Seguimiento de la Temperatura mediante Teledetección

Transcripción

1 Jornada sobre nuevas estrategias de observación de la Tierra en la Evaluación de los sumideros de carbono Seguimiento de la Temperatura mediante Teledetección José A. Sobrino Imaging Processing Laboratory (IPL) Director Unidad Cambio Global Dpt. Física de la Tierra y Termodinámica Universidad de Valencia sobrino@uv.es Tf: Madrid, 17 Diciembre 2007

2 OBJETIVOS Estimar la temperatura de la superficie terrestre desde satélite Resolver Ecuación de Transferencia Radiativa (ETR) en el intervalo térmico Proporcionar algoritmos operativos que permitan obtener Ts a partir de datos suministrados por sensores de baja (AVHRR, AATSR, MODIS, SEVIRI) y alta (ASTER, AHS) resolución espectral y espacial Validar los algoritmos propuestos Aplicaciones Análisis multitemporal de imágenes de satélite Detección de estrés hídrico Evapotranspiración 2

3 MARCO PARTICULAR INTRODUCCION TELEDETECCIÓN TERMICA Ts Porqué estimar la temperatura de la superficie terrestre? Buen indicador del balance de energía a y agua en la superficie de la Tierra Dato entrada modelos de predicción n numérica del tiempo Detecta el cambio climático Supervisa estado de salud de la vegetación Detecta los cambios relacionados con los procesos de desertización 3

4 Sólo las medidas desde satélite proporcionan: * cobertura global * resolución n espacial (3 km 60 cm) * Resolución n espectral (8-14 micrómetros) metros) * frecuencia temporal (16 días d 15 minutos) * datos no limitados por fronteras políticas. Permite estudiar variabilidad espacial y caracterizar superficies zonas cultivadas (suelo, lateral y copa de vegetación) zonas urbanizadas (calles, paredes). Isla térmica. Aplicaciones Evapotranspiración Detección heladas Incendios Estrés hídrico Seguimiento multitemporal, etc. INTRODUCCION Porqué estimar Ts mediante teledetección desde satélite? 4

5 48 APLICACIONES DEL INFRARROJO TÉRMICO Quattrochi y Luvall (1999) Thermal infrared remote sensing for analysis of landscape ecological processes: methods and applications Landscape Ecology, 14,

6 6

7 GREENLAND 2002 all-time record melt area Melting up to elevation of 2000 m 16% increase from 1979 to meters thinning in 5 years The smallest melt extent was observed after the Mt. Pinatubo eruption in 1992 Satellite-era record melt of 2002 was exceeded in Source: Waleed Abdalati, Goddard Space Flight Center 7

8 EVAPOTRANSPIRACIÓN Enero 1999 Febrero 1999 Marzo 1999 Abril 1999 Mayo 1999 Junio 1999 MAPA DE ET (mm/dia). Datos DAIS en BARRAX, 3 Junio 1999 Julio 1999 Agosto 1999 Septiembre 1999 Octubre 1999 Noviembre 1999 Diciembre 1999 ET d (mmd -1 )

9 Heladas Naranja: -2.3 ºC Daño o por congelación se crean cristales y rupturas

10 Problemas que plantea la estimación de la TST desde satélite 1) Calibrado de sensores térmicos 2) Detección de nubes 3) Corrección efectos atmosféricos (incluso ventanas atmosféricas). 4) Corrección de emisividad (superficies no son cuerpos negros). 5) Acoplamiento entre efectos atmosféricos y de emisividad 6) Efectos angulares (comportamiento no lambertiano). INTRODUCCIÓN 10

11 FORMULACIÓN ECUACIÓN DE TRANSFERENCIA RADIATIVA TÉRMICO sen ε ( ) (1 ε ) atm τ atm i, θ i, θ i s i, θ i i, θ i, θ L = B T + L + L Ti Tg NOMENCLATURA Térmico: 8-14 micrómetros τ: transmisividad de la atmósfera L atm : radiancia atmosférica ascendente L atm : radiancia atmosférica descendente θ: Ángulo de observación B L B : Función de Planck ε: Emisividad de la superficie T s : Temperatura de la superficie λ i : canal (valores efectivos o integrados) L sen : Radiancia a nivel del sensor L sen B(T i ) T i : Temperatura radiométrica a nivel del sensor (TEMPERATURA APARENTE > TS) L sup εb(t s )+(1-ε)L atm :radiancia a nivel de superficie L sup B(T gi ) T gi : temperatura radiométrica a nivel de la superficie SENSOR = EMISIÓN SUPERF. + REFLEXIÓN SUPERF. + RADIANCIA ATMOSF. 11

