OBTENCIÓN DE MAPAS DE ESTRÉS HÍDRICO A PARTIR DE DATOS CAPTADOS POR LOS SENSORES AVHRR Y MODIS

Transcripción

1 OBTENCIÓN DE MAPAS DE ESTRÉS HÍDRICO A PARTIR DE DATOS CAPTADOS POR LOS SENSORES AVHRR Y MODIS Raúl Rivas 1 ; Javier Houspanossian 1 1 Instituto de Hidrología de Llanuras Comisión de Investigaciones Científicas Buenos Aires-Universidad Nacional del Centro de la Provincia de Buenos Aires, Campus Paraje Arroyo Seco, B7000 Tandil, provincia de Buenos Aires, ARGENTINA. rrivas@rec.unicen.edu.ar Resumen Conocer las condiciones hídricas (CH) de la superficie con una periodicidad adecuada es fundamental para estudios agronómicos e hidrológicos entre otros. El presente trabajo muestra los resultados de la aplicación de un modelo que permite la estimación de las CH a partir de datos captados por sensores a bordo de satélites. Las CH se estiman a partir del Temperature Vegetation Dryness Index (TDVI). El TDVI es obtenido con información derivada de satélite y se sustenta en la relación existente entre la temperatura de superficie (T s ) y el índice de diferencia normalizada de vegetación (). A partir de la relación -T s /- se pueden obtener los límites seco y húmedo de la superficie y con éstos calcular los parámetros del modelo. El TDVI se ha aplicado en la provincia de Buenos Aires (Argentina) utilizando imágenes captadas por los sensores Advanced Very High Resolution Radiometer (AVHRR) de la serie de satélites NOAA y Moderate Resolution Imaging Spectroradiometer (MODIS) a bordo del satélite AQUA. Desde éstas se ha estimado la T s y la cobertura vegetal. Para la estimación de la T s se ha utilizado una ecuación split window y con el la cobertura vegetal. Los mapas resultantes del TDVI muestran el estado hídrico de los diferentes partidos de la provincia de Buenos Aires. Complementariamente se han realizado medidas en parcelas de referencia, utilizando sensores infrarrojo térmico (8-14 μm) y de humedad, y se ha comprobado que los resultados del modelo son adecuados para la escala de trabajo.

2 Palabras Clave: Temperatura de superficie, condición hídrica, MODIS-AVHRR. Abstract Knowing the hydric conditions (HC) of the surface with an adequate periodicity is fundamental to the agronomic and hydrological studies among others. The present study shows the results of applying a model that allows HC estimation from data captured by sensors on satellites. The HC are estimated from the Temperature Vegetation Dryness Index (TVDI). The TVDI is produced from information derived from satellites and is based on the relation existing between the land surface temperature (LST) and the Normalized Difference Vegetation Index (). On the bases of the ST/ relation the dry and wet limits of the surface can be obtained and with them it is possible to know the parameters of the model. The TVDI has been applied in Buenos Aires Province (Argentina) using images captured by the Advanced Very High Resolution Radiometer (AVHRR) sensors from the series of NOAA satellites and the Moderate Resolution Imaging Spectroradiometer (MODIS) on the AQUA satellite. LST has been estimated with split window equation and the vegetation cover using. The maps resulting from the TDVI show the hydric condition of the different regions of Buenos Aires Province. Complementary measurements have been carried out on target using thermal infrared (8-14 mm) and moisture sensors and it has been proved that the results of the model are appropriate for the spatial resolution scale. Keywords: Surface Temperature, Hydric condition, MODIS-AVHRR.

