Un Método de Kriging Extendido para Interpolar Datos de Humedad Del Suelo Cerca de La Superficie Medida Por Redes de Sensores Inalámbricos

29/4/2019 Un método de Kriging extendido para interpolar datos de humedad del suelo cerca de la superficie medida por redes
or redes de sensores in…
Sensores (Basilea) . Junio 2017; 17 (6): 1390. PMCID: PMC5492867

Publicado en línea el 15 de junio de 2017 : 10.3390 / s17061390 PMID: 28617351
Un método de Kriging extendido para interpolar datos de humedad del

suelo cerca de la superficie medida por redes de sensores inalámbricos
Jialin Zhang , 1, 2 Xiuhong Li , 1, 2 Rongjin Yang , 3 Qiang Liu , 1, 2, * Zhao largo , 1, 2 y Baocheng Dou 1, 2
Huajun Tang, editor académico , Wenbin Wu, editor académico , y Yun Shi, editor académico
1
Centro de Estudios de Cambio Global, Colegio de Cambio Global y Ciencia del Sistema de la Tierra,
Universidad Normal de Beijing, Beijing 100875, China; tozjlmail@163.com (JZ); lixh@bnu.edu.cn (XL);
zhaolong_ak@163.com (LZ); doubc@radi.ac.cn (BD)
2
Laboratorio Estatal Clave de la Ciencia de la Teledetección, patrocinado conjuntamente por la Universidad
Normal de Beijing y el Instituto de Teledetección y la Tierra Digital de la Academia de Ciencias de China
Universidad Normal de Pekín, Beijing 100101, China
3
Academia de Investigación China de Ciencias Ambientales, Beijing 100012, China; yangrj@craes.org.cn
*
Correspondencia: toliuqiang@bnu.edu.cn ; Tel .: + 86-177-0104-6107
Recibido el 28 de febrero de 2017; Aceptado el 10 de junio de 2017.
Copyright © 2017 por los autores.
Licenciatario MDPI, Basilea, Suiza. Este artículo es un artículo de acceso abierto distribuido según los
términos y condiciones de la licencia Creative Commons Attribution (CC BY) (
http://creativecommons.org/licenses/by/4.0/ ).
Resumen
En la práctica de interpolar la humedad del suelo cerca de la superficie medida por una red de sensores
inalámbricos (WSN), los métodos de Kriging tradicionales con variables auxiliares, tales como Co-
kriging y Kriging con deriva externa (KED), no pueden lograr resultados satisfactorios debido a la
heterogeneidad de humedad del suelo y su baja correlación con las variables auxiliares. Este estudio
desarrolló un método de Kriging extendido para interpolar con la ayuda de imágenes de sensores
remotos. La idea subyacente es extender el Kriging tradicional introduciendo variables espectrales y
operando en el espacio combinado espacial y espectral. El algoritmo se ha aplicado a los datos de
humedad del suelo medidos por WSN en la campaña HiWATER para generar mapas diarios del 10 de
junio al 15 de julio de 2012. Para la comparación, se aplican tres métodos tradicionales de Kriging:
Kriging ordinario (OK), que utiliza solo datos de WSN. Co-kriging y KED, ambos integraron datos de
sensores remotos como covariables. Las inspecciones visuales indican que el resultado de Kriging
extendido muestra más detalles espaciales que el de OK, Co-kriging y KED. El error cuadrático medio
(RMSE) de Kriging extendido fue el más pequeño entre los cuatro resultados de interpolación. Esto
indica que el método propuesto tiene ventajas en la combinación de información de detección remota y
mediciones de terreno en la interpolación de humedad del suelo.
Palabras clave: red de sensores inalámbricos, interpolación de Kriging, humedad del suelo, variables
espectrales
1. Introducción
El uso de redes de sensores inalámbricos (WSN, por sus siglas en inglés) es una técnica novedosa para
la recolección de datos terrestres que actualmente tiene una gran demanda. Se ha aplicado en varios
campos, como hidrología, medio ambiente del suelo, medio ambiente atmosférico, meteorología
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5492867/ 1/25
29/4/2019 Un método de Kriging extendido para interpolar datos de humedad del suelo cerca de la superficie medida por redes de sensores in…
forestal y desastres por incendios [ 1 ]. Una WSN es una tecnología interdisciplinaria que integra
sensores, control automático, comunicación y análisis de datos [ 2 ]. En contraste con los métodos
tradicionales de observación de datos terrestres, los múltiples sitios que comprenden una WSN facilitan
la medición de la distribución regional de parámetros. Además, su pequeño tamaño y su precio
relativamente bajo [ 1] permiten que se instalen más nodos en el área de estudio para cumplir con los
requisitos de investigación. Esto nos ayuda a obtener datos de observación más extensos y mucho más
densos de un parámetro específico de superficie terrestre. En comparación con las técnicas de detección
remota por satélite, las WSN son una plataforma más flexible que puede admitir una mayor variedad de
sensores [ 2 , 3 ]. Por ejemplo, pueden medir el índice de área foliar (LAI), la humedad del suelo, la
temperatura del suelo, la conductividad eléctrica y la temperatura de la radiación infrarroja atmosférica
en cada nodo de observación [ 4 , 5]. A diferencia de la detección remota, en la que los datos se
obtienen durante los períodos de paso elevado, la supervisión por WSN es continua y en tiempo real.
Esto complementa los datos de área medidos por la detección remota y también proporciona datos de
referencia para la validación de la detección remota vía satélite y aérea [ 6 ].
Sin embargo, las WSN solo miden datos puntuales, mientras que los datos espacialmente continuos en
una determinada región son cada vez más necesarios en las investigaciones y la gestión ambientales
para tomar decisiones efectivas o interpretaciones justificadas [ 7 ]. En consecuencia, para determinar
la distribución espacial de un parámetro de superficie terrestre, es necesaria la interpolación de datos.
Algunos métodos de interpolación tradicionales, como el método de ponderación de distancia inversa
(IDW), el método polinomial y el método de Kriging, se han utilizado ampliamente para convertir los
datos de puntos en una distribución espacial. El método IDW y el método polinomial son relativamente
rápidos y fáciles de calcular, pero no pueden explorar la variación espacial de las relaciones entre los
nodos y tienen una precisión de estimación limitada [ 8]]. En contraste, el método Kriging utiliza el
análisis de variogramas para estimar la estructura de variación espacial, y toma en cuenta la
autocorrelación espacial [ 9 , 10 ]. El método Kriging es un grupo de métodos de interpolación
estocástica que comprenden el método Kriging simple, el método Kriging ordinario (OK), el método
Kriging universal, el método Co-kriging, el método Kriging de regresión y el método Kriging residual [
11 ]. Estos métodos han sido utilizados en varios estudios. Por ejemplo, Maruyama et al. [ 12 ] estimó
las velocidades máximas del terreno utilizando el método de Kriging simple. Wu et al. [ 13] utilizó el
método de Kriging Residual con las variables de entrada de latitud, longitud y elevación para estimar la
temperatura mensual promedio en los Estados Unidos. Liang et al. [ 14 ] utilizó el método de Co-
kriging para estimar las cargas diarias de NO 3 -N en un río agrícola con la asistencia de la descarga
diaria. Cantet [ 15 ] usó el método Kriging con deriva externa (KED) para mapear la precipitación
media mensual de una pequeña isla ubicada en las Antillas Menores. A través del desarrollo de
métodos de interpolación geoestadística, se exploró más información sobre la regla o el patrón de la
distribución del parámetro objetivo, ya sea a través de las estadísticas de este parámetro o a través de su
correlación con otros parámetros.
La humedad del suelo es un factor vital en la agricultura, la ecología y los estudios hidrológicos [ 16 ,
17 , 18 , 19 ]. El monitoreo dinámico de la humedad del suelo en la escala de los campos de riego es
una parte esencial de la agricultura de precisión. A pesar de los avances en los algoritmos de
interpolación recientes, la estimación de la distribución espacial de la humedad del suelo cerca de la
superficie sigue siendo insatisfactoria debido a que la humedad del suelo es altamente heterogénea en
las escalas espacial y temporal, incluso en distancias cortas [ 20 ]. Muchos investigadores han aplicado
sensores remotos para invertir la humedad del suelo. Por ejemplo, Fan et al. [ 21] mejoró el
rendimiento del espacio Ts / VI en la recuperación de la humedad del suelo en base a los datos de la
cámara de imágenes espectral compacta aerotransportada (CASI) / la cámara de imágenes
espectrográfica térmica aerotransportada (TASI). El Hajj et al. [ 22 ] usaron redes neuronales (NN) para
estimar la humedad del suelo superficial a partir de datos de SAR de banda X sobre áreas de pastizales
irrigados. Ponnurangam et al. [ 23] usaron una descomposición polarimétrica compacta con inversión
de componentes de superficie para estimar la humedad del suelo en suelos agrícolas desnudos y con
vegetación. Sin embargo, la humedad del suelo impone una dificultad significativa en la inversión
cuantitativa de la detección remota, ya que la detección remota óptica no es directamente sensible a la
humedad del suelo, mientras que la detección remota infrarroja y pasiva de microondas generalmente
tiene una resolución espacial baja. Aunque el radar tiene la capacidad de proporcionar una alta
resolución espacial, en orden de decenas de metros, son más sensibles a la rugosidad de la superficie,
las características topográficas y la vegetación, lo que significa que el proceso de inversión de la
humedad del suelo es muy difícil. Los datos de observación en tierra, como los de la medición WSN,
son siempre necesarios como datos complementarios para la inversión de la detección remota de la
humedad del suelo. A la inversa, la información de los sensores remotos se puede ver como datos
complementarios para ayudar a la interpolación de la humedad del suelo medida en el suelo. En este
sentido, Kang et al. El24 ] aumentó la humedad del suelo medida por WSN mediante el método de
regresión Kriging con la ayuda de información de detección remota de recursos múltiples sobre tierras
de cultivo heterogéneas. Liao et al. [ 25 ] analizaron varias fuentes de incertidumbre, como las
propiedades del suelo y los índices del terreno, mientras estimaban el contenido de humedad del suelo
cerca de la superficie con la ayuda de Co-kriging en dos pendientes típicas de las colinas. Sin embargo,
como la humedad del suelo se ve afectada por muchos factores, como la elevación, la vegetación, la
temperatura y el riego, es bastante difícil distinguir un factor correlacionado significativamente lineal
para ayudar a la interpolación. Algunos investigadores también han intentado usar métodos de
asimilación de datos en la estimación de la humedad del suelo. Gao et al. [ 26] estimó el patrón espacial
de la humedad del suelo utilizando el método de entropía máxima bayesiana (BME), que se basa en
datos WSN e información auxiliar de las mediciones de temperatura de la superficie terrestre de
ASTER (Terra).
En este artículo, proponemos extender el método Kriging mediante la introducción de variables

