Estimación de precipitación combinada radar-pluviómetros y publicación mediante servicios OGC

Transcripción

1 Estimación de precipitación combinada radar-pluviómetros y publicación mediante servicios OGC M. Erena 1, J.A. López 1, P. García 1, M. Caro 1, F. Belda 2, J.E. Palenzuela 2, F. Toledano 3, P. Torralba 3, G. González-Barbera 4 y J. García-Pintado 4 1 Instituto Murciano de Investigación y Desarrollo Agrario y Alimentario (IMIDA). 2 Agencia Estatal de Meteorología (AEMET). 3 SAIH-Confederación Hidrográfica del Segura (CHS). 4 Centro de Edafología y Biología aplicada del Segura (CEBAS-CSIC). manuel.erena@carm.es RESUMEN Dentro del proyecto REDSIM (REmote-sensing based DSS for Sustainable Drought Adapted Irrigation Management), financiado por la D.G. de Medio Ambiente de la UE para el desarrollo, en España, de dos zonas piloto (Cuenca Hidrográfica del Segura y el Alto Guadiana) de actividades de seguimiento y lucha contra la desertificación y sequía, se ha desarrollado un sistema de información, denominado REDSIM-IS, que integra datos de radar meteorológico y de redes automáticas de pluviómetros para la estimación operativa de la intensidad de precipitación. Este geoportal REDSIM-IS integra la información agroclimática procedente de tres redes de medida (SIAM-IMIDA, AEMET y SAIH-CHS), con el Radar meteorológico de banda C de la Sierra de la Pila de la AEMET. El producto de precipitación combinada se denomina Estimas de Precipitación Multisensor. Para ello, se ha desarrollado un sistema de procesado automático que cubre la Cuenca Hidrográfica del Segura y el Alto Guadiana. Dicho sistema permite el seguimiento de la intensidad de precipitación con resolución horaria en las áreas piloto. Para el desarrollo de este componente se ha automatizado la recogida de datos pluviométricos horarios de las tres redes. Tras esto, el control de calidad y procesado de precipitación multisensor se realiza en el supercomputador Ben Arabí para disminuir los tiempos de computación. Finalmente, los resultados se publican en un geoportal mediante estándares OGC. Estos nuevos servicios se basan en la integración de diferentes tecnologías TIG, la teledetección y la toma de datos climáticos a tiempo real. Este sistema permite que todos los usuarios/gestores del agua puedan disponer de información en estas zonas piloto, actualizada diariamente. Este módulo REDSIM-IS es la base para la estimación de mapas de lluvias de alta resolución espacial y temporal, mediante la calibración de datos de reflectividad del radar meteorológico con datos de pluviómetros registrados por tres redes de sensores, según un algoritmo operativo desarrollado a partir del concepto de descomposición del sesgo, descrito por García- Pintado (2009). PALABRAS CLAVE OGC, SIG, teledetección, estaciones agroclimáticas, radar meteorológico, INSPIRE. ABSTRACT Within the project REDSIM (REmote-sensing based DSS for Sustainable Drought Adapted Irrigation Management) funded by DG Environment of the EU for development in Spain of two pilot areas (Segura Basin and Upper Guadiana) for monitoring and combating desertification and drought, it has

2 developed an information system called REDSIM-IS that integrates weather radar data and rain gauge networks for automatic operational estimate of the intensity of precipitation. This geoportal REDSIM-IS integrates information from three agro-climatic measurement networks: SIAM-IMIDA, AEMET and SAIH-CHS, with the C-band weather radar in the Sierra de la Pila of AEMET, and has developed an automatic processing system that covers the basin of the Segura and Upper Guadiana. This system allows monitoring the intensity of precipitation with hourly resolution in the pilot areas. For the development of this component rainfall data collection of the three networks has been automated. After this, the quality control and processing multisensor precipitation is performed in the supercomputer Ben Arabi to reduce computation times. Finally, the results are published in a geoportal using OGC standards. These new services are based on the integration of different technologies TIG, remote sensing and climate data collection in real time. This system allows all users/water managers may have information in these pilot areas updated daily. This module REDSIM-IS is the basis for estimating rainfall maps of high spatial and temporal data through the calibration of weather radar reflectivity of rain gauges with data recorded by the three networks of sensors, operating according to an algorithm developed from the concept of decomposition of the bias described by (García-Pintado J. 2009). KEY WORDS OGC, GIS, remote sensing, weather station, weather Radar, INSPIRE. 