3 1. INTRODUCCIÓN El contenido de agua en la vegetación es un importante parámetro en la agricultura y en aplicaciones hidrológicas. Los sensores remotos son una buena alternativa para el conocimiento de la distribución espacial de variables hidrológicas de gran interés (como por ejemplo la evaporación y la transpiración, el porcentaje de cubierta vegetal y altura de los cultivos). Adquiere un mayor interés la información obtenida desde satélite cuando se logra tener datos de la superficie con una buena resolución temporal (semana o día). El acceso que se tiene hoy, sin costo, de productos de satélite estándar (temperatura de superficie y reflectividad) desde el Earth Observation System Data Gateway ( permiten mejorar de forma muy significativa los diferentes modelos climáticos e hidrológicos. Los modelos hidrológicos de grandes cuencas requieren conocer una gran cantidad de variables en períodos cortos de tiempo. La heterogeneidad de éstas requiere modelos distribuidos de forma tal de lograr reproducir la distribución espacial de cada variable. Disponer de modelos distribuidos no es una tarea fácil, y menos aún lo es el costo que requiere el monitoreo continuo de las variables de interés. Entonces, es en estos casos que los sensores remotos son una atractiva herramienta ya que permiten obtener información de superficie con buena resolución espacial y temporal. Teniendo la idea anterior en mente, en este trabajo se presenta y aplica un modelo que permite conocer la distribución espacial de las condiciones hídricas (CH) de la superficie a partir de la relación existente entre la temperatura radiativa de la superficie y la cobertura vegetal (Sandholt et al., 2002). Para la aplicación del modelo se requiere únicamente información captada desde satélite en el espectro visible, infrarrojo cercano e infrarrojo térmico. El modelo se ha aplicado a escala de la provincia de Buenos Aires, Argentina utilizando imágenes NOAA-AVHRR y

4 AQUA-MODIS con la finalidad de conocer las condiciones hídricas de los diferentes partidos (división política interna de la provincia de Buenos Aires), y además, comparar los resultados con medidas del terreno de forma tal de conocer la verdadera potencialidad de su uso. 2. METODOLOGÍA E INSTRUMENTAL Para la estimación de las CH y para su evaluación se han realizado medidas sobre el terreno en el momento de paso del satélite. Cada campaña de terreno es función de la fecha y hora de paso del satélite y además, de las condiciones de nubosidad. Las imágenes utilizadas para evaluar la sensibilidad de la estimación de las CH corresponden al sensor MODIS. En los apartados que siguen se describe la metodología seguida en cada etapa del trabajo. 2.1 Estimación de CH Para la estimación de las CH se ha utilizado el Temperature Vegetation Dryness Index (TDVI) propuesto por Sandholt et al. (2002): TVDI Ts Ts min a + b Ts min = (1) donde Ts es la temperatura radiativa de la superficie observada en el píxel (K), Tsmin es la mínima temperatura de superficie (K), es el índice de diferencia normalizada de vegetación, y a y b son parámetros propios del área de estudio que se obtienen desde una imagen de satélite. Los parámetros a y b se calculan a partir de la relación existente entre y Ts (Rivas et al., 2005). El valor del TDVI queda definido por un triángulo que se obtiene de relacionar la cobertura vegetal con la Ts en el que los límites están determinados por: máxima transpiración (Max T) (máxima cobertura vegetal y mínima Ts), máxima evaporación (Max Ev) (suelo desnudo húmedo con mínima Ts) y nula evaporación (No Ev) (suelo desnudo con alta Ts). La línea que une Max T con No Ev define el límite seco en el que el valor del TDVI tiende a 1 y la línea Max T con Max Ev

5 determina el límite húmedo en la cual el TDVI tiende a 0 (Figura 1). Entonces, para un punto -Ts próximo al límite seco existirá una mínima disponibilidad de agua en el suelo y para un punto cercano al límite húmedo existirá una máxima disponibilidad de agua. El valor de TDVI para un píxel dado (, Ts) es la proporción entre las distancias A y B. La ecuación 1 puede aplicarse fácilmente utilizando imágenes de satélite (IS) que capturen datos de superficie en los siguientes sectores del espectro electromagnético: visible (V), infrarrojo cercano (IRC) y térmico (IRT). Además, es un requisito importante que las IS tengan una adecuada resolución espaciotemporal. Temperatura de superficie No Ev Ts = a+ b. TDVI = 1 No T Ev Ts Ts min Max Ev TDVI = 0 A B T Max T Índice de vegetación Figura 1. Triángulo que define los límites del TVDI. Los símbolos han sido definidos en el texto (Tomado de la adaptación de Rivas et al.; 2005). 2.2 Imágenes Las IS que mejores características presentan para aplicar la ecuación 1 son aquellas que visitan una misma zona de la superficie al menos una vez al día o una vez cada dos días (misiones National Oceanic Atmospheric Administration (NOAA) y Earth Observation System (EOS)). La misión NOAA capta información en 5 bandas del espectro por medio del sensor Advanced Very High Resolution Radiometer (AVHRR) y la misión EOS capta

