Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Director
MIGUEL IGNACIO BARRIOS PEÑA
Doctor en Ingeniería del Agua y Medio Ambiente
Codirector
EDGAR ÁLVARO ÁVILA PEDRAZA
Doctor en Ciencias Agrarias
3
AGRADECIMIENTOS
A mi Codirector el Doctor Edgar Ávila, colega y amigo, quien con su ayuda aportó al
cumplimiento de los objetivos propuestos.
A la Doctora Deyanira Lobo por compartir sus conocimientos en el área de la ciencia del
suelo
A Sergio Andrés Ruiz futuro, futuro Ingeniero Agrícola, por su valiosa colaboración en el
trabajo de campo.
A la Corporación Autónoma Regional del Quindío (CRQ), por la financiación del trabajo
de campo, apoyo logístico para la toma de muestras, registros y el aporte de información.
A la Universidad del Tolima a través del proyecto 550116 para el desarrollo del proyecto,
y en especial al Laboratorio de Física de Suelos de la Facultad de Ingeniería Agronómica
por permitirme realizar las pruebas de física de suelos.
4
CONTENIDO
INTRODUCCION………………………………………………………………………………20
2. ÁREA DE ESTUDIO……………………………………………………………………29
2.1. UNIDADES DE MUESTREO……………………………………………………...…..30
3. MARCO DE REFERENCIA……………………………………………………………33
3.1. IMPORTANCIA DE LAS ESTIMACIONES DE LA HUMEDAD DEL SUELO…..…33
3.2. APLICACIONES DE LA HUMEDAD DEL SUELO ............................................... 35
3.3. FACTORES ASOCIADOS A LA VARIABILIDAD DE LA HUMEDAD DEL SUELO
……………………………………………………………………………………………40
3.4. MEDICIÓN DE LA HUMEDAD DEL SUELO ........................................................ 44
3.5. ESCALA Y ESCALADO ....................................................................................... 56
3.6. CONSIDERACIONES GENERALES ................................................................... 64
5
4.7. CONCLUSION CAPITULO .................................................................................. 91
6
7. CONCLUSIONES ……………….……………………………………………………143
RECOMENDACIONES………………………………………………………………………148
REFERENCIAS……………………………………………………………………………….149
ANEXOS……………………………………………………………………………………….180
7
LISTA DE TABLAS
8
Tabla 14: Ecuaciones de regresión para predecir el promedio heroniano con
las variables geo ambientales y con diferentes resoluciones espaciales de
SMAP 136
9
LISTA DE FIGURAS
10
Figura 12. Modelo no lineal de mayor ajuste de la humedad superficial del
suelo entre el promedio heroniano y las estimaciones por el modelo FX. 88
Figura 13. Área y perímetro de los contornos convexos por unidad de
muestreo. 98
Figura 14. Ejemplo de Imágenes de SMAP_L2 que cubren el área de la cuenca
del río Quindío para la fecha de 2017-09-28, de a) 1, b) 3, c) 9 y d) 36 km de
resolución espacial 99
Figura 15. Ilustración del contorno convexo de la unidad de muestreo U3 en
el píxel de la imagen SMAP_L2 de resolución espacial de 1 km. 100
Figura 16. Gráfico de dispersión (burbujas) del promedio heroniano de la
humedad del suelo por unidad de muestreo y periodo de evaluación. 107
Figura 17. Gráficos de dispersión (burbujas) de la humedad del suelo por
SMAP_L2 para a) 1 km, b) 3 km, c) 9 km y d) 36 km de resolución espacial. 108
Figura 18. Relación entre la magnitud del parámetro geométrico tasa de
cambio de área y el ponderador con exponente igual 0.6 109
Figura 19. Histogramas múltiples entre 𝜃𝑠 (1 km), 𝜃𝐻 y 𝜃𝑤 con los diferentes
parámetros geométricos. 110
Figura 20. Histogramas múltiples entre 𝜃𝑠 (3 km), 𝜃𝐻 y 𝜃𝑤 con los diferentes
parámetros geométricos 110
Figura 21. Histogramas múltiples entre 𝜃𝑠 (9 km), 𝜃𝐻 y 𝜃𝑤 con los diferentes
parámetros geométricos 111
Figura 22. Histogramas múltiples entre 𝜃𝑠 (36 km), 𝜃𝐻 y 𝜃𝑤 con los diferentes
parámetros geométricos 113
Figura 23. Promedio ponderado (𝜃𝑤 ) con la tasa de cambio de área respecto
de las humedades de SMAP_L2 de 1km y del promedio heroniano en los
periodos de evaluación, para cada unidad de muestreo; a) U1; b) U2; c) U3; d)
U4; e) U5; f) U6; g) U7; h) U9; i) U10. 114
Figura 24. Histogramas bivariados por el parámetro geométrico tasa de
cambio de área entre (a) promedio ponderado con SMAP de 3km y HS de 114
11
SMAP de 1km (b) promedio ponderado con SMAP de 36km y HS de SMAP de
3km
Figura 25. Precipitación promedio para los periodos de evaluación en las
distintas unidades de muestreo 134
Figura 26. NDVI promedio para los periodos de evaluación en las distintas
unidades de muestreo 134
Figura 27. Temperatura del suelo promedio en los periodos de evaluación y
en las distintas unidades de muestreo 135
Figura 28. Distribución de la humedad del suelo observada o promedio
heroniano (θH) y los promedios predichos del promedio heroniano, para (a)
SMAP de 1 km; (b) SMAP de 3 km; (c) SMAP de 9 km y (d) SMAP de 36 km. 137
Figura 29. Modelos lineales entre los valores observados y predichos del
promedio heroniano con (a) SMAP de 1 km; (b) SMAP de 3 km; (c) SMAP de
9 km y (d) SMAP de 36 km.
