la hora local solar en una misma
imagen, también existe el problema de la derivación de la orbita (Privette et al.,
1995; Arthur et al., 2002).
El problema de la hora local solar impide que los datos de satélite sean
utilizados en la investigación sobre el cambio climático (McGregor y Gorman,
1994; Jin y Dickinson, 2002; Jin y Treadon, 2003).
El modelo CDT, ciclo diario de temperatura, que presentamos en este capítulo
puede tratar este problema. Cuando las variaciones del TST de todos los píxeles
son interpoladas por el modelo CDT, la TST de todos los píxeles en una hora local
Ajuste del Ciclo Diario de la Temperatura de la Superficie Terrestre
70
solar puede ser fácilmente generada, puesto que el modelo CDT describe la
variación de la temperatura de la superficie terrestre y tiene la capacidad de
interpolar la TST a cualquier hora del día
Los forzamientos astronómicos que generan la variabilidad de temperaturas
son la rotación terrestre y la traslación terrestre, el primero genera el ciclo diario y
el segundo con la inclinación del eje terrestre genera el ciclo anual, las Estaciones.
Otros factores que influyen en la variabilidad de fenómenos atmosféricos son
la distribución de continentes y océanos, la latitud (duración del día e inclinación
de rayos solares), la orografía, el suelo, la continentalidad, la temperatura de la
superficie del mar y la rotación terrestre
La presencia de nubes suele impedir la generación de series temporales de la
TST en grandes áreas. Si la cobertura de nubes es breve (<4 h) y sólo parcial en la
escala de un píxel de imagen MSG2, la serie temporal discontinua de medidas sin
nubes se puede aproximar a un ciclo diurno de temperatura libre de nubes (CDT).
Con el fin de interpolar los valores perdidos y describir el comportamiento térmico
de la superficie terrestre en su conjunto, se aprovecha la alta resolución temporal
del MSG2 de 15 min
El comportamiento térmico de la superficie terrestre se define a partir de
los parámetros del modelo determinado y las 96 tomas diarias del MSG2 por cada
píxel se reducen a cinco parámetros por píxel y por día.
Ajustar el modelo de composiciones mensuales reduce de 35 040 tomas
anuales del MSG2 a 1825 por cada píxel por año. Esta reducción de parámetros es
Ajuste del Ciclo Diario de la Temperatura de la Superficie Terrestre
71
ventajosa para los estudios climatológicos que requieren el tratamiento de series
históricas. Los parámetros del modelo se muestran estar relacionados con las
propiedades físicas de la superficie terrestre, en particular el índice de vegetación
NDVI y la inercia térmica.
La amplitud del ciclo diario de la temperatura varía según la latitud, fuera de la
zona tropical, al desplazarnos hacia los polos, la amplitud del ciclo diario de la
temperatura disminuye porque la altura máxima alcanzada por el Sol es menor.
La Amplitud del ciclo anual de la temperatura también varía según la latitud.
En la zona ecuatorial el Sol pasa 2 veces por año por el zenit sobre el Ecuador (en
los equinoccios), produciéndose 2 máximos y 2 mínimos de radiación solar, con
poca amplitud.
El ciclo anual de temperaturas tiene un comportamiento similar al ciclo diario
de temperaturas. En latitudes medias, al desplazarnos desde el Ecuador hacia los
polos, la amplitud anual de la temperatura aumenta debido a la diferencia de altura
alcanzada por el sol en invierno y verano y la diferencia de duración de los días
entre invierno y verano.
4.2 Modelo CDT
Se propone la utilización de un método conceptualmente simple y de fácil
implementación para modelizar e interpolar las temperaturas horarias a partir de
las T extremas, la latitud y el día del año, basándose en el modelo desarrollado por
Gottsche y Olesen, (2001) pero utilizado para la temperatura. la de la superficie
Ajuste del Ciclo Diario de la Temperatura de la Superficie Terrestre
72
terrestre y no la temperatura radiométrica en el techo de la atmosfera como en el
caso del artículo citado.
A continuación se describen los resultados de su aplicación en cinco zonas
diferentes. El modelo simula las temperaturas horarias basándose en las
temperaturas extremas, o sea máxima y mínima diaria. Estas curvas de T simulada
pueden ser útiles donde solo hay extremas y se necesiten temperaturas horarias
(ejemplo, las temperaturas horarias de las predicciones urbanas, calculo de horas-
frío, importante en modelos agro-meteorológicos, o saber aproximadamente a qué
hora la T va a superar cierto umbral, y hasta cuándo).
El modelo sostiene que la curva diaria de temperatura puede simularse
mediante una función sinusoidal durante las horas del día y mediante una
exponencial durante la noche (figura 4.1). El ajuste del DTC describe el efecto del
sol sobre la TST.
Los parámetros del modelo describen y resumen el CDT y se pueden utilizar
para interpolar los datos que faltan, por ejemplo, debido a problemas técnicos o a la
presencia de nubes, (tabla 4.1).
Ajuste del Ciclo Diario de la Temperatura de la Superficie Terrestre
73
Figura 4.1: Ejemplo de un ciclo diario de temperaturas de la superficie terrestre
(en cuadros) y su ajuste con el modelo utilizado (en línea)
Tabla 4.1. Descripción de los parámetros del modelo CDT
Parámetros Significado
T0 (°C)
temperatura residual ( al amanecer)
Ta (°C)
amplitud máxima de la temperatura
ω (hh:mm)
ancho superior del término coseno ±π/2
(periodo/2)
tm (Tiempo solar)
Hora de la temperatura máxima
ts (tiempo solar)
Comienzo de la función de atenuación
k (hh:mm)
constante de atenuación
δT (°C)
Diferencia T0 - T(t →∞), t es la hora
Ajuste del Ciclo Diario de la Temperatura de la Superficie Terrestre
74
Los parámetros dependen de todas las temperaturas ajustadas, por lo tanto, no
influenciados por los valores extremos. Esto mejora la determinación de la
temperatura mínima y la temperatura máxima del CDT, que es importante, por
ejemplo, para el cálculo de la inercia térmica (Idso, Jackson, y Reginato, 1976;
Price, 1977, 1989). La elección de la expresión armónica se basa en la solución de
la ecuación de difusión térmica (Carslaw y Jaeger, 1959; Lin, 1980; Price, 1989).
El término exponencial fue elegido porque es típico en los procesos de
descomposición natural, por ejemplo, como se describe por la ley de Newton del
enfriamiento. Este enfoque semi-empírico conduce al siguiente modelo descriptivo
(ecuación 4.1):
t < ts
t ≥ ts
(4.1)
Los parámetros de la ecuación 4.1 se presentan en la tabla 4. Las T1 y T2 son
las temperaturas en las respectivas partes del modelo. El significado de los
parámetros está ilustrado en la figura 4.1.