12 Impacto de cada término en la radiancia total llega al sensor TOTAL = SURF.EMIS + GRND.RFL + PATH Marco Teórico TOTAL: SURF.EMIS: GRND.RFL: PATH: Lsen τεb(ts) τ (1-ε)Latm Latm Ts = 294,2 K LMV (W=2.92 g cm - 2 ) Emisividad= muestra de arena Radiancia (W m -2 sr -1 8m -1 ) PATH SURF EMIS GRND RFL TOTAL B(Ts) Longitud de Onda (8m) 12

13 Transmisividad Atmosférica 1 0,8 0,6 0,4 0, Longitud de Onda ( m) Vapor de agua principal absorbente Total H2O O3 H2O cont. CO2 Principal absorbente: H2O (O3 en 9.6 μm) Ventanas atmosféricas: μm μm Fuerte dependencia tipo atmósfera en la ventana atmosférica ( μm) 13

14 Monocanal en términos de Temperatura En general Ts, Ti, Ta son próximas Linealización f. de Planck alrededor de Ti 1 ε i 1 τ T = T + L T ( τ 53º )[ T + L T T] + T T εi ετ i i { } i ( ) 1 ( ) ( ) s i i i i a i i i i a Cuerpo negro ε i =1 : T s = T i + T T Si superficie y atmósfera están n en equilibrio (compensan absorción n y emisión atmosféricas): T=0 (T i =T a ) En general la atmósfera está más s fría a que la superficie y T T >0 (hasta 12 K) CONCLUSION τ, τ 53º,T a Poco operativa: Necesita Radiosondeos: conocimiento preciso de perfiles verticales de temperatura y humedad Modelo de radiancia y transmisividad atmosféricas en el canal considerado 14

15 Método de la absorción diferencial Surge del desarrollo de un algoritmo biangular (observación n y f ) ETR: B i (T i )=[ε i B i (T s )+(1-ε i )(1 - τ i 53º )B i (T a )]τ i +(1-τ i )B i (Ta) (Sobrino et al, 1996) B(T n )=ε n τ n B(T s )+a 0 B(T an ) B(T f )=ε f τ f B(T s )+a 1 B(T af ) a 0 =1-τ n τ 53º - ε n τ n (1 - τ 53º ) a 1 =1-τ f τ 53º - ε f τ f (1 - τ 53º ) a a a a BT = BT BT BT BT a a a ( s) ( n) ( f) ( an) ( af) a 2 = ε n τ n (1 - τ f τ 53º ) - ε f τ f (1 - τ n τ 53º ) Linealización de la función de Planck BT ( ) BT ( s) = BT ( n) + ( Ts Tn) dt BT ( ) B( Tf ) = B( Tn) + ( Tf Tn) dt BT ( ) B( Tan) = B( Tn ) + ( Tan Tn ) dt BT ( ) B( Taf ) = B( Tn ) + ( Taf Tn ) dt T n T n T T n n T = T + a T T + a a L a a T T ( ) 1 ( ) s n n f n an af a2 a2 a2

16 Método de la absorción diferencial Se pueden separar los efectos atmosféricos y de emisividad: a a º 1 τ 1 (1 )( ) (1 ) n τnτ εn τn τ f Δετ f τ n = + 53º τn τ f τn τ f εn( τn τ f) +Δετ f(1 τnτ ) a = aa a a a Δ 53º 53º (1 εn) τ ( τn τ f) ετ τ f(1 τn) 53º εn( τn τ f ) +Δετ f(1 τnτ ) a = + +Δ a 53º {(1 τ f ) τ f(1 τ )[(1 εn) ε] } a a n (1 n) 2 a = α + α (1 ε ) α Δε a a + = β ε β Δε aa a = α (1 τ ) 0 f 1 τ n α0 = τ τ 1 τ nτ α1 = τ τ α n n = αατ β = τ 53º 53º β = τ τ α 53º 2 f 0 f f f T = T + A( T T ) B + B (1 ε ) B Δε s n n f 0 1 n 2 A = α 0 0 B = A(1 τ )( T T ) f an af B = α ( T T ) + β L B = c + c w 1 1 n f 1 n B = τ AB B = c + c w 2 f PROBLEMA ES CALCULAR LOS VALORES NUMÉRICOS DE LOS COEFICIENTES A, B 0, B 1, B 2

