Relación entre la humedad superficial de suelo y otros factores espaciales a través de mapas de humedad SMOS desagregados con productos MODIS

Relación entre la humedad superficial de suelo y otros factores espaciales a través de mapas de humedad SMOS desagregados con productos MODIS N. Sánchez 1, M. Piles 2, A. Scaini, J. Martínez-Fernández 1, M. Vall-llosera 2 y A. Camps 2 1 Centro Hispano Luso de Investigaciones Agrarias. Universidad de Salamanca. 2 Universitat Politècnica de Catalunya y SMOS Barcelona Expert Center. nilda@usal.es, maria.piles@tsc.upc.edu, anna.scaini@gmail.com, jmf@usal.es, merce@tsc.upc.edu, camps@tsc.upc.edu RESUMEN El producto de humedad L2 del satélite Soil Moisture and Ocean Salinity (SMOS) tiene una resolución espacial aproximada de 40 km. Con el objetivo de mejorar dicha resolución se desarrolló un algoritmo de desagregación de píxel del producto L2 (humedad del suelo) de SMOS utilizando datos L1 (temperaturas de brillo) de SMOS y una serie del Normalized Difference Vegetation Index (NDVI) y temperatura de superficie del sensor MODIS a 1 km, que es la resolución de los mapas resultantes. Para evaluar la precisión de los mapas obtenidos se usaron las observaciones de la Red de Estaciones de Medición de la Humedad del Suelo (REMEDHUS) durante 2010, y se compararon los valores de humedad en 20 estaciones con los de los mapas. Los resultados de la validación muestran un coeficiente de correlación entre 0.40 y 0.70 y una diferencia cuadrática media entre 0.07 y 0.19 m 3 m -3 ; valores similares a los de otros trabajos con SMOS en REMEDHUS. El segundo objetivo fue determinar la influencia de tres factores que, a priori, pueden considerarse fundamentales en la distribución espacial de la humedad del suelo: precipitación, relieve y usos de suelo. El primer factor se consideró a través del Antecedent Precipitation Index (API), el segundo mediante el Topographic Wetness Index (TWI), y el tercero mediante una clasificación supervisada de una escena Landsat 5. Tras aplicar correlaciones espaciales entre estos factores y los mapas de humedad, se concluyó que no existe un patrón estadísticamente significativo que relacione la topografía y los usos del suelo con la humedad, aunque la similitud de ésta con los ciclos de la vegetación y cultivos en la zona puede apreciarse cualitativamente. Por lo que respecta a la precipitación, el comportamiento espacial del API fue el más similar al de las series de mapas de humedad de suelo, con coeficientes de correlación en torno a 0.50, estadísticamente significativos. PALABRAS CLAVE SMOS, MODIS, humedad de suelo, resolución espacial, API, TWI ABSTRACT The L2 soil moisture data of the Soil Moisture and Ocean Salinity (SMOS) mission has a spatial resolution of approximately 40 km. To improve the spatial resolution of the SMOS L2 soil moisture estimates product, a disaggregation algorithm has been developed, which uses SMOS L1 brightness temperatures and 1 km MODIS Normalized Difference Vegetation Index (NDVI) and temperature series. The resulting soil moisture maps have a spatial resolution of 1 km. The validation of these series was performed using in situ soil moisture observations acquired by the the Soil Moisture Measurement Stations Network (REMEDHUS) during 2010. Twenty REMEDHUS stations data were compared to the downscaled maps. Values of the correlation coefficient vary between 0.40 and 0.70,

with root mean squared differences between 0.07 and 0.19 m 3 m -3. These results were similar to those obtained in a previous validation exercise of the SMOS L2 soil moisture over the network. The second objective was to study the influence of three factors (precipitation, topography, and land use) in the spatial distribution of soil moisture. The Antecedent Precipitation Index (API) was chosen as an indicator of precipitation, the Topographic Wetness Index (TWI) as an indicator of topography, and the land uses were mapped through a supervised classification of a Landsat 5 image. no statistically significant correlations were found when considering the topography