espectrales de imágenes de detección remota de alta resolución en el algoritmo de interpolación. El
algoritmo se analizó y comparó con OK, Co-kriging y KED, y luego se aplicó a los datos de humedad
del suelo adquiridos por WSN en la campaña HiWATER para generar series temporales de mapas de
humedad del suelo a una resolución espacial de 30 m y resolución temporal diaria.
2. Materiales y métodos
2.1. Área de estudio

El área de estudio, que se muestra en la Figura 1 , está ubicada en el oasis de Zhangye en el curso
medio de la cuenca del río Heihe (HRB) en el noroeste de China. La HRB es la segunda cuenca fluvial
más grande del mundo y se caracteriza por grandes áreas de paisajes fríos y áridos alpinos y una
pequeña porción de tierras agrícolas de oasis. El potencial de evaporación varía de 1200 mm a 1800
mm por año, y la precipitación anual promedio en el oasis artificial es de aproximadamente 177 mm. El
riego es la principal fuente de agua para los cultivos.
Figura 1
Área de estudio en los tramos medios de la cuenca del río Heihe: la imagen se obtuvo del satélite HJ,
combinada por la banda 3 (RED), la banda 4 (NIR) y la banda 2 (VERDE); los polígonos amarillos
numerados indican los campos de irrigación seleccionados en el área de estudio: A es JC-6, B es SQ-1, C
es STZ-1, D es WX-4, E es XM-2 y F es ZH-6.
El HRB ha servido durante mucho tiempo como un banco de pruebas para estudios integrados de
cuencas hidrográficas y experimentos hidrológicos [ 27 ]. HiWATER es un experimento integral de
hidrohidrología de cuenca que se inició en 2012 [ 28 ]. Con el objetivo de mejorar la capacidad de
observación integral, se instaló un WSN eco-hidrológico como parte del experimento básico
HiWATER. Desde mayo de 2012 hasta septiembre de 2012, se instalaron 50 nodos WATERNET en un
área experimental de focos de 5,5 km × 5,5 km en el oasis principal en los tramos medios. En este
estudio, seleccionamos un área de aproximadamente 4,5 km × 5,0 km como área experimental, que
consta de 48 nodos WATERNET ( Figura 1 ). Todos los nodos fueron instalados en campos de maíz.
2.2. Recurso de datos

Los datos de WSN y los datos de teledetección se utilizaron en este estudio. Utilizamos los datos que
cubren el período del 10 de junio de 2012 al 15 de julio de 2012, cuando la cobertura de vegetación del
área de estudio cambió de escasa a densa. Como el cultivo principal en esta área es el maíz, que tiene
una gran porción de raíces distribuidas en la zona de 0 ~ 15 cm [ 29 ] y depende mucho del riego, se
necesita un monitoreo de la humedad cerca de la superficie para el estudio del manejo del riego. Se
desplegaron 48 nodos WATERNET en el área de estudio para medir la humedad del suelo y la
temperatura del suelo en dos capas (4 cm, 10 cm), y los datos se recopilaron cada 5 minutos [ 30]. En
este estudio, utilizamos la humedad del suelo medida por WSN a 10 cm de profundidad para la
interpolación. Las mediciones de humedad del suelo se basan en el método de reflectometría en el
dominio de la frecuencia utilizando un sensor Hydro Probe II (HP-II) [ 26 ]. Los detalles del diseño de
WATERNET y otra información se dan en Jin et al. [ 31 ]. Debido a que los datos recopilados por
algunos de los nodos WSN se ven afectados por el ruido del sensor y otras condiciones anormales
durante la transferencia inalámbrica de datos, son necesarios los tratamientos de suavizado y reducción
de ruido. Además, cuando la humedad del suelo está cerca de la saturación, los sensores de humedad
del suelo no pueden funcionar correctamente y en ocasiones dan valores anormales [ 32]. Por lo tanto,
esta parte de los datos también deben ser eliminados. Primero, excluimos los datos anormales al asignar
el valor cero, el valor negativo y el valor anormalmente alto (contenido de humedad del suelo> 50%)
como datos no válidos NaN. Luego, promediamos los datos para todo el día y utilizamos el resultado
promedio como el valor final de humedad del suelo para cada nodo.
Los datos de detección remota sirvieron como información auxiliar para estimar la humedad del suelo
cerca de la superficie del área de estudio. Las cámaras CCD a bordo del microsatélite HJ chino (HJ-
CCD) proporcionan observaciones de detección remota del área de estudio en cuatro bandas espectrales
(azul, verde, rojo, NIR), con una resolución espacial de 30 my una frecuencia de visita de
aproximadamente 2 días. Las imágenes de HJ-CCD fueron preprocesadas geométrica y
radiométricamente. La georectificación se llevó a cabo con puntos de control emparejados
automáticamente utilizando una imagen Landsat5 TM de nivel 1TP como referencia, y los residuos de
los puntos de control fueron inferiores a 0,5 píxeles. La calibración se realizó con coeficientes en los
metadatos de imágenes HJ-CCD,
Se utilizaron dos variables de detección remota, NDVI (Índice de Vegetación de Diferencia

Normalizada) y albedo, en esta investigación. Se derivaron de una imagen de HJ-CCD preprocesada de
la siguiente manera:
ρ4 - ρ3
norte D V yo = (1)
ρ4 + ρ3
a l b e o = −0.5878 ρ 1 + 0.6543 ρ 2 + 0.4183 ρ 3 + 0.38914 ρ 4 (2)
donde ρ 1 a ρ 4 representa la reflectancia de la superficie en las cuatro bandas espectrales,