17 Simulaciones (experimentos controlados) Códigos de transferencia radiativa: MODTRAN Método de la absorción diferencial MODerate spectral resolution atmospheric TRANsmittance algorithm and computer model Permite obtener todos los términos de la ecuación de transferencia radiativa y crear de esta forma una base de datos simulados Bases de datos de radionsondeos (TIGR) TIGR: TOVS Initial Guess Retrieval Base1: 60 radiosondeos (0 a 6 g cm -2, intervalos 0.1) Base2: 1761 radiosondeos Espectros Emisividad: ASTER spectral library Alrededor de 2000 espectros Compuesta por 3 librerías: JHU + JPL + USGS Disponible en: espectros (muestras naturales) Rocas (244) Suelos (49) Vegetación (4) Agua (1) Hielo (1) Emisividad Agua de mar 0.70 Suelo (Inceptisol) Basalto (Ígnea) 0.60 Conífera Longitud de onda (μm) 17

18 Método de la absorción diferencial A en función del contenido en vapor de agua. Bo en función del contenido en vapor de agua Hacia una aplicación n operativa Ts T Para ε=1 n = n f + A( T T ) B 0 Ts-Tn (K) 25,00 20,00 15,00 10,00 y = 0,2049x 2 + 1,9416x + 0,0319 R 2 = 0,9795 Ts T 2 n = c1 T n T f) + c2( T n T f) + ( c 0 5,00 0, Tn-Tf (K) 18

19 Método de la absorción diferencial B1 y B2 se pueden linealizar en función del contenido en vapor de agua. 19

20 Algoritmos bicanales o Split-window: Algoritmos biangulares: Método de la absorción diferencial T = T + c ( T T ) + c ( T T ) + c + ( c + c w)(1 ε ) + ( c + c w) Δε 2 s i 1 i j 2 i j ε = ε + ε 2 Δ ε = ε ε ( i j) i j T = T + c ( T T ) + c ( T T ) + c + ( c + c w)(1 ε ) + ( c + c w) Δε 2 s n 1 n f 2 n f n 5 6 n: nadir f: forward Δε = ε n ε f Split-window window: : T i -T j i=11 μm,, j=12 12 μm Biangular: Tn-Tf Tf n= 11 μm m a 0º 0 f=11 μm m a 53º τ 12 =τ (53º) 20

21 Algorítmos Operativos Baja resolución AVHRR/NOAA AATSR/ENVISAT MODIS/TERRA SEVIRI/MSG 21

22 AVHRR/NOAA Sobrino and Raissouni (2000) T s (ε,w)= T (T 4 -T 5 ) (T 4 -T 5 ) (57-5W)(1-ε) (161-30W)Δε T 4 T 5 ε Δε Parámetros : Temperatura radiométrica, canal 4 AVHRR, μm : Temperatura radiométrica, canal 5 AVHRR, μm : emisividad espectral media, canales 4 y 5 AVHRR. : ε 4 -ε 5 diferencia de emisividad, canales 4 y 5 AVHRR. Error de estimación δt=1.3k Validación in-situ * AVHRR Pathfinder Oceans Match-up Database. W : Contenido total en vapor de agua atmosférico (g cm -2 ). * 300 AVHRR datos de Australia zona homogénea (F. Prata) 22

23 AVHRR/NOAA: Estimación contenido total en vapor agua MÉTODO (COVARIANZA /VARIANZA) (SWCVR) W = cosθ lnr (cosθ lnr 54 ) 2 θ : Ángulo de observación satélite. Ν ( T T )( T T ) R 54 k=1 = Ν 4k 4o 5k 5o ( T4k T4o) k=1 *Por vez primera método permite estimar W directamente de AVHRR sin acudir a sondeos. Gran variabilidad de W ( ) g cm -2 necesidad de calcular W, Mejorar precisión en Ts 23

24 Aún conociendo el efecto de la atmósfera PROBLEMA ADICIONAL Missing equation Marco Teórico En general, si tenemos un sensor con N bandas, tendremos un total de N ecuaciones con N+1 incógnitas: L = ε B ( T ) + (1 ε ) L sup atm s 1 1 L = ε B ( T ) + (1 ε ) L... sup atm s 2 2 L = ε B ( T ) + (1 ε ) L sup atm N N N s N N N ecuaciones N+1 incógnitas (ε 1, ε 2,, ε N, T s ) Necesario hipótesis simplificadoras permitan resolver el problema de estimar Ts desde satélite 24