6 información en 36 bandas del espectro por medio del sensor Moderate Resolution Imaging Spectroradiometer (MODIS). Estos sensores brindan información de la superficie con una resolución espacial adecuada (~ 1km 2 ) para estudios regionales. En la Tabla 1 se observan las bandas de cada sensor utilizadas en el presente trabajo. El se ha calculado a partir de la ecuación propuesta por Rouse et al. (1974) ((IRC-V)*(IRC+V) -1 ), y la Ts desde una ecuación split window (SW). Para las imágenes NOAA se ha utilizado el algoritmo SW propuesto por Coll y Caselles (1997) (ecuación 2) y en MODIS el propuesto por Sobrino et al. (2003) (ecuación 3). [ ( T T )] ( T ) α ( ε ) β Δε T s = T + 1 (2) T5 donde T s es la temperatura de la superficie en el píxel considerado (K), T 4 y T 5 son las temperaturas radiativas en las bandas 4 y 5 de NOAA-AVHRR (K), α y β son coeficientes que dependen del contenido de vapor de agua en la atmósfera (K), ε es la emisividad de la superficie en el intervalo μm y Δε es la diferencia espectral de emisividad entre las bandas 4 y 5. T 2 s T (T31 - T32) (T31 - T32) = (3) siendo T 31 y T 32 las temperaturas de radiativas en las bandas 31 y 32 de AQUA- MODIS (K). Las imágenes NOAA utilizadas han sido captadas por la antena del Centro de Sensores Remotos de la Universidad Nacional de Rosario, Argentina y las AQUA han sido bajadas desde el sitio de la National Aeronautics and Space Administration (NASA) Tabla 1. Bandas (B) utilizadas en cada sensor y ancho de cada banda. Banda Ancho de banda AVHRR-MODIS (μm) *Serie NOAA KLM V - B1 / B * /

7 IRC - B2 / B * / IRT - B4 / B * / IRT - B5 / B * / Instrumental de terreno Las mediciones realizadas en el terreno han sido: Ts medida con un radiómetro infrarrojo térmico (IRT) de mano y humedad de suelo (Hs) con un sensor de humedad. El radiómetro registra la temperatura emisiva de la superficie observada en un ancho de banda de 8-14 μm y el sensor de humedad mide ésta a partir de la permitividad dieléctrica del suelo (Figura 2). En la Tabla 2 se describen los detalles del radiómetro y del sensor de humedad. La Ts de la superficie observada se ha medido a 30 cm por encima de ésta, en dirección hacia abajo, asegurando que el área observada correspondiese únicamente a un sector homogéneo y la Hs se midió usando electrodos de 12 cm de longitud. Para evaluar la sensibilidad del TDVI al contenido de agua en los primeros centímetros del suelo, se realizaron transectas de Ts y Hs en una parcela con cultivo de maíz (máxima cobertura vegetal). Los valores de humedad volumétrica medidos en la parcela han sido comparados con los obtenidos con la imagen (aplicando la ecuación 1) para un área de 9 km 2 (3 por 3 píxeles). Se toma un área de 9 km 2 para tener certeza que el valor de TDVI comparado contiene a la parcela de maíz.

