PROCEDIMIENTO METODOLOGICO PARA DETERMINAR

EL CONSUMO DE AGUA DE CULTIVOS FORRAJEROS

MEDIANTE SENSORIA REMOTA Y ALGORITMO SEBAL
Methodological procedure for determining the water consumption of forage crops
through remote sensory and SEBAL algorithm
Gerardo Delgado Ramírez1*, Miguel Rivera González1, Hilario Macías
Rodríguez1, Jesús Arcadio Muñoz Villalobos1 y Juan Estrada Ávalos1
1
INIFAP. Centro Nacional de Investigación Disciplinaria en Relación Agua Suelo Planta
Atmósfera (CENID RASPA). Km 6.5 Canal Sacramento, C.P. 35140 Gómez Palacio,
Durango, México.
e-mail: delgado.gerardo@inifap.gob.mx

RESUMEN maíz forrajero) y el algoritmo SEBAL presentaron

La sensoria remota es una herramienta muy útil
para el cálculo de los parámetros que intervienen
en el proceso de la evapotranspiración ET. Ade-
más, presenta ventajas sobre los métodos tradi-
cionales, debido que puede presentar valores de
ET de forma espacial y temporal. Una opción para
estimar la ET por teledetección, es el algoritmo SE-
BAL (Surface Energy Balance Algorithm For Land).
Este se basa en la ecuación de conservación de
energía y utiliza información espacial de diferentes
sensores que proporcionen imágenes donde se re-
gistre radiación visible, infrarroja cercana y termal.
El presente trabajo tuvo como nalidad establecer
un procedimiento metodológico para estimar el
consumo de agua de maíz forrajero mediante el
uso de imágenes de satélite Landsat 8.0, algoritmo
SEBAL y el software QGIS, el cual fue importante
para el desarrollo del algoritmo y la elaboración de
mapas de los parámetros de estudio. Al comparar
la evapotranspiración instantánea calculada por el
método de Penman Monteith (en base a los da-
tos climáticos de la estación meteorológica) y la
estimada por SEBAL, presentaron un error relativo
promedio de 13%. Con referente a la comparación
de la evapotranspiración real de cultivo diaria, en-
tre el método de Penman Monteith (empleando
los coecientes de cultivo duales para el cultivo de
un error relativo promedio de 7.4%. Por último, se
realizó una comparación de la evapotranspiración
acumulada durante el ciclo vegetativo del cultivo
(124 días) entre los softwares “Cropwat 8.0” e “Irri-
net” y el algoritmo SEBAL, estos presentaron error
relativo de -13.8% y -0.01% respectivamente, con
estos resultados, se concluyó que es factible utili-
zar este procedimiento metodológico para estimar
el consumo de agua del maíz forrajero.
Palabras clave: Evapotranspiración, maíz fo-
rrajero, imagen de satélite, balance de energía.
SUMMARY
Remote sensing is a very useful tool for the
calculation of the parameters involved in the eva-
potranspiration (ET) process. In addition, it has
advantages over traditional methods, since it can
present ET values in a spatial and temporal way.
One option to estimate ET by remote sensing is the
SEBAL algorithm (Surface Energy Balance Algori-
thm for Land). This is based on the energy conser-
vation equation and uses spatial information from
different sensors that provide images where visible,
near infrared and thermal radiation recorded. The
objective of this work was to establish a method-
ological procedure to estimate the water consump-