respectivamente, y los coeficientes de la ecuación (2) se obtienen de Gao et al. [ 33 ].
Debido a la influencia de las nubes, solo se pudieron usar cinco imágenes de cielo despejado en las
siguientes fechas durante este período (que se muestra en la Figura 2 ): 15 de junio, 19 de junio, 29 de
junio, 8 de julio y 13 de julio en el año de 2012 Como la interpolación se aplicó del 10 de junio de
2012 al 15 de julio de 2012, realizamos una interpolación lineal diaria del NDVI y el albedo para el
cálculo de Kriging.
Figura 2
Cinco mapas disponibles de NDVI desde el 10 de junio de 2012 hasta el 15 de julio de 2012: ( a ) es el 15
de junio; ( b ) es el 19 de junio; ( c ) es el 29 de junio; ( d ) es el 8 de julio; y ( e ) es el 13 de julio.
Los datos meteorológicos se adquirieron en la superstición de Daman [ 34 , 35 ], que está cerca del
centro del área de estudio. La Figura 3 muestra la precipitación y la temperatura promedio diaria del
aire del área de estudio. Los datos de riego utilizados fueron proporcionados por el Centro de datos de
las regiones de regiones frías y áridas en Lanzhou ( http://westdc.westgis.ac.cn ). Aunque los registros
no estaban completos (existen algunas omisiones), las partes disponibles aún eran suficientes para
satisfacer la demanda en este estudio. Se seleccionaron seis campos de riego típicos del área de estudio
y se compararon los resultados de la estimación de la humedad del suelo con los datos de precipitación
y riego. Los nombres y ubicaciones de estos campos de riego se muestran en la Figura 1: Jincheng-6
(JC-6), Shiqiao-1 (SQ-1), Shang Touzha-1 (STZ-1), Wuxing-4 (WX-4), Xiaoman-2 (XM-2) y
Zhonghua 6 (ZH-6).
figura 3
Condiciones de precipitación y temperatura media diaria del área de estudio desde el 10 de junio de 2012
hasta el 15 de julio de 2012.
En este estudio, introdujimos un mapa de humedad del suelo como datos de simulación al calcular el
semivariograma y algunos análisis de interpolación. Este mapa de humedad del suelo se derivó de los
sensores aéreos de datos CASI / TASI [ 21 ] con una resolución espacial de 3 m.
2.3. Método
El nuevo método de interpolación espacial propuesto en este documento se basa en el algoritmo de
Kriging ordinario. El método propuesto extiende las coordenadas espaciales X e Y tradicionales a
coordenadas combinadas espaciales y espectrales, y utiliza las variables espectrales derivadas de la
detección remota NDVI y el albedo en el algoritmo de interpolación como información
complementaria. En esta sección, primero, se presenta un esquema del algoritmo de Kriging
tradicional, luego se explica la técnica empleada para extender el algoritmo de Kriging. Al ajustar el
semivariograma de la humedad del suelo, como el número de nodos WSN es insuficiente para recopilar
estadísticas sólidas, utilizamos el mapa de humedad del suelo derivado de la detección remota
mencionado en la Sección 2.2 para calcular la función de varianza.
2.3.1. Método de Kriging tradicional
(a) Fórmula básica
Kriging es un método de interpolación derivado de la teoría de variables regionalizadas, que heredó el

concepto de geoestadística [ 11 ]. Se ha utilizado para proporcionar predicciones lineales no sesgadas
en ubicaciones no muestreadas y depende de la expresión de la variación espacial de la variable en
términos del semivariograma [ 36 , 37 ]. Este método cuantifica y reduce las incertidumbres de la
estimación, minimizando los errores de predicción autoestimados [ 26 ]. El núcleo de Kriging es un
estimador imparcial óptimamente lineal que se puede expresar de la siguiente manera [ 38 ]:
norte
Z
∗
( v0 ) = ∑ λ yo
Z ( v yo
) (3)
i = 1
donde Z * es el valor estimado de la variable en la ubicación v 0 , n es el número de los puntos de

datos muestreados vecinos más cercanos utilizados para la interpolación, λ i es el peso de Kriging
asignado a cada observación Z ( v i ).
La estimación óptima requiere la varianza mínima de errores:
∑
norte 2
⎧
⎪⎡ ⎫
⎪ ⎤
∗
2
σκ = Var [ Z ( v 0 ) - Z ( v0 ) ] = E ⎨ Z ( v0 ) - λ yo
Z⎬( v yo
=) min (4)
⎩⎣
⎪ ⎭
⎪ ⎦
i = 1
Para garantizar una estimación imparcial, la siguiente restricción debe satisfacer la ecuación de la
siguiente manera:
norte
∑ λ yo= 1 (5)
i = 1
Para resolver este problema de optimización restringida, se adopta el método de multiplicador de

Lagrange (LMM). Con la Ecuación (4) como función objetivo y la Ecuación (5) como restricción, el
LMM minimiza la siguiente función de costo:
∑
norte 2
⎧
⎪ ⎫
⎪
1 ⎡
F ( λ1 , λ , ⋯ , μ ) = E ⎨ Z ( v0 ) - λ yo
Z⎬( v
2 norte
2 ⎩
⎪⎣ ⎭
⎪
i = 1
∑ (6)
norte
⎛ ⎞
+ μ 1 - λ yo
⎝ ⎠
i = 1
donde μ es el multiplicador de Lagrange. En el punto mínimo de la función de costo, la diferenciación

de f con respecto a cada una de sus variables es cero. Por lo tanto, el problema de optimización se
descompone en uno de resolver el siguiente conjunto de ecuaciones:
∂ f
⎧ = 0 , i = 1 , 2 , ⋯ , n ,
∂ λyo
⎨ (7)
⎩ ∂ f
= 0 ,
∂ μ
Al diferenciar la función de costo, tenemos:
(8)
norte
⎧
⎪
⎪ ∂ f
⎪
⎪
⎪ = E [ Z
λ yo
2
( v yo
) ] + ∑ λj E [ Z ( v yo
) Z ( v j ) ] - E [ Z ( v 0 ) Z ( v yo
) ] - μ =
⎪ ∂ λyo
⎪
⎪
⎪ j = 1
⎨ j ≠ i
⎪ norte
⎪
⎪
⎪
⎪ ∂ f
⎪
⎪
⎪
= 1 - ∑ λ yo= 0 ,
⎩
⎪ ∂ μ
i = 1
Si conocemos E [ Z 2 ( v i )], E [ Z ( v 0 ) Z ( v i )] y E [ Z ( v i ) Z ( v j )], entonces las ecuaciones se

pueden resolver. Estos valores son estimados por la función de semivariograma en la Sección 2.3.1 (b).
La varianza mínima de error (σ ), como se muestra en la Ecuación (4), puede utilizarse como un
2
κ
indicador de calidad en la estimación [ 39 ]. Puede evaluar la estimación intrínseca de la incertidumbre

del propio algoritmo.
(b) Estimación de semivarianza y semivariograma
La semivariedad y el semivariograma, que contienen información de correlación espacial, son

conceptos importantes en geoestadística. La semivarianza de las variables en ciertas ubicaciones se
estima a partir de la función semivariograma, que es una función de la distancia entre las dos
ubicaciones. Por lo general, se aplica un proceso previo de eliminación de tendencias a los datos de
observación. Después de este preprocesamiento, la distribución espacial de la variable se supone
estacionaria, lo que significa que la semivariedad no cambia con la ubicación. Sobre la base de este
supuesto, la semivarianza puede estimarse a partir de los datos de que una variable aleatoria está bien
correlacionada en el espacio como una función de la distancia de separación. La semivarianza ( γ ) de Z
entre dos puntos de datos se define como:
γ ( x i , x 0 ) = γ ( h ) = ½Var [ Z ( x i ) - Z ( x 0 )] (9)
donde h es la distancia entre los puntos x i y x 0 , y γ ( h ) es el semivariograma [ 40 ].
El semivariograma generalmente se estima a partir de las estadísticas de los puntos de muestra de la

siguiente manera:
norte
1
γ̂ ( h ) = ∑( Z ( xyo
) - Z ( xyo+ h ) )
2
(10)
2 n
i = 1
donde n es el número de pares de puntos de muestra separados por la distancia h [ 41 ].
Como el número de nodos WSN es insuficiente para recopilar estadísticas sólidas, el mapa de humedad
del suelo recuperado de la detección remota hiperespectral en el aire se usó aquí para derivar la función
del semivariograma. En el cálculo, muestreamos 9000 puntos aleatorios del mapa de humedad del
suelo y excluimos esos puntos en el área residencial. Antes de calcular la semivarianza, debe eliminarse
la tendencia espacial y debe comprobarse la estacionariedad [ 42 ]. En consideración a la tendencia,
ajustamos linealmente la tendencia espacial y la eliminamos de los datos, y finalmente utilizamos los
residuos para el cálculo del variograma experimental. La distancia espacial se dividió en veinte
intervalos, y la semivarianza promedio de pares de puntos en cada intervalo se derivó para representar
el valor de semivarianza del intervalo (que se muestra en la Figura 4 ).
Figura 4
Semivarianza de los datos muestreados de humedad del suelo y las curvas de ajuste del semivariograma de
humedad del suelo: la semivarianza se calculó mediante los 9000 puntos de muestreo aleatorios del mapa
de humedad del suelo; el semivariograma se ajustó con el modelo esférico, el modelo exponencial y el
modelo gaussiano, con los datos de h ≤ 4000 m, y el rango se estableció en 2400 m.
Aquí se compararon tres modelos de semivariogramas comúnmente usados: modelo esférico (Sph),
modelo exponencial (Exp) y modelo gaussiano (Gau) para encontrar el modelo óptimo para el ajuste de
semivariogramas. Las ecuaciones del modelo se muestran en Ecuaciones (11) - (13):
⎧ do
0, h = 0
⎪
⎪
3
γ( h )
Sp h
= ⎨ do
0+ C1 [ 1 . 5 * (
h
) - 0 . 5 * ) (11)
] ,0 ≤ h ≤ a
una una
⎪
⎩
⎪
do
0+ C1, h > a
C0 , h = 0
γ( h )
mix p
= {
-
h (12)
do
0+ C1 [ 1 - e
una
] ,h > 0
C0 , h = 0
γ( h )
G a u
= {
- (
h
2
)
(13)
do
0+ C1 [ 1 - e
una
] ,h > 0
donde γ ( h ) es la semivariedad; C 0 representa un nugget, que es la variabilidad mínima observada o el

