Estimación de la temperatura del aire a partir de la temperatura de superficie obtenida con el sensor MODIS e información espacio-temporal. Aplicación en modelos de riesgo de incendios forestales en la Península Ibérica C. Recondo 1, 2, E. Zapico 1, J. J. Peón 2, E. Pendás 1, R. Aguirre 1 y A. Abajo 1 1 INDUROT. Universidad de Oviedo. Campus de Mieres. C/ Gonzalo Gutiérrez Quirós, s/n. 33600 Mieres (Asturias, España). Correo electrónico: mdrecondo@uniovi.es 2 Área de Ingeniería Cartográfica, Geodésica y Fotogrametría. Dpto. de Explotación y Prospección de Minas. Universidad de Oviedo. Campus de Mieres. C/ Gonzalo Gutiérrez Quirós, s/n. 33600 Mieres (Asturias, España). RESUMEN En este trabajo se presentan los resultados de las correlaciones entre la temperatura del aire (T a) y la temperatura superficial terrestre (LST) obtenida a partir de varios algoritmos MODIS globales: los algoritmos LST1, LST2 y LST3 de Sobrino et al. (2003) y los productos MOD11 y LST IMAPP. Los datos proceden de estaciones meteorológicas repartidas por toda España y de imágenes Terra-MODIS del año 2010. Los mejores resultados se obtienen con la temperatura media y los algoritmos elegidos son LST1 y LST IMAPP, dado que obtienen buenos resultados (R 2 =0.86-0.88 y RSE=2.5-2.7 K) y pueden generarse en tiempo real. Si, además, se incluyen en los modelos de estimación de T a variables como W, el NDVI, el día juliano, la altura y la pendiente, el grado de acuerdo mejora (R 2 =0.92, RSE=1.94-2.07 K). Palabras clave: temperatura del aire, temperatura superficial terrestre, MODIS. ABSTRACT In this work we present the results of the correlations between the air temperature and the land surface temperature (LST) obtained from several global MODIS algorithms: LST1, LST2 and LST3 by Sobrino et al. (2003) and the MOD11 and LST IMAPP products. The data are from ground meteorological stations spread across España and from Terra-MODIS images of the year 2010. The best results are obtained with the mean temperature and the chosen algorithms are LST1 and LST IMAPP, because they obtain good results (R 2 =0.86-0.88 y RSE=2.5-2.7 K) and they can be obtained in real time. If other variables are included in the estimation of T a, such as W, the NDVI, the Julian day, the altitude and the slope, the correlations improve (R 2 =0.92, RSE=1.94-2.07 K). Keywords: air temperature, Land Surface Temperature (LST), MODIS. INTRODUCCIÓN En el marco del proyecto FireGlobe: Análisis de los escenarios de riesgo de incendios a escala nacional y global, necesitamos métodos operativos rápidos y eficaces para obtener la temperatura del aire (T a) y humedad relativa (HR) a escala diaria para la Península Ibérica. Ambas variables son fundamentales en los modelos de riesgo de incendios ya que, además de su importancia intrínseca, intervienen en otras variables como el contenido de humedad del combustible. Tradicionalmente, las variables meteorológicas se han obtenido desde estaciones en tierra, pero éstas son generalmente escasas y están dispersas, especialmente en áreas montañosas. En estos casos los métodos de interpolación pueden no ser capaces de proporcionar datos fiables para las zonas situadas entre las estaciones meteorológicas (Han et al., 2003). Por esta razón, la Teledetección se revela como la mejor opción para obtener estos datos, por su capacidad de generarlos a una resolución espacial regular y en espacios cortos de tiempo. En este trabajo se usan los datos diarios del sensor MODIS. El trabajo se ciñe a la variable de temperatura (ver Recondo et al., 2010, para la variable de humedad) y geográficamente a la España Peninsular. DATOS En este trabajo se han usado varios tipos de datos para 29 días del año 2010, seleccionados 457
como los de menor nubosidad sobre la Península Ibérica y con la condición de que todos los meses estuvieran representados. Estos datos son: Datos de 331 estaciones meteorológicas españolas repartidas por toda la Península (Figura 1), con información disponible a través de páginas web. Las variables obtenidas de cada estación para las fechas seleccionadas son la temperatura y la humedad relativa. Los datos concretos son el valor medio, máximo y mínimo diario de cada una de las variables. El rango temporal de estos datos está entre las 00:00 y las 24:00 horas (GMT UTC). de Oviedo contamos con una antena MODIS que permite obtener los datos de este sensor en tiempo real. Además, existe un software gratuito, IMAPP (International MODIS/AIRS Processing Package; Huang et al., 2004; ver http://cimss.ssec.wisc.edu/imapp/), que permite, a partir de estos datos, generar productos de nivel superior, como los citados MOD021km y LST IMAPP. Aunque en la documentación de IMAPP se indica que LST IMAPP es realizado con el mismo método que MOD11, éste último ha sido descargado de la página web de la NASA para su comprobación (LP DAAC: https://lpdaac.usgs.gov/lpdaac/get_data). Por otra parte, dado que necesitamos incluir en el cálculo de algunos algoritmos y modelos de temperatura la variable de contenido en vapor de agua total (g cm -2 ) o agua precipitable total (cm), W, tres tipos de datos para esta variable (ver más detalles de su cálculo u obtención en Recondo et al., 2010) han sido obtenidos para las fechas seleccionadas en este estudio: Figura 1: Localización de las 331 estaciones meteorológicas españolas usadas en este estudio. Datos diurnos Terra-MODIS. Se han preferido los datos del satélite Terra a los del Aqua por su paso más temprano sobre la Península Ibérica, lo que permitirá generar antes la previsión diaria de riesgo de incendio. Las horas de toma de las imágenes Terra-MODIS están entre las 10:20 y las 12:00 GMT. Todos los datos están libres de nubes y tenemos tres tipos diferentes de datos (todos con 1 km de resolución espacial): MOD021km, producto que contiene las radiancias (L) calibradas y geolocalizadas (WGS84) de las 36 bandas espectrales con una resolución espacial de 1 km. MOD11 (Land Surface Temperature, LST), producto estándar de la NASA que proporciona la temperatura superficial terrestre (LST) mediante el algoritmo de Wan (2008). El producto incluye también la emisividad de la superficie además de la LST. LST IMAPP, producto similar al MOD11 pero que, a diferencia de éste, podemos generarlo en tiempo real. En el Campus de Mieres de la Universidad W Sobrino: W calculada según el algoritmo de Sobrino et al. (2003). Se elabora a partir de MOD021km, de forma que puede generarse en tiempo real. MOD05: producto W estándar de la NASA. No podemos elaborarlo en la actualidad en tiempo real. W IMAPP: producto W generado por IMAPP. En este caso el algoritmo de cálculo es diferente al utilizado en el producto MOD05. Datos espacio-temporales. De las fechas de las imágenes han sido obtenidos el día juliano (DJ) y la hora MODIS (hora). De la localización espacial de las estaciones han sido extraídas su latitud (ϕ), su longitud (λ) y su distancia a la costa (dcosta). A partir de un Modelo Digital de Elevaciones (MDE) de 1 km de resolución espacial han sido obtenidas las siguientes variables en la localización de cada una de las estaciones: altura (h), pendiente (p) y curvatura del MDE (cur). MÉTODO Nuestro método está basado en la posibilidad de obtener la temperatura del aire (T a) directamente de la temperatura superficial terrestre (LST) y de distintas variables espacio-temporales. Los productos/algoritmos MODIS globales para la estimación de la LST que han sido probados en 458
este trabajo son: el producto MOD11, el LST IMAPP y los algoritmos LST1, LST2 y LST3 de Sobrino et al. (2003). Todos ellos se basan en la temperatura de cuerpo negro de los canales 31 y 32 de MODIS, así como en la emisividad promedio de la superficie en ambos canales (ε) y en la diferencia de emisividad entre ambos (Δε). Además, los algoritmos de Sobrino incluyen también W en su formulación (W Sobrino) y calculan ε y Δε a partir del NDVI. Siguiendo las fórmulas de Sobrino et al. (2003) pueden elaborarse LST1, LST2 y LST3 en tiempo real a partir del producto MOD021km. RESULTADOS La comparación entre T a y LST, sin incluir en principio otras variables espacio-temporales, indica que: Para todos los productos/algoritmos LST MODIS probados, los mejores acuerdos son con la temperatura media y máxima (R 2 =0.86-0.89; RSE (Residual Standard Error=2.5-2.9 K) y los peores con la temperatura mínima (R 2 =0.69-0.71; RSE=3.6-3.8 K). En todos los casos los acuerdos con la temperatura máxima son un poco mejores en R 2 (0.88-0.89) que los obtenidos con la temperatura media (0.86-0.88), pero peores en lo que respecta al RSE (2.8-2.9 K de la máxima frente a 2.5-2.8 K de la media). No hay diferencias significativas entre los algoritmos LST1 y LST3, siendo ambos mejores que el LST2, tanto en R 2 como en RSE. Por ser más simple su cálculo es preferible el LST1 al LST3. La comparación de la temperatura media con LST1 da