and the land uses, although spatial patterns can be observed relating the growing cycle of the vegetation covers with its soil moisture content. Spatial patterns within the downscaled soil moisture maps were related with the spatial distribution of precipitation, with significant correlation coefficients of around 0.50. KEY WORDS SMOS, MODIS, soil moisture, spatial resolution, API, TWI. 1 INTRODUCCIÓN La Agencia Europea del Espacio lanzó en noviembre de 2009 la misión Soil Moisture and Ocean Salinity, SMOS (Kerr et al., 2001, Mecklenburg et al., 2012). Tras la fase de calibración y validación, están siendo diseñados y elaborados mapas globales de humedad y salinidad oceánica cada 3 días con una resolución espacial de aproximadamente 40 km El producto de humedad del suelo (L2) permite un seguimiento de la humedad de suelo superficial a escala planetaria, pero carece de la resolución espacial adecuada para estudios localizados o para cuencas hidrológicas de pequeño tamaño. Para mejorar la resolución espacial de SMOS se han estudiado combinaciones con otros datos de mayor resolución procedentes de otros sensores remotos en el espectro visible e infrarrojo (VNIR) (Piles, 2010). Aunque no proporcionan estimaciones directas de humedad, las imágenes VNIR son una estrategia para facilitar su estimación indirecta combinadas con sensores de microondas, tal y como se demuestra en buen número de trabajos (Adegoke y Carleton, 2002, Chauhan et al., 2003, Zhang y Wegehenkel, 2006, Carlson, 2007, Merlin et al, 2005). El algoritmo de desagregación de píxel que se utiliza en este estudio es una extensión del concepto del triángulo universal (Carlson et al., 1994), que relaciona la humedad de suelo con el Normalized Difference Vegetation Index (NDVI) procedente del VNIR y la temperatura de superficie del infrarrojo térmico, que incorpora temperaturas de brillo de SMOS (Piles et al., 2011) El primer objetivo del trabajo, tras la aplicación del algoritmo, consistió en evaluar la fiabilidad de la humedad de suelo de los mapas resultantes, para lo que se usó la Red de Estaciones de Medición de la Humedad del Suelo (REMEDHUS) y se compararon los valores de humedad in situ en 20 estaciones con los correspondientes valores en los mapas. El segundo objetivo fue determinar el grado de influencia de tres factores que, a priori, pueden considerarse fundamentales en la distribución espacial de la humedad del suelo: precipitación, relieve y usos de suelo. No hay consenso acerca de qué factores controlan la dinámica espacial y temporal de la humedad de suelo (Martínez et al., 2008). Cabría citar factores topográficos (pendiente, orientación, curvatura), edáficos (textura, capacidad de retención), litológicos (composición, estratigrafía), relativos a la vegetación y usos del suelo (actividad foliar, porcentaje de cobertura, longitud y extensión de raíces) además, obviamente, de los factores climáticos y de la interrelación entre todos ellos. Estos factores son dependientes de la escala espacial de observación y/o medida. Así, a escala de parcela o pequeña cuenca, la humedad de suelo se ve afectada por las características del suelo, la topografía y la vegetación, causando variaciones en pocos metros (Ceballos et al., 2005), mientras que, a escala regional, es mayor la influencia de la distribución de la precipitación, la radiación atmosférica y la temperatura (Das et al., 2010). Por otra parte, los mapas que se analizan estiman humedad superficial. La banda L de SMOS penetra entre 0 y 5 cm del suelo y el infrarrojo térmico de MODIS adquiere la temperatura de la capa en contacto con el aire. Es necesario, por tanto, centrar el análisis espacial en la respuesta superficial de la humedad de suelo, que es particularmente compleja y variable (Svetlitchnyi et al., 2003). Por ejemplo, hay que tener en cuenta que la humedad superficial se agota a una tasa mucho mayor que en la zona de raíces (Martínez et al., 2008), y que depende más directamente de los eventos de precipitación (De Lannoy et al., 2006). Por todo ello, se han considerado como factores de análisis la precipitación, a través del Antecedent Precipitation Index (API); la topografía, mediante el Topographic Wetness Index (TWI), y los usos de suelo, mediante una clasificación supervisada de una imagen Landsat 5 en las fechas de estudio. El API es un índice ampliamente utilizado para parametrizar