25 NDVI THRESHOLDS METHOD: NDVITHM NDVI < 0.2 (Suelo desnudo.pv=0, Salisbury) ε = f (ρ 1 ) Δε = (ρ 1 ) 0.2 NDVI 0.5 (Pixel mezcla) ε i = ε vi P v + ε si (1- P v )+ C i ε = P v Δε = (1-P v ) P v =(NDVI-0.2) 2 /(0.09) Sobrino et al (1990) NDVI > 0.5 (Vegetación) ε = ε v + C i ε v = y C i =

26 EMISIVIDAD (23/7/95 y 30/5/96) 26

27 AVHRR/NOAA a Figure 3.a Emisividad superficie terrestre NDVI THM 27

28 AVHRR/NOAA a 330 K 240 K Figure 4.a TEMPERATURA SUPERFICIE TERRESTRE 28

29 AATSR (Advanced Along-Track Scanning Radiometer) Dos ángulos de visión: vista nadir (0º) y vista forward (55º) Tamaño del pixel: 1 km 2 nadir, 1.5 km x 2 km forward Barrido de unos 500 km (555 pixels nadir, 371 forward) 7 bandas, en visible, infrarrojo cercano y térmico 0.05 K resolución radiométrica AATSR/ENVISAT ERS-1 ERS-2 ENVISAT ATSR-1 ATSR-2 AATSR

30 Algorítmos Split-window y biangulares (Sobrino et al, 1996; 30 Int. Journal of Remote sensing 1996, 45 citas)(sobrino, Soria y Prata,, 2004). Algorithm Expression SW n, Quad: T s = T 2n (T 2n -T 1n ) (T 2n -T 1n ) SW n, Quad, ε: T s = T 2n (T 2n -T 1n ) (T 2n -T 1n ) (1-ε) SW n, Quad, ε, Δε: T s = T 2n (T 2n -T 1n ) (T 2n -T 1n ) (1-ε) 79.95Δε SW n (W), ε, Δε, W: T s = T 2n + ( W)(T 2n -T 1n ) + ( W) + ( W)(1-ε) - ( W)Δε SW n, Quad, ε, Δε, W: T s = T 2n (T 2n -T 1n ) (T 2n -T 1n ) 2 ( W) + ( W)(1-ε) - ( W) Δε DA 11 Quad: T s = T 2n (T 2n -T 2f ) (T 2n -T 2f ) DA 11 Quad, ε: T s = T 2n (T 2n -T 2f ) (T 2n -T 2f ) (1-ε 2n ) DA 11 Quad, ε, Δε: T s = T 2n (T 2n -T 2f ) (T 2n -T 2f ) (1-ε 2n ) 25.8Δεθ DA 11 W, ε, Δε, W: T s = T 2n + ( W)(T 2n -T 2f ) + ( W) + ( W)(1-ε 2n ) - ( W)Δεθ DA 11 Quad, ε, Δε, W: T s = T 2n (T 2n -T 2f ) (T 2n -T 2f ) 2 ( W) + ( W)(1-ε 2n ) - ( W)Δεθ

31 Análisis de sensibilidad Algorithm σ mod (K) σ noise (K) σ ε (K) σ WV (K) σ total (K) SW n, Quad: SW n, Quad, ε: SW n, Quad, ε, Δε: SW n (W), ε, Δε, W: σ mod : error residual atmosférico. σ noise : ruido: NEΔT=0.05 K. σ ε : error de emisividad : ε(ε)= σ WV : error vapor agua : ε(wv)= 0.5 gcm -2. total { σ 2 + σ 2 + σ 2 σ 2 } σ = ε + mod noise WV SW n, Quad, ε, Δε, W: DA 11 Quad: DA 11 Quad, ε: DA 11 Quad, ε, Δε: DA 11 W, ε, Δε, W: biangular mejores resultados que el SW Introducir el W mejora estimaciones Emisividad=1 Error total=0.3 K DA 11 Quad, ε, Δε, W:

32 MODIS/TERRA-AQUA Lanzado el 18 diciembre de 1999 Orbit type sun-synchronous Swath width 2330 km Radiometric resolution 12 bits Spatial resolution 250 m (channels 1-2) 500 m (channels 3-7) 1000 m (channels 8-36) Spectral range 36 canales: μm Repetition Daily except in the equator Data rate 11 Mbps 32