138
12
LISTA DE SÍMBOLOS Y ABREVIATURAS
Abreviaciones
Abreviaciones Significado
a, n y m Parámetros del modelo Fredlund Xing
AMRS-E Radiómetro de Barrido Avanzado de Microondas
ASCAT Dispersómetro Avanzado
ASTER Radiómetro avanzado de emisión térmica y de reflexión espacial
AVHRR Radiómetro Avanzado de Muy Alta Resolución
CRH Curvas de retención de humedad del suelo
CRHc Curvas de retención de humedad del suelo para condición de
campo
CRQ Corporación Autónoma Regional del Quindío
CO2 Dióxido de carbono
CH4 Metano
DAAC Distributed Active Archive Centers
EEM Espectro electromagnético
ESA Agencia Espacial Europea
EVI Indice de vegetación mejorado
FA Franco Arenosa
Far Franco arcillosa
FL Franco Limosa
FX Modelo Fredlung Xing
GEWEX Proyecto de Energía Global y Cambios del Agua
GRG Generalized Reduced Gradient Nonlinear
HR Humedad relativa
HS Humedad superficial del suelo
IR Infrarrojo reflexivo
IRT Infrarrojo térmico
13
ISMM Red Internacional de Humedad del Suelo
LANDSAT Sistema de observación de la tierra
M Masa
MA Microondas activo
MDT Modelo digital del terreno
MIRAS Radiómetro Interferómetrico de Microondas y Apertura Sintética
MP Microondas pasivo
MODIS Espectro radiómetro de imágenes de resolución moderada
MW Microondas
N Nitrógeno
NASA Administración Nacional de la Aeronáutica y del Espacio
NDVI Índice de vegetación normalizado
NIPALS Algoritmo de mínimos cuadrados parciales iterativos no lineales
NSIDC National Snow and Ice Data Center
O Oxígeno
PLSR Regresión de mínimos cuadrados parciales
RMSE Error medio cuadrático
SAR Radar de Apertura Sintética
SENTINEL Programa Copérnico para bservación de la tierra
SIG Sistemas de Información Geográfica
SMMR Radiómetro de microondas de barrido multicanal
SMOS Humedad del suelo y salinidad del océano
SMAP Humedad del suelo activo-pasivo
SMAP_L2 Producto SMAP de nivel L2
SSM/I Sensor de Imágenes de Microondas
Ts Temperatura del suelo
VIS Espectro electromagnético visible
VNIR Visible e infrarrojo cercano
14
Símbolos con letras griegas
𝑟𝜃𝑊
̅̅̅̅̅ Unidad espacial de km 𝑟𝜃𝑊 = 𝑤𝑠 𝐺𝑠 + 𝑤𝐻 𝐺𝑐
downscaling
θH_Pred1 Humedad del suelo predicha cm3 cm-3
15
RESUMEN
Esta investigación tuvo por objetivo, estimar y modelar la humedad superficial del suelo
(HS) por medición indirecta, e incorporar tecnología satelital con información geo-
ambiental. Para ello, se planteó un método indirecto, un método geométrico y un método
por asimilación de datos. El estudio se llevó a cabo en 10 unidades de muestreo
localizadas en la cuenca hidrográfica del río Quindío (Colombia). Se realizaron 2211
mediciones gravimétricas en la capa del suelo (0-5 cm), durante siete períodos de
evaluación, entre 2017 y 2018.