AGROFAZ 85
AGROFAZ VOLUMEN 17 NÚMERO 2 2017

tion of forage maize using Landsat 8.0 satellite im- etc., variables que inÀuyen en el consumo de agua
ages, SEBAL algorithm and QGIS software, which de los cultivos.
was important for algorithm development and map-
Los valores de evapotranspiración pueden ser
ping of the study parameters. When comparing the
importantes para las siguientes aplicaciones: de-
instantaneous evapotranspiration calculated by the
terminar el área que puede regarse con un deter-
Penman Monteith method (based on weather data
minado volumen de agua disponible, elaborar ca-
from the meteorological station) and the estimated
lendarios de riego, estimar los volúmenes de agua
by SEBAL, they presented an average relative er-
que sean necesarios para auxiliar a los cultivos en
ror of 13%. With regard to the comparison of the
caso de que la lluvia sea insuciente para su buen
actual daily crop evapotranspiration, the Penman
desarrollo. También permite determinar la lámina
Monteith method (using the dual cropping coef-
adicional de riego necesaria para la prevención de
cients for forage maize) and the SEBAL algorithm
problemas de ensalitramiento de los suelos. De
presented an average relative error of 7.4%. Final-
igual forma determina, en forma general, la ecien-
ly, a comparison of the accumulated evapotranspi-
cia con la que se está aprovechando el agua en
ration during the vegetative cycle of the crop (124
otras más aplicaciones (Aguilera y Martínez, 1996;
days) between the software “Cropwat 8.0” and “Ir-
Villaman et al., 2001).
rinet” and the SEBAL algorithm were performed,
with relative error of -13.8% and -0.01% respec- La sensoria remota es una herramienta muy útil
tively , with these results, it was concluded that it para el cálculo de los parámetros que intervienen
is feasible to use this methodological procedure to en el proceso de la ET. Además, presenta ventajas
estimate the water consumption of forage maize. sobre los métodos mencionados anteriormente,
debido que puede presentar valores de ET de for-
Key words: Evapotranspiration, forage maize,
ma espacial y temporal. Una opción para estimar la
satellite image, energy balance.
ET por teledetección, es el algoritmo SEBAL (Sur-
face Energy Balance Algorithm For Land). Este se
INTRODUCCIÓN
basa en la ecuación de conservación de energía y
En la Agricultura, la evapotranspiración (ET) es utiliza información espacial de diferentes sensores
una de las variables elementales para promover un que proporcionen imágenes donde se registre ra-
uso más eciente del agua, por esto la necesidad diación visible, infrarroja cercana y termal.
de tener estimaciones precisas (Murillas y Londo-
El presente trabajo consistió en proponer un
ño, 2014). La correcta estimación de la ET en áreas
procedimiento metodológico para estimar el con-
semiáridas es vital para la gestión hídrica de las
sumo de agua de maíz forrajero mediante el uso
mismas (Villagarcía et al., 2010). En la actualidad,
de imágenes de satélite “Landsat 8.0” y el algorit-
existen varias metodologías para determinar la ET
mo SEBAL, aplicando dicha metodología en una
de forma directa o indirecta, destacando métodos,
unidad básica de producción en el norte de México
como: lisímetro de pesada, técnicas de Correlación
con la nalidad de contribuir en la optimización y
Eddy y Relación Bowen, tanque evaporímetro,
gestión del recurso hídrico en la agricultura.
formulas empíricas como: Penman-Montieth, Har-
greaves – Samani, etc. Pero estas metodologías
MATERIALES Y MÉTODOS
proporcionan resultados de forma puntual y sobre
todo asumiendo que espacialmente el cultivo se El procedimiento para la estimación de consu-
encuentra en las mismas condiciones, desprecian- mo de agua de maíz forrajero fue el siguiente:
do la variabilidad de suelo (propiedades físicas),
sistema de riego, topografía, manejo de cultivo,