1 INTRODUCCIÓN La estimación cuantitativa en tiempo real de la precipitación en una determinada área (QPE) es de gran importancia para el manejo de los riegos y para el seguimiento de fenómenos meteorológicos adversos, así como para otras muchas aplicaciones. Cuando ambos, radar meteorológico y una red de pluviómetros telemetrizada y automática están disponibles, una combinación de los dos tipos de observación proporciona una mejor estimación que la alcanzable por cualquiera de los dos tipos de sensores por sí solos. Las estimaciones basadas en radar pueden tener sesgos superiores a 50 % y la densidad estándar de las redes de pluviómetros en Europa y las regiones mediterráneas no es suficiente para asegurar la detección de las células convectivas en los eventos de tormenta, lo que puede conducir a sesgos elevados en las QPE. En virtud de este conocimiento, el uso conjunto (multisensor) de radar con los datos de pluviómetros para la estimación de la precipitación (MPE) está operativo en los Centros de Pronóstico de Crecidas en EE.UU. desde hace más de 10 años. Sin embargo, habitualmente las MPE no se obtienen, todavía, de forma operativa en Europa. Con el módulo REDSIM-IS se ha integrado la estimación MPE con información de las redes de diferentes administraciones nacionales y regionales. Además de esta integración, también se han desarrollado los estándares recomendados por la directiva INSPIRE para la difusión de esa información, con el objetivo de darle un valor añadido en las zonas piloto que abarcaban el proyecto. La UE ya tiene iniciativas muy avanzadas en la implementación de la directiva, sobre todo, en la temática de usos del suelo (JRC, 2011), y también se empiezan a desarrollar servicios interoperables de observación meteorológica como los del proyecto RAYMAN (Gutiérrez et al., 2010). El valor añadido de la combinación de datos de radar meteorológico con datos de redes de pluviómetros automáticos ha llevado al desarrollo de sistemas de pronóstico de intensidad de lluvia como el método aplicado en este trabajo, basado en el concepto de descomposición del sesgo en el radar descrito por García-Pintado et al. (2009), adaptado para ser aplicado de modo operativo. 2 MATERIAL Y MÉTODOS 2.1 Fuentes de datos Datos de radar meteorológico La ventaja más importante del uso del radar para medir la precipitación es que éste proporciona una amplia cobertura con alta resolución espacial y temporal. De hecho, el radar puede proveer una estimación de la precipitación con intervalos de tiempo tan pequeños como 5 minutos y resoluciones espaciales inferiores a 2 km 2 (Fattorelli et al., 1999). El sistema radar para la estimación de intensidad de lluvias se basa en un transmisor que produce radiación electromagnética de una potencia conocida a una frecuencia dada. La radiación es emitida a lo largo de un haz radial angosto desde la antena del radar, que recibe también la parte del haz de retorno (señal de retorno) dispersado por las partículas de lluvia. Un receptor detecta la señal de retorno, la amplifica y convierte la señal recibida en una señal de baja frecuencia que refleja las propiedades de la interacción onda electromagnética-precipitación. La potencia de

3 retorno producida por un objetivo volumétricamente desagregado, como son las partículas de lluvia en el aire puede representarse como (Skolnik, 2009): P r = 2 2 PG λ n t 3 4 ( ) 4π r i = 1 σ i (1) Donde, P t es la potencia emitida por el radar, P r es la potencia media de una serie de impulsos reflejados que llegan al receptor del radar, λ es la longitud de onda, G es una característica de la antena (llamada ganancia de la antena), r es el rango del objetivo y σ i es la sección transversal de la disipación de retorno de una partícula simple, siendo la suma de todas las n partículas disipadas por unidad de volumen. El método más común para determinar la intensidad de lluvia por medio del radar es el de usar relaciones empíricas que relacionen la reflectividad registrada por el radar con la precipitación medida a nivel del suelo (relación Z- R). Estas relaciones dependen, sin embargo, de la distribución estadística del tamaño de gota en el momento de la medición; en particular el error puede ser mayor si el volumen a investigar es grande o si el tiempo sobre el cual el dato es promediado es pequeño. Específicamente, la relación más usada para la distribución del tamaño de gotas de lluvia es la de Marshall y Palmer (1948) quienes descubrieron que una función exponencial se ajusta razonablemente bien a ella: Z = 200.R 1.6. (2) Esta es la denominada relación de Marshall- Palmer, donde Z (reflectividad del radar) se expresa en mm 6 m -3 y R (precipitación) en mm h-1. En la Comunidad Autónoma de la Región de Murcia (CARM) se dispone de un radar meteorológico de banda C de la AEMET, situado en La sierra de la Pila (figura 1). Con los datos de reflectividad radar, la AEMET genera un producto radar denominado SRI (surface rainfall intensity) con resolución 1 x 1 km. Este producto se usa como base para el producto de precipitación combinada radar-pluviómetros implementado. El producto SRI ya incorpora la eliminación de ecos falsos por cambios de fase (agua-granizo/nieve) por un procedimiento de evaluación del perfil vertical de la reflectividad. 