16
humedades con una red neuronal probabilística Bayesiana y se encontró que la tasa de
cambio de área, presentó mayor cantidad de casos clasificados correctamente, con un
R2 de 74%, para 1 km de resolución espacial. Se estimó una unidad espacial de cambio
(downscaling), de 0,485 km, correspondiente a una reducción del 53%.
Para el método por asimilación de datos, se diseñó un modelo de regresión lineal para
predecir la HS con la incorporación de factores geo-ambientales y humedades del satélite
SMAP. Se determinaron coeficientes R2 de 62%, 69%, 63% y 70%, para los modelos de
predicción de 1,3, 9 y 36 km respectivamente. Se evaluó la exactitud de los promedios
heronianos con las estimaciones, encontrándose un RMSE menor de 0.0614, para 9 km
de resolución espacial.
17
ABSTRACT
The objective of this research was to estimate and model the surface moisture of the soil
(SM) by indirect measurement, and to incorporate satellite technology with geo-
environmental information. For this achievement, an indirect method, a geometric method
and a method by data assimilation were proposed. The study was carried out in 10
sampling units located in the Quindío River watershed (Colombia). A total of 2211
gravimetric measurements were made in the soil layer (0-5 cm), during seven evaluation
periods, between 2017 and 2018.
In the sampling units, the following soil variables were evaluated: bulk density by the
cylinder method, particle size distribution by the hydrometer method, soil porosity by the
stress table method, soil moisture retention curves, at six pressure points using Richards'
pans, and relative moisture and soil temperature were measured, using 47 iButton
DS1923 sensors. The statistical analysis was performed through a descriptive and
inferential approach using multivariate methods:
For the indirect method, gravimetric measurements were added using the heronian
average, with which the same dimension of data was obtained by the two methodologies.
An adjustment was made using the cubic spline technique. The effect of time was
analyzed with the analysis of longitudinal nonparametric variance. A cluster analysis was
performed, forming five strata, which were evaluated with the Q statistic. Finally, a non-
linear model (S curve) was determined, between measurements and estimates, with an
R2 adjustment of 68%.
For the geometric method, convex contours were formed and the SM of SMAP satellite
images of four spatial resolutions was determined. The moisture content for both methods
was weighted using a transcendental limit by analogy, in which six geometric parameters
were considered. The moistures were classified using a Bayesian probabilistic neural
network and it was found that the rate of change of area, presented a greater number of
18
correctly classified cases, with an R2 of 74%, for 1 km of spatial resolution. A spatial unit
of change (downscaling) of 0.485 km was estimated, corresponding to a reduction of
53%.
For the data assimilation method, a linear regression model was designed to predict SM
with the incorporation of geo-environmental factors and SMAP satellite moisture. R2
coefficients of 62%, 69%, 63% and 70% were determined for the prediction models of
1.3, 9 and 36 km respectively. The accuracy of the heronian averages was evaluated with
the estimates, finding an RMSE of less than 0.0614, for 9 km of spatial resolution.
The results of this research constitute unprecedented information in the country, aimed
at monitoring soil surface moisture, through the use of new geospatial technologies, to
improve, among other aspects, the monitoring and management of disaster risks such as
droughts and floods, agricultural production, and in general the planning and use of
resources in watersheds.
Keywords: Soil moisture, matrix potential, satellite images, geometric downscaling, data
assimilation.
19
INTRODUCCIÓN
Así mismo, los métodos son alternativas a considerar para en aplicaciones que requieran
de esta importante variable, como la producción agrícola, la gestión del riesgo y
amenazas naturales como la sequía y las inundaciones, en aplicaciones y seguimiento
a vectores que afectan la salud humana, a la predicción del clima y flujos de gases entre
la superficie y la atmósfera, y en general en la gestión y planificación ambiental de
cuencas hidrográficas y del territorio.
20
fase de campo, en la que se realizó la toma de muestras de suelo, a una profundidad de
0 a 5 cm, para análisis gravimétrico y para otras propiedades físicas como la densidad
aparente, textura, porosidad y retención de humedad; además, se instalaron 47 sensores
Ibutton DS1923, para el registro de la temperatura y la humedad relativa del suelo. En
laboratorio, se analizaron las muestras para contenido de agua del suelo por método
gravimétrico, densidad aparente, por el método del cilindro, distribución de tamaño de
partículas por el método del hidrómetro, porosidad del suelo por el método de la mesa
de tensión y se realizaron las curvas de retención de humedad (CRH) del suelo en seis
puntos de presión utilizando las ollas de Richards en cada unidad de muestreo.