86 AGROFAZ

1) Descarga de la imagen de satélite.
Para desarrollar el algoritmo SEBAL, se utiliza-
ron seis imágenes del satélite “Landsat 8” adqui-
ridas por sensores OLI y TIR (Path = 30, Row
= 42), estas fueron obtenidas desde la página
web de la USGS (http://landsatlook.usgs.gov/.).
2) Obtención de datos meteorológicos.
Los datos fueron obtenidos de la estación cli-
matológica del Campo Experimental La Laguna
perteneciente a la red de estaciones climatoló-
gicas del INIFAP, la cual se ubica cerca del área
de estudio. Esta información fue indispensable
para la calibración interna del algoritmo SEBAL.
3) Procesamiento y calibración de las imáge-
nes.
Al implementar el algoritmo SEBAL fue necesa-
rio convertir los niveles digitales (DN) de la ima-
gen a parámetros físicos con el n de obtener la
radiancia espectral y la reÀectancia, estos repre-
sentan las bases físicas para el procesamiento
de SEBAL y se realizaron mediante el software
“QGIS”, este es un Sistema de Información
Geográca (SIG) de código libre, que permite
la visualización, edición y análisis de datos geo-
grácos en un entorno amigable.
La radiancia espectral representa la energía
solar reÀejada por cada pixel, se calcula mediante
coecientes calibrados incluidos en los metadatos
de la imagen, aplicando la siguiente ecuación:
(1)
Donde es el valor de radiancia espec-
tral medida en valores de (Watts.m-2*srad-1*µm-1);
es el factor multiplicativo de escalado especi-
co obtenido del metadato de la imagen; es
el producto estándar cuanticado y calibrado por
valores de pixel (niveles digitales); es el factor
aditivo de escalado especico obtenido también
del metadato.
RELACIONES AGUA-SUELO-PLANTA
La reÀectancia representa la proporción de
energía reÀejada con respecto al total de energía
incidente, primero se calcula la reÀectancia en la
parte superior de la atmósfera, usando los coe-
cientes de reÀectancia reescalados, suministrados
en los metadatos, debido a que el cálculo de la re-
Àectancia real de una supercie varía dependiendo
del comportamiento de la atmósfera, así como del
ángulo de observación se aplica la corrección del
ángulo solar para obtener la reÀectancia real, esta
se determina con la siguiente ecuación:
(2)
Donde es la reÀectancia; es el valor
de reÀectancia planetaria, sin corrección por ángu-
lo solar; es el ángulo de elevación solar; es
el ángulo zenit solar; = 90º - .
4) Estimación de la evapotranspiración (ET)
mediante el algoritmo de Balance de Energía
Super¿cial (SEBAL).
La estimación de la ET para cada píxel de la
imagen fue mediante el balance de energía su-
percial (Allen et al., 2002).
(3)
Donde es el Àujo de calor latente (w.m-
2
); es el Àujo de radiación neta en la super-
cie (w.m-2); es el Àujo de calor sensible del aire
(w.m-2). Por ende, se calcularon cada uno de sus
componentes, en donde la energía consumida por
el proceso de ET se estima como el residuo de la
ecuación (3).
a) Albedo super¿cial. Este parámetro fue calcula-
do en primera instancia en la parte superior de
la atmósfera , a partir de la reÀectancia
de las bandas 2 a las 7 de la imagen de satélite
“Landsat 8”. Para aplicar el algoritmo SEBAL,
fue necesario que los valores fueran referidos
a la supercie de la tierra (Núñez, 2009). Por
lo tanto, se corrigió mediante la transmisividad
AGROFAZ 87
AGROFAZ VOLUMEN 17 NÚMERO 2 2017
atmosférica que varía en función de la
altura sobre el nivel medio del mar. Una vez ob-
tenidos los valores para TSW y se utilizó la
propuesta por (Bastiaanssen et al., 2002) para
calcular el albedo en la supercie.
b) índices de vegetación: NDVI, SAVI, y LAI.
El índice de vegetación normalizado (
) se calculó a partir de la información obtenida
por las bandas del rojo y del infrarrojo cercano
(Rouse et al., 1974), mediante la siguiente ecua-
ción:
(4)
Donde es la reÀectividad en el infrarrojo
cercano; corresponde a la reÀectividad en el
rojo.
El varía su valor entre -1 y 1, donde un
valor de 0 indica un área de suelo desnudo,
mientras que un valor cercano a 1, indica la
concentración más alta de hojas verdes en un
aérea determinada.
Para calcular el índice de vegetación ajustado
al suelo ( ) la metodología incorpora una
constante L, el valor propuesto en esta meto-
dología fue de 0.5, este fue representativo a las
características del suelo del área de estudio se-
gún la literatura. Este índice (Huete, 1988), se
utiliza con el n de disminuir las alteraciones
presentadas en los valores del en zonas
de escasa vegetación y se calcula como:
(5)
Para la determinación del índice del área foliar
( ) se utilizó el valor de , el cual deter-
minó la biomasa de cada píxel y fue utilizado
para estimar la emisividad de la supercie. Este
índice es una cantidad adimensional que carac-
teriza el dosel de las plantas, este es denido
como el área de la hoja verde de un solo lado
88 AGROFAZ
por unidad de área de supercie del suelo en
el dosel de la hoja ancha (Velasco y Bernabé,
2004) y se calcula como:
(6)
c) Emisividad de la super¿cie. El cálculo de la
emisividad térmica supercial se determinó en
función del índice del área foliar (LAI) de acuer-
do a la siguiente ecuación:
(7)
d) Temperatura super¿cial. A partir de la radian-
cia de las bandas térmicas, se realizó la conver-
sión a temperatura de brillo mediante la función
de Planck, donde las constantes térmicas K1 y
K2 se encuentran en los metadatos. El cálculo
de la temperatura supercial estuvo en función
de la temperatura de brillo y la emisividad de la
supercie obtenida anteriormente.
e) Coe¿ciente de rugosidad de la super¿cie.
Este parámetro se estimó a partir del NDVI y el
albedo supercial usando la ecuación empírica
modicada por (Allen et al., 2001).
f) Radiación neta ( ). La radiación neta se deter-
minó a partir de los parámetros albedo super-
cial, emisividad de la supercie y la temperatura
supercial. Además, se estimaron las radiacio-
nes de onda corta incidente y las radiaciones de
onda larga incidente por la supercie.
g) Flujo de calor del suelo ( ). Este parámetro
representa parte de la energía que es almace-
nada en el suelo y la vegetación por el proceso
de conducción, depende de la conductividad
térmica del suelo y la temperatura vertical gra-
diente. Para determinar “ ” se utilizó la relación
empírica desarrollada por (Bastiaanssen, 2000),
donde “ ” puede expresarse como función de
la radiación neta ( ), la temperatura supercial