"ruido" a una distancia de cero; C 1 es la varianza estructural, C 0 + C 1 representa la varianza del
umbral; y a es el rango que significa la longitud de correlación en geoestadísticas.
Como la cantidad de datos de muestreo era insuficiente cuando la distancia espacial estaba más allá de
cierta medida, su valor promedio de semivarianza no era estable. Estos datos no válidos deben
eliminarse antes del ajuste del semivariograma. Por lo tanto, solo utilizamos los datos cuando h ≤ 4000
m en el proceso de ajuste. Como sugirieron Minasny y Mcbratney [ 43 ] que la pepita puede estimarse
como la semivariedad a la distancia de separación más corta posible, fijamos la pepita a la
semivariedad media en nuestro retraso más corto de 30 m, que toma el valor de 2.0747. Las líneas de
ajuste de estos tres modelos que se muestran en la Figura 4 , junto con el RMSE (Root Mean Square
Error), evalúan el rendimiento de ajuste de los modelos. Como se puede ver en la Figura 4El modelo
exponencial estimó la curva de semivarianza mejor que los otros dos modelos, y su valor RMSE,
0.4791, también es el más pequeño. Entonces, finalmente elegimos el modelo exponencial (con los
parámetros C 0 = 2.0747, C 1 = 9.7697, a = 2400 m) como el modelo de semivariograma. Aquí,
asumimos que este semivariograma podría aplicarse para interpolar la humedad del suelo medida por
WSN en el período del 10 de junio de 2012 al 15 de julio de 2012.
(c) Método de Kriging tradicional con variables auxiliares.
Hay varios métodos existentes que incorporan información auxiliar en la interpolación en el marco de
la teoría de Kriging, por ejemplo, el método Co-kriging y el método KED. Todos estos algoritmos
operan en el espacio espacial al introducir las variables auxiliares.
El método de Co-kriging estima la variable objetivo a través de las variables fáciles de observar
utilizando su correlación [ 44 ], mientras que la correlación entre la variable objetivo y las variables
auxiliares está implícita. Especialmente, cuando el número de variables auxiliares es bajo y no están
disponibles en todas las cuadrículas en el área de estudio, se puede utilizar Co-kriging para mejorar la
predicción de interpolación. El método KED se originó en la exploración de petróleo y gas [ 45 ]. En
lugar de utilizar monomios de las coordenadas en el método de Kriging Universal, su deriva se define
externamente a través de las variables auxiliares [ 46 , 47]. Es necesario enfatizar que las variables
auxiliares incorporadas en la forma de una deriva externa deben estar altamente correlacionadas
linealmente con la variable de interés [ 45 ].
En este estudio, para probar la razonabilidad del resultado de interpolación del método propuesto de
Kriging extendido, utilizamos el método Co-kriging y el método KED como contraste en el siguiente
análisis.
2.3.2. Selección de variables espectrales

En este estudio, seleccionamos NDVI y albedo como la información auxiliar para ayudar a la
interpolación. Se basa en las siguientes tres consideraciones principales: (1) El NDVI y el albedo
pueden reflejar la variación de la humedad del suelo superficial directa o indirectamente [ 48 , 49 ]; (2)
NDVI y albedo son los índices espectrales que son bastante fáciles de obtener de casi todas las fuentes
de datos de detección remota de alta resolución; (3) El NDVI y el albedo representan la mayor parte de
la información de detección remota en el rango espectral visible e infrarrojo cercano. Aunque la
selección de NDVI y albedo como variables espectrales está fuera de consideración práctica, aún es
necesario analizar la correlación entre la humedad del suelo y NDVI / albedo, que se muestran en la
Figura 5 .
Figura 5
Análisis de correlación entre las variables auxiliares (NDVI y albedo) y la humedad del suelo: ( a ) los
datos del NDVI se derivaron de las cinco imágenes de satélites HJ disponibles y se compararon con los
datos de humedad del suelo observados por WSN en las fechas correspondientes; ( b ) los datos de albedo
se derivaron de las cinco imágenes de satélites HJ disponibles y se compararon con los datos de humedad
del suelo observados por WSN en las fechas correspondientes.
En la Figura 5 a, b, se recopilaron los datos de NDVI y albedo de cinco imágenes de satélites HJ

disponibles para comparar con los datos de humedad del suelo observados por WSN en las fechas
correspondientes. Como se puede ver en los resultados de la comparación, el NDVI y el albedo están
correlacionados con la humedad del suelo en cierta medida, pero el coeficiente de correlación no es
significativo (valor absoluto inferior a 0,5). Una explicación de este resultado puede ser que el NDVI
puede reflejar el estado de la vegetación, y la vegetación generalmente crece bien cuando la humedad
del suelo es abundante [ 50 ]. Sin embargo, en tierras de regadío, todos los campos obtienen suficiente
riego; entonces la correlación entre la humedad del suelo y el NDVI se debilitan. En tierras
escasamente vegetadas, el albedo del suelo seco suele ser más alto que el del suelo húmedo [ 48]. Por
lo tanto, existe una correlación entre la humedad del suelo y el albedo, pero esta correlación puede
verse afectada por el tipo de suelo y la presencia de vegetación. En realidad, generalmente se considera
imposible estimar la humedad del suelo a partir de datos de sensores remotos visibles e infrarrojos
cercanos.
2.3.3. Ampliación del método Kriging para incorporar información de teledetección

Para reflejar más detalles del patrón de distribución espacial de la humedad del suelo, proponemos un
nuevo algoritmo que incorpora variables de detección remota, es decir, NDVI y albedo, en el método
básico de Kriging. El espacio de interpolación tradicional es el espacio espacial representado por las
coordenadas x e y . El nuevo algoritmo extiende el espacio de interpolación al espacio espacial y
espectral combinado, en el que el NDVI y el albedo se tratan como coordenadas, al igual que x e y. La
distancia en el espacio combinado se caracteriza por la distancia espacial y la distancia espectral, de la
siguiente manera:
- -- - - -- -
h =
2
√Δ x + Δ y
2
(14)
(15)
- - - - - - - - - - - - - - - - - - - - -
2 2
Δ NDVI Δ albedo
s = √( ) + ( )
σ
NDVI σ albedo
donde h es la distancia espacial, Δx y Δy son las diferencias de coordenadas entre dos puntos
muestreados; s representa la distancia espectral, ΔNDVI y Δalbedo son las diferencias de los valores de
NDVI y albedo entre dos puntos muestreados, y σ NDVI y σ albedo son dos factores de normalización
(en este estudio, simplemente establecemos sus valores como 0.1, 0.1).
Correspondientemente, el cálculo de semivarianza y el modelo de semivariograma se extendieron al

espacio combinado espacial y espectral. También utilizamos el mapa de humedad del suelo para derivar
las estadísticas de semivarianza, y el proceso de desclasificación también se realizó antes del cálculo.
La distancia espacial y espectral se dividió en veinte contenedores respectivamente. Los valores de bin
con números de muestra insuficientes se eliminaron antes del ajuste del semivariograma. Solo
utilizamos los datos cuando h ≤ 4000 my s ≤ 2 en el proceso de ajuste. La semivariedad, como una
función de h y s , se muestra en la Figura 6. Estimamos la pepita en nuestro retraso más corto de 30 m,
y el retraso espectral más corto de 0.005, que es milésimo de la distancia espectral más grande. El valor
de la pepita ( C 0 ) es 1.8875.
Figura 6
Semivarianza de los datos muestreados de humedad del suelo con respecto a la distancia espacial y
espectral: el eje X es la distancia espacial, el eje Y es la distancia espectral y el color en cada cuadrícula
representa el valor de semivarianza promedio de la humedad del suelo; solo se conservaron datos válidos
de semivarianza para el ajuste del semivariograma ( h ≤ 4000 my s ≤ 2).
Al ajustar el semivariograma, también comparamos el modelo esférico (Sph), el modelo exponencial