El modelo supone las condiciones de cielo despejado (pixeles seleccionados
sin nubes) sin cambios significativos en la velocidad del viento, que sólo una
salida del Sol tiene lugar, y que la temperatura disminuye libremente después del
anochecer, definido anteriormente por el término TS.
Ajuste del Ciclo Diario de la Temperatura de la Superficie Terrestre
75
Por lo tanto, el tiempo t se limita al intervalo entre dos amaneceres
consecutivos. T0 la temperatura residual es un valor extrapolado que describe la
temperatura más baja de la mañana, que se encuentra fuera del intervalo de
modelado. Desde la primavera hasta el otoño y para latitudes moderadas del norte,
T0 está fuera del intervalo de tiempo seleccionado por lo general menos de una
hora. Es sencillo elegir o determinar automáticamente un intervalo apropiado para
otras latitudes.
El modelo CDT dado por la ecuación (4.1) no es lineal, lo que significa que las
ecuaciones normales correspondientes no pueden ser resueltas de forma explícita.
Por lo tanto, un algoritmo de Levenberg Marquardt (Press, Flannery, Teukolsky, y
Vetterling, 1990) se utiliza para ajustar el modelo a las series de tiempo de la TST.
El enfoque funciona sobre una base de píxeles, por lo tanto, permite el cálculo
automático de los parámetros para datos de cualquier tamaño, es decir, series de
tiempo completos de imágenes Meteosat. Idealmente, el comportamiento térmico
de cada píxel se caracteriza por su respectivo conjunto de parámetros.
Un estudio de sensibilidad del modelo muestra que algunos de los parámetros
calculados dan errores de más del 90% incluso para los pixeles sin nubes. Sobre
todo, los valores determinados para la temperatura residual T0 tienden a ser
demasiado bajas. Sin embargo, los parámetros calculados para los datos simulados,
con y sin lagunas de nubes fueron consistentes entre sí.
Estos errores y problemas de convergencia necesitan mejoras en el modelo
inicial. Una forma de reducir la incertidumbre es incluir informaciones a priori en
el modelo, ya sea mediante el cálculo de los parámetros utilizados, las relaciones
conocidas o mediante la introducción de limitaciones en ellos
Ajuste del Ciclo Diario de la Temperatura de la Superficie Terrestre
76
El ancho ω en los términos del coseno en la ecuación (4.1) puede ser sustituido
por las horas de luz N, si ω se identifica como la duración diaria de la entrada de
energía solar. Para una ubicación en una latitud dada θ y con una declinación solar
δ, las horas de luz son N (Duffie y Beckman, 1980):
(4.2)
La declinación solar δ puede ser calculada a partir del número del día n del año
(4.3)
Incluir un conocimiento a priori en el modelo ha mejorado en gran medida la
convergencia del algoritmo y la reducción de errores en el ajuste de los parámetros
de manera sustancial. Sin embargo, los errores restantes en la atenuación de la
constante k y en la hora de inicio de la atenuación TS sugirieron que una restricción
adicional en uno de estos parámetros sería de gran utilidad
Con el fin de mejorar más el modelo, es necesario que las ecuaciones (4.1)
sean diferenciables: esto tiene en cuenta la «suavidad» observada en los CDTs
inalterados. Las primeras derivadas con respecto al tiempo t de las dos partes del
modelo dado por la ecuación (4.1) son las siguientes ecuaciones (Ec. (4.4)):
t < ts
t ≥ ts
(4.4)
Ajuste del Ciclo Diario de la Temperatura de la Superficie Terrestre
77
Para que el modelo sea también diferenciable en t = ts se requiere que:
→
(4.5)
El término δT/Ta de la ecuación.(4.5) corrige la constante de atenuación k para
los cambios de la temperatura residual T0, por ejemplo, su aumento o disminución
de días con la ganancia neta o pérdida de calor, respectivamente. Utilizando la
ecuación (4.5), la constante de atenuación k ya no está ajustada, pero calculada y
sirve como un parámetro del modelo.
4.3 Aplicación del modelo
Una vez presentado el modelo del CDT, nos ocupamos en este párrafo de
aplicarlo sobre cuatro diferentes zonas geográficas. Hemos seleccionado 2 días
para ajustar la TST: el 27 de Julio de 2007 y el 10 de noviembre del 2007. La tabla
4.2 muestra la situación geográfica, en términos de latitud y longitud, de las zonas
escogidas.
Ajuste del Ciclo Diario de la Temperatura de la Superficie Terrestre
78
Tabla 4.2: Latitudes y longitudes de las diferentes zonas utilizadas en la aplicación del
modelo CDT
Zonas Latitud Longitud
Desierto Sahara (Marruecos) 25°17'28.77"N 13° 9'55.72"O
Zona Urbana Casablanca
(Marruecos) 33°35'9.53"N 7°40'52.21"O
Zona de vegetación en Galicia
(España) 43°14'6.78"N 8°22'19.54"O
Zona de vegetación en Burdeos
(Francia) 44°43'1.70"N 0°46'9.70"O
Con este fin, el algoritmo TST propuesto en este trabajo ha sido aplicado
sobre las imágenes MSG2 correspondientes a los días escogidos. Las figuras 4.2 y
4.3 muestran las diferentes TSTs correspondientes a las cuatro zonas de estudio
Ajuste del Ciclo Diario de la Temperatura de la Superficie Terrestre
79
Figura 4.2: Valores de la TST usando el algoritmos propuesto para MSG2 en
las cuatros zonas homogéneas escogidas, durante el día 27 de julio de 2007
Durante el día 10 de noviembre, nublado en las dos zonas de Burdeos y
Casablanca, no hemos eliminado las nubes con el objetivo de comprobar el
comportamiento del modelo (figura 4.3).
Ajuste del Ciclo Diario de la Temperatura de la Superficie Terrestre
80
Figura 4.3: Valores de la TST usando el algoritmos propuesto para MSG2 en
las cuatros zonas homogéneas escogidas, durante el día 10 de noviembre de 2007
La figura 4.4 muestra los resultados del ajuste usando el modelo CDT en
las diferentes zonas escogidas. Los resultados en las cuatro zonas demuestran que
el modelo CDT funciona bien en la descripción de la TST, pero en presencia de
nubes, no da buenos resultados.