y parámetros de la vegetación.
h) Flujo de calor sensible ( ). Para el cálculo
se realizó una serie de iteraciones con el n de
corregir las variables de la resistencia aerodi-
námica ( ), la diferencia entre temperaturas
( ) y la densidad del aire ( ) por los efectos
de la inestabilidad atmosférica. La estimación
de “ ” se realizó a partir de una medida de la
velocidad del viento en el área de estudio, para
la misma hora de la captura de la imagen, con
la cual se calculó la velocidad de fricción (u*)
solo para la estación meteorológica. Luego se
calculó (U200) que es la velocidad del viento a
una altura de 200 m donde se asume que los
efectos de la rugosidad de la supercie son des-
preciables en el cálculo. Como la temperatura
del aire para cada pixel es desconocida, SEBAL
calcula asumiendo una relación lineal entre
( ) y ( ). Para establecer esta regresión li-
neal se seleccionaron dos pixeles para cada
imagen estudiada, uno completamente “seco-
caliente” donde no hay “ ” y otro completa-
mente “húmedo-frío” donde se espera un 100%
de . Una vez establecidos los pixeles “frío”
y “caliente” con sus respectivos parámetros se
obtuvo la regresión lineal para el cálculo de
( ) para cada pixel. Posteriormente, se esti-
maron los valores de “ ” y de forma able.
i) Flujo de calor latente ( ), calor latente de
vaporización ( ), ET instantánea ( ) Por lo tanto, fue necesario determinar los
y fracción de de referencia ( ).
El Àujo de calor latente ( ) fue calculado como
el residuo de la ecuación del balance de energía
utilizando la ecuación de (Bastiaanssen, 1998).
Luego se estimó el calor latente de vaporización
( ) que varía en función de la temperatura su-
percial. Obtenidos “ ” y “ ” se calculó la ET
instantánea ( ) con la siguiente ecua-
ción:
(8)
RELACIONES AGUA-SUELO-PLANTA
Por último, se calculó la fracción de de refe-
rencia ( )), este parámetro es de importan-
cia para el cálculo de la evapotranspiración dia-
ria y mensual, y se calcula de la siguiente forma:
(9)
La es un término equivalente al coe-
ciente del cultivo , se utiliza para extrapolar el
valor de la instantánea estimada en el mo-
mento de la toma de la imagen.
j) Evapotranspiración Diaria ( ). El cálculo
se realizó suponiendo que la “ ” se mantie-
ne constante durante todo el día, debido a que
la humedad del suelo no varía de manera signi-
cativa durante un período de 24 horas (Shutt-
leworth et al., 1989; Brutsaert, 1992). La “
” en mm.dia-1 se calculó a partir de la “ ”
mediante la siguiente ecuación:
(10)
Donde es la fracción de y
es la evapotranspiración de referencia acumula-
da para el día de la imagen.
k) Evapotranspiración acumulada o men-
sual. Los valores de “ ” fueron represen-
tativos para la fecha especíca de la imagen.
valores de la evapotranspiración acumulada
( ) por medio del cálculo de los valores
diarios de la evapotranspiración de referencia
( ) para todo el período, utilizando el método
de Penman-Monteith y los datos de la estación
meteorológica. La “ ” se calculó con la
siguiente ecuación:
(11)
AGROFAZ 89
AGROFAZ VOLUMEN 17 NÚMERO 2 2017
5) Generación de mapas de índice de vegeta-
ción “NDVI” y evapotranspiración real de
cultivo.
En base a las capas o raster generados en el
software “QGIS” de los parámetros índice de
vegetación “NDVI” y evapotranspiración real
de cultivo, se obtuvieron los mapas mediante
el diseñador de impresiones (componente del
mismo software). Este ofrece crecientes capa-
cidades de diseño e impresión, permite añadir
elementos a la vista, como: etiquetas de texto,
imágenes, leyendas, barras de escala, formas
básicas, Àechas, tablas de atributos, etc. El ob-
jetivo de los mapas fue observar la variabilidad
espacial de los parámetros de estudio en el área
de interés.
6) Aplicación de la metodología en una unidad
de producción.
La propuesta metodológica para la estimación
de consumo de agua de maíz forrajero, se efec-
tuó en una unidad de producción agropecuaria
ubicada geográcamente a una latitud norte
de 25º 37´56.9” y una longitud oeste de 103º
20´30.1” a una altura de 1118 msnm. El maíz fo-
rrajero se sembró el 26 de marzo y se cosecho
el 29 de julio del ciclo primavera – verano 2017,
cumpliendo un ciclo vegetativo de 124 días. La
densidad de siembra fue de aproximadamen-
te 105 mil plantas por hectárea (estableciendo
ocho plantas por metro y espaciamiento entre
surcos de 76 cm).
90 AGROFAZ
RESULTADOS Y DISCUSIÓN
En una primera instancia, en el Cuadro 1 se
presentan los resultados de algunos parámetros
calculados con el modelo SEBAL para determinar
la evapotranspiración instantánea “ “ para
cada una de las imágenes que fueron necesarias
para cubrir el ciclo vegetativo del maíz forrajero de
124 días. En este mismo Cuadro se observa que
los valores de los índices de vegetación (NDVI,
SAVI y LAI) tienden a un comportamiento lineal as-
cendente, excepto los valores de la última imagen,
estos disminuyen por que el corte o cosecha de
maíz se realizó un día antes de esa imagen (29
de julio).
En el Cuadro 2 se presenta una comparación
de la evapotranspiración instantánea calculada por
el algoritmo SEBAL y la estimada por el método
de Penman Monteith de la estación climatológica
del Campo Experimental La Laguna, la cual se en-
cuentra cerca del área de interés. La estimación de
la evapotranspiración por el algoritmo SEBAL se
realizó con cinco imágenes de satélite, las cuales
cubrieron la mayor parte del ciclo vegetativo. Cabe
mencionar que no fue posible procesar la imagen
del 14 de julio por nubosidad. La comparación en-
tre ambos métodos presentó un error relativo pro-
medio de 13.0%, siendo la primera imagen la que
presentó mayor error relativo, durante esa fecha el
cultivo tenía 29 días después de la siembra (DDS),
la cual estaba terminando la etapa inicial y empe-
zando la etapa de desarrollo de cultivo.
 RELACIONES AGUA-SUELO-PLANTA