Los resultados obtenidos se circunscriben a la zona de estudio, mientras que los métodos
planteados pueden aplicarse en suelos de otras cuencas hidrográficas, mediante la
determinación de las propiedades físicas y muestreo de estos. Los métodos propuestos
en el desarrollo de esta tesis se enlazarán, al estudio del agua que se realiza en la cuenca
del río Quindío, por el grupo interdisciplinario de la Corporación Autónoma Regional del
Quindío (CRQ) y la Universidad del Tolima.
21
El documento está dividido en 5 capítulos en forma de artículos y 3 anexos. En el capítulo
1, se presenta un marco de referencia de la humedad del suelo. Los capítulos 2 a 4,
comprenden el desarrollo específico del tema de investigación; cada uno de los capítulos
está estructurado con introducción (incluido el planteamiento del problema y los
objetivos), materiales y métodos, resultados, discusión, conclusiones y referencias. El
capítulo 2, se refiere a la estimación de la humedad superficial del suelo por diferentes
estructuras dimensionales y la evaluación del desempeño de un método basado en el
potencial matricial; en el capítulo 3, se diseñó un método para estimar la humedad
superficial del suelo por ponderación geométrica de imágenes satelitales y contornos
convexos y en el capítulo 4, se modeló la humedad superficial del suelo por asimilación
de datos e imágenes satelitales usando mínimos cuadrados parciales. Finalmente se
presenta un quinto capítulo de conclusiones y recomendaciones generales y futuras
líneas de investigación.
22
1. PLANTEAMIENTO DEL PROBLEMA
La humedad del suelo (HS) es sin duda un factor importante para todo lo relacionado con
la vida en la tierra, sin agua la vida desaparece, y con demasiada agua la vida no acuática
puede verse afectada gravemente (Kerr et al., 2016). El agua almacenada en el suelo a
escala global constituye el 0,001%, del contenido de agua de nuestro planeta. La HS
desempeña un papel fundamental, como una variable de estado en la respuesta
hidrológica de la cuenca hidrográfica, ya que la HS controla los intercambios de energía
y gases entre la superficie de la tierra y la atmosfera, incluyendo gases de efecto de
invernadero (CO2, CH4, N, O), circunstancia que tiene una alta implicación en la dinámica
del tiempo y el clima (Seneviratne et al., 2010; Patel et al., 2009), y ejerce un impacto en
el comportamiento de la infiltración, la escorrentía superficial y el flujo generado por la
precipitación, el cual puede ser mayor y ocurrirá más rápidamente, en suelos más
húmedos y en áreas de la cuenca donde los suelos estén saturados (Zribi et al., 2005;
Penna et al., 2011).
El monitoreo de la HS, es importante para una amplia gama de aplicaciones tales como,
la predicción del rendimiento de cultivos, la mejora de la productividad agrícola,
particularmente en regiones donde es necesario aplicar riego regularmente y los recursos
hídricos son limitados, para planificar respuestas a emergencias alimentarias (Nagarajan
et al., 2010), en la gestión de riesgos y desastres asociados a las sequías e inundaciones
(Choi et al., 2009; Jackson, 2012), en la predicción meteorológica (Drusch et al., 2007);
en el fortalecimiento de los modelos de gestión para de la salud pública y tráfico aéreo
(Piles, 2010) y para estudios sobre el cambio climático (Al Bitar et al., 2012). Estos
modelos de gestión demandan la integración del análisis de la HS, debido a que se
vienen registrando, cada vez con mayor frecuencia e intensidad, eventos climatológicos
extremos que dan lugar a cambios significativos en el ciclo hidrológico, lo cual tiene un
efecto significativo sobre factores biofísicos y antrópicos tales como: la dinámica de las
23
plagas y enfermedades en vegetales, animales y humanos, cambios en el cauce de los
ríos, alteraciones en la estructura de los suelo que pueden generar hundimientos,
avalanchas y demás desastres en zonas rurales y urbanas; se ha demostrado que incluir
la HS en los modelos climáticos, además de la temperatura superficial del mar, pueden
mejorar las predicciones de lluvia muy significativamente, en casos de eventos extremos,
entre otros factores (Glenn et al., 2007; Yang et al., 2010; Mariotto and Gutschick et al.,
2010; Choi et al., 2009).
