Incorporación de la temperatura de la superficie terrestre obtenida desde satélite para la mejora de modelos predictivos de temperatura del aire

Transcripción

1 Incorporación de la temperatura de la superficie terrestre obtenida desde satélite para la mejora de modelos predictivos de temperatura del aire Maria MIRA 1, M. NINYEROLA 2, M. BATALLA 2, L. PESQUER 3, X. PONS 1 1 GRUMETS Dep. Geografia, UAB, Barcelona 2 GRUMETS Dep. de Biologia Animal, de Biologia Vegetal i d Ecologia, UAB, Barcelona 3 GRUMETS CREAF, UAB, Barcelona maria.mira@uab.cat

2 1. Introducción Temperatura superficial del aire (T aire ) o Importante variable climática y meteorológica implicada en muchos procesos ambientales: flujos energéticos, evapotranspiración real y potencial, estrés hídrico, o la distribución de especies (Prihodko y Goward, 1997). o Parámetro de entrada en modelos climáticos y meteorológicos. 3

3 1. Introducción Temperatura superficial del aire (T aire ): o Suele medirse en estaciones meteorológicas datos puntuales, limitados por la densidad y distribución de la red de estaciones. Problemática: en ocasiones es necesario disponer de una superficie continua, o cuasi-continua, de la T aire. Solución: la teledetección es la única metodología que permite evaluar de manera efectiva la distribución espacial de las variables de la superficie terrestre a escala regional y global de manera periódica. 4

4 1. Introducción Las largas series históricas de datos de satélite: Landsat, más de 40 años NOAA-AVHRR, más de 30 años MODIS, 16 años permiten integrar la cartografía climática basada en los datos de las estaciones meteorológicas con la información satelital (Vicente- Serrano et al., 2004; Sun et al., 2005; Cristóbal et al., 2008; Hengl et al., 2012). o Existen en la bibliografía estudios que introducen la temperatura de la superficie terrestre (TST) estimada con datos de teledetección (Cristóbal et al., 2008; Hengl et al., 2012) en los modelos de estimación de la T aire. o Pocos trabajos consideran series temporales extensas. 5

5 2. Objetivos Finalidades generales: Avanzar en: la descripción del fenómeno de la temperatura del aire; la predicción de futuros cambios ambientales. Objetivo principal: Mejorar las estimaciones espaciales de T aire mensuales (mínimas y máximas) proporcionadas actualmente por modelos que combinan aproximaciones estadísticas (regresión) y espaciales (interpolación) a partir de datos meteorológicos, incorporando la TST procedente de datos de satélite como nuevo predictor. Objetivos secundarios: - Evaluar los cambios en las estimaciones de la T aire en una zona relativamente amplia a través de datos de TD en día o noche. - Diferenciar entre cubiertas del suelo y niveles de complejidad orográfica del territorio. 6

6 3. Área de estudio Tipo de cubierta Forestal Agrícola y ganadero Urbano Otros Estaciones meteorológicas Cataluña

7 Datos meteorológicos de campo 4. Materiales Registros mensuales de T aire de los años 2003 a 2011 (9 años) adquiridos en las estaciones meteorológicas de: - La Agencia Estatal de Meteorología(AEMET) - El Servicio Meteorológico de Cataluña (SMC) Datos previamente sometidos a un riguroso control de calidad, realizando una selección en función de varios criterios objetivos (estabilidad de las series temporales, test de validación cruzada, etc.), conjuntamente con el conocimiento del experto (calidad de las series de las estaciones, ubicación adecuada, etc.). Número de estaciones por imagen: entre 180 y 212 (promedio de 195). Meses evaluados: Diciembre y Junio 9

8 Otros datos geográficos 4. Materiales Altitud Latitud Continentalidad Radiación solar potencial Un índice topográfico de humedad Todos ellos obtenidos a partir de un Modelo Digital de Elevaciones (MDE) y diferentes procedimientos de análisis SIG. Se utilizó un MDE del Instituto Cartográfico y Geológico de Cataluña a 15 m. 10

9 4. Materiales Datos de satélite: temperatura de la superficie terrestre (TST) Productos operacionales de satélite de TST mensuales, derivados con el método split-window que utiliza dos canales en la ventana atmosférica de 10.5 a 12.5 μm. Productos MODIS Terra (MOD11B3) y Aqua (MYD11B3) Colección 6 Resolución espacial nominal: 5568 m. Incluye las bandas de calidad. Adquisiciones diurnas y nocturnas. ATCDR LST Climate Data Record (Level-3) disponible a través del portal de GlobTemperature ( Datos de AATSR y ATSR-2 (Envisat y ERS-2). Resolución espacial de 0.05ᵒC. Incluye la incertidumbre en la TST. Adquisiciones diurnas y nocturnas. 11