Ajuste del Ciclo Diario de la Temperatura de la Superficie Terrestre
81
Zonas Día 27 de julio del 2007 Día 10 de noviembre del 2007
Burdeos
Sahara
Urbana
Galicia
Figura 4.4: Ajuste del CDT de las diferentes TST en las zonas escogidas
correspondientes a los días 27 de julio del 2007 y el 10 de noviembre del 2007. La línea
negra corresponde a la TST y la línea gris al ajuste usando el modelo presentado
Ajuste del Ciclo Diario de la Temperatura de la Superficie Terrestre
82
4.4 Calculo de errores y análisis de sensibilidad
Con el fin de hacer un análisis de sensibilidad del modelo CDT en las
zonas escogidas anteriormente, hemos calculado el error cuadrático medio (ECM)
de la diferencia entre el ajuste y las TSTs. La tabla 4.3 muestra estos resultados
para los días escogidos y para las diferentes zonas.
Tabla 4.3. Comparación del error cuadrático medio del ajuste para las diferentes
zonas entre los 2 días escogidos
Zonas 27-07-2007 10-11-2007
Desierto Sahara (Marruecos) 2.21 0.51
Zona Urbana Casablanca (Marruecos) 3.40 6.37
Zona de vegetación en Galicia (España) 1.62 1.80
Zona de vegetación en Burdeos (Francia) 1.10 1.26
A partir de la tabla 4.3, podemos destacar que el modelo CDT funciona
bien en zonas desérticas o de vegetación en ausencia de nubes. En presencia de
nubes o en zona heterogéneas, es difícil modelar las TSTs
De lo anteriormente expuesto, se concluye que las diferencias entre las
TSTs y el ajuste, por ejemplo, debidas a la presencia de algunas nubes, pueden
considerarse mínimas si el ajuste continúa rápidamente con las TSTs similares a los
que habría llegado sin nubes anteriormente. Cualitativamente, esto se puede
observar, pero a fin de establecer una relación cuantitativa entre la cubierta de la
nube (tipo y duración) y su efecto sobre la CDT, un análisis estadístico tiene que
ser realizado. Las temperaturas ajustadas con el modelo para la cobertura de nubes
tienen que ser tratadas con cuidado ya que no reflejan la verdadera temperatura de
Ajuste del Ciclo Diario de la Temperatura de la Superficie Terrestre
83
la superficie bajo las nubes. Sin embargo, la modelización permite la
determinación de las temperaturas y, especialmente, la amplitud, que se han
observado en el caso de cielo sin nubes
Se ha presentado en este capítulo un modelo de ajuste del ciclo diario de
temperaturas. El modelo funciona bien en zonas homogéneas y sin nubes. En el
siguiente capítulo mostramos la utilidad del CDT en extraer los parámetros
necesarios para la determinación de la inercia térmica en ausencia de la TST
Ajuste del Ciclo Diario de la Temperatura de la Superficie Terrestre
84
85
Capítulo 5
Estimación de la Inercia Térmica
Estimación de la Inercia Térmica
86
Estimación de la Inercia Térmica
87
5.1 Introducción
En el presente capitulo se utiliza una metodología de tipo operativo para
determinar la inercia térmica de la superficie terrestre a partir de los datos
suministrados por el sensor SEVIRI a bordo del satélite MSG2. Con este fin, se
presentan los algoritmos que permiten obtener el albedo de la superficie y la
inercia térmica. La importancia de la metodología desarrollada radica en que no
necesita datos externos a los proporcionados por el satélite.
La variación diaria de la temperatura de la superficie terrestre (capa
biológica), está condicionada en gran parte por la naturaleza y contenido en agua
del suelo, así como por su cobertura vegetal. En función de esto, podemos utilizar
las medidas de temperatura para deducir de ellas información de utilidad agro-
meteorológica. En particular, el conocimiento de la humedad del suelo en una
zona agrícola es del mayor interés, ya que el microclima bajo el cual se produce el
desarrollo de la vegetación está condicionado en gran parte por el contenido en
agua del suelo.
La influencia micro-climática de este complejo sistema puede estudiarse
mediante la determinación de su inercia térmica (Bernier y Bonn, 1979),
Estimación de la Inercia Térmica
88
parámetro que nos proporciona una medida de la resistencia que presenta el
sistema suelo-vegetación a cambiar su temperatura.
Esté capitulo presenta la aplicación de inercia térmica sobre imágenes del
satélite MSG2 usando el algoritmo desarrollado por Xue y Cracknell (1995) y
adaptado en nuestro caso al sensor SEVIRI.
5.2 Concepto de inercia térmica
La inercia térmica es una medida de la respuesta térmica de un material a
las variaciones de temperatura, y comanda las temperaturas que puede alcanzar la
superficie terrestre bajo el efecto de las variaciones diurnas o anuales de la
temperatura del aire.
Este parámetro, que de aquí en adelante simbolizaremos por la letra P y
que viene dado en Js-1/2
m-2
K-1
, se define como:
ckP
(5.1)
donde ρ es la densidad del suelo (Kg m-3
), c es el calor especifico del suelo (J Kg-1
K-1
) y k es la conductividad térmica (J m-1
s-1
K-1
).
La Tabla 5.1, muestra los valores de inercia térmica obtenidos por varios
autores para diferentes tipos de superficies y distintas coberturas vegetales de la
superficie del suelo. De la misma se desprende que el intervalo total de variación
de la inercia térmica es importante para suelos, desde 500 a 2500 UIT (unidad de
inercia térmica: 1 UIT=l W m-2
K-1
s1/ 2
) dependiendo del contenido en humedad.
Estimación de la Inercia Térmica
89
Por otra parte, las rocas presentan valores de inercia térmica más elevados, de 2000
a 4000 UIT, dependiendo de su naturaleza. Para suelos cubiertos de vegetación los
valores son mayores que para aquellos sin cobertura vegetal, aumentando a medida
que lo hace la altura y densidad de ésta. Además, y a la vista de los datos de la
Tabla 5.1, se muestra otra de las posibles aplicaciones del concepto de inercia
térmica, como lo es la distinción entre la nieve, el hielo y las nubes, que como es
sabido es difícil por su color.