8 Figura 2. Foto del instrumental de terreno: a) sensor IRT y fuente de calibrado, b) sensor de humedad. Tabla 2. Instrumental de terreno utilizado. Equipo Marca Rango Error Radiómetro IRT ST Pro, Raytec 0 50 ºC ±0.82ºC Sensor de humedad Hydrosense Campbell % ±3.0% Fuente de calibrado Everest 0 60 C ±0.1 C RESULTADOS La ecuación 1 ha sido aplicada a escala de la provincia de Buenos Aires, Argentina con la finalidad de conocer el comportamiento de las CH de ésta (Figura 3). La provincia abarca un área de km 2 con precipitaciones de 1100 mm año -1 en el norte y 500 mm año -1 al sur. El clima es templado con influencias marina en la costa y más frío y seco al sur. La temperatura media anual es de ~15 C. El paisaje está integrado por suaves ondulaciones; un gran conjunto de islas (denominado delta); una planicie deprimida ocupada por arroyos, ríos y lagunas; una llanura elevada y al sur la llanura se interrumpe por los sistemas serranos de Tandilia y Ventania. Desde el punto de vista hidrológico predominan los movimientos verticales (precipitación-evapotranspiración) por sobre los

9 horizontales (escurrimiento superficial y subterráneo). En la mayor parte de las actividades que se desarrollan tiene gran importancia la humedad del suelo. Se espera con estas investigaciones aportar a un mejor conocimiento en el espacio y en el tiempo de las CH de la provincia con la finalidad de mejorar la comprensión del funcionamiento del sistema llanura y además, poder aportar información para una mejor toma de decisión en el momento de exceso o déficit hídrico. Además, se pretende lograr una serie, de al menos 15 años, de mapas de TDVI para la provincia incorporando información de la serie de satélites NOAA. ARGENTINA Provincia de Buenos Aires Figura 3. Ubicación del área de aplicación del Temperature Vegetation Dryness Index y áreas de control. Para la estimación del y de la Ts en el área de la provincia de Buenos Aires se han utilizado imágenes de (NOAA) y (AQUA) captadas próximas a la hora de máxima radiación (entre las 14 y 18 horas). Teniendo presente que se pretende ampliar la serie a 15 años se esta evaluando el TDVI con imágenes captadas por el sensor MODIS y extender la serie hacia atrás con imágenes NOAA. Las imágenes NOAA permitirán ampliar con facilidad la serie de mapas de TDVI hasta el año 1990 y de esta forma disponer de los 15 años

10 previstos. Hasta la actualidad se cuenta con imágenes NOAA de 1992, 1993, 1995, 1996, 2000 y La Figura 4 muestra el resultado de Ts (Figura 4a), (Figura 4b), parámetros a y b (Figura 4c) y TDVI (Figura 4d) obtenido para la imagen NOAA del 10 de enero de (a) (b) Ts = ndvi R 2 = (c) (d) Figura 4. Resultados de los pasos seguidos para estimar el TDVI con una imagen NOAA- AVHRR del 10 de enero de Para cada imagen NOAA se han seguido los mismos pasos que se pueden observar en la Figura 4 y de este modo hasta el momento se han obtenido 70 imágenes de TDVI. Para que el conjunto de mapas de TDVI calculados con NOAA resulte consistente es necesaria una adecuada validación. Por lo tanto se ha optado por utilizar imágenes AQUA-MODIS para validar los datos con medidas realizadas en terreno.

11 La elección del sensor MODIS se sustenta en que éste capta información en 36 bandas y por lo tanto la información complementaria que se puede extraer de éstas facilitan un análisis mas robusto. La Figura 5 muestra el límite seco, los parámetros a y b y el r 2 de cuatro imágenes AQUA-MODIS de la primavera verano Para estas cuatro imágenes se dispone de las mismas medidas sobre terreno con los sensores IRT y Hs. 325 a) 20/10/2005 Ts=-48,89*ndvi+336,37 R^2= b) 18/11/05 Ts= -53,34*ndvi+340,61 R^2= 0.96 Ls 315 Ts ,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 325 d) 18/01/2006 Ts=-42,72*ndvi+333,70 R^2= c) 24/12/2005 Ts=-62,37*ndvi+346,76 R^2 = 0.97 Ts ,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 Ts ,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 Figura 5. Límite seco definido para cuatro imágenes AQUA-MODIS. En cada imagen de la Figura 5 se ha estimado el límite seco a partir de la relación -Ts propia para la fecha. De esta relación se obtiene una dispersión de puntos que forman un triángulo similar al de la Figura 1 y a partir de éste se seleccionan los puntos que definen el límite seco y húmedo. Para una adecuada definición de los límites se ha tenido presente seleccionar un área que contenga zonas con suelos secos y húmedos con y sin vegetación. Posteriormente se han ajustado las rectas a+b. y Tsmin. La pendiente del límite seco da indicios de las CH en que se encuentra el área de estudio. En la Figura 5 la fecha con mejores CH es el 18/01/06 ya que es la que menor variación en Ts presenta