M. P. Nilda, A. Scaini, J. Martínez-Fernández, M. Vall-llosera y A. Camps. diferentes condiciones de humedad de suelo (Pellarin et al., 2009). Por su parte, el TWI (Beven y Kirkby, 1979) es un índice que utiliza atributos del relieve y se relaciona con la distribución de la humedad de suelo (Beven y Kirkby, 1979, Deng y Li, 2002). Finalmente, respecto a los usos de suelo, el propio algoritmo de extracción de humedad del procesador L2 de SMOS está diseñado para diferentes tipos de cobertura de suelo (Wigneron et al., 2003), aunque con clases muy generalistas. En concreto, toda la zona REMEDHUS, salvo un pequeño porcentaje de clase forestal (en torno a un 10%), se clasifica en las imágenes como nominal class, es decir, vegetación y cultivos herbáceos (Sánchez et al., 2012). Resulta de interés, por tanto, estudiar si la mejora de la resolución espacial puede relacionarse con categorías más descriptivas. 2 METODOLOGÍA 2.1 Método de mejora de la resolución espacial de los mapas de humedad de suelo. El método de desagregación de píxel propuesto para SMOS (producto L2, con versiones de procesado 4.00 y 4.01) utiliza las temperaturas de brillo de SMOS (producto L1c), la temperatura de superficie (producto MOD11A1/MYD11A1 para los satélites TERRA y AQUA respectivamente) y el NDVI de 16 días (producto MOD13A2 de TERRA) a 1 km de MODIS. Los productos MODIS se agregan previamente a 40 km y se construye un sistema de ecuaciones utilizando todos los píxeles de la imagen y la siguiente regresión (linking model) (Piles et al., 2011): REMEDHUS, resultando una serie de 52 mapas de alta resolución con la serie de temperaturas de superficie AQUA y 57 con TERRA. 2.2 Validación en la Red de Estaciones de Medición de la Humedad del Suelo (REMEDHUS) La red REMEDHUS (figura 1) ha sido utilizada en diversos trabajos de validación de sensores remotos en microondas, entre ellos el reciente SMOS (Sánchez et al., 2012). Está enclavada en la zona central de la cuenca del Duero, entre las coordenadas geográficas (41º31,-5º43 ) y (41º04,-5º03 ), que corresponden al SE de la provincia de Zamora y pequeños sectores de las provincias de Valladolid y Salamanca. Comprende una superficie de unos 1.300 km 2, de dimensiones lineales 30x40 km. REMEDHUS se compone de diferente instrumental agro-hidroclimático, entre el que se encuentra una red de 20 estaciones equipadas con sensores de humedad Hydra probes (Stevens Water Monitoring System, Inc.). Esta red mide, de forma continua, humedad de suelo a una profundidad de 0-5 cm. n sm = a n n i= 0 j= 0 k = 0 ijk NDVI i T j s T k B (1) En la que sm es la humedad superficial de suelo, T s la temperatura de superficie de MODIS, y T B la temperatura de brillo de SMOS. Este sistema de ecuaciones se resuelve para obtener los coeficientes de la transformación (a ijk ), que luego se aplican de nuevo a escala de 1km resultando los mapas de humedad de alta resolución. El resultado son dos series de mapas de humedad, a 1 km de resolución espacial, obtenidos a lo largo de 2010, uno utilizando MODIS/TERRA LST, y otro utilizando MODIS/AQUA LST. Se realizó un estudio previo de porcentaje de cobertura de las imágenes de temperatura de MODIS (que se ve afectada por la presencia de nubes) y de datos SMOS L2. Se consideraron para este estudio los días en los que había una cobertura de más 60% en Figura 1. Zona de estudio (a), MDT de REMEDHUS (b) y mapa de API medio extraído mediante kriging (c). Se indican también las estaciones REMEDHUS y las meteorológicas La validación de los mapas de humedad de suelo se realizó bajo dos enfoques: 1)

