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. Recondo1, 2, E. Zapico1, J. J. Peón2, E. Pendás1, R. Aguirre1 y A. Abajo1

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 (Ta) y la
temperatura superficial terrestre (LST) obtenida a partir de varios algoritmos MODIS globales: los algorit-
mos 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 (R2=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 Ta variables como W, el NDVI, el día
juliano, la altura y la pendiente, el grado de acuerdo mejora (R2=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 (R2=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 Ta, such as W, the NDVI, the Julian day, the altitude and the slope, the
correlations improve (R2=0.92, RSE=1.94-2.07 K).

Keywords: air temperature, Land Surface Temperature (LST), MODIS.

INTRODUCCIÓN pueden no ser capaces de proporcionar datos

En el marco del proyecto FireGlobe: “Análi-
sis de los escenarios de riesgo de incendios a
escala nacional y global”, necesitamos métodos
operativos rápidos y eficaces para obtener la
temperatura del aire (Ta) 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 montaño-
sas. En estos casos los métodos de interpolación
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 geográ-
ficamente 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:
ƒ 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).
Figura 1: Localización de las 331 estaciones
meteorológicas españolas usadas en este estudio.
ƒ Datos diurnos Terra-MODIS. Se han preferido
los datos del satélite Terra a los del Aqua por
su paso más temprano sobre la Península Ibé-
rica, 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 espa-
cial):
¾ MOD021km, producto que contiene las
radiancias (L) calibradas y geolocalizadas
(WGS84) de las 36 bandas espectrales con
una resolución espacial de 1 km.
¾ MOD11 (Land Surface Temperature, LST),
producto estándar de la NASA que propor-
ciona la temperatura superficial terrestre
(LST) mediante el algoritmo de Wan (2008).
El producto incluye también la emisividad de
la superficie además de la LST.
¾ 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
458
de Oviedo contamos con una antena MODIS que
permite obtener los datos de este sensor en
tiempo real. Además, existe un software gra-
tuito, 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:
¾ WSobrino: W calculada según el algoritmo de
Sobrino et al. (2003). Se elabora a partir de
MOD021km, de forma que puede generarse
en tiempo real.
¾ MOD05: producto W estándar de la NASA.
No podemos elaborarlo en la actualidad en
tiempo real.
¾ W IMAPP: producto W generado por IMAPP.
En este caso el algoritmo de cálculo es dife-
rente al utilizado en el producto MOD05.
ƒ Datos espacio-temporales. De las fechas de las
imágenes han sido obtenidos el día juliano
(DJ) y la hora MODIS (hora). De la localiza-
ción espacial de las estaciones han sido extraí-
das su latitud (ϕ), su longitud (λ) y su distancia
a la costa (dcosta). A partir de un Modelo Di-
gital de Elevaciones (MDE) de 1 km de resolu-
ción 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 (Ta) directa-
mente 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
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 prome-
dio 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 (WSobrino) y calcu-
lan ε y Δε a partir del NDVI. Siguiendo las
fórmulas de Sobrino et al. (2003) pueden elabo-
rarse LST1, LST2 y LST3 en tiempo real a partir
del producto MOD021km.

RESULTADOS

La comparación entre Ta y LST, sin incluir en

principio otras variables espacio-temporales,
indica que:

ƒ Para todos los productos/algoritmos LST

MODIS probados, los mejores acuerdos son
con la temperatura media y máxima (R2=0.86-
0.89; RSE (Residual Standard Error=2.5-2.9
K) y los peores con la temperatura mínima
(R2=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 R2 (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).
ƒ No hay diferencias significativas entre los
algoritmos LST1 y LST3, siendo ambos mejo-
res que el LST2, tanto en R2 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 R2=0.88 y un
RSE=2.52 K (Figura 2a).
ƒ El producto MOD11 es un poco mejor que el
LST IMAPP (Figura 2b), tanto en R2 (0.88
frente a 0.86 para la Ta media) como en RSE
(2.64 frente a 2.71 K para la Ta media). Pero la
ventaja del LST IMAPP es que puede ser gene-
rado en tiempo real. En cualquier caso, ambos
son un poco peor que el LST1.
La comparación entre Ta y un modelo lineal
que incluya LST y las variables espacio-tempo-
rales descritas indica que:
ƒ 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
R2 aumenta a 0.92 y el RSE disminuye a 2 K
(2.07 y 1.94 K, respectivamente).
ƒ Para el algoritmo LST1 de Sobrino las varia-
bles 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
(R2=0.92 y RSE=2.07 K). Ver Figura 3a.
ƒ 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
(R2=0.92 y RSE=1.94 K). Ver Figura 3b.
ƒ Las conclusiones son similares para el pro-
ducto MOD11, usando en este caso MOD05
como estimación de W. Sin embargo, la des-
ventaja de ambos es que actualmente no po-
demos generarlos en tiempo real.
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.
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
(R2=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
460
LST), el NDVI, el día juliano, la altura y la
pendiente, el grado de acuerdo mejora (R2=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 3rd 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.
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.
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 pro-
yecto FireGlobe (PTA2009-02281-P) y Adán
Abajo Personal Técnico de Apoyo para la antena
MODIS de la Universidad de Oviedo (PTA2008-
1623-I).