33 Canales MODIS/TERRA-AQUA 1 Canal 20 Canal 22 Canal 23 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0, λ (μm) 1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 Canal 29 Canal 30 Canal 31 Canal 32 Canal 33 Algoritmo Split-Window propuesto canales 31 y 32 T s = T (T 31 T 32 ) (T 31 T 32 ) (35-0.7W) (1-ε) - (73+5W) ε transmisividad longitud de espectro onda del ozono 33

34 MODIS/TERRA- TEMPERATURA SUPERFICIE TERRESTRE 34

35 SEVIRI/MSG - Meteosat 8 lanzado en agosto de 2002 y operativo desde el año Geostacionario. - Predicciones numéricas del tiempo y seguimiento a corto plazo 35

36 SEVIRI/MSG -Sensor: SEVIRI (Spinning Enhanced Visible and Infrared Imager) -Frecuencia de adquisición de imágenes: 15 -Resolución espacial: 3km en nadir (1km HRV) -Bandas de observación: 12 canales (4 VIS y IRP, 8 IRM y IRT) Filtros térmicos de SEVIRI 36

37 IR 10.8 IR 12.0 T s = T IR cos θ [ cosθ ] ( T T ) ( T T ) IR10.8 IR cosθ ( 1 ε ) W ( 1 ε ) SEVIRI/MSG-LST Sobrino and Romaguera (2005) cosθ IR cosθ IR12.0 Δε [ cosθ ] W Δε K 37

38 Validación Zonas heterogéneas. Barrax Barrax, Albacete ( 39º03 03 N, 02º06 06 W, 700 m elevación) Imágenes Landsat en falso color de la zona de estudio La zona experimental de las Tiesas en Barrax está situada a 20 km de Albacete. El área se caracteriza por una superficie llana con amplias zonas de cultivo. 38

39 ESTRÉS HIDRICO Diseño experimental Parcela de 4 ha, Córdoba Variedad del olivo: Arbequino Riego por goteo Bloques de 12 árboles bajo el mismo tratamiento de riego Bien regado: R (2.8 mm/d /día) Dosis estrés s 25% necesaria: S1 (0.7 mm/d /día) Dosis intermitente de estrés: s: S2

40 Instrumentación Validación RADIÓMETROS INFRARROJOS FUENTES DE CALIBRACIÓN PLATO DIFUSOR GONIÓMETRO CAJA PARA MEDIDA DE EMISIVIDADES CÁMARAS TÉRMICAS 40

41 Medidas de campo: Temperatura Validación (Transectos y medidas continuas) Intervalo temporal: 15 minutos Suelo Radiométrica Superficie (Campaña SPARC) 49 Temperatura (ºC) Horal Local T max T min = 5 ºC T s T rad = 2 ºC T s = (47.8 ± 1.5) ºC Hierba Radiométrica Superficie Temperatura (ºC) T max T min = 1.2 ºC T s T rad = 1 ºC T s = (30.9 ± 0.4) ºC Hora Local 41

42 Campaña CEFLES2 - Áreas de estudio Le Bray: 42

43 ANALISIS MULTITEMPORAL IMÁGENES DE SATÉLITE AVHRR, AATSR MODIS, SEVIRI SIMULACIONES MODTRAN sondeos espectros emisividad Filtros W, NDVI, ε, T Algoritmos SOFTWARE INSTRUMENTACIÓN radiómetros Raytek (1 banda) CIMEL (4/6 bandas) Fuente Calibrado Caja Validation MEDIDAS IN SITU Emisividad Temperatura (Transectos) CAMPAÑAS DAISEX (1998, 1999, 2000) WATERMED (2003) SPARC (2003, 2004) SEN2FLEX (2005) EAGLE, AGRISAR (2006) Algoritmos AVHRR PAL GIMMS Dinámica SOFTWARE VDCT HANTS 43

44 ANALISIS MULTITEMPORAL PROGRAMA PATHFINDER AVHRR Land (PAL) NOAA & NASA Julio 1981 Septiembre 2001 * Visión general de la zona de estudio * Definición regiones de interés, obtención y análisis de la evolución de los valores medios de Ts, NDVI y emisividad * Desarrollo de métodos para el seguimiento multi-temporal, en el espacio bidimensional Ts-NDVI, que permitan el estudio de la dinámica de la cobertura terrestre en la Cuenca Mediterránea 44