puntualmente, comparando los datos diarios de humedad de suelo de las estaciones y la humedad imagen de cada fecha de 2010, y 2) realizando la comparación por usos de suelo, promediando tanto las estaciones como los mapas de humedad según las categorías. Para ello se aplicó una máscara de usos de suelo sobre los mapas de humedad extraída tras una clasificación de imágenes Landsat. Respecto a los usos del suelo en las estaciones, existen siete sobre viña, diez sobre cereal de secano, dos en forestal-pradera y una en regadío. Para evaluar las comparaciones se obtuvieron los valores del coeficiente de correlación (R), el bias o diferencia entre la humedad del mapa menos la humedad in situ, la diferencia media cuadrática (RMSD) y el estimador p de significación estadística. 2.3 Extracción de los índices topográficos y climáticos para el análisis espacial. El relieve de la zona se obtuvo a través del modelo digital del terreno (MDT) de la Junta de Castilla y León, de malla 25 m 2 y resolución de 1 m en altura, generado a partir de la altimetría de curvas de la base topográfica 1:50.000 (figura 1a). A partir del MDT se obtuvieron mapas de pendiente y orientación. Respecto al TWI, se siguió la formulación de Beven et al. (1979), que tiene en cuenta la pendiente y el flujo acumulado en una localización del MDT de la forma (2): TWI= ln(as/tanβ) (2) donde As (flujo acumulado) representa la relación entre la superficie que drena en una celda determinada y el contorno de la propia celda. As se calcula a través de un paso intermedio, la dirección de flujo desde cada celda en el ráster, tomando la pendiente más alta. β es el ángulo de pendiente de cada celda. Por lo que respecta a la precipitación, el API se calculó a partir de los datos diarios de precipitación de seis estaciones meteorológicas automáticas presentes en REMEDHUS (figura 1). Entre diversas formulaciones, se eligió la forma (3 y 4): API i = K i * API i 1 + P i (3) K i = exp (-ET 0i /θ max ) (4) donde API i es el índice diario, P la precipitación para cada día i, y K es un coeficiente de recesión relacionado con la evapotranspiración de referencia, ET 0 y el contenido máximo de humedad en las series temporales, θ max. El API se tomó como el valor acumulado de los tres días precedentes. Mientras que el TWI y la clasificación de usos del suelo se obtienen en forma de mapas con la resolución de los datos de partida (MDT y Landsat), el API se considera como un valor asociado a los datos puntuales de las estaciones meteorológicas. 2.4 Obtención del mapa de usos de suelo Se seleccionó una escena Landsat 5 del mes de julio de 2010, fecha que permite separar el regadío y la viña, en plena actividad vegetativa, de las zonas de secano, ya cosechado y por tanto sin actividad. El método utilizado fue el de clasificación supervisada mediante el algoritmo de máxima probabilidad. Se obtuvieron las siguientes categorías: regadío, secano, viña, forestal-pradera y una clase general con el resto. La exactitud del mapa se evaluó mediante un muestreo de 148 áreas verdad terreno, que arrojaron una coincidencia general del 89%. Los porcentajes de ocupación de las categorías son: 6% de regadío, 54% de secano, 8% de viña, 12% de forestal-pradera y 20% del resto (figura 2). 2.5 Métodos y alternativas de correlación espacial Las relaciones espaciales entre los mapas de humedad, el mapa de TWI, el mapa de usos de suelo y los datos de API se establecieron mediante correlación espacial bajo las siguientes alternativas: - El mapa de TWI y el de usos de suelo fueron remuestreados e integrados en el fichero con los mapas de humedad a su misma resolución. De esa forma, se pudieron comparar, a modo de bandas espectrales, la humedad y los parámetros mediante la herramienta de dispersograma, que indica el número de píxeles que ocupan valores concretos de humedad para valores concretos del parámetro del mapa, en este caso valores de TWI y categoría de uso de suelo. Si existe coincidencia espacial entre valores de humedad y el parámetro, habrá un alto número de píxeles asociados a ambos valores. Al presentarse como un gráfico de dispersión bidimensional de la humedad vs. el parámetro, en el dispersograma se indica también el valor del coeficiente de determinación y la ecuación de regresión.