Por una parte, las mediciones de la HS mediante el método gravimétrico, son realizadas
en un punto especifico en el espacio y tiempo, pero para obtener mediciones
representativas de un área mayor a escala regional o global, implica una estrategia de
muestreo más compleja, que consume mucho tiempo y costo. El uso de sondas
automáticas (resistivas, capacitiva, reflectometría de dominio de tiempo), facilita
estimaciones de la HS para grandes más áreas, pero este enfoque puede limitarse a
sitios bien equipados y de fácil acceso, ya que requieren de cuidado y mantenimiento y
los equipos deben ser calibrados constantemente. Las mediciones de campo (in situ),
son la principal fuente de información para validar y calibrar modelos de superficie
terrestre, permiten mejorar las observaciones procedentes de técnicas satelitales a
escala global y soportan las series de tiempo, que permiten revelar tendencias en el ciclo
del agua, relacionadas con el clima o los cambios de cobertura del suelo; sin embargo,
no representan la distribución espacial de la HS con precisión, por lo cual no son
24
adecuadas para aplicaciones a escala regional o global (Dorigo et al., 2011; Ochsner et
al., 2013).
25
presentan coeficientes de correlación de 0,5 a 0,85, entre las estimaciones y mediciones
de referencia en tierra. Estudios demuestran que las mediciones de HS por el sistema
SMAP, permiten el rápido monitoreo de eventos de inundación, facilitan evaluar el efecto
de huracanes, posibilitan hacer seguimiento a la lluvia, apoyan la predicción de crecidas
en cuencas de gran escala, permiten realizar proyecciones rápidas y precisas de fechas
de riego en campos de cultivo y proporcionan información de posibles sequías y gestión
de recursos hídricos; sin embargo, la resolución espacial aún es una limitante para
estudios a nivel local y para áreas de alta vegetación o boscosas (Kerr et al., 2016).
El uso de mediciones in situ como de sensores remotos, han sido utilizadas en estudios
dedicados al análisis de la variabilidad espacial de la HS, en diversos rangos de escala,
que incluyen, a escala de campo (Bell et al., 1980), a escala de cuenca o captación
(Western et al., 1999), a escala regional (Zhao et al., 2018) y a escala global o continental
(Entin et al., 2000; Li and Rodell et al., 2013); con diversos métodos y técnicas de
medición convencionales o novedosas, y claramente se ha entrado en la era de “grandes
datos” en el campo de la teledetección o percepción remota, que comprenden millones
de mediciones de la HS y promueven un desafío para estudiar la dinámica del agua en
el suelo, ampliar el conocimiento de la condición y distribución de la humedad en el
suelos para diversas aplicaciones y hacer más eficiente la recolección de datos, para
investigadores y entidades encargadas del monitoreo de los recursos.
26
En la cuenca hidrográfica del río Quindío y en general en las cuencas de Colombia, existe
escasa información sobre la HS y no se cuenta con una red de monitoreo que permita
hacer seguimiento al comportamiento de la HS, que permita identificar efectos que
impacten y degraden el suelo y los recursos hídricos, principalmente en zonas de alta
montaña, características de la topografía y condiciones ambientales del país. Existen
estudios que modelan la HS e incorporan otras variables; sin embargo, se observa un
desajuste de escala, debido al soporte de medición de la HS, los datos colectados con
métodos in situ, de alta resolución temporal y espacial, son adecuados para obtener
información sobre el cambio de almacenamiento de la HS en el perfil del suelo (escala
local), y menos adecuados para cuantificar los flujos que ocurren bajo condiciones típicas
de campo o para representar la distribución de la HS a escala regional o global.
1.3. OBJETIVOS
1.3.1 Objetivo general. Estimar y modelar la humedad superficial del suelo por medición
indirecta, e incorporar tecnología satelital con información geo-ambiental, mediante un
enfoque geométrico y estadístico en una cuenca andina tropical colombiana.
27
1.3.2 Objetivos específicos. Para el logro del objetivo general se plantearon los
siguientes objetivos específicos:
b. Diseñar un modelo para estimar la humedad superficial del suelo por ponderación
geométrica de imágenes satelitales y contornos convexos.
c. Modelar datos geo ambientales para estimar la humedad superficial del suelo
usando mínimos cuadrados parciales.