Tabla 5.1: Valores de inercia térmica aparente que presentan diferentes materiales
Material P(UIT) Fuente
Agua y nubes 5000 Vieillefose y Favard (1979)
Hielo 2000 Vieillefose y Favard (1979)
Nieve 150 Vieillefose y Favard (1979)
Arena Seca
Arena húmeda
590
2500
Price (1982)
Arcilla seca
Arcilla húmeda
550
2200
Price (1982)
Pizarra 1900 Miler y Watson (1977)
Granito 2200 Miler y Watson (1977)
Cuarzo 4000 Price (1982)
Pasto
Césped
2000
2100
Bernier and al. (1980)
Maíz 2700 Bernier and al. (1980)
Alfalfa 2900 Bernier and al. (1980)
Arena 2500 Bernier and al. (1980)
Árboles frondosos 4200 Bernier and al. (1980)
Estimación de la Inercia Térmica
90
El cálculo de los valores de inercia térmica a partir de medidas realizadas
"in situ", presenta la dificultad de proporcionamos una medida puntual, que si bien
puede ser suficientemente precisa, no puede tomarse como representativa de zonas
extensas. Por esta razón, y desde un punto de vista técnico, la única forma de
obtener una representación sinóptica de la inercia térmica a escala regional, es
mediante el uso de datos suministrados por sensores situados a bordo de satélites o
aviones.
Los primeros intentos para determinar la inercia térmica a partir de los
datos procedentes de los satélites se remontan al año 1978, con el lanzamiento el
26 de abril de ese año del satélite HCMM (Heat Capacity Mapping Mission). El
HCMM posee dos canales, uno que cubre la banda comprendida entre los 0,5 a los
1,1 µm (visible-infrarrojo próximo), permitiendo por tanto determinar el albedo de
la superficie terrestre, y otro que cubre la banda espectral comprendida entre los
10,5 a los 12,5 µm (infrarrojo térmico), que permite determinar la temperatura de
la superficie terrestre. Con este sensor, Price (1977) obtiene un producto de
denomina inercia térmica aparente mediante una expresión simple que utiliza los
datos de temperatura y albedo proporcionados por el HCMM pero sin corregir de
los efectos perturbadores que introduce la atmósfera. El modelo desarrollado por
Price (1977) relaciona la inercia térmica P con la reflectividad y la temperatura de
la superficie, de acuerdo con:
T
ANP
11
(5.2)
Estimación de la Inercia Térmica
91
donde la constante N vale 41923,68 K m-2
S-l / 2
, α es el albedo de la superficie, ΔT
es la diferencia de temperaturas día-noche del mismo pixel y a la hora de paso del
satélite y Al es el primer coeficiente del desarrollo en serie de Fourier, que viene
dado por:
con Ψ= arccos (tgδ tgα), δ es la declinación solar y λ es la latitud del lugar en el
que se aplica el método, ambas medidas en radianes.
El punto de partida en el cartografiado de la P terrestre con datos de
teledetección se encuentra en el lanzamiento del HCMM por parte de la NASA
en el año 1978. Por otro lado, se han desarrollado determinados modelos teóricos
para la estimación de la P, como el modelo de las diferencias finitas propuesto por
Kahle (1977), el modelo de Price (1977), el de Xue y Cracknell (1992, 1995) que
utilizan como inputs el valor y la hora de la máxima de temperatura de superficie,
o el de Sobrino y el Kharraz (1999 a y b) que consideran cuatro adquisiciones del
sensor AVHRR a lo largo del día.
El uso de la serie de satélites MSG, que llevan a bordo el sensor SEVIRI, en
este trabajo permite determinar la P terrestre que gracias a su cobertura espacial (3
km x 3km), espectral (12 canales) y temporal (una imagen cada 15 minutos) los
convierten en los más adecuados para nuestro objetivo de obtener la inercia térmica,
ya que permiten:
)2()2(cos.cos2
1..
21
sensensensenA
(5.3)
Estimación de la Inercia Térmica
92
a) Fácil determinación de la temperatura de la superficie terrestre mediante el
uso del algoritmo desarrollado en este trabajo.
b) La determinación de la inercia térmica a la escala regional con una
frecuencia diaria.
5.3 Métodos de cálculo de la inercia térmica
En esta sección se aplicara el modelo de Xue y Cracknell (1995) a las
imágenes del SEVIRI para obtener la imagen del P a partir de estos datos de
nueva generación. La frecuencia temporal de la adquisición de las imágenes
SEVIRI permitirá determinar la hora exacta de la mínima y de la máxima de
temperaturas con una precisión de 7,5 minutos. De esta manera la expresión
propuesta por Xue y Cracknell (1995) viene dada por:
max
max
1
1
2
10
tan1
tan
tantancos
2)2sin(coscos2
1sinsinsin
2
2
111
1.
)1(2
wt
wtb
A
bb
wT
AACSP t
(5.4)
Para definir la metodología a seguir, hemos partido de la ecuación (5.4).
Esta necesita para su correcto funcionamiento del conocimiento de la máxima
temperatura de la superficie terrestre y del conocimiento del albedo de la superficie,
así como de otros factores, como son la latitud y la declinación solar.
Estimación de la Inercia Térmica
93
S0 es la constante solar (1367 W.m-2
), Ct es el coeficiente de transmisividad
atmosférica, A es el albedo de la superficie, ΔT (K) es la diferencia térmica entre la
máxima y la mínima al largo del día, w(rad.s-1
) es la velocidad angular de la
rotación de la tierra (2π/día), A1 es el coeficiente de Fourier dado por el desarrollo
matemático de la metodología, tmax(s) es la hora a la que es dada la máxima de
temperatura, δ(rad) es la declinación solar i λ(rad) es la latitud.
La determinación de la TST con el algoritmo desarrollado en este trabajo
sobre las imágenes SEVIRI de todo el día permite determinar las imágenes de la
máxima y de la mínima de temperaturas, además de precisar la hora de la máxima.
Otro parámetro importante para determinar la inercia térmica a escala
regional, es el albedo de la superficie terrestre. En términos generales el albedo
puede definirse como el cociente entre la radiación reflejada por la superficie a la
que incide sobre la misma. El albedo representa el valor medio de la reflectividad
espectral hemisférica para el conjunto del espectro solar (prácticamente de 0,3 a
3,0 mm).
El albedo de un suelo varía con el color, la humedad, el contenido en
materia mineral y orgánica, y el estado de la superficie, disminuyendo a medida
que aumentan los valores de las cantidades anteriores. Los suelos con tonalidades
claras poseen un albedo mayor que los oscuros, por tanto los suelos arenosos
poseen un albedo mayor que los arcillosos. La Tabla 5.2 muestra los valores
típicos que presenta el albedo de las superficies, obtenida de Guyot (1993).
Estimación de la Inercia Térmica
94
Tabla 5.2: Valores del albedo que presentan diferentes superficies naturales
Tipo de superficie Otras características Albedo
Agua De mar 0.03 – 0.10
Hielo De glaciar
De mar
0.20 – 0.40
0.30 – 0.40
Nieve Antigua
Fresca
0.40 – 0.70
0.45 – 0.95
Arena Seca
Húmeda
0.35 – 0.45
0.20 – 0.30
Arcilla Seca
Húmeda
0.20 – 0.35
0.10 – 0.20
Superficies
agrícolas
Praderas cultivos:
Maíz, arroz, etc.