(Exp) y el modelo gaussiano (Gau) y calculamos sus valores RMSE para elegir el adecuado. Como el
valor RMSE del modelo exponencial es 0.5612, más pequeño que los otros (RMSE Sph = 0.6312,
RMSE Gau = 0.9054), también usamos el modelo exponencial para el ajuste de semivarianza. El
modelo exponencial extendido se representa en las siguientes ecuaciones:
h
-
γ1 ( h ) = C1 [ 1 - e una
1 ] ,h > 0 (dieciséis)
s
-
γ2 ( s ) = C2 [ 1 - e
una
2 ] ,s > 0 (17)
γ(h, s)=γ1(h)+γ2(s)+C0 (18)
donde γ 1 y γ 2 son los valores semivariogram con respecto a h y s , γ es el semivariogram en general, y

un 1 y un 2 son las distancias de retardo de las variables espaciales y espectrales.
Usando el modelo de semivariograma como en las ecuaciones (16) - (18) anteriores, se puede obtener
el diagrama de semivarianza de ajuste, como se muestra en la Figura 7 . El a 1 de distancia espacial fue
preestablecido como 2400 m, y el a 2 de distancia espectral fue preestablecido como 2.5. Luego, los
parámetros ajustados C 1 y C 2 fueron 7.3909 y 2.9696, respectivamente.
Figura 7
Ajuste del resultado del semivariograma de humedad del suelo en las dimensiones espacial y espectral,
utilizando el modelo exponencial: el eje X es la distancia espacial, el eje Y es la distancia espectral y el
color en cada cuadrícula representa el valor de semivarianza promedio de la humedad del suelo.
3. Resultados y discusión
El método propuesto de Kriging extendido se aplicó a las mediciones de WATERNET en la campaña
HiWATER para generar mapas diarios de humedad del suelo en el área de oasis de 4,5 km 5 km, del 10
de junio al 15 de julio de 2012. Para evaluar el rendimiento del método de Kriging extendido, primero
visualmente inspeccionó los resultados de interpolación y los comparó con los resultados obtenidos
utilizando el método OK, el método Co-kriging y el método KED. Luego, se llevó a cabo un análisis de
incertidumbre cuantitativa con el RMSE del método de validación cruzada de dejar fuera uno.
Finalmente, interpolamos la distribución de humedad del suelo para todos los días del 10 de junio de
2012 al 15 de julio de 2012, y examinamos los datos de precipitación y riego para determinar si la
variación temporal de la humedad del suelo interpolada fue consistente con la entrada de agua.
3.1. Análisis de tendencias espaciales y validación cruzada

Un mapa espacial de la humedad del suelo interpolado puede reflejar directamente la capacidad de los
métodos de interpolación para obtener el patrón de variación del parámetro. Utilizamos el
semivariograma obtenido de la Sección 2.3., datos de humedad del suelo (45 nodos) de WATERNET a
una profundidad de 10 cm el 10 de julio de 2012, y datos de detección remota (NDVI y albedo) el 10
de julio de 2012, obtenidos por interpolación lineal, para estimar la distribución de humedad del suelo
del experimento. zona. El lenguaje MATLAB implementó las interpolaciones de Kriging extendido y
OK; Kriging extendido interpolado con la ayuda de NDVI y albedo, y OK interpolado usando solo
datos WSN. Las interpolaciones Co-kriging y KED se implementaron con el paquete GSTAT en
lenguaje de programación R con la ayuda de NDVI y albedo. Los resultados de interpolación de estos
cuatro métodos se muestran en la Figura 8a – d, que son respectivamente los resultados de los métodos
Kriging extendido, OK, Co-kriging y KED. Todos los mapas de resultados están enmascarados para
excluir áreas residenciales. Está claro que el resultado del método de Kriging extendido muestra más
detalles de la distribución de humedad del suelo en el campo que el de los métodos OK y Co-kriging.
Los resultados de interpolación para los métodos OK y Co-kriging solo pueden mostrar superficies de
tendencia suaves y en continuo cambio ( Figura 8 b, c), mientras que los resultados de interpolación
para el método Kriging extendido ( Figura 8 a) revelan algunas vetas irregulares en la superficie del
suelo y Cambios sutiles en el campo de la humedad del suelo. Aunque el resultado del método KED (
Figura 8d) muestra algunas características heterogéneas, aún no es tan evidente como el resultado de
nuestro método de Kriging extendido.
Figura 8
La humedad del suelo interpolada (SM) a profundidades de 10 cm el 10 de julio de 2012, utilizando datos
medidos de WSN: ( a - d ) son respectivamente los resultados de los métodos de Kriging extendido, OK,
Co-kriging y KED; Los círculos en los mapas representan los nodos de WATERNET.
El método de validación cruzada de dejar uno fuera se adoptó para estimar la precisión de
interpolación. En el método de validación cruzada de dejar uno fuera, cada muestra sirve como muestra
de prueba; asumiendo que el número de muestras es N, entonces hay N-1 muestras de entrenamiento
cada vez y, finalmente, N resultados de pruebas. El RMSE de estos resultados de prueba de N se utiliza
para evaluar la precisión de la interpolación. Los resultados de la validación cruzada se muestran en la
Tabla 1 , que muestra que el valor RMSE de OK es más alto que el de Kriging extendido y más bajo
que el de Co-kriging y KED.
tabla 1
Comparación de los resultados de interpolación para el método Kriging extendido, el método
OK, el método Co-kriging y el método KED el 10 de julio de 2012.
Método σ k (%) RMSE (%)
Kriging extendido 2.7684 2.4185

Kriging ordinario 2.9234 2.6218
Co-kriging 2.9438 3.0110
KED 2.9454 3.1686
3.2. Análisis de tendencias temporales y correlación con los datos de precipitación / riego
Además de medir datos de múltiples sitios simultáneamente, WSN también puede obtener
observaciones en tiempo real y continuas. Esto nos permitió estimar la distribución continua de la
humedad del suelo del área de estudio tanto en los dominios espaciales como temporales. Interpolamos
la distribución de la humedad del suelo todos los días del 10 de junio de 2012 al 15 de julio de 2012.
En consecuencia, obtuvimos 36 mapas de interpolación. Debido al mal funcionamiento de algunos
nodos WSN, el número promedio de nodos WSN válidos que se podrían usar en este período es de
aproximadamente 40, con un rango de 36 a 45. Seis de los mapas, con intervalos de siete días, se
muestran en la Figura 9. Como se puede observar, la distribución espacial del contenido de humedad
del suelo cambió significativamente con el tiempo, lo que indica la necesidad de un monitoreo
dinámico de la humedad del suelo. Las áreas de sequía y sus fronteras se pueden identificar claramente
en los mapas interpolados, que es una información muy útil para la gestión agrícola.
Figura 9
Mapas interpolados de humedad del suelo (SM) por el método de Kriging extendido en el área de estudio:
las subfiguras corresponden a las fechas de 10 de junio ( a ), 17 de junio ( b ), 24 de junio ( c ), 1 de julio (
d ), 8 de julio ( e ) y 15 de julio ( f ), 2012, respectivamente; Se muestran seis campos de irrigación en los
mapas: A es JC-6, B es SQ-1, C es STZ-1, D es WX-4, E es XM-2 y F es ZH-6.
Para verificar la autenticidad de las series de tiempo del mapa de humedad interpolada del suelo,
seleccionamos seis campos de riego en el área de estudio y comparamos los resultados estimados del
método de Kriging extendido y otros tres métodos con los datos de precipitación y riego en series
temporales del 10 de junio de 2012 al 15 de julio de 2012. La Figura 9 muestra la distribución espacial
de la humedad del suelo de los seis campos de riego. Los resultados de la comparación se muestran en
la Figura 10.. Como se muestra, los registros de precipitación indican que hubo lluvia el 17 de junio, 26
de junio, 27 de junio, 3 de julio, 6 de julio, 8 de julio y 15 de julio. Además, las fechas de riego son
diferentes para diferentes campos. Está claro que el valor de la humedad del suelo aumenta en
respuesta a la precipitación o el riego, y luego disminuye gradualmente a medida que los campos se
secan.
Abrir en una ventana separada

Figura 10
Comparación de la tendencia cambiante de la humedad del suelo (SM) con los datos de precipitación e
irrigación de los campos de riego seleccionados: ( a ) JC-6; ( b ) SQ-1; ( c ) STZ-1; ( d ) WX-4; ( e ) XM-
2; y ( f ) ZH-6; la barra gris representa la precipitación; La flecha roja representa el riego.
La validación cruzada de dejar uno fuera también se usó para la evaluación de la precisión.
La Figura 11 es la serie de tiempo del RMSE promedio de todos los nodos WSN disponibles, derivado
del método de dejar-uno-fuera. Como se ve en la Figura 11, los valores RMSE de OK son más altos
que los de Kriging extendido, y son más bajos que los de Co-kriging y KED. Esto significa que en
condición de la débil correlación entre la humedad del suelo y las dos variables de detección remota,
nuestro método de Kriging extendido puede utilizar las dos variables relacionadas indirectamente para
mejorar la estimación de la distribución de la humedad del suelo, mientras que los métodos de Co-
kriging y KED no lo hicieron. No lo hagas bien. Esto indica que nuestro método de Kriging extendido
es más aplicable cuando la correlación entre la variable de objeto y la variable auxiliar es relativamente
débil.
Figura 11
Comparación del RMSE calculado por Kriging extendido, OK, Co-kriging y KED.
4. Conclusiones
Con el rápido desarrollo de técnicas terrestres de observación de la Tierra, como la red de sensores
inalámbricos, ahora podemos monitorear los parámetros ambientales en tiempo real, de forma continua
y con múltiples puntos de muestreo. Sin embargo, todavía se necesita interpolación para extender la
medición del punto a la distribución espacial del parámetro correspondiente en un área. Dado que la
detección remota por satélite es una forma eficiente de adquirir datos de observación de la Tierra en el
área, es deseable combinar información de la detección remota y de las redes de observación terrestres.
El método de Kriging extendido propuesto en este estudio introduce la información espectral de la