Cuadro 1. Parámetros calculados para la obtención de la evapotranspiración

instantánea ( ) mediante al algoritmo SEBAL para cada una de las escenas
de estudio.

NDVI = índice de vegetación normalizado; SAVI = índice de vegetación ajustado al suelo; LAI = índice de área
foliar; Rn = radiación neta; G = Àujo de calor de suelo; H = Àujo de calor sensible; λET = Àujo de calor latente; λ=
calor latente de vaporación.

Cuadro 2. Comparación de la evapotranspiración instantánea calculada por el algoritmo

SEBAL y la estimada por una estación climatológica mediante la metodología Penman
Monteith.

DDS = Días después de siembra.

En el Cuadro 3 se presenta la comparación de mismas cinco imágenes obtenidas por el satélite

la evapotranspiración real de cultivo diaria calcu-
lada por el algoritmo SEBAL y la determinada por
el método de Penman Monteith empleando los co-
ecientes duales (Kcb + Ke) proporcionados en el
manual 56 (FAO. 2006), para este cálculo también
se utilizaron los datos climáticos de la estación del
Campo Experimental La Laguna. Al igual que la
evapotranspiración instantánea se emplearon las
“Landsat 8” para realizar la estimación de la evapo-
transpiración real de cultivo. Esta comparación pre-
sento un error relativo promedio de 7.4%. (García y
Lleellish. 2011), reportaron un error relativo similar
menor al 10% comparando las mismas metodolo-
gías para determinar la evapotranspiración en el
Humedal Paraíso – Huacho, Perú.