2.2 Datos de redes pluviométricas La lluvia es una de las variables meteorológicas con mayor variabilidad espaciotemporal. Incluso la medición de lluvias en un punto por un sólo pluviómetro es una actividad que presenta un amplio número de fuentes de incertidumbre. Las redes tradicionales de pluviómetros, incluso con altas densidades espaciales, pueden proveer información muy limitada de la intensidad del campo de lluvia y de su cobertura espacial. Además en el caso de redes automatizadas generalmente sólo una pequeña proporción de la red está conectada en tiempo real. Como consecuencia, una gran parte de los datos son recibidos después de que el evento de lluvia ha pasado. Figura 1. Radar AEMET de la Sierra de la Pila Lebel et al. (1987) demostraron que, en el caso de una cuenca de 600 Km 2 con una densidad de aproximadamente un pluviómetro cada 20 a 25 Km 2, la varianza de la precipitación media areal a escala horaria es del orden del 10 a 15%; sin embargo, al utilizar solo los pluviómetros automáticos la densidad se reduce a un pluviómetro por cada 60 Km 2 y la varianza aumenta al 30 ó 40%, es decir el error de medición de la precipitación puede ser fácilmente del 50% dependiendo de la densidad de sensores. La consideración anterior, implica que, en el caso de tormentas de tipo convectivo, las redes pluviométricas tradicionales no son suficientes para garantizar su seguimiento. Estas dificultades son todavía más importantes en áreas montañosas debido a la elevada variabilidad de la precipitación y al limitado número de lugares que pueden usarse para la localización y mantenimiento de los pluviómetros. En la Cuenca del Segura se dispone de 66 pluviómetros del SAIH, 46 estaciones completas del IMIDA y 42 estaciones automáticas de las AEMET (figura 2). Los datos de estas tres redes se han integrado en una base de datos única (Oracle 11g).

4 descomposición para obtención de estimas locales no sesgadas. Figura 2. Esquema de las redes de datos 2.3 Algoritmo de procesado de los datos Control de calidad dinámico Previo a la aplicación del algoritmo de estimas de precipitación, un proceso de control de calidad (QC) en tiempo real, basado en chequeos cruzados radar-pluviómetros, se encarga de asegurar que la calidad de los datos de las estaciones pluviométricas convencionales es adecuada. El control de calidad implementa de modo automatizado una serie de reglas de eliminación o corte sobre umbral de datos, en función de relaciones estadísticas evaluadas en ventana móvil espacial para análisis de valores espúreos y ventana móvil temporal de 10 días para análisis de correlaciones cruzadas Estimas de precipitación multisensor La figura 3 muestra un diagrama de flujo general del algoritmo de procesado multisensor de precipitación (MPE). El algoritmo ha sufrido una serie de modificaciones en su implementación con respecto al algoritmo CMA-OAS (Concurrent Multiplicative-Additive Objective Analysis Scheme) de partida, propuesto y descrito por García-Pintado et al. (2009). Básicamente, se conserva la idea original de la descomposición del sesgo radar en dos campos de sesgo (Multiplicativo y Aditivo), pero se modifica el procedimiento de estima de los campos de sesgo. La descripción detallada del algoritmo va más allá del ámbito de esta publicación. Aquí se resume el proceso general. El proceso calcula primero un conjunto de radios de influencia espacial relativos de los pares de observación radar/pluviómetro en función de la densidad local de estaciones. Estos radios se consideran como constantes para un algoritmo de estimación de descomposición del sesgo local en un término aditivo y uno multiplicativo, basado en regresiones locales ponderadas sometidas a restricciones de Figura 3. Diagrama de flujo del proceso MPE (García Pintado et al., 2009). Una vez se realiza la descomposición local del sesgo en cada emplazamiento pluviómetro/radar individual, los radios se recalculan por un parámetro de escalado de radios basado en validación cruzada. Nótese que este procedimiento evita la estima simultánea de