imagen de detección remota en el método de interpolación tradicional. NDVI y albedo son las variables
espectrales utilizadas en el algoritmo. Estas variables espectrales se tratan de la misma manera que las
variables espaciales, es decir, x e y. Por lo tanto, la interpolación es fundamentalmente el mismo
algoritmo de Kriging, pero opera en el espacio combinado de dimensión espacial y dimensión
espectral. El modelo de semivariograma también se extiende al espacio combinado. En este documento
se utiliza un mapa de humedad del suelo derivado de la detección remota para ajustar el modelo de
semivariograma. Sin embargo, este mapa de humedad del suelo se puede reemplazar por otras fuentes
de muestras siempre que el conjunto de datos sea lo suficientemente grande como para obtener
estadísticas sólidas sobre la semivarianza.
El algoritmo propuesto se aplicó al conjunto de datos de humedad del suelo adquirido por la red de
sensores de humedad del suelo (WATERNET) en las áreas agrícolas de oasis, que es el área
experimental de la campaña HiWATER. Como WATERNET proporciona una medición continua de la
humedad del suelo cerca de la superficie en 48 puntos dispersos, los resultados de la interpolación son
mapas diarios de la humedad del suelo desde el 10 de junio de 2012 hasta el 15 de julio de 2012, que
cubren un área de aproximadamente 4,5 km x 5,0 km. Las inspecciones visuales indican que el
resultado de interpolación del algoritmo Kriging extendido propuesto presenta muchos más detalles
espaciales que el de los algoritmos OK y Co-kriging, y más contraste que el del algoritmo KED. La
humedad promedio del suelo en el campo de varios campos de riego para series de tiempo largas está
asociada con los datos de precipitación y los datos de riego, y la variación temporal de la humedad del
suelo puede explicarse bien por estas entradas de agua. El análisis de incertidumbre cuantitativa con el
método de dejar-uno-fuera indica que el algoritmo Kriging extendido es más aplicable que los
algoritmos Co-kriging y KED cuando la correlación entre la variable de objeto y la variable auxiliar es
relativamente débil. Actualmente, NDVI y el albedo se recomiendan como variables espectrales para
ayudar a la interpolación porque pueden derivarse fácilmente de la mayoría de las imágenes satelitales
de alta resolución. Sin embargo, demostramos en la discusión que se podrían incorporar variables
espectrales más relevantes, como la LST, en este algoritmo para mejorar su rendimiento. Sin embargo,
cómo elegir las variables espectrales informativas sigue siendo un tema abierto para este algoritmo. El
análisis de incertidumbre cuantitativa con el método de dejar-uno-fuera indica que el algoritmo Kriging
extendido es más aplicable que los algoritmos Co-kriging y KED cuando la correlación entre la
variable de objeto y la variable auxiliar es relativamente débil. Actualmente, NDVI y el albedo se
recomiendan como variables espectrales para ayudar a la interpolación porque pueden derivarse
fácilmente de la mayoría de las imágenes satelitales de alta resolución. Sin embargo, demostramos en
la discusión que se podrían incorporar variables espectrales más relevantes, como la LST, en este
algoritmo para mejorar su rendimiento. Sin embargo, cómo elegir las variables espectrales informativas
sigue siendo un tema abierto para este algoritmo. El análisis de incertidumbre cuantitativa con el
método de dejar-uno-fuera indica que el algoritmo Kriging extendido es más aplicable que los
algoritmos Co-kriging y KED cuando la correlación entre la variable de objeto y la variable auxiliar es
relativamente débil. Actualmente, NDVI y el albedo se recomiendan como variables espectrales para
ayudar a la interpolación porque pueden derivarse fácilmente de la mayoría de las imágenes satelitales
de alta resolución. Sin embargo, demostramos en la discusión que se podrían incorporar variables
espectrales más relevantes, como la LST, en este algoritmo para mejorar su rendimiento. Sin embargo,
cómo elegir las variables espectrales informativas sigue siendo un tema abierto para este algoritmo.
Aunque se presentan algunos resultados del Co-kriging y el KED, preferimos no comparar el algoritmo
propuesto con otros algoritmos sofisticados en términos de precisión para las siguientes dos
consideraciones: en primer lugar, el algoritmo de Kriging extendido es mucho más simple que el Co-
kriging, el KED y el método de asimilación de datos. Por lo tanto, posiblemente sea aplicable en
situaciones donde las condiciones previas de otros algoritmos sofisticados no se cumplen. En segundo
lugar, como nuevo algoritmo, el Kriging extendido aún necesita mejoras. Por ejemplo, los factores de
normalización para las variables espectrales podrían ser refinados, y el modelo de semivariograma en el
espacio combinado es demasiado simple. Sin embargo, preferimos presentar la forma más simple del
algoritmo al lector, y dejar estas mejoras a futuros investigadores.
Hay otros aspectos que no podríamos discutir en mayor profundidad en este breve artículo. Uno de
ellos es la calidad o precisión de la humedad del suelo medida por WSN. Como sabemos, es
técnicamente difícil instalar los sensores Hydro Probe II (HP-II) exactamente a 4 cm y 10 cm debajo de
la superficie; y los sensores WSN se ven más o menos afectados por su voltaje interno y temperatura; y
los sensores pueden saturarse en valores de humedad del suelo extremadamente bajos o altos [ 26 , 32].
También es cierto que los datos de la detección remota pueden sufrir una calibración inexacta y una
corrección atmosférica. Además de los defectos de los datos, se debe considerar la falta de coincidencia
de escala entre la huella de los nodos WSN y los píxeles de detección remota de 30 m de resolución. En
lugar de derivar el semivariograma de las mediciones de campo, el semivariograma en este estudio
proviene de un mapa de humedad del suelo que se invierte a partir de una imagen de percepción remota
hiperespectral. La diferencia de escala entre estos dos tipos de semivariograma es sutil y puede generar
incertidumbre adicional en la interpolación de las mediciones de WSN. Sin embargo, actualmente no
tenemos datos sólidos para respaldar el análisis sobre estos aspectos.
Otro tema interesante relacionado es la densidad deseada de los nodos WSN y cómo optimizar la
ubicación de los nodos. Afortunadamente, un tema similar ha sido abordado por otros investigadores [
51 ], aunque su área de investigación y el parámetro objetivo son diferentes. En este documento,
simplemente utilizamos todos los datos válidos de WATERNET.
El algoritmo propuesto es un desarrollo del método de Kriging clásico. Aunque en este documento se
propone interpolar los datos de humedad del suelo, es potencialmente aplicable a otros parámetros
ambientales. A medida que las nuevas tecnologías de observación se están aplicando de manera más
amplia, más y más datos de medición de alta calidad, en múltiples sitios en un área pequeña, estarán
disponibles para el público, y el potencial del Kriging Extendido se puede explorar más a fondo.
Expresiones de gratitud
Este estudio fue apoyado por la Fundación Nacional de Ciencias Naturales de China (No. 41331171 y
No. 41476161), la alarma de monitoreo dinámico remoto basada en WSN de los Fondos de
Investigación Fundamentales para las Universidades Centrales (No. 105599GK), y la solicitud WSN se
extendió (No. OFSLRSS201626) del fondo abierto del laboratorio estatal de ciencia de teledetección.
Los datos del terreno fueron proporcionados por el Centro de datos de las regiones de regiones frías y
áridas en Lanzhou. También nos gustaría agradecer a los investigadores del Instituto de
Teleobservación y Tierra Digital (RADI), Academia China de Ciencias por sus valiosas discusiones, así
como por su apoyo en el procesamiento de datos.
Contribuciones de autor
JZ y QL concibieron, diseñaron y realizaron la parte principal de la investigación; JZ llevó a cabo los
experimentos y analizó los datos; XL, BD y LZ participaron en el experimento y contribuyeron con
materiales y herramientas de análisis; JZ escribió el papel; QL y RY revisaron el documento.
Conflictos de interés
Los autores declaran no tener conflicto de intereses.
Referencias
1. Othman MF, Shazali K. Aplicaciones de redes de sensores inalámbricos: un estudio en el sistema de
monitoreo del entorno. Procedia Eng. 2012; 41 : 1204–1210. doi: 10.1016 / j.proeng.2012.07.302. [
CrossRef ] [ Google Scholar ]
2. La red de sensores inalámbricos Gong P. como una nueva tecnología de detección remota en tierra
para monitoreo ambiental. J. Remote Sens. 2007; 11 : 545–551. [ Google Scholar ]
3. Li J., Gao H. Encuesta sobre investigación de redes de sensores. J. comput. Res. Dev. 2008; 45 : 1–
15. [ Google Scholar ]
4. Dou B., Wen J., Li X., Liu Q., Peng J., Xiao Q., Zhang Z., Tang Y., Wu X., Lin X. Red de sensores
inalámbricos de parámetros típicos de la superficie terrestre y Sus aplicaciones preliminares para
píxeles de teledetección de resolución gruesa. En t. J. Distrib. Sens. Netw. 2016; 2016 doi: 10.1155 /
2016/9639021. [ CrossRef ] [ Google Scholar ]
5. Li X., Liu Q., Yang R., Zhang H., Zhang J., Cai E. El diseño y la implementación del sensor de
índice de área foliar. Sensores 2015; 15 : 6250–6269. Doi: 10.3390 / s150306250.
[ Artículo libre de PMC ] [ PubMed ] [ CrossRef ] [ Google Scholar ]
6. Li X., Liu Q., Yang R., Wen J., Zhang J., Cai E., Zhang H. La combinación de la red de detección en
tierra y la detección remota por satélite en el condado de Huailai. IEEE Sens. J. 2016; 16 : 3819–3826.
doi: 10.1109 / JSEN.2016.2535350. [ CrossRef ] [ Google Scholar ]
7. Li J., Heap A.D. A review of comparative studies of spatial interpolation methods in environmental
sciences: Performance and impact factors. Ecol. Inform. 2011;6:228–241. doi:
10.1016/j.ecoinf.2010.12.003. [CrossRef] [Google Scholar]
8. Lu G.Y., Wong D.W. An adaptive inverse-distance weighting spatial interpolation technique.