28
2. ÁREA DE ESTUDIO
Unidades de muestreo U4 U3
Cuenca Hidrográfica
U del
U6
U
U
U8 U2
República de
U7
Alturas
dem12cuenca
High : 4794
U1
Low : 1079
Fuente: Autor
29
bimodal, de acuerdo con los registros de las estaciones climatológicas: La Montaña, La
Playa y Centro de la Guadua, las cuales son gestionadas por la Corporación Autónoma
Regional del Quindío -CRQ. Para el año 2017, el mes más seco fue julio con promedio
de 45,4 mm y el mes más lluvioso fue noviembre con 310,3 mm, mientras que para el
año 2018 igualmente el mes más seco fue julio con promedio de 51,3 mm y los meses
más lluviosos fueron abril con 319 mm y octubre con 317,1 mm. La temperatura media
anual oscila entre 17,9 °C (durante las épocas lluviosas, en los meses de octubre y
noviembre) y 22,1 °C (durante los meses más secos en julio y agosto), condiciones que,
de acuerdo a la clasificación de pisos térmicos e índice de Lang, definen que la cuenca
se encuentra en la provincia húmeda, muy húmeda y pluvial (IGAC, 2013).
Para definir las unidades de muestreo en la cuenca hidrográfica del río Quindío, se
analizaron los factores que influyen preponderadamente en la variabilidad de la HS. Se
involucraron a la cobertura, pendiente, curvatura de la superficie y textura del suelo como
variables que podrían influir en la variación de la HS, por lo que se tuvieron en cuenta
para obtener unidades de muestreo representativas de las condiciones fisiográficas de
relieve, suelo y coberturas presentes en la cuenca como lo sugieren (Martínez-González
et al., 2010; Yee et al., 2016).
30
La información de la cobertura y uso de la tierra se obtuvo del mapa realizado por el
Instituto Geográfico Agustín Codazzi (IGAC) en el año 2013 a escala 1:25000 y
actualizado para el año 2015. La pendiente y curvatura de la superficie se obtuvo del
procesamiento al Modelo Digital del Terreno (MDT) de 12,5 m, proveniente del sistema
ALOS PALSAR en Banda L, Path 148, Frame 70, de fecha 20 de febrero de 2011
obtenido del portal de datos de la tierra Alaska Satellite Facility - ASF. La pendiente se
determinó con el método Horn para superficies rugosas, que utiliza para el cálculo los
ocho píxeles vecinos de la celda (Horn et al., 1981) y se clasificó según el manual interno
de códigos del IGAC. La curvatura se calculó en dirección de la pendiente con los
coeficientes de ajuste de los ocho vecinos próximos a la celda, donde valores positivos
describen que la superficie es cóncava arriba de la celda, los valores negativos indican
que la superficie es convexa hacia arriba de la celda y valores cercanos a cero
corresponde a una superficie lineal (Zevenbergen & Thorne et al., 1987). La textura, se
obtuvo mediante el análisis de las muestras de suelo en el laboratorio siguiendo el
método del hidrómetro (Pla et al., 1983; Gabriels and Lobo et al., 2006).
31
formado a partir de rocas volcano-sedimentarias y depósitos aluviales gruesos y medios,
clasificados como Typic Humudepts, Pachic Hapludands y Typic Udorthents (IGAC,
2013).
32
3. MARCO DE REFERENCIA
La humedad del suelo (HS), como variable de estado del ciclo del agua sobre la tierra,
controla los flujos de agua entre la atmosfera, la superficie y el subsuelo (Figura 2).
Debido a la gran cantidad de calor que se intercambia cuando el agua cambia de fase,
el ciclo del agua es fundamental para la dinámica del flujo de energía. Dado que el agua
es el principal solvente en el sistema de la tierra, los ciclos biogeoquímicos como el
carbono, el nitrógeno y el metano están inmersos en el ciclo del agua, y a través de esta
dinámica, la HS condiciona la evolución del tiempo y el clima sobre las regiones
continentales: Por lo tanto, las mediciones de la HS son necesarias para mejorar nuestra
comprensión de los procesos del ciclo del agua, la energía y el carbono de la tierra (Peng
& Loew et al., 2017).
33
Figura 2. Ciclo natural del agua, ignorando las influencias humanas
Fuente: (www.usgs.gov).
34
Tradicionalmente se ha considerado la HS, como el agua contenida en la zona no
saturada del suelo, en la que los poros del suelo contienen más aire que el agua.
También puede ser caracterizada como una combinación de la HS en la superficie,
definida como el agua contenida dentro de los primeros 5 cm de la profundidad del suelo
y la HS de la zona de la raíz, determinada como el contenido de agua contenida, por
debajo de 5 cm de profundidad del suelo, como se observa en la Figura 3 (Hillel, 1998;
Seneviratne et., al 2011).