10 4. Materiales Datos de satélite: temperatura de la superficie terrestre (TST) Promedio de la hora local de adquisición de las imágenes Producto Diurno Nocturno MOD11B3 11:11 21:59 MYD11B3 13:08 2:04 ATCDR 10:26 21:24 12

11 5. Metodología Análisis de regresión múltiple combinado con la interpolación espacial de los residuos mediante el inverso de la distancia ponderada (Ninyerola et al., 2000, 2005; Sun et al., 2005). Proporciona un modelo predictivo de la variable climática (T aire ) a partir de las variables que influyen sobre el clima de la zona (las variables geográficas y la TST). Resultado: Mapa obtenido a partir de la ecuación de ajuste de la regresión que recoge el comportamiento general del clima una vez mejorada gracias a la interpolación de residuos. Los residuos muestran los aspectos locales del clima ya que cuantifican cómo de particular es aquella climatología respecto del modelo general. 13

12 5. Metodología Se aplicó la validación cruzada uno a uno (cross- validation leaveone-out), que permite conservar al máximo la capacidad predictiva de los modelos y obtener un índice de fiabilidad promediado. Métricas: Root Mean Square Error (RMSE) Coeficiente de determinación (R 2 ) 14

13 6. Resultados Diferencia máxima (promedio) 80 estaciones comunes RMSE sintst - RMSE contst Mes Máx Mín Junio 0.16 (0.10) 0.15 (0.10) Diciembre 0.05 (0.02) 0.35 (0.22) >0 RMSE TSTd - RMSE TSTn Mes Máx Mín Junio (-0.06) 0.15 (0.10) Diciembre 0.06 (0.01) 0.29 (0.17) 15

14 6. Resultados Diferencia máxima (promedio) RMSE sintst - RMSE contst Tipo de cubierta Mes Máx Mín Forestal Junio 0.03 (0.02) 0.01 (0.05) Diciembre 0.06 (0.02) 0.28 (0.17) Agrícola y Junio 0.22 (0.12) 0.30 (0.12) ganadero Diciembre 0.06 (0.04) 0.32 (0.31) Urbano Junio 0.02 (0.03) 0.06 (0.06) Diciembre (0.00) 0.11 (0.06) 16

15 6. Resultados Diferencia máxima (promedio) RMSE sintst - RMSE contst Tipo de relieve Mes Máx Mín Tierras llanas Junio 0.06 (0.03) 0.10 (0.10) Diciembre (0.00) 0.18 (0.14) Tierras medias Junio 0.15 (0.08) 0.02 (0.04) (150 m <σ< 250 m) en 10 km Diciembre 0.05 (0.02) 0.20 (0.13) Tierras abruptas Junio 0.09 (0.09) 0.08 (0.00) Diciembre 0.27 (0.13) 0.27 (0.24) 17

16 7. Conclusiones La incorporación de las estimaciones de satélite de la TST en los modelos predictivos de T aire mensual implica una mejora significativa, especialmente para las mínimas de invierno, y especialmente usando datos nocturnos, tanto para máximas como para mínimas, llegando a 0.35 K. La TST aporta una información adicional en relación al fenómeno de inversión térmica, no reflejada hasta el momento por las variables geográficas ni las medidas terreno, debido probablemente a las escasas estaciones meteorológicas situadas en tierras abruptas. Las mejoras son más evidentes en zonas no urbanas y abruptas. Este trabajo implicará la actualización y mejora de los Atlas Climáticos Digitales de Cataluña y de la Península Ibérica, ambos desarrollados por la UAB. 18

17 Incorporación de la temperatura de la superficie terrestre obtenida desde satélite para la mejora de modelos predictivos de temperatura del aire GRACIAS por su atención!! Maria MIRA 1, M. NINYEROLA 2, M. BATALLA 2, L. PESQUER 3, X. PONS 1 1 GRUMETS Dep. Geografia, UAB, Barcelona 2 GRUMETS Dep. de Biologia Animal, de Biologia Vegetal i d Ecologia, UAB, Barcelona 3 GRUMETS CREAF, UAB, Barcelona maria.mira@uab.cat Agradecimientos: Este estudio fue financiado por el Ministerio Español de Ciencia e Innovación (proyecto ACAPI CGL P MINECO/FEDER y el contrato de investigación Juan de la Cierva de la Dra. Mira), por la Generalitat de Catalunya (GRUMETS 2014 SGR1491), y la Institució Catalana de Recerca i Estudis Avançats ( ICREA Academia Excellence in Research del Dr. Pons).