Comput. Geosci. 2008;34:1044–1055. doi: 10.1016/j.cageo.2007.07.010. [CrossRef] [Google Scholar]
9. Krige D.G. Master’s Thesis. University of the Witwatersrand; Johannesburg, South Africa: 1951. A
statistical Approach to Some Mine Valuation and Allied Problems on the Witwatersrand.
[Google Scholar]
10. Matheron G. Principles of geostatistics. Econ. Geol. 1963;58:1246–1266. doi:

10.2113/gsecongeo.58.8.1246. [CrossRef] [Google Scholar]
11. Oliver M.A., Webster R. Kriging: A method of interpolation for geographical information systems.
Int. J. Geogr. Inf. Syst. 1990;4:313–332. doi: 10.1080/02693799008941549. [CrossRef]
[Google Scholar]
12. Maruyama Y., Yamazaki F., Mizuno K., Tsuchiya Y., Yogai H. Fragility curves for expressway
embankments based on damage datasets after recent earthquakes in Japan. Soil Dyn. Earthq. Eng.
2010;30:1158–1167. doi: 10.1016/j.soildyn.2010.04.024. [CrossRef] [Google Scholar]
13. Wu T., Li Y. Spatial interpolation of temperature in the United States using residual kriging. Appl.
Geogr. 2013;44:112–120. doi: 10.1016/j.apgeog.2013.07.012. [CrossRef] [Google Scholar]
14. Liang X., Schilling K., Zhang Y.-K., Jones C. Co-Kriging estimation of nitrate-nitrogen loads in an
agricultural river. Water Res. Manag. 2016;30:1771–1784. doi: 10.1007/s11269-016-1250-9.
[CrossRef] [Google Scholar]
15. Cantet P. Mapping the mean monthly precipitation of a small island using kriging with external
drifts. Theor. Appl. Climatol. 2017;127:31–44. doi: 10.1007/s00704-015-1610-z. [CrossRef]
[Google Scholar]
16. Dripps W., Bradbury K. A simple daily soil–water balance model for estimating the spatial and
temporal distribution of groundwater recharge in temperate humid areas. Hydrogeol. J. 2007;15:433–
444. doi: 10.1007/s10040-007-0160-6. [CrossRef] [Google Scholar]
17. Toth E., Farkas C., Nagy V., Hagyo A., Stekauerova V. Assessment of spatial variation of the soil
water regime in the soil-plant system. Cereal Res. Commun. 2008;36:307–310. [Google Scholar]
18. Wang M., Shi S., Lin F., Hao Z., Jiang P., Dai G. Effects of soil water and nitrogen on growth and
photosynthetic response of Manchurian ash (Fraxinus mandshurica) seedlings in northeastern China.
PLoS ONE. 2012;7:e30754. doi: 10.1371/journal.pone.0030754. [PMC free article] [PubMed]
19. Yu X., Zha T., Pang Z., Wu B., Wang X., Chen G., Li C., Cao J., Jia G., Li X. Response of soil
respiration to soil temperature and moisture in a 50-year-old oriental arborvitae plantation in China.
PLoS ONE. 2011;6:e28397. doi: 10.1371/journal.pone.0028397. [PMC free article] [PubMed]
20. Gómez-Plaza A., Alvarez-Rogel J., Albaladejo J., Castillo V. Spatial patterns and temporal stability
of soil moisture across a range of scales in a semi-arid environment. Hydrol. Proc. 2000;14:1261–1277.
doi: 10.1002/(SICI)1099-1085(200005)14:7<1261::AID-HYP40>3.0.CO;2-D. [CrossRef]
[Google Scholar]
21. Fan L., Xiao Q., Wen J., Liu Q., Tang Y., You D., Wang H., Gong Z., Li X. Evaluation of the
airborne CASI/TASI Ts-VI space method for estimating near-surface soil moisture. Remote Sens.
2015;7:3114–3137. doi: 10.3390/rs70303114. [CrossRef] [Google Scholar]
22. El Hajj M., Baghdadi N., Zribi M., Belaud G., Cheviron B., Courault D., Charron F. Soil moisture
retrieval over irrigated grassland using X-band SAR data. Remote Sens. Environ. 2016;176:202–218.
doi: 10.1016/j.rse.2016.01.027. [CrossRef] [Google Scholar]
23. Ponnurangam G.G., Jagdhuber T., Hajnsek I., Rao Y.S. Soil moisture estimation using hybrid
polarimetric SAR data of RISAT-1. IEEE Trans. Geosci. Remote Sens. 2016;54:2033–2049. doi:
10.1109/TGRS.2015.2494860. [CrossRef] [Google Scholar]
24. Kang J., Jin R., Li X. Regression kriging-based upscaling of soil moisture measurements from a
wireless sensor network and multiresource remote sensing information over heterogeneous cropland.
IEEE Geosci. Remote Sens. Lett. 2015;12:92–96. doi: 10.1109/LGRS.2014.2326775. [CrossRef]
[Google Scholar]
25. Liao K., Lai X., Liu Y., Zhu Q. Uncertainty analysis in near-surface soil moisture estimation on two
typical land-use hillslopes. J. Soils Sediments. 2016:1–13. doi: 10.1007/s11368-016-1405-6.
26. Gao S., Zhu Z., Liu S., Jin R., Yang G., Tan L. Estimating the spatial distribution of soil moisture
based on Bayesian maximum entropy method with auxiliary data from remote sensing. Int. J. Appl.
Earth Obs. Geoinform. 2014;32:54–66. doi: 10.1016/j.jag.2014.03.003. [CrossRef] [Google Scholar]
27. Cheng G. Integrated Management of the Water-Ecology-Economy System in the Heihe River
Basin. Science Press; Beijing, China: 2009. [Google Scholar]
28. Li X., Cheng G., Liu S., Xiao Q., Ma M., Jin R., Che T., Liu Q., Wang W., Qi Y. Heihe watershed
allied telemetry experimental research (HiWATER): Scientific objectives and experimental design.
Bull. Am. Meteorol. Soc. 2013;94:1145–1160. doi: 10.1175/BAMS-D-12-00154.1. [CrossRef]
[Google Scholar]
29. Mengel D., Barber S. Development and distribution of the corn root system under field conditions.
Agron. J. 1974;66:341–344. doi: 10.2134/agronj1974.00021962006600030002x. [CrossRef]
[Google Scholar]
30. Jin R., Li X., Yan B., Li X., Luo W., Ma M., Guo J., Kang J., Zhu Z., Zhao S. A nested
ecohydrological wireless sensor network for capturing the surface heterogeneity in the midstream areas
of the Heihe river basin, China. IEEE Geosci. Remote Sens. Lett. 2014;11:2015–2019. doi:
10.1109/LGRS.2014.2319085. [CrossRef] [Google Scholar]
31. Jin R., Li X., Yan B., Luo W., Li X., Guo J., Ma M., Kang J., Zhang Y. Introduction of eco-
hydrological wireless sensor network in the Heihe river basin. Adv. Earth Sci. 2012;27:993–1005. doi:
10.11867/j.issn.1001-8166.2012.09.0993. [CrossRef] [Google Scholar]
32. Zhang J., Liu Q., Li X., Niu H., Cai E., Chang C. Calibration and data validation of wireless sensor
network. SPIE. 2015 doi: 10.1117/12.2207451. [CrossRef] [Google Scholar]
33. Gao B., Jia L., Wang T. Derivation of land surface albedo at high resolution by combining HJ-1A/B
reflectance observations with MODIS BRDF products. Remote Sens. 2014;6:8966–8985. doi:
10.3390/rs6098966. [CrossRef] [Google Scholar]
34. Liu S., Xu Z., Song L., Zhao Q., Ge Y., Xu T., Ma Y., Zhu Z., Jia Z., Zhang F. Upscaling
evapotranspiration measurements from multi-site to the satellite pixel scale over heterogeneous land
surfaces. Agric. For. Meteorol. 2016;10 doi: 10.1016/j.agrformet.2016.04.008. [CrossRef]
[Google Scholar]
35. Xu Z., Liu S., Li X., Shi S., Wang J., Zhu Z., Xu T., Wang W., Ma M. Intercomparison of surface
energy flux measurement systems used during the HiWATER-MUSOEXE. J. Geophys. Res. Atmos.
2013;118 doi: 10.1002/2013JD020260. [CrossRef] [Google Scholar]
36. Burgess T., Webster R. Optimal interpolation and isarithmic mapping of soil properties. J. Soil Sci.
1980;31:333–341. doi: 10.1111/j.1365-2389.1980.tb02085.x. [CrossRef] [Google Scholar]
37. Cressie N. The origins of kriging. Math. Geol. 1990;22:239–252. doi: 10.1007/BF00889887.
38. Journel A.G., Huijbregts C.J. Mining Geostatistics. Academic press; New York, NY, USA: 1978.
[Google Scholar]
39. Yamamoto J.K. An alternative measure of the reliability of ordinary kriging estimates. Math. Geol.
2000;32:489–509. doi: 10.1023/A:1007577916868. [CrossRef] [Google Scholar]
40. Webster R., Oliver M.A. Geostatistics for Environmental Scientists. John Wiley & Sons; New
York, NY, USA: 2007. [Google Scholar]
41. Burrough P., McDonnel R., Lloyd C. Principles of Geographical Information Systems. Oxford
University Press; Oxford, UK: 2014. [Google Scholar]
42. Zimmermann B., Zehe E., Hartmann N., Elsenbeer H. Analyzing spatial data: An assessment of
assumptions, new methods, and uncertainty using soil hydraulic data. Water Resour. Res. 2008;44 doi:
10.1029/2007WR006604. [CrossRef] [Google Scholar]
43. Minasny B., McBratney A.B. The Matérn function as a general model for soil variograms.
Geoderma. 2005;128:192–207. doi: 10.1016/j.geoderma.2005.04.003. [CrossRef] [Google Scholar]
44. Yates S., Warrick A. Estimating soil water content using cokriging. Soil Sci. Soc. Am. J.
1987;51:23–30. doi: 10.2136/sssaj1987.03615995005100010005x. [CrossRef] [Google Scholar]
45. Hudson G., Wackernagel H. Mapping temperature using kriging with external drift: Theory and an
example from Scotland. Int. J. Climatol. 1994;14:77–91. doi: 10.1002/joc.3370140107. [CrossRef]
[Google Scholar]
46. Chiles J.-P., Delfiner P. Geostatistics: Modeling Spatial Uncertainty. Volume 497 John Wiley &
Sons; Hoboken, NJ, USA: 2009. [Google Scholar]
47. Wackernagel H. Multivariate Geostatistics: An Introduction with Applications. Springer Science &
Business Media; Berlin, Germany: 2013. [Google Scholar]
48. Idso S., Jackson R., Reginato R., Kimball B., Nakayama F. The dependence of bare soil albedo on
soil water content. J. Appl. Meteorol. 1975;14:109–113. doi: 10.1175/1520-
0450(1975)014<0109:TDOBSA>2.0.CO;2. [CrossRef] [Google Scholar]
49. Peters A.J., Walter-Shea E.A., Ji L., Vina A., Hayes M., Svoboda M.D. Drought monitoring with
NDVI-based standardized vegetation index. Photogramm. Eng. Remote Sens. 2002;68:71–75.
[Google Scholar]
50. Benedetti R., Rossini P. On the use of NDVI profiles as a tool for agricultural statistics: The case
study of wheat yield estimate and forecast in Emilia Romagna. Remote Sens. Environ. 1993;45:311–
326. doi: 10.1016/0034-4257(93)90113-C. [CrossRef] [Google Scholar]
51. Wu X., Wen J., Xiao Q., Liu Q., Peng J., Dou B., Li X., You D., Tang Y., Liu Q. Observaciones de
albedo in situ de escala gruesa sobre nieve heterogénea - superficies de tierra libres y estrategia de
validación: un caso de validación preliminar de los productos MODIS albedo en el norte de China.
Sensores Remotos. Environ. 2016; 184 : 25–39. doi: 10.1016 / j.rse.2016.06.013. [ CrossRef ]
[ Google Scholar ]
Los artículos de Sensors (Basilea, Suiza) se proporcionan aquí por cortesía del Multidiscipisciplinario de
Publicaciones Digitales (MDPI)