radios de influencia (ancho de banda del Kernel) junto con la descomposición del sesgo. Finalmente, un proceso de regionalización (tapering) se utiliza para estimar dos campos de sesgo independientes (multiplicativo y aditivo [MF, AF]), que son combinados para la obtención del producto MPE final (figura 4). La validación cruzada se usa también para la estima del error (desviación estándar) en el producto final. La ejecución del procedimiento de estimación multisensor, se traduce en una malla espacial, actualizada cada hora, con la topología heredada del producto radar SRIH (surface rainfall intensity con resolución 1 x 1 km). Las técnicas de SIG subsiguientes se aplicaron con el fin de proporcionar estimaciones, integradas a escala de explotación. Se hace notar que el procedimiento de optimización secuencial original utiliza una búsqueda global para optimizar los parámetros del proceso. De este modo, la computación de altas prestaciones se puede utilizar para acelerar el proceso de convergencia. Las pruebas de rendimiento iniciales que se llevaron a cabo para evaluar la conveniencia de utilizar supercomputación, frente a estaciones de trabajo convencionales, recomendaron el uso del supercomputador Ben Arabí. Sin embargo, las modificaciones en la implementación final mejoran notablemente la eficiencia del proceso y hacen que el proceso pueda ser migrado a una

5 estación de trabajo de capacidad computacional estándar. en el análisis: a) la red gestionada por el Servicio de Información agroclimática de Murcia (SIAM en el IMIDA), b) una red integrada en el Sistema Automatizado de Información Hidrológica (SAIH), que es operado por la Confederación Hidrográfica del Segura (CHS), y c) la red gestionada por la AEMET (figura 6). La cobertura espacial es altamente variable en el dominio espacial de aplicación, lo que se presenta como una complejidad a la hora de la implementación de algoritmos de estimación multisensor. El tiempo de integración del producto MPE es de 1 hora, que ha sido indicado como el tiempo de integración más adecuado en estudios previos. Figura 4. Ejemplo de producto MPE del día 21/11/2011- hora 04 UTC El cálculo directo de la desviación estándar, resultado de la validación cruzada es, asimismo, un proceso que requiere alta capacidad computacional, ya que requiere el cálculo de tantos mapas como estaciones disponibles cada hora de proceso. El proceso operativo implementado, alternativamente, obtiene las estimas sólo en los emplazamientos donde se encuentran disponibles pares de datos pluviómetro/radar. Esto genera un set disperso de datos de desviación estándar. Luego, estos son interpolados mediante Kriging Ordinario para obtener la estima distribuida de incertidumbre. 2.4 Arquitectura del sistema Esta actividad se ha centrado en las cuestiones operativas que participan en los protocolos de comunicación, formatos de datos, tareas de sincronización y gestión de bases de datos involucrados en la asimilación de los datos de precipitación de todas las fuentes de datos en tiempo real (figura 5). El objetivo aquí ha sido la identificación y resolución de todos los problemas operativos surgidos para la incorporación de las diferentes fuentes de datos de precipitación, de modo que todos los datos de precipitación están accesibles en tiempo real, y en un formato adecuado, como entrada al sistema de procesamiento de QPE en el servidor del IMIDA. Los datos de los radares meteorológicos de base son el producto digital SRIH de AEMET. Este producto es una cuadrícula cartesiana de estimaciones de la reflectividad a nivel de suelo de resolución 1 x 1 km. Los datos se proporcionan a través de un servidor de McIDAS de AEMET cada 20 minutos. Por otro lado, tres fuentes de datos pluviométricos se incorporarán Figura 5. Diagrama de flujo general de información 2.5 Equipamiento empleado A continuación, se detallan algunas de las herramientas utilizadas en el proyecto: Hardware: Conexión al centro de supercomputación de la Fundación Parque Científico de Murciasistema supercomputador Ben Arabí, que está basado en una arquitectura de multiproceso simétrico pura, sin nodos fuertemente acoplados, con una potencia máxima de cálculo total de 10,611 TFlops. El nodo central es un HP Integrity Superdome SX2000 con 128 núcleos del procesador y 1,5 TB de memoria DDR-2 principal compartida y, 5,84 TB en discos SAS. El sistema operativo instalado es SUSE Linux Enterprise, para más detalles ( Una estación para conexión GSM con las estaciones climáticas y servidor de datos Oracle 11g en Red Hat Enterprise Linux. 46 estaciones climáticas del SIAM: 12 con conexión GPRS (captura de datos en tiempo real) y 34 con conexión GSM.