Jardines
0.16 – 0.26
0.10 – 0.25
0.15 – 0.20
Bosques De coníferas
De hojas caducas
0.05 – 0.15
0.10 – 0.20
Hasta el momento diferentes autores se han ocupado en obtener el albedo
de la superficie a partir de las radiancias visibles del Meteosat (Pinty y Ramond,
1987), del satélite Landsat (Brest y Goward, 1987), y de la serie de satélites
NOAAs (Saunders, 1990; Valiente et al., 1995). En nuestro caso satélite MSG2 el
albedo de la superficie se obtiene de acuerdo con:
2211 ww (5.5)
donde 1 y 2 son las reflectividades bidireccionales filtradas para los canales
VIS06 y VIS08 del SEVIRI respectivamente, y donde w1 y w2 son los factores que
Estimación de la Inercia Térmica
95
tienen en cuenta la cantidad de radiación solar recibida en cada canal, calculados
como sigue:
0806
0808
0806
0606
visvis
visvi
visvis
visvis
kk
kw
kk
kw
(5.6)
kvis06 y kvis08 son los valores obtenidos a partir del espectro solar filtrado con la
función filtro de los canales VIS06 y VIS08 respectivamente, (figura 5.1), de
manera que la expresión definitiva para la obtención del albedo en TOA viene
dada por:
0806 41.059.0 vizvis (5.7)
Longitud de onda (μm)
Figura 5.1: Espectro solar y los canales VIS06 y VIS08 del sensor SEVIRI
Estimación de la Inercia Térmica
96
Además de la determinación del albedo y de la temperatura de la
superficie, es necesario calcular el primer coeficiente de Fourier. Para ello
calcularemos la declinación solar, es decir, el ángulo entre la línea que une los
centros del Sol y de la Tierra al plano ecuatorial, y que cambia cada día, y a cada
momento, se obtiene mediante la ecuación (4.3) descrita en el capítulo 4.
Finalmente recordemos que para calcular T, se necesita la superposición
de las imágenes a las diferentes horas de paso del sensor, para lo que se deben
corregir geométricamente las imágenes. Además en la imagen deberán
identificarse y eliminarse del cálculo las zonas afectadas por nubes. Para ello son
numerosos los test desarrollados y que permiten detectar aquellos pixeles
contaminados tanto en condiciones diurnas como nocturnas a partir de datos
suministrados por el sensor SEVIRI, entre ellos hemos elegido el dado por
Saunders y Kriebel (1988).
5.4 Aplicación
A continuación veremos un ejemplo concreto de aplicación de la
metodología propuesta para cartografiar la inercia térmica a escala regional. Como
área de aplicación hemos elegido la zona del desierto del Sahara de Marruecos.
Al objeto de dar un mapa de inercia térmica, hemos utilizado las imágenes MSG2
de un día entero. Obviamente y como paso previo a la obtención se han eliminado
aquellos pixeles contaminados con nubes utilizando el método de umbrales descrito
en el capítulo 3.
Estimación de la Inercia Térmica
97
De esta forma, a la hora de aplicar la metodología a imágenes de SEVIRI,
ΔT y tmax, se obtienen directamente a partir de la serie temporal de imágenes LST.
El día escogido para esta aplicación es el día 11/06/2008. La figura 5.2
presenta la imagen del albedo a las 12h, la figura 5.3 presenta la imagen del NDVI,
la figuras 5.4 presenta la imagen de inercia térmica calculada con el algoritmo de
Xue y Cracknell (1995).
Figura 5.2: Imagen del albedo del Sahara para día 11.06.2008 a las 12h UTC
Estimación de la Inercia Térmica
98
Figura 5.3: Imagen del NDVI del Sahara para el día 11.06.2008 a las 12h UTC
Figura 5.4: Imagen de la inercia térmica del Sahara para el día 11.06.2008 usando el
algoritmo de Xue y Cracknell (1995)
Estimación de la Inercia Térmica
99
Una las aplicaciones importantes de inercia térmica es la predicción de
temperaturas, en este capítulo, procedemos al cálculo de la temperatura mínima
(Tmin) de un día escogido a partir de los valores de la temperatura máxima (Tmax) de
este mismo día y el valor de inercia térmica P calculada para el día anterior, de
esta manera, comparamos la temperatura mínima real de este día con la
temperatura mínima predicha.
Como la inercia térmica P es un parámetro relacionado a la cubertura de la
superficie terrestre, lo podemos considerar como constante en un periodo de tiempo
limitado, siempre y cuando las condiciones de la superficie (humedad) y la
situación atmosférica (sin nubes y en calma) no sea muy diferente en ambos días.
Las imágenes reales de las (Tmin) y (Tmax) del día escogido (12 de junio del
2008) y también sus tiempos respectivos (tmin) y (tmax) fueron calculadas a partir de
todos los datos del mismo día cogiendo así los valores extremos, aunque esta
evaluación consume mucho tiempo puesto que se aplica a cada pixel, los resultados
son mucho más precisos que una aproximación.
En presencia de nubes, y a escala local, se puede recurrir a la interpolación
de los datos con el modelo CDT propuesto en el capítulo 4, y extraer de esta
manera los valores extremos de las temperaturas en una zona precisa.
A partir de la ecuación 5.4, podemos escribir:
Estimación de la Inercia Térmica
100
minmax
2
10
2
111
1.
)1(2TT
bb
wP
AACST t
(5.8)
Siendo P la inercia térmica calculada para el día 11 de junio del 2008
(figura 5.4), y Tmax el valor de temperatura máxima del día 12 de junio del 2008,
Tmin es la temperatura mínima predicha que tiene como valor:
2
10
maxmin
2
111
1.
)1(2
bb
wP
AACSTT t
(5.9)
La figura 5.5 muestra la imagen de la temperatura máxima para el día 12
de junio del 2008, la figura 5.6 muestra la imagen de la temperatura mínima
predicha, la figura 5.7 muestra la imagen de la temperatura mínima real, y
finalmente, la figura 5.8 muestra la diferencia de temperaturas entre la temperatura
mínima real y la temperatura mínima predicha, todas las imágenes son para el
mismo día escogido en la zona del desierto del Sahara.