12 (aproximadamente 20 C) mientras que la imagen del 24/12/05 es la que presenta las peores CH. El límite húmedo de cada fecha es el mostrado en la Figura 6 observándose que el 20/10/05 presenta el menor valor de Tsmin y el 24/12/05 el máximo. 330 (a) 20/10/2005 Limite Humedo 330 (b)18/11/2005 Limite Humedo Ts Ts ,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1, (c) 24/12/2005 Limite Humedo 340 (d) 18/01/2006 Limite Humedo 330 Ts 315 Ts ,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1, ,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 Figura 6. Límite húmedo para las cuatro imágenes MODIS-AQUA consideradas. Para el presente análisis se han definido un conjunto de cuerpos de agua (lagunas las encadenadas, Figura 3) en las que se ha observado el valor de Tsmin de tal manera controlar la correcta definición del límite húmedo. Es importante tener presente que en los cuerpos de agua no existe limitación para la Ev y por lo tanto Ts tiende a tomar un valor mínimo. Entonces el valor de Tsmin en las lagunas es una buena referencia para comprobar la correcta definición de Tsmin. La Figura 7 muestra el comportamiento de Ts en las lagunas las encadenadas en cada imagen AQUA-MODIS y el Tsmin definido a partir de la relación -Ts. Se puede comprobar que los valores estimados para el límite húmedo son adecuados

13 ya que para vegetación húmeda el valor de Tsmin es siempre mayor que para un cuerpo de agua superficial que cubre un área de al menos 9 km 2. De esta manera se ha garantizado una buena definición del límite seco y húmedo teniendo presente que los límites se ajustan a las características propias de la zona observada por el sensor (AVHRR MODIS) y además, se reduce la incertidumbre de los resultados. Figura 7. Comportamiento de Ts en cuerpos de agua y Tsmin calculada para cada imagen. En la Figura 8 muestra la evolución temporal y espacial del TDVI en la provincia de Buenos Aires durante la primavera verano Además, se puede ver como van cambiando las CH de la provincia en cada fecha considerada dentro de cada uno de los partidos y el grado de afectación de éstos. Si se observan en detalle las imágenes del 24 de diciembre y del 18 de enero se puede notar claramente el cambio del TDVI, siendo consecuencia de estos cambios las precipitaciones registradas entre ambas fechas. También, en la Figura 8 se puede observar las CH de cada partido de la provincia y definir de manera clara el área comprometida con alto medio y bajo TDVI. En estas circunstancias si se desea una mayor precisión se puede extraer una estadística de la provincia o del partido para conocer el verdadero grado de

14 afectación en unidades de área. Por ejemplo si tomamos la imagen del 18 de enero y hacemos los estadísticos para toda la provincia podemos comprobar que: 9476 km 2 tiene un TDVI entre 0-0.2; km 2 tiene un TDVI entre ; km 2 tiene un TDVI entre ; km 2 tiene un TDVI entre ; km 2 tiene un TDVI entre y km 2 sin datos por cobertura de nubes. Es evidente que gran parte de la provincia tiene fuertes limitaciones de humedad en el suelo y que la zona menos comprometida se ubica en el centro de la provincia de Buenos Aires. Figura 8. Mapas de TDVI de la provincia de Buenos Aires, con su división política (partidos), desde la primavera de 2005 a finales de enero de En blanco sin datos.