6 66 pluviómetros de la CHS con conexión a tiempo real y 42 estaciones automáticas de AEMET. Software: Base de Datos Oracle 11g para Oracle Linux Adobe Flash Builder 4.5 Visor Cartográfico realizado con lenguaje FLEX usando el API s de ESRI ArcGIS Server Enterprise Python v. 2.7 Conexión al supercomputador Ben Arabí usando la Base de Datos PostgreSQL. Figura 6. Estructura del sistema 3 RESULTADOS Un problema genérico en los algoritmos de combinación de datos de radar meteorológico y datos de redes pluviométricas es la consideración de las diversas fuentes de error presentes en ambos tipos de sensores. Dependiendo del diseño del producto MPE, estas fuentes de error se propagan de diferente modo en el producto final. Específicamente, el sesgo en los datos radar es, generalmente, variable en el espacio y en el tiempo, y además presenta problemas en la detección del área de los campos de precipitación. Se ha realizado una comparativa de algoritmos alternativos, incluyendo modelos aditivos generalizados (Generalized Additive Models, GAM), la técnicas geoestadísticas de Cokriging (Cok) y Kriging with External Drift (KED), y otros algoritmos operativos más sencillos, como correcciones del sesgo medio, y se han evaluado los sesgos en la cobertura fraccional de los campos de precipitación detectados por el radar meteorológico y su influencia en el producto. De acuerdo con análisis previos, ninguno de estos algoritmos de interpolación de uso más general parece adaptarse adecuadamente las características específicas de la combinación de datos de radar y pluviómetros (sesgo en cobertura fraccionaria, sesgo espacialmente variable no estacionario en el radar). El algoritmo CMA implementado se muestra como el producto más adecuado de entre los evaluados para estimas MPE y está actualmente operativo a intervalo horario, disponible mediante el geoportal REDSIM-IS. El geoportal desarrollado con el proyecto REDSIM en colaboración con la Infraestructura de Datos Espaciales de la región de Murcia- IDERM, integra la información de los diferentes órganos de la administración que tienen en común una componente espacial y que permite su ubicación en el territorio. En este sentido, ya se ha aplicado la directiva INSPIRE, como marco de referencia, y se ha construido una Infraestructura de datos espaciales basada en los servicios estándares (OGC, 2004; IDEE, 2007), para consultar y gestionar la información útil, sobre todo, para las comunidades de regantes, de forma que sirva como herramienta de apoyo en la toma de decisiones para la gestión eficiente del agua en la Cuenca del Segura. Para ello, se ha generado un visor cartográfico de gran funcionalidad que integra la información obtenida por el SIAM (Sistema de Información Agraria de Murcia), de la red de estaciones agroclimáticas de la Región de Murcia, la AEMET y el SAIH de la CHS bajo el entorno Oracle APEX sobre una base de datos Oracle 11g. Para procesar los datos en tiempo real se ha desarrollado una aplicación en el lenguaje Python, que mediante geoprocesamiento genera dinámicamente mapas meteorológicos a partir de los datos de la red de estaciones, que pueden consultarse en el visor. El visor, accesible a través de la web (figura 7), está basado en la interfaz de programación de aplicaciones (API) de ArcGIS para Adobe Flex, lo que ha permitido construir una aplicación web que incorpora, entre otras, herramientas de consulta y visualización de la información geoespacial, así como herramientas de geolocalización, acceso a metadatos y geoprocesamiento basados en ArcGIS Server de ESRI; dicha API de ArcGIS para Adobe Flex nos permite desarrollar aplicaciones con alto rendimiento que distribuyen contenido y funcionalidad GIS a los usuarios del geoportal. Por último, destacar que con el fin de difundir y hacer más accesible toda esta información relativa a la red de sensores utilizados, sus datos, y las imágenes de intensidad de lluvia estimada, se han creado los siguientes servicios OGC: Red de sensores (WMS):