Estimación de la Inercia Térmica
101
Figura 5.5: Imagen de la temperatura máxima calculada para el día 12.06.2008
Figura 5.6: Imagen de la temperatura mínima calculada para el día 12.06.2008
Estimación de la Inercia Térmica
102
Figura 5.7: Imagen de la temperatura mínima predicha para el día 12.06.2008
Figura 5.8: Imagen de diferencia de las temperaturas mínimas real y predicha para el
día 12.06.2008
Estimación de la Inercia Térmica
103
A partir de la figura 5.8, la diferencia entre la Tmin real y la Tmin predicha es
del orden de 2K en zonas homogéneas y sin nubes, como es el caso del desierto del
Sahara.
Este resultado preliminar muestra la potencia del MSG2 para la predicción
de la TST, lo que sin duda es necesario en aplicaciones como la predicción del
riesgo de heladas por radiación, en la actualidad estamos completando el estudio
con nuevas imágenes.
Estimación de la Inercia Térmica
104
105
Conclusiones
Conclusiónes
106
Conclusiónes
107
A modo de resumen, presentamos a continuación las conclusiones más
interesantes que puedan extraerse del trabajo expuesto en la presente memoria:
1- Se ha presentado la plataforma de recepción de datos MSG2, así como
todas las etapas de adquisición, procesamiento y archivo de los datos
2- Se ha desarrollado un algoritmo operativo de tipo Split –Window para
la estimación de la temperatura de la superficie terrestre a partir de los
datos MSG2/SEVIRI, con un error de 1.3K, bajo ángulos de visión
inferiores a 50 grados.
3- Se ha llevado a cabo una evaluación del algoritmo propuesto usando
para ello un conjunto de medidas realizadas in situ en una región del
sur de Francia (Le Bray-Burdeos) en el marco del proyecto CEFLES2,
y se ha evaluado también con datos de satélite, MODIS y LANDSAF.
Los resultados de esta evaluación corroboran el error obtenido por las
simulaciones.
4- Con el modelo propuesto se ha podido reproducir la TST diurna y
modelar el ciclo diario de temperatura, de esta manera, se han reducido
las 96 tomas diarias del MSG2 a 5 parámetros, esta reducción de
parámetros es ventajosa para los estudios climatológicos que requieren
el tratamiento de series históricas.
Conclusiónes
108
5- Como aplicación del algoritmo propuesto, se ha calculado la imagen de
inercia térmica usando un algoritmo operativo de Xue y Cracknell
(1995) y el algoritmo propuesto.
6- Se ha mostrado como otra de las posibilidades de la aplicación de
inercia térmica es predecir la temperatura mínima de la superficie de
un día usando los valores de inercia térmica siempre y cuando las
condiciones de la superficie (humedad) y la situación atmosférica (sin
nubes y en calma) no sea muy diferente en ambos días, esta predicción
dio una diferencia de 2K en zonas homogéneas como el desierto.
Para finalizar, debemos reseñar que todo el trabajo aquí realizado
constituye una solución al problema de la determinación de la TST y la inercia
térmica. Así se ha pretendido mostrar la potencia del modelo propuesto, si bien es
cierto, que aún queda un trabajo importante para llevar a cabo. Entre ellas, la de
realizar nuevas experiencias de validación que tengan en cuenta zonas
heterogéneas y rugosas, y mejorar la estimación de los parámetros del CDT.
Además, la posibilidad de la predicción de la temperatura de la superficie, puede
ser útil para aplicaciones como la predicción del riesgo de las heladas por radiación
109
Bibliografía
Bibliografía
110
Bibliografía
111
Arthur, C. R. G., Stephen, D. P., Scott, J. G. y Jennifer, S. (2002). Effects
of orbital drift on land surface temperature measured by AVHRR thermal
sensors. Remote Sensing of Environment, 79,147-165.
M. Atitar, J.A. Sobrino, J.C. Jiménez, R. Oltra, Y. Julien, G. Sòria, A.
Ruescas, V. Hidalgo,B. Franch y C. Mattar, Algoritmo de estimación de la
temperatura de la superficie terrestre con el MSG2: test y comparación con
datos in situ y productos MODIS y LANDSAF, Revista de Teledetección.
ISSN: 1133-0953. 2008. 30: 60-70
Atitar, M., Sobrino, J.A., Soria, G. ; Wigneron, J.P. ; Jimenez-Munoz,
J.C., Julien, Y., Ruescas, AB., Land surface temperature retrieved from
SEVIRI/MSG2 data: algorithm and validation. EUMETSAT
Meteorological Satellite Conference, Darmstadt, Germany 8 - 12
September 2008, EUMETSAT P. 52, ISBN 978-92-9110-082-8, ISSN
1011-3932
M. Atitar, J.A. Sobrino, G. Soria, Y. Julien, N. Raissouni. A Comparison
of SEVIRI, AVHRR And MODIS LSTs Products. Information
Communication Technologies Intenational Symposium (ICTIS’07). Fes,
Morocco, April, 3-4-5, 2007.
Bernier, M y Bonn, F. 1979, Le concept d’inertie thermique en
télédetection. Teledetection et gestión des Ressources (F.Bonn , éd).
A.Q.T, 75.84.
Bibliografía
112
Brest, C.L., y Goward, S.N., 1987, Deriving surface albedo measurements
from narrow band satellite data, International Journal of remote sensing, 8
(3), 351-367.
Carslaw, H. S., y Jaeger, J. C. (1959). Conduction of heat in solids. Amen
House, London, Great Britain: Oxford Univ. Press.
Carlson, T. N. y Ripley, D. A.: On the relation between NDVI, fractional
vegetation cover, and leaf area index, Remote Sens. Environ., 62, 241–252,
1997.
CarboEurope-IP Regional Experiment, April 10-27 2007 September 03-21
2007, Experiment plan (available online at:
http://carboregional.mediasfrance.org/documents/downloads/RegionalExpe
riment_2007_Plan_v0410.pdf)
Duffie, J. A y Beckman, W. A. (1980). Solar engineering of termal
processes. New York, USA: Wiley.
Erwin L.A. Wolters, Hartwig M. Deneke, Rob A. Roebeling, y Arnout J.
Feijt. “Comparison of SEVIRI and MODIS cloud phase determination
over mid-atitude regions”, Joint 2007 EUMETSAT Meteorological
Satellite Conference and the 15th Satellite Meteorology & Oceanography
Conference of the American Meteorological Society, Amsterdam, The
Netherlands, 24-28 September 2007, P.50, S8_17, EUMETSAT website.
ESA, GMES Sentinel-2 Mission Requirements Document, EOP-
SM/1163/MR-dr, 30 January 2007 (available online at
Bibliografía
113
http://esamultimedia.esa.int/docs/GMES/GMES_Sentinel2_MRD_issue_2.