M. P. Nilda, A. Scaini, J. Martínez-Fernández, M. Vall-llosera y A. Camps. Figura 2. Mapas de humedad de suelo a 1 km de resolución en cuatro períodos de 2010, junto al mapa de usos de suelo. - Sobre los mapas de TWI y usos de suelo a su resolución original se realizó un muestreo aleatorio en 100 puntos y se estableció regresión lineal con los valores de humedad de los mapas en esas mismas localizaciones. De esta forma, se intenta evitar la posible modificación que supone un remuestreo de los valores originales a 25 m (MDT) o 30 m (Landsat) hasta 1 km de los mapas de humedad. - Los valores de API en las seis estaciones meteorológicas se compararon con la humedad de los mapas en esas zonas, tomando un valor promedio de 3x3 pixeles de humedad alrededor de la posición de cada estación. 3 RESULTADOS Y DISCUSIÓN 3.1 Análisis y validación de los mapas mejorados de humedad Tras comparar los mapas de humedad (figura 2) con las estaciones REMEDHUS, se obtiene que, en cuatro de ellas, los resultados de la correlación no son estadísticamente significativos (p>0.05). Para las 16 restantes, los resultados de R varían entre 0.34 y 0.69, y el RMSD entre 0.05 y 0.22 m 3 m -3. El bias es negativo en once estaciones, lo que supone que la humedad del mapa es menor que la de las estaciones (-0.22 m 3 m -3 <bias<-0.05 m 3 m -3 ), y en cinco de ellas es positivo (0.01 m 3 m -3 <bias<0.06 m 3 m -3 ). Por usos de suelo, la categoría mejor descrita en términos de R es el forestal-pradera (0.66), pero su RMSD y bias es el mayor (0.189 m 3 m -3 y -0.156 m 3 m -3 respectivamente), debido a que estas estaciones presentan mayor contenido de agua. Inversamente, la categoría con menor bias, y la única con signo positivo, es la viña (RMSD=0.066 m 3 m -3 y bias=0.043 m 3 m -3 ), ya que son usos de suelo que presentan muy bajo contenido de humedad. Estos resultados de la validación son similares a los obtenidos con el producto L2 de SMOS en la zona (Sánchez et al., 2012), lo que implica que no hay una degradación del producto debido a su mejora espacial y no empeora la estimación remota de humedad. Sin embargo, al igual que ocurría con SMOS, la humedad del suelo, es subestimada en un rango entre 5-20 %. Además, los contenidos bajos de humedad resultan difíciles de estimar, como se verifica en la falta de

significación estadística en las estaciones con contenidos más bajos, y en las altas diferencias en las estaciones de forestal-pradera. Los valores muy fluctuantes tampoco se estimaron correctamente, como ocurre en el caso del regadío (figura 3). Figura 3. Evolución de la humedad de suelo, estimada desde el mapa para el promedio de las áreas de regadío, comparada con la humedad de la estación de regadío. 3.2 Correlación espacial con las variables topográficas y climáticas La comparación de los píxeles de los mapas de humedad y los parámetros TWI y usos de suelo, analizados en términos de regresión lineal a través del dispersograma, no mostraron ningún tipo de relación espacial ni patrón discernible. Los coeficientes de determinación son cercanos a 0 en prácticamente todas las fechas de los mapas y para ambos parámetros (figura 4). A consecuencia de la mala correlación espacial, y teniendo en cuenta las conclusiones de algunos trabajos (Martínez et al., 2008) que indican que la orientación es el principal factor que controla la distribución de la humedad de suelo superficial, se analizaron también la pendiente y la orientación extraídas del MDT, con resultados idénticamente negativos. Estos resultados podrían explicarse por el relieve poco pronunciado de la zona, con pendientes menores del 12% (Sánchez, 2010) Figura 4. Dispersograma entre los valores del TWI y el mapa de humedad de suelo de la fecha 19/09/2010. Tampoco la correlación aplicada en los puntos de muestreo permitió identificar relación alguna entre humedad y los factores citados. Sin embargo, al observar el comportamiento estacional de la humedad en los mapas se encontró una relación con las coberturas vegetales (figura 2). La cobertura que presenta una mayor humedad de forma casi constante a lo largo del año es la forestal, que es perennifolia en la zona. Es notable la retención de humedad de esta cobertura especialmente en invierno. En primavera, cuando toda la zona está prácticamente cubierta de vegetación debido al desarrollo de los cultivos de secano, la humedad es más alta y generalizada; mientras que en verano esta cobertura ya ha desaparecido y las zonas de humedad se distribuyen casi