15 A partir del análisis anterior se puede ver que el TDVI es una herramienta importante al momento de evaluar las CH de un área extensa y además, que permite identificar las zonas con problemas hídricos con buena precisión y exactitud. Con la finalidad de comprobar la sensibilidad de la ecuación 1 se realizaron medidas de Ts y Hs en terreno sobre un predio con maíz. De esta manera se ha verificado la precisión de la SW utilizada (para MODIS), las condiciones de Ts del cultivo para una diferente Hs y la sensibilidad del TDVI. En la Figura 9 se puede ver un gráfico con la comparación de las medidas de Hs versus (1-TDVI). La diferencia de 1-TDVI se ha realizado solamente para facilitar la comparación de los datos de terreno con los de imágenes. Si se compara el punto (correspondiente al día 18 de enero) de la Figura 9 se puede ver que el TDVI ha tenido una buena sensibilidad a las CH y de igual modo presenta sensibilidad para valores mínimos de Hs. Sin embargo se nota que para una CH intermedia la variación es muy significativa. Este error podría deberse a que el área del predio de maíz es próxima al km 2 y que las parcelas aledañas se encuentran con pastos naturales que presentan diferente grado de cobertura vegetal (píxel mixto), hecho que se ve minimizado en situaciones extremas. Con las medidas a realizarse en la próxima campaña de primavera verano se podrá definir de manera más consistente la variabilidad observada para condiciones intermedias de humedad.

16 TD V Hs (%) Figura 9. Comparación entre valores de Hs y 1-TDVI (adimensional) en la parcela con cultivo de maíz y rectas ± 20 %. Por último, es importante destacar que las comparaciones entre medidas de terreno con imágenes de TDVI solamente una muestra cae fuera del área ± 20% (Figura 9). Es evidente que a partir de los datos disponibles no se puede definir el error en la estimación de la Hs, pero si se puede recomendar para una adecuada lectura de los datos, elaborar mapas de TDVI en intervalos de 20 % en 20 %. CONCLUSIONES El TDVI obtenido con imágenes de 1 km 2 de resolución es una herramienta adecuada para evaluar las CH de la superficie. Para la aplicación solo se requiere disponer de información de satélite y a partir de esta una adecuada selección de los límites de máxima evaporación, máxima transpiración y nula evaporación. La aplicación del TDVI con imágenes de los sensores AVHRR y MODIS ha permitido conocer la variación espacial y temporal de las CH de la provincia de Buenos Aires, Argentina para la primavera verano Además, con medidas realizadas in situ se ha logrado comprobar que la sensibilidad del TDVI es adecuada para la definición de áreas con estrés hídrico y que el intervalo recomendable para la elaboración de mapas es de 20 % en 20 %.

17 Por último, es importante destacar que con próximas campañas de medida se podrá definir de manera mas consistente el error de estimación del TDVI. AGRADECIMIENTOS Los autores desean expresar su agradecimiento a la Comisión de Investigaciones Científicas de Buenos Aires por los fondos otorgados para el desarrollo del presente trabajo. BIBLIOGRAFÍA Coll, C., Caselles, V A split window algorithm for land surface temperature from advanced very high resolution radiometer data: Validation and algorithm comparison. Journal of Geophysical Research, vol. 102, 14: Rivas R., Weinzettel P., Usunoff E Resultados preliminares de la estimación del estrés hídrico a partir de temperatura de superficie y. Actas II Seminario Hispano-Latinoamericano sobre temas actuales de Hidrología Subterránea-Relación aguas superficiales-aguas subterráneas, , Río Cuarto, Córdoba. Rouse, J. W., Haas, R. H., Schell, J. A., Deering, D. W., Harlan, J. C Monitoring the vernal advancement of retrogradation of natural vegetation, NASA/GSFC, Type III, Final Report, Grenbelt, MD, 371 pp. Sandholt, I., Rasmusen, K., Andersen, J A simple interpretation of the surface temperature / vegetation index space for assessment of surface moisture status, Remote Sensing of Enviromenmt, 79: Sobrino, J. A., El Kharraz, J., Li, Z Surface temperature and water vapour retrieval from MODIS data. International Journal of Remote Sensing, 24(24),