0_update.pdf)
EUMETSAT website, January 2007 (a), Radiometric Calibration of MSG
SEVIRI Level 1.5 Image Data in Equivalent Spectral Blackbody Radiance,
Doc Nº: EUM/OPSMSG/ TEN/03/0064.
EUMETSAT website, January 2006, MSG SEVIRI Spectral Response
Characterization, Doc Nº: EUM/MSG/TEN/06/0010, Issue 1, 19.
EUMETSAT website, February 2007 (b), Typical Radiometric Accuracy
and Noise for MSG-1/2, Doc Nº: EUM/OPS/TEN/07/0314
EUMETSAT website, August 2007 (c), MSG Level 1.5 Image Data
Format Description, Doc Nº: EUM/MSG/ICD/105.
Frank-M. Gottsche, Folke S. OlesenÈ, 2001. Modelling of diurnal cycles
of brightness temperature extracted from METEOSAT data. Remote
Sensing of Environment 76 (2001) 337 ± 348
Gieske, A.S.M , Hendriks J., Hertzios Hendriks., Van Leeuwen B.,
Maathuis B.H.P., Romaguera M., Sobrino J .A., Timmermans, W.J., Su Z.,
(2005), Processing of msg-1 SEVIRI data in the thermal infrared –
algorithm development with the use of the SPARC2004 data set. Presented
in SPARC final meeteing. ITC Holland 4-5 July 2005
Bibliografía
114
Guyot, G., 1993, de la physique de la mesure à l’agriculture, Cours de
teledetection, Ëcole nationale Superieure Agronomique de Monpellier,
Monfavet Cedex, France.
Idso, S. B., Jackson, R. D., Reginato, R. J. (1976). Compensating for
environmental variability in the thermal inertia approach to re mote sensing
of soil moisture. Journal of Applied Meteorology, 15, 811 ± 817.
Jin, M. y Dickinson, R. E., (2002). New observational evidence for global
warming from satellite. Geophysical Research Letters, 29(10): 1-4.
Jin, M. y Treadon, R. E., (2003). Correction the orbit drift effect on
AVHRR land surface skin temperature measurements. International
Journal of Remote Sensing, 24(22): 4543-4558.
Kahle, A.B, 1977, A simple termal model of the earth surface for geologic
mapping by remote sensing, J. Geophys. Res., 82, 1673-1680.
Lin, J. D. (1980). On the force ± restore method for prediction of ground
surface temperature. Journal of Geophysical Research, 85 (6), 3251 ±
3254.
McGregor, J. y Gorman, A. J. (1994). Some considerations for using
AVHRR data in climatological studies: 1. Orbital characteristics of NOAA
satellites. International Journal of Remote Sensing, 15 (3), 537-548
Bibliografía
115
Press, W. H., Flannery, B. P., Teukolsky, S. A., y Vetterling, W. T. (1990).
Numerical recipes in C. Cambridge, New York, USA: Cambridge Univ.
Press.
Price, J.C. (1977). Thermal Inertia Mapping: A New View of the earth, J.
Geophys. Res., 82: pp. 2582- 2590.
Price, J. C. (1989). Quantitative aspects of remote sensing in the thermal
infrared. In: G. Asrar (Ed.), Theory and applications of optical remote
sensing ( pp. 578 ± 603). USA: Wiley.
Pinty, B. y Ramond, D., 1987, A method for the estímate of Broadland
directional surface albedo from geostationary satellite, Journal of climate
and applied Meteorology, 26, 1709-1722.
Privette, J. L., Fowler, C., Wick, G. A., Baldwin, D. y Emery, W. J.
(1995). Effects of orbital drift on Advanced Very High Resolution
Radiometer products: normalized difference vegetation index and sea
surface temperature. Remote Sensing of Environment, 53, 164-171.
Romaguera, M y Sobrino, J.A. (2006). Surface Temperature and Water
Vapour Estimation from Meteosat8/SEVIRI Data: Algorithms and
Validation. Remote Sensing of Environment
Romaguera, M. y Sobrino, J.A. (2004). Determinación de la temperatura
de la superficie terrestre a partir de datos MSG1/SEVIRI. Revista Española
de Teledetección. 22 :25-31
Bibliografía
116
Mireia Romaguea (2006), Estimació de la Temperatura de la Superficie
Terrestre a partir de Dades Meteosat 8/SEVIRI. Thése doctorale,
Université de Valence
Saunders, R. W. y Kriebel, K. T., (1988), “An improved method for
detecting clear sky and cloudy radiances from AVHRR Data”,
international Journal of Remote Sensing, Vol. 9, pp. 123-150.
Saunders, R., W., (1990), The determination of broad band surface albedo
from AVHRR Visible and near infrared radiances, International journal of
remote sensing, 11, 49-67
Schroedter-Homscheidt, M., Bugliaro, L., Erbertseder, T., Gesell, G. et
Holzer Popp, T. (2004a), Report on atmosheroc parameter retieval, Enery
Specific Solar Radiation Data from Meteosat Second Generation (MSG) :
The Heliosat-3 Project (Contarct NNK5-CT-2000-00322). 31 May 2004,
DLR
SCOTT, N.A. AND CHEDIN, A. (1981). A fast line by line method for
atmospheric absortion computations; the Automatized Atmospheric
Absortion Atlas. Journal of Meteorology, 20, 802-812
Schmetz, J., Pili, P., Tjemkes, S., Just, D., Kerkmann, J., Rota, S. y Ratier,
A. (July, 2002a). An introduction to Meteosat Sencond Generation (MSG).
Bulletin of the American Meteorological Society, Volume 83, Issue 7, 977-
992.
Bibliografía
117
Schmid, J., The SEVIRI Instrument. Proceedings of the 2000 EUMETSAT
Meteorological Satellite. Data User’s Conference, Bologna, Italy, 29 May
– 2 June 2000, (pp. 13 – 32). Darmstadt, Germany: EUMETSATed, 2000.
W. C. Snyder, Z. Wan, Y. Zhang, y Y.-Z. Feng, (1998). “Classification-
based emissivity for land surface temperature measurement from space,”
Int. J. Remote Sens., vol. 19, no. 14, pp. 2753–2774..
Sobrino, J.A., El-Kharraz, J. y Li, Z.L. (2003). Surface temperature and
water vapour retieval from MODIS data. International Journal of Remote
Sensing. 24 (24), 5161-5182.
Sobrino, J.A, Raissouni, N. (2000). Toward remote Sensing methods for
land cover dynamic monitoring. Application to Morocco. International
Journal of Remote Sensing, 20 (2), 353-366.