exclusivamente en los cultivos regados a lo largo del río Duero. En otoño este patrón continúa, pero con valores de humedad mayores en toda la imagen debido a las lluvias características de esa estación. El diferente comportamiento de la humedad en las coberturas podría explicarse por la dependencia del algoritmo con el NDVI, que es sensible a la actividad vegetativa, y por tanto puede relacionarse también con un mayor contenido de humedad en la vegetación (Jackson et al., 1995). Por otra parte, las microondas son sensibles a la constante dieléctrica de la vegetación, que a su vez también se relaciona con el contenido de humedad (Owe et al., 2001). No obstante, este efecto es débil en cuanto a que las diferencias en contenidos de humedad en los mapas son muy pequeñas (figura 2), y se requiere un análisis más exhaustivo que la simple correlación para detectar patrones espaciales. El análisis de correlación con el API realizado en las estaciones resultó estadísticamente significativo en todos los casos, aunque con discretos valores de R, que oscilan entre 0.44 y 0.55. Ello permite inferir que el gradiente SE-NW de precipitación presente en la zona REMEDHUS, que es patente al obtener un mapa de API medio (figura 1b) y que ha sido observado en trabajos previos en esta zona (Sánchez et al. 2012), es captado por los mapas de humedad. No obstante, debido al reducido número de estaciones y a la inherente dificultad de realizar una interpolación espacial con tan pocos datos, se ha optado por una verificación en una pequeña matriz de pixeles de humedad alrededor de cada estación. Esta elección podría debilitar el análisis frente a la comparación con todos los píxeles de la imagen realizada con los parámetros TWI y usos de suelo. 4 CONCLUSIONES En este trabajo se ha presentado el análisis y validación de un nuevo producto de humedad de suelo extraído a partir de la combinación del

M. P. Nilda, A. Scaini, J. Martínez-Fernández, M. Vall-llosera y A. Camps. producto L2 de SMOS y la temperatura de superficie y NDVI de MODIS. Los resultados de la validación en las estaciones REMEDHUS son prometedores, ya que se mantienen los estándares de calidad de la estimación de SMOS, pero se mejora el producto con una resolución espacial mucho mayor. El estudio estadístico no ofreció patrones claros de distribución espacial de humedad relacionados con el relieve. La ausencia de un patrón relacionado con los factores topográficos pone de manifiesto la dificultad de encontrar índices topográficos de humedad para zonas con relieves poco pronunciados. Sin embargo, la comparación por usos de suelo fue acorde con el comportamiento fenológico de la vegetación y cultivos presentes en la zona desde un análisis cualitativo, aunque verificar el patrón espacial de los usos de suelo requiere un análisis más exhaustivo. Finalmente, el análisis de la distribución espacial de la precipitación, utilizando el API como índice de estudio, ofreció mejores resultados y correlaciones estadísticamente significativas, que permitieron describir un patrón espacial acorde a las características climáticas de la zona. No obstante, se requieren futuros análisis con series temporales más largas aplicados sobre otras zonas con diferentes características topográficas y climáticas. Estos mapas de humedad de suelo presentan un gran potencial tanto para integrarse en nuevos productos de teledetección como para nuevas aplicaciones. AGRADECIMIENTOS Este trabajo ha sido posible gracias a los proyectos AYA2010-22062-C05-02 y AYA2010-22062-C05-05 del Ministerio de Ciencia e Innovación y al proyecto AO-3230 de la Agencia Europea del Espacio. BIBLIOGRAFÍA Adegoke, J. O. y Carleton, A. M. 2002. Relations between soil moisture and satellite vegetation indices in the U.S. Corn Belt, American Meteorological Society, 3, 395-405. Beven, K. y Kirkby, M. J. 1979. A physically based, variable contributing area model of basin hydrology, Hydrological Science Bulletin, 24, 43-69. Carlson, T., Gillies, R. y Perry, E. 1994. A method to make use of thermal infrared temperature and NDVI measurements to infer surface soil water content and fractional vegetation cover, Remote Sensing Reviews, 9, 161-173. Carlson, T. 2007. An overview of the 'triangle method' for estimating surface evapotranspiration and soil moisture from satellite imagery, Sensors, 7, 1612-1629. Piles, M., Camps, A., Vall.llossera, M., Corbella, I., Panciera, R., Ruediger, C., Kerr, Y. y Walker, J. 2011. Downscaling SMOS-derived soil moisture using MODIS