un R 2 =0.88 y un RSE=2.52 K (Figura 2a). El producto MOD11 es un poco mejor que el LST IMAPP (Figura 2b), tanto en R 2 (0.88 frente a 0.86 para la T a media) como en RSE (2.64 frente a 2.71 K para la T a media). Pero la ventaja del LST IMAPP es que puede ser generado en tiempo real. En cualquier caso, ambos son un poco peor que el LST1. La comparación entre T a y un modelo lineal que incluya LST y las variables espacio-temporales descritas indica que: Las correlaciones mejoran al incluir estas variables. Por ejemplo, para la temperatura media del aire, tanto con el algoritmo LST1 de Figura 2: Comparación entre la temperatura media del aire y la temperatura superficial terrestre (LST) obtenida por medio de: a) el algoritmo LST1 de Sobrino et al. (2003). b) El producto LST IMAPP. Sobrino como con el LST IMAPP, el valor de R 2 aumenta a 0.92 y el RSE disminuye a 2 K (2.07 y 1.94 K, respectivamente). Para el algoritmo LST1 de Sobrino las variables espacio-temporales significativas que lo han de acompañar en el modelo son el día juliano, la altura y la pendiente. Además, debe incluirse también el NDVI para obtener las correlaciones indicadas anteriormente (R 2 =0.92 y RSE=2.07 K). Ver Figura 3a. Para el producto LST IMAPP las variables significativas que lo han de acompañar en el modelo son también el día juliano, la altura, la pendiente y el NDVI. Además en este caso debe incluirse también W (por medio de W IMAPP), variable ya incluida en los algoritmos LST de Sobrino et al. (2003), para obtener las 459
correlaciones indicadas anteriormente (R 2 =0.92 y RSE=1.94 K). Ver Figura 3b. Las conclusiones son similares para el producto MOD11, usando en este caso MOD05 como estimación de W. Sin embargo, la desventaja de ambos es que actualmente no podemos generarlos en tiempo real. LST), el NDVI, el día juliano, la altura y la pendiente, el grado de acuerdo mejora (R 2 =0.92, RSE=1.94-2.07 K). Por otra parte, el modelo más rápido de generar es el que incluye el producto LST IMAPP (y W IMAPP), ya que ambos se calculan automáticamente con el software IMAPP. Esto es prioritario en la elaboración de un modelo diario de riesgo de incendios. BIBLIOGRAFÍA HAN, K.-S., VIAU, A. A., and ANCTIL, F., 2003. High-resolution forest fire weather index computations using satellite remote sensing. Canadian Journal of Forest Research, 33, 1134 1143. HUANG, H.-L., GUMLEY, L. E., STRABALA, K., LI, J., WEISZ, E., RINK, T., BAGGETT, K. C., DAVIES, J. E., SMITH, W. L., and DODGE, J. C., 2004. International MODIS and AIRS processing package (IMAPP): A direct broadcast software package for the NASA earth observing system. Bulletin of the American Meteorological Society, 85, 159 161. RECONDO, C., PENDÁS, E. and AQUIRRE, R., 2010. Using several water vapor MODIS-NIR algorithms for retrieval of the surface water vapor pressure in the Iberian Peninsula. First results. Proceedings of 3 rd international symposium on Recent Advances in Quantitative Remote Sensing. Ed. José A. Sobrino. Servicio de Publicaciones. Universitat de Valencia. Valencia, 2010. ISBN: 978-84-370-7952-3. Pag. 740-744. Figura 3: Comparación entre la temperatura media del aire y el modelo generado para su estimación a partir de LST y otras variables. a) Con el algoritmo LST1 de Sobrino et al. (2003). b) Con el producto LST IMAPP. SOBRINO, J. A., EL KHARRAZ, J., and LI, Z.- L., 2003. Surface temperature and water vapor retrieval from MODIS data. International Journal of Remote Sensing, 20, 5161 5182. WAN, Z. (2008). New refinements and validation of the MODIS Land-Surface Temperature/ Emissivity products. Remote Sensing of Environment, 112, 59-74. CONCLUSIONES La conclusión principal de este trabajo es que es posible estimar la temperatura media del aire a partir de la temperatura superficial terrestre (LST), obtenida con diferentes algoritmos MO- DIS globales, con un alto grado de acuerdo (R 2 =0.86-0.88 y RSE=2.5-2.7 K). Si, además, en los modelos de estimación de esta temperatura media se incluyen otras variables como W (en el caso de que no esté incluida ya en el cálculo de la AGRADECIMIENTOS Este trabajo se enmarca dentro del proyecto FireGlobe, financiado por el Ministerio de Ciencia e Innovación entre 2009-2011 (CGL2008-01083; IP: Emilio Chuvieco). Eva Zapico es Personal Técnico de Apoyo del proyecto FireGlobe (PTA2009-02281-P) y Adán Abajo Personal Técnico de Apoyo para la antena MODIS de la Universidad de Oviedo (PTA2008-1623-I). 460