Un Método de Kriging Extendido para Interpolar Datos de Humedad Del Suelo Cerca de La Superficie Medida Por Redes de Sensores Inalámbricos

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Un Método de Kriging Extendido para Interpolar Datos de Humedad Del Suelo Cerca de La Superficie Medida Por Redes de Sensores Inalámbricos

Cargado por

Copyright:

Formatos disponibles

29/4/2019 Un método de Kriging extendido para interpolar datos de humedad del suelo cerca de la superficie medida por redes

or redes de sensores in…

Sensores (Basilea) . Junio 2017; 17 (6): 1390. PMCID: PMC5492867

Un método de Kriging extendido para interpolar datos de humedad del

Recibido el 28 de febrero de 2017; Aceptado el 10 de junio de 2017.

Copyright © 2017 por los autores.

En este artículo, proponemos extender el método Kriging mediante la introducción de variables

2.1. Área de estudio

2.2. Recurso de datos

Se utilizaron dos variables de detección remota, NDVI (Índice de Vegetación de Diferencia

a l b e o = −0.5878 ρ 1 + 0.6543 ρ 2 + 0.4183 ρ 3 + 0.38914 ρ 4 (2)

donde ρ 1 a ρ 4 representa la reflectancia de la superficie en las cuatro bandas espectrales,

2.3.1. Método de Kriging tradicional

(a) Fórmula básica

Kriging es un método de interpolación derivado de la teoría de variables regionalizadas, que heredó el

donde Z * es el valor estimado de la variable en la ubicación v 0 , n es el número de los puntos de

La estimación óptima requiere la varianza mínima de errores:

Para resolver este problema de optimización restringida, se adopta el método de multiplicador de

donde μ es el multiplicador de Lagrange. En el punto mínimo de la función de costo, la diferenciación

Al diferenciar la función de costo, tenemos:

Si conocemos E [ Z 2 ( v i )], E [ Z ( v 0 ) Z ( v i )] y E [ Z ( v i ) Z ( v j )], entonces las ecuaciones se

indicador de calidad en la estimación [ 39 ]. Puede evaluar la estimación intrínseca de la incertidumbre

(b) Estimación de semivarianza y semivariograma

La semivariedad y el semivariograma, que contienen información de correlación espacial, son

donde h es la distancia entre los puntos x i y x 0 , y γ ( h ) es el semivariograma [ 40 ].

El semivariograma generalmente se estima a partir de las estadísticas de los puntos de muestra de la

donde n es el número de pares de puntos de muestra separados por la distancia h [ 41 ].

donde γ ( h ) es la semivariedad; C 0 representa un nugget, que es la variabilidad mínima observada o el

(c) Método de Kriging tradicional con variables auxiliares.

2.3.2. Selección de variables espectrales

En la Figura 5 a, b, se recopilaron los datos de NDVI y albedo de cinco imágenes de satélites HJ

2.3.3. Ampliación del método Kriging para incorporar información de teledetección

Correspondientemente, el cálculo de semivarianza y el modelo de semivariograma se extendieron al

Al ajustar el semivariograma, también comparamos el modelo esférico (Sph), el modelo exponencial

γ(h, s)=γ1(h)+γ2(s)+C0 (18)

donde γ 1 y γ 2 son los valores semivariogram con respecto a h y s , γ es el semivariogram en general, y

3.1. Análisis de tendencias espaciales y validación cruzada

Método σ k (%) RMSE (%)

Kriging extendido 2.7684 2.4185

Abrir en una ventana separada

El método de Kriging extendido propuesto en este estudio introduce la información espectral de la

8. Lu G.Y., Wong D.W. An adaptive inverse-distance weighting spatial interpolation technique.

10. Matheron G. Principles of geostatistics. Econ. Geol. 1963;58:1246–1266. doi:

También podría gustarte