35
clima (Douville & Chauvin et al., 2004); mejora de la productividad agrícola (Piles, 2010);
seguimiento a la sequía, inundaciones y monitoreo de desastres naturales (Crow et al.,
2005); y aplicaciones en salud (Piles, 2010). Algunos ejemplos se presentan a
continuación:
36
desbalances entre la luz absorbida por la tierra y la energía irradiada al espacio, proceso
que se conoce como forzamiento radiactivo. En escenarios de cambio climático, se
estiman forzamientos radiactivos entre 6 y 8 W por m2, este aumento de la energía
genera calentamiento global, el cual se está produciendo por la acumulación de gases
en la atmósfera que generan el efecto invernadero, e interfiere con la energía que debe
ser irradiada al espacio exterior. Por lo tanto, las observaciones de la HS proporcionan
una clara oportunidad para mejorar la comprensión de los impactos del cambio climático
y ayudarían a mejorar las predicciones climáticas estacionales, lo que beneficiaría las
actividades socioeconómicas sensibles al clima, incluyendo la gestión del agua, de la
agricultura y en general, la gestión integrada de riesgos y desastres (Douville & Chauvin
et al., 2004).
Los sistemas satelitales para medición de la HS, son a escala general o global y las
estimaciones se producen a partir de modelos, con un alto grado de incertidumbre. Aún
no hay unas estimaciones desde satélite a una escala más local y son pocas las redes
de monitoreo in situ a nivel mundial, dedicadas a la medición de la HS (Dorigo, et al.,
2011). La asimilación de observaciones precisas de la HS a escala regional o local
ayudaría a mejorar las predicciones de los modelos tanto en la predicción de sequías
37
como de inundaciones, lo que permitiría un monitoreo más efectivo de las amenazas y
esfuerzos de mitigación (Crow et al., 2005). Además, conocer el grado de humedad del
suelo, permitiría predecir el riesgo de crecidas repentinas, predecir la aparición de nieblas
y apoyaría estudios de deslizamientos en zonas de montaña (OMM, 2014).
El conjunto de interacciones entre clima, plantas, suelo, agua y ambiente genera los
rendimientos de los cultivos en cada cosecha, pero es importante enfatizar, que un
abastecimiento inadecuado de agua, es una de las principales causas de la baja
productividad de los cultivos, pero es igualmente importante los aspectos nutricionales
de las plantas; por lo tanto, un enfoque integrado debe ser dirigido. Por lo tanto, se
requiere del monitoreo directo y continuo HS disponible para las plantas y de sistemas
38
de información sobre el estrés hídrico que redunden en la mejora de sistemas que
apoyen la productividad agrícola (Piles, 2010; Allen et al., 2006).
39
Figura 4. Incorporación de la humedad del suelo a modelos numéricos de predicción del
tiempo que conducen a un mejor pronóstico de precipitaciones
40
la HS en superficie (Bell et al.,1980; Robinson & Dean, 1993; Nyberg,1996; Famiglietti et
al., 1998; Western et al., 1999; Wu et al., 2012). Las variaciones de la radiación solar
entrante y el viento, pueden influir en la tasa de evapotranspiración del suelo, ya sea
aumentando o disminuyendo la HS. En su estado más simple, las características de la
escorrentía superficial, flujo subsuperficial y la humedad del suelo, dependen de las
características de la intensidad y duración de la precipitación (Sivapalan et al., 1987;
Famiglietti et al., 1998; Salvucci, 2001).
41
vegetación, las propiedades del suelo y la topografía en la distribución de la HS,
indicando que la elevación relativa y la topografía, ejercen un control dominante en la
variabilidad de la HS a escala local (Hawley et al.,1983; Crave and Gauscuel-Odoux,
1997). También, se han realizado evaluaciones entre la HS superficial y un número de
parámetros, incluyendo la elevación relativa y la pendiente, encontrándose altas
correlaciones positivas entre la humedad del suelo, la pendiente y la elevación (Nyberg,
1996). Igualmente, algunos autores, consideran que la pendiente y la textura del suelo
son factores determinantes en la variabilidad de la HS, independientemente del tipo de
vegetación existente en la zona (Martínez-González et al., 2010).
