estimación de parámetros térmicos mediante datos de alta

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

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

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

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


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:


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)


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


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.


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.


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


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.


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


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%


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.


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


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)


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


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.


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.


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


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


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


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


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)


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):


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


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.


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


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


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


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:


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


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.


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


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


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


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.


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.


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.


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.


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)


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


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.


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


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:


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.


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.


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.


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


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


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.


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.

http://modis.gsfc.nasa.gov/data/dataprod/dataproducts.php?MOD_NUMBER=11

http://modis.gsfc.nasa.gov/data/dataprod/dataproducts.php?MOD_NUMBER=11

http://landsaf.meteo.pt/products/prods.jsp


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


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


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)


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.


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

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


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


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


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).


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


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.


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


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)


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.


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


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).


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.


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


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


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


84

85

Capítulo 5

Estimación de la Inercia Térmica


86


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),


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.


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)


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)


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)


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.


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).


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


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


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.


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


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)


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:


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.


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


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


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.


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,

http://www.sciencedirect.com/science?_ob=ArticleURL&_udi=B6V6V-4C1NGX0-2&_user=1647180&_coverDate=04%2F30%2F2004&_rdoc=1&_fmt=high&_orig=search&_sort=d&_docanchor=&view=c&_searchStrId=1362938994&_rerunOrigin=scholar.google&_acct=C000053935&_version=1&_urlVersion=0&_userid=1647180&md5=6442cb4ee42451166b0e79e3fd3bd0d3#bbib14

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

135

Apéndice B

149

Apéndice C

Conference, Darmstadt, Germany 8 - 12 September 2008, EUMETSAT P. 52,

ISBN 978-92-9110-082-8, ISSN 1011-3932

estimación de parámetros térmicos mediante datos de alta

Documents