Sobrino, J.A., J.C. Jiménez Muñoz, J. El Kharraz, M. Gómez, M.
Romaguera, y G. Soria, (2004). “Single-channel and two-channel methods
for land surface temperature retrieval from DAIS data and its application to
the Barrax site,” Int. J. Remote Sens., vol. 25, no. 1, pp. 215–230.
Sobrino, J.A., Li, Z.-L, Stoll, M. P. y Becker, K., (1994). Imrovement in
the Split-Window Technique for Land Surface Temperature
Determination, IEEE, Transactions on Geoscience and Remote Sensing,
31, 243-253952
Sobrino, J.A, Z.-L.Li, Stoll, M.P. y Becker, F. (1996). Multi.Channel and
Multi.angle algorithms for estimating sea and land surface temperatures
Bibliografía
118
with ATSR data, International Journal of Remote sensing, 17 (11), 2089-
114.
Sobrino, J.A y Romaguea, M. (2008). Water vapour retrieval from
Meteosat 8/SEVIRI observations. International journal of remote sensing,
29:3, 741-754
Sobrino, J.A y Romaguea, M. (2004). Land surface temperature retrieval
from MSG1-SEVIRI data. Remote Sensing of Environment, 92, 247-254
Sobrino, J.A. y El Kharraz, M.H., (1999a), Combining afternoon and
morning NOAA satellites for thermal inertia estimation 1. Algorithm and
its testing with Hydrologic Atmospheric Pilot Experiment‐ Sahel data, J.
Geophys. Res., 104(D8), 9445-9453.
Sobrino, J.A. y El Kharraz, M.H., (1999b), Combining afternoon and
morning NOAA satellites for thermal inertia estimation 2. Methodology
and application, Journal of Geophysical Research 104, 9455–9465.
Sobrino, J.A, Caselles, V. y Becker, F., (1990), Significance of the
remotely sensed termal infrared measurments obtained over a citrus
orchard. ISPRS photogrammetric Engineering and remote sensing, 44,
343.354
Sobrino, J. A. (1989). Desarrollo de un modelo teórico para implementar la
medida de la temperatura realizada mediante teledetección. Aplicación a
un campo de naranjos, PhD dissertation, University of Valencia, Valencia,
Spain,
Bibliografía
119
Sobrino, J. A., Raissouni, N., Simarro, J., Nerry, F., y Petitcolin, F.,
(1999), Atmospheric water vapor content over land surfaces derived from
the AVHRR data. Application to the Iberian Peninsula. IEEE T ransactions
on Geoscience and Remote Sensing, 37, 1425± 1434.
Sobrino, J.A, Raissouni, N. i Li, Z.-L. (2001). A comparative study of
Land Surface Emissivity retrieval from NOAA Data. Remote Sensing of
the Environment, 75, 256-266.
Valiente, J. A., Nunez, M., Lopez-Baeza, E, Moreno, J. F., (1995),
Narrow-band to broad-band conversion for Meteosat-visiible channel and
broad-band albedo using both AVHRR-1 and -2 channels, International
journal of remote sensing, 16, 1147-1166
Xue, Y., y Cracknell, A. P., , (1992). Thermal Inertia Mapping: From
Research to Operation, Proceedings of the 18th Annual Conference of the
Remote Sensing Society held in University of Dundee on 15-I 7 September
1992, edited by A. P. Cracknell, and R. A. Vaughan (Nottingham: Remote
Sensing Society), pp. 471-480.
Xue, Y., y Cracknell, A. P.,(1995), Advanced thermal inertia modelling,
International journal of remote sensing, 16(3), 431.446.
Zhihao, Q. y al (2006) Comparison of Split Window algorithms for land
surface temperature retieval from NOAA-AVHRR data, Proceddings of
the Second Recent Advances in Quantative Remote Sensing,
Bibliografía
120
121
Acrónimos
Acrónimos
122
Acrónimos
123
AVHRR Advanced Very High Resolution Radiometer
ASTER
Advanced Spaceborne Thermal Emission and Reflection
Radiometer
CDT Ciclo Diario de Temperatura
CERES CarboEurope Regional Experiment Strategy
CEFLES2 CarboEurope, Flex and Sentinel-2
DTC Diurnal Temperature Cycle
CHRPT Chinese High Resolution Picture Transmission
ECM Error cuadrático medio
EUMETSAT
EUropean organization for the exploitation of METeorological
SATellite
ESA European Space Agency
EARS EUMETSAT ATOVS Retransmission Service
EAGLE
Exploitation of AnGular effects in Land surfacE observations
from satellites
EOS Earth Observation System
FLEX Fluorescente Explorer
GCM modelos de circulación general
GMES Global Monitoring of Environment and Security
GMS Geostationary Meteorological Satellite
Acrónimos
124
GOES Geostationary Operational Environmental Satellite
GPS Global Position System
HCMM Heat Capacity Mapping Mission
HRPT High Resolution Picture Transmission
HRIT High Rate Information Transmission
HDF Hierarchical Data Format
HRV High Resolution Visible
IR Infra-red
IDL Interactive Data Language
ITC
International Institue for Geo-Information Science and Earth
Observation
IMAPP International MODIS/AIRS Processing Packages
LANDSAF Land Surface Analysis Satellite Applications Facility
LST Land Surface Temperature
LSE Land Surface Emissivity
LPI Laboratorio de Procesamiento de Imágenes
LRIT Low Rate Information Transmission
MSG Meteosat Second Generation
MODIS Moderate Resolution Imaging Spectrometer
MVISR Multichannel Visible and IR Scan Radiometer
Acrónimos
125
MODTRAN MODerate spectral resolution atmospheric
NDVI Normalized Difference Visible Index
NASA National Aeronautics and Space Administration
NIR Near Infrared
NOAA National Oceanic and Atmospheric Administration
NETΔ Noise Equivalent Temperature Difference
NSMC National Satellite Meteorologocal Center
RMSE Root Mean Square Error
RSS Rapad Scanning Service
SEVIR Spinning Enhanced Visible and InfraRed Image
SZA Solar Zenith Angle
SNR Signal Noise Rate
SST Sea Surface Temperature
TIR Thermal Infrares
TOA Top Of Atmosphere
Acrónimos
126
127
Apéndice A
128
129
130
131
132
133
134
135
Apéndice B
136
137
138
139
140
141
142
143
144
145
146
147
148
149
Apéndice C
Conference, Darmstadt, Germany 8 - 12 September 2008, EUMETSAT P. 52,
ISBN 978-92-9110-082-8, ISSN 1011-3932
150
151
152
153
154
155