AGROFAZ 91
AGROFAZ VOLUMEN 17 NÚMERO 2 2017

Cuadro 3. Comparación de la evapotranspiración real de cultivo diaria (24 horas)

estimada por el algoritmo SEBAL y la determinada por el método Penman Monteith y
coe¿cientes duales.

La estimación de la evapotranspiración acumu- cuentra ubicada alrededor de 25 km del área de

lada durante el ciclo vegetativo del maíz forrajero
(124 días) por el algoritmo SEBAL fue de 523.3
mm. De igual forma se realizaron corridas con los
softwares “Cropwat 8.0” e “Irrinet” estos programas
calculan el consumo de agua de los cultivos y a
su vez generan una programación de riego para
optimizar el uso de agua. Ambos programas de
cómputo utilizan el método de Penman Monteith y
coecientes duales para estimar la evapotranspira-
ción de cultivo. Estos softwares presentaron eva-
potranspiraciones acumuladas de 459.9 y 517.5
mm respectivamente. Comparando la evapotrans-
piración acumulada determinada por el algoritmo
SEBAL versus la calculada por los softwares, este
presentó un error relativo de -13.8% con respecto
a “Cropwat 8.0” y -0.01% con “Irrinet”. (Koloskov et
al., 2007) reportó una diferencia del 3.5% compa-
rando ambos métodos (SEBAL y Penman Montei-
th con coecientes duales).
El “Cropwat 8.0” opera con una base de datos
climáticos históricos, además, la estación se en-
interés. Con referente al “Irrinet”, este utiliza los da-
tos climáticos de la red de estaciones de INIFAP a
tiempo real. Para este caso de estudio, se empleó
la información de la estación del Campo Experi-
mental La Laguna, eso explica el bajo error relativo
de la evapotranspiración acumulada estimada por
SEBAL e “Irrinet”.
En las Figuras 1 y 2 se presentan los mapas
de índice de vegetación “NDVI” y evapotranspira-
ción real de cultivo de la fecha 28 de junio de 2017,
en esta fecha, el maíz forrajero registraba 93 días
después de la siembra (DDS). El índice “NDVI”
presentó un rango de valores en la parcela de es-
tudio de 0.525 a 0.757; existiendo variabilidad en
toda la unidad de producción, esto se reÀejó en los
valores de evapotranspiración real de cultivo, los
cuales fueron de 4.04 a 6.04 mm.día-1. Esta varia-
bilidad puede atribuirse a los siguientes factores:
variabilidad del suelo, manejo del riego, presencia
de plagas, deciencia de nitrógeno, etc.

92 AGROFAZ
 RELACIONES AGUA-SUELO-PLANTA

Figura 1. Mapa de índice de vegetación “NDVI” del área de estudio establecido con maíz
forrajero a 93 días después de la siembra (fecha: 28 de junio de 2017).

Figura 2. Mapa de evapotranspiración real de cultivo del área de estudio establecido con
maíz forrajero a 93 días después de la siembra (fecha: 28 junio de 2017).