7 tos/redsim_gcs_etrs89/mapserver Imágenes de precipitación estimada (WMS): A_CLIMATOLOGICA_Y_METEOROLOGICA/RA DAR_SRIH_MURCIA_UTM_ETRS89/MapServer /WMSServer Red de sensores del SIAM (WMS): A_CLIMATOLOGICA_Y_METEOROLOGICA/Re dsiam_utm_etrs89/mapserver/wmsserver Servicio Catalogo CSW especificación 2.0.2: Entre las próximas etapas del sistema estará el desarrollo de la aplicación de consulta para smartphone. Figura 7. Visor REDSIMhttp://iderm.imida.es/redsim 4 CONCLUSIONES Sobre la base de la descomposición del sesgo radar espacialmente no uniforme, la variabilidad (no estacionalidad del error) dentro de la tormenta, y la cobertura fraccional de las lluvias, el algoritmo implementado, se ha comportado de una forma más eficiente que los otros algoritmos disponibles y previamente evaluados en este trabajo. El geoportal desarrollado nos permite ofrecer servicios interoperables mediante estándares OGC que cumplen la directiva INSPIRE. La principal utilidad del sistema es mejorar los sistemas de asesoramiento a los regantes en la zona piloto, permitiendo mediante un acceso web, obtener una gran cantidad de información de utilidad para mejorar la eficiencia en el uso del agua en la agricultura, ya que esta información es básica para una adecuada programación de los riegos en función de la evolución climática y del desarrollo de los cultivos. Así, creemos que el uso de estas tecnologías es muy apropiado para la implantación de sistemas que ayuden a definir programas de riego a nivel de parcela y que permitan conseguir un cierto ahorro de agua en zonas con pocos recursos hídricos como es el sudeste español. Además, estos sistemas tienen un gran interés para el seguimiento de fenómenos meteorológicos adversos, ya que permiten seguir la evolución horaria de la intensidad de lluvia en grandes áreas y con elevada precisión. AGRADECIMIENTOS Este trabajo se ha realizado gracias al proyecto REDSIM, financiado por la Agencia Europea de Medio Ambiente, y al proyecto Telerieg, financiado por el Programa de Cooperación Territorial del Espacio Sudoeste Europeo (SUDOE), que apoya el desarrollo regional a través de la cofinanciación de proyectos transnacionales mediante el Fondo Europeo de Desarrollo Regional (FEDER). BIBLIOGRAFIA Fattorelli, S., Casale R., Borga M. y Da Ros D., Integrating radar and remote sensing techniques of rainfall estimation in hydrological applications for flood hazard mitigation. DGXII. EU. García-Pintado, J., Barberá, G. G.., Erena, M. y Castillo, V.M Rainfall estimation by rain gauge-radar combination: A concurrent multiplicative-additive approach, Water Resources Research, 45, W01415, doi: /2008wr Gutiérrez Corea, F.V. y Manso Callejo, M.Á. y Moreno, F.J. y Soler García, C Rayman: Interoperability use of Meteorological Observation, In: 1st International Workshop on Pervasive Web Mapping, Geoprocessing and Services, WebMSG 2010, Como, Italia IDEE Información IDE [online]. En: Infraestructura de Datos Espaciales de España, < INSPIRE, Directive 2007/2/EC of the European Parliament and of the Council of14 March 2007 establishing an Infrastructure for Spatial Information in the European Community (INSPIRE), published in the Official Journal on the 25th April 2007, entering into force on the 15th May 2007, Official Journal of the European Union, ISSN

8 , L 108, Volume 50, 25 April 2007 ( JRC, Land Quality and Land Use Information in the European Union, Catalogue Number LB-NA EN-C ISBN ISSN doi: /40725 Marshall, J.S. y Palmer, W. M., The distribution of raindrops with size, J. Meteorology, 5, Lebel T., Bastin G., Obled C. y Creutin J.D On the accuracy of areal rainfall estimation: a case study, Water Resources. Res, 23(11), OGC The Spatial Web. An Open GIS Consortium (OGC) White Paper [online], Open GIS Consortium, Skolnik I. y Merrill I Radar handbook, McGraw-Hill, ISBN , Capítulo 1.2