Visible/Infrared data, IEEE Transactions on Geoscience and Remote Sensing, 49(9), 3156-3166. Ceballos, A., Scipal, K., Wagner, W. y Martínez- Fernández, J. 2005. Validation of ERS scatterometer-derived soil moisture data in the central part of the Duero Basin, Spain, Hydrological Processes, 19, 1549 1566 Chauhan, N., Miller, S. y Ardanuy, P. 2003. Spaceborne soil moisture estimation at high resolution: a microwave-optical/ir synergistic approach, International Journal of Remote Sensing, 22, 4599-4622. Das, N. N., Mohanty, B. P. y Njoku, E. G. 2010. Profile soil moisture across spatial scales under different hydroclimatic conditions, Soil Science, 175(7), 315-319. De Lannoy, G. J. M., Verhoest, N. E. C., Houser, P. R., Gish, T. J. y Van Meirvenne, M. 2006. Spatial and temporal characteristics of soil moisture in an intensively monitored agricultural field (OPE3), Journal of Hydrology, 331(3-4), 719-730. Deng, H. y Li, X. 2002. Relationships of upslope contribution area and soil water content in TOPMODEL, Progress in Geography, 21, 103-110. Jackson, T. J., Le Vine D. M., Swift, C. T., Schmugge, T. J. y Schiebe, F. R. 1995. Large area mapping of soil moisture using the ESTAR passive microwave radiometer in Washita'92, Remote Sensing of Environment, 53, 27-37. Kerr, Y. H., Waldteufel, P., Wigneron, J. P., Martinuzzi, J. M., Font, J. y Berger, M. 2001. Soil moisture retrieval from space: The Soil Moisture and Ocean Salinity (SMOS) mission, IEEE Transactions on Geoscience and Remote Sensing, 39(8), 1729-1735. Martinez, C., Hancock, G. R., Kalma, J. D. y Wells, T. 2008. Spatio-temporal distribution of near-surface and root zone soil moisture at the catchment scale, Hydrological Processes, 22, 2699-2714. Mecklenburg, S., Drusch, M., Kerr, Y. H., Font, J., Martin-Neira, M., Delwart, S., Buenadicha, G., Reul, N., Daganzo-Eusebio, E., Oliva, R. y Crapolicchio, R. 2012. ESA's Soil Moisture and Ocean Salinity Mission: Mission Performance and Operations, IEEE Transactions on Geoscience and Remote Sensing, 50(5), 1354-1366

Merlin, O., Chehbouni, A., Kerr, Y., Njoku, E. y Entekhabi, D. 2005. A combined modelling and multispectral/multiresolution remote sensing approach for disaggregation of surface soil moisture: Application to SMOS configuration, IEEE Transactions on Geoscience and Remote Sensing, 43(9), 2036-2050. Owe, M., de Jeu, R. y Walker, J. P. 2001. A methodology for surface soil moisture and Vegetation Optical Depth retrieval using the Microwave Polarization Difference Index, IEEE Transactions on Geoscience and Remote Sensing, 39, 1643-1654. Pellarin, T., Tran, T., Cohard, J.-M., Galle, S., Laurent, J.-P., de Rosnay, P. y Vischel, T. 2009. Soil moisture mapping over West Africa with a 30-min temporal resolution using AMSR-E observations and a satellite-based rainfall product, Hydrology and Earth System Sciences, 13, 1887-1896.Piles, M. 2010. Multiscale soil moisture retrievals from microwave remote sensing observations, Departament de Teoria del Senyal i Comunicacions. Barcelona, Universitat Politècnica de Catalunya. 136 pp. Piles, M., Camps, A., Vall.llossera, M., Corbella, I., Panciera, R., Ruediger, C., Kerr, Y. y Walker, J. 2011. Downscaling SMOS-derived soil moisture using MODIS Visible/Infrared data, IEEE Transactions on Geoscience and Remote Sensing, 49(9), 3156-3166. Sánchez, N., Martínez-Fernández, J., Calera, A., Torres, E. A. y Pérez-Gutiérrez, C. 2010. Combining remote sensing and in situ soil moisture data for the application and validation of a distributed water balance model (HIDROMORE), Agricultural Water Management, 98, 69-78. Sanchez, N., Martinez-Fernandez, J., Scaini, A. y Perez-Gutierrez, C. 2012. Validation of the SMOS L2 soil moisture data in the REMEDHUS network (Spain), IEEE Transactions on Geoscience and Remote Sensing, 50(5), 1602-1611 Svetlitchnyi, A. A., Plotnitskiy, S. V. y Stepovaya, O. Y. 2003. Spatial distribution of soil moisture content within catchments and its modelling on the basis of topographic data, Journal of Hydrology, 277, 50-60 Wigneron, J. P., Calvet, J. C., Pellarin, T., Van de Griend, A. A., Berger, M. y Ferrazzoli, P. 2003. Retrieving near-surface soil moisture from microwave radiometric observations: Current status and future plans, Remote Sensing of Environment, 85(4), 489-506. Zhang, Y. y Wegehenkel, M. 2006. Integration of MODIS data into a simple model for the spatial distributed simulation of soil water content and evapotranspiration, Remote Sensing of Environment, 104, 393 408.