AGROFAZ 93
AGROFAZ VOLUMEN 17 NÚMERO 2 2017
CONCLUSIONES
En base a los resultados presentados en este
trabajo, se puede concluir que es viable la utiliza-
ción del algoritmo SEBAL para estimar la evapo-
transpiración de cultivos forrajeros en sus diferen-
tes conceptos (instantánea, diaria y acumulada).
Este algoritmo permitió la estimación del con-
sumo de agua de maíz forrajero de 523.3 mm
equivalentes a 5,233 m3.ha-1. Sin embargo, es ne-
cesario realizar pruebas adicionales que permitan
seguir evaluando la metodología para ajustar el al-
goritmo y mejorar su precisión en la estimación del
consumo de agua.
LITERATURA CITADA
Aguilera, C. y R. Martínez E. 1996. Relaciones
Agua, Suelo, Planta, Atmósfera. 4a ed. Univer-
sidad Autónoma Chapingo. Chapingo, México.
Allen, R., Morse, A., Tasumi, M., y W. Bastiaans-
sen. 2001. Landsat Thematic Mapper for
Evapotranspiration via the SEBAL process for
Water Rights Management and Hydrologic
Water Balances. AGU Spring Meeting Abstrcts.
p.p. 14 - 35.
Allen, R., Tasumi, M., Trezza, R. y W. Bastiaans-
sen. 2002. SEBAL, Surface Energy Balance Al-
gorithms for Land. Advance Training and Users
Manual. Idaho: a NASA EOSDIS/Synergy
grant from the Raytheon Company University
of Idaho.
Bastiaanssen, W. 1998. Remote sensing in water
resources management: the state of the art.
International Water Management Institute. p.p.
30 – 31.
Bastiaanssen, W., Allen, R., Tasumi, M., y R.Trezza.
2002. Surface Energy Balance Algorithms for
Land SEBAL. Idaho Implementation. Advanced
Training and Users Manual. p. 92.
94 AGROFAZ
Brutsaert, W. 1992. Application of self-preservation
in the diurnal evolution of the surface energy
balance budget to determine daily evaporation.
Journal of Geophysical Research.
FAO, 2006. Evapotranspiración del cultivo. Guías
para la determinación de los requerimientos de
agua de los cultivos. Roma, Italia: Estudio FAO
Riego y Drenaje. ftp://ftp.fao.org/agl/aglw/docs/
idp56s.pdf. Fecha: 15 abril 2017.
García, E., y M.A. Lleellish. 2011. Estimación espa-
cial de la evapotranspiración mediante imáge-
nes de satélite Landsat y el modelo SEBAL en
el humedal Paraíso – Huacho. Proyecto Libro
Digital. Encuentro Cientíco Internacional. Re-
vista ECIPERÚ. Lima, Perú.
Huete, A.R., 1988. A Soil-Adjusted Vegetation In-
dex (SAVI). Remote Sensing of Environment,
25(3), pp.295-309.
Koloskov, G., Mukhamejanov, K., y T. W. Tanton.
2007. Monin-Obukhov length as a cornerstone
of the SEBAL calculations of evapotranspira-
tion. Journal of Hydrology, 335, p.p. 170 – 179.
Murillas, R., A., y E., A., Londoño, C. 2014. Esti-
mación de la evapotranspiración en cultivos de
arroz con sensores remotos. Tesis Licenciatu-
ra. Universidad del Valle. Facultad de Ingenie-
ría. Escuela de Ingeniería Civil y Geomática.
Santiago de Calí. Colombia.
Núñez, J., C. M. 2009. Modelación del Àujo de calor
del suelo y aplicación de algoritmo de cálculo
de evapotranspiración mediante teledetección.
Tesis Magíster en Ciencias de la Ingeniería.
Santiago de Chile: Ponticia Universidad Cató-
lica de Chile.
Rouse, J.W. et al., 1974. Monitoring the Vernal Ad-
vancement and Retrogration of Natural Vege-
tation. Texas: Texas A & M University, Remote
Sensing Center.

Shuttleworth, W., Gumer, R., Hsu, A., y J. Omsby.
1989. FIFE: the variation in energy portioning
at surface Àux sities, remote sensing and large
scale global processes. International Associa-
tion of Hydrological Sciences. p.p. 67 – 74.
USGS. 2017. Servicio Geológico de los Estados
Unidos. https://landsatlook.usgs.gov/. Fecha:
28 marzo 2017.
Velasco, E., y Bernabé, R.M., 2004. Emisiones
Biogenéticas. Primera Edición ed. Ciudad de
México D.F., México: Secretaría de Medio Am-
biente y Recursos Naturales: Instituto Nacional
de Ecología.
RELACIONES AGUA-SUELO-PLANTA
Villagarcía, L., Were, A., García, M., y F. Domingo.
2010. Sensitivity of a clumped model of evapo-
transpiration to surface resistance parameteri-
sations: Application in a semi-arid environment.
Agricultural and Forest Meteorology. p.p. 1068
– 1078.
Villaman, R. P., L. Tijerina C., A. Quevedo N., y G.
Crespo Pichardo. 2001. Comporación de mé-
todos micrometeorologicos para estimar eva-
potranspiración. Revista TERRA. Volumen 19.
Número 3. 281-291.
AGROFAZ 95