Así es que, muchos estudios se han dedicado a conocer la relación bidireccional entre la
cubierta vegetal y la HS, donde la presencia y cantidad de vegetación influyen en la
concentración de la HS en superficie debido a las propiedades del suelo, al incorporarse
materia orgánica y al extraer agua del suelo para ser usada en la traspiración de la
vegetación (Hawley et al.,1983; Liancourt et al., 2012; Petropoulos et al., 2013). La
presencia de la cobertura vegetal influye en la HS, a través del patrón de escurrimiento
que impone el dosel vegetal, lo que a su vez influye en la tasa de evaporación del suelo
y en la conductividad hidráulica del mismo, por la actividad de las raíces (Famiglietti et
al., 1998; Atchley and Maxwell et al., 2011).
42
El uso de la tierra, también influye significativamente en la determinación de la
variabilidad espacial de la HS, principalmente por los impactos asociados a las tasas de
infiltración y escorrentía y por los procesos de evapotranspiración, circunstancias que
tienen un efecto más pronunciado durante la temporada de crecimiento (Zhao et al.,
2018). Igualmente, muchos estudios han demostrado que la influencia del uso de la tierra
en la HS en superficie, expresada principalmente a través de la evapotranspiración, que
puede incluso eliminar efectos de los parámetros relacionados con la topografía, como
el aspecto (Hébrard et al., 2006). El uso de la tierra, también influye en las variaciones
espacio temporales de las principales características de la superficie del suelo, tales
como, la estructura de la capa superior del suelo y en la formación de costras lo que
influye en la variación espacial de la HS (Le Bissonnais et al., 2005). Por lo anterior, es
de gran importancia el seguimiento a la cobertura vegetal, como indicador de la HS.
Propiedades del suelo. La composición del suelo, varía tanto espacial como
temporalmente y siempre incluye material en la fase sólida (tanto orgánico como
inorgánico), en fase líquida (solutos) y en la fase gaseosa (oxígeno, dióxido de carbono
y nitrógeno en proporciones variables), componentes que conforman la estructura del
mismo. La condición física del suelo y su manejo, influyen de forma importante en la
escorrentía, la infiltración, la evaporación directa de la superficie del suelo, la
transpiración y la cantidad de HS disponible para las plantas, dentro de la profundidad a
la cual pueden penetrar las raíces. (Smithson et al., 2008).
43
El contenido de materia orgánica de los suelos, influye directamente en el albedo del
suelo y en las propiedades dieléctricas; los suelos con una menor proporción de
sustancias orgánicas descompuestas se caracterizan por un albedo más alto (y por lo
tanto de reflectancia), especialmente en las partes cercanas a infrarrojos y visibles del
espectro electromagnético, mientras que los suelos con una mayor proporción de materia
orgánica descompuesta, tienden a tener un albedo menor en todas las longitudes de
onda, comprendidas entre 0,5 y 2,3 mm (Kuruku et al., 2009). La materia orgánica del
suelo, influye en las tasas de evaporación de la superficie del suelo y por tanto en la HS
de la capa superficial; además, la cantidad de hojarasca en el suelo y el grosor de los
horizontes “O” y “A”, que dependen directamente del tipo de vegetación, favorecen al
suelo con una menor pérdida de humedad en temporadas secas y una mayor retención
de humedad en la temporada de lluvias (Famiglietti et al., 1998; Martínez-González et
al.,2010).
Desde el año 1990, surgió el interés de los meteorólogos por medir la HS, tras los
estudios pioneros de Deardorff (1978), en que los modelos atmosféricos numéricos a
distintas escalas, se hacían más eficientes al tratamiento de flujos de calor, en las capas
superficiales del suelo; y actualmente, hay una creciente necesidad para determinarla.
Son numerosos los métodos de medición y es amplia la documentación sobre el tema;
sin embargo, la HS, es una variable que rara vez se observa de forma regular en las
estaciones meteorológicas y la documentación sobre la esta variable se limita a la
descripción del “estado del terreno”, según cifras de la OMM (2014), dejando que
hidrólogos, edafólogos, técnicos agrarios y otros, se encarguen de su medición.
44
entre estas dos variables; sin embargo, esta relación depende de las características del
suelo, como la densidad o la textura. Los métodos e instrumentos disponibles para
estimar el agua del suelo, se basan en determinar el contenido de agua y el potencial
hídrico, de forma directa e indirecta. (Romano, 2014).
3.4.1. Contenido de agua en el suelo. El contenido de agua del suelo es un valor que
expresa la masa o el volumen de agua contenido en el suelo y se enuncia mediante el
contenido gravimétrico de humedad del suelo, 