45 ANALISIS MULTITEMPORAL Relieve Gran variabilidad 0 m hasta 5000 m Clima Húmedo (Alta montaña) Templado húmedo Templado seco Seco (Clima de estepa) Seco y Desértico Gran Diversidad Medioambiental Excelente banco de Pruebas para Estudiar el Comportamiento de los Algoritmos Desarrollados 45

46 Mapa Mapavalor valormedio mediodel del NDVI NDVI para parael el periodo periodo ( ). Mapa Mapade de precipitación media media (mm/dia) para parael el periodo periodo ( ). Mapa Mapavalor valormedio mediolst (K) (K) para parael el periodo periodo ( ). Mapa Mapade de temperatura media media aire aire (K) (K) para para el el periodo periodo ( ). 46

47 Las zonas con mayor NDVI presentan los valores de Ts más bajos y viceversa. NDVI 20 años ANALISIS MULTITEMPORAL Gradiente Norte-Sur Δ NDVI =0.5 Ts 20 años Gradiente Sur-Norte Δ Ts =35 K 47

48 ANALISIS MULTITEMPORAL Método VLCD Vector Land Cover Dynamic 48

49 ANALISIS MULTITEMPORAL Thermo-NDVI classification Clasificación de la vegetación de América del Sur en función de la climatología (análisis multitemporal de datos de NDVI y precipitación durante el periodo ) sea Sobrino et al, Global and Planetary Change,

50 ANALISIS MULTITEMPORAL Análisis series temporales NDVI y LST identificar cambios vegetación en Europa / Rosa: zonas áridas del Sur en proceso de desertización (aumento 2.5 LST, disminución 0.02 NDVI) Verde oscuro: zonas centro Europa mejora su vegetación (disminución 1.5 LST, aumento 0.1 NDVI) desertisation longer growing season LST (x0.1 K) shorter growing season NDVI (x0.01) plant regrowth Cambios en la vegetación europea entre 1982/1986 y 1995/1999. Julien and Sobrino, Remote sensing of Environment

51 ANALISIS MULTITEMPORAL FUTURO: Cambio en longitud estación crecimiento a escala global ( ) día/año 51

52 IMAGING PROCESSING LABORATORY (IPL) Laboratorio de Procesado de Imágenes Antenas: AVHRR (NOAA), SEVIRI (MSG), MODIS (TERRA, AQUA) Desarrollo cadena de procesamiento, archivo, almacenamiento, distribución Disponer una base de datos de imágenes de satélite a disposición de organismos y ususarios. Estimación de parámetros biofísicos desde satélite ELABORACION SERIES TEMPORALES 52

53 REFERENCIAS Julien, Y., J. A. Sobrino, W. Verhoef (2006). Changes in land surface temperatures and NDVI values over Europe between 1982 and Remote Sensing of Environment, 103, Sobrino, J. A., J. C. Jiménez-Muñoz, P. J. Zarco-Tejada, G. Sepulcre-Cantó, y E. de Miguel (2006a). Land surface temperature derived from airborne hyperspectral scanner thermal infrared data, Remote Sensing of Environment, 102: Sobrino, J. A., Y. Julien, L. Morales (2006b). Multitemporal analysis of PAL images for the study of land cover dynamics in South America. Global and Planetary Change, 51, pp Sobrino, J. A., M. Gómez, J.C. Jiménez-Muñoz, A. Olioso and G. Chehbouni (2005). A simple algorithm to estimate evapotranspiration from DAIS data: Application to the DAISEX campaigns. Journal of Hydrology, 315, Sobrino, J. A., M. Romaguera (2004). Land surface temperature retrieval from MSG-SEVIRI data, Remote Sensing of Environment, 92, Sobrino, J. A., G. Soria, A. J. Prata. (2004). Surface temperature retrieval from Along Track Scanning Radiometer 2 data: Algorithms and validation. J. Geophysical Research, Vol. 109, No. D11, D /2003JD Sobrino, J. A., J. El Kharraz, Z.L Li (2003). Surface Temperature and water vapor retrieval from MODIS Data. International Journal of Remote Sensing V.24, nº 24, Sobrino, J. A., N. Raissouni (2000). Toward Remote Sensing methods for land cover dynamic monitoring. Application to Morocco. International Journal of remote Sensing, Vol. 21, no.2, Sobrino, J. A., Z.-L. Li, M. P. Stoll y F. Becker (1996). Multi-channels and Multi-angle algorithms for estimating sea and land surface temperature with ATSR data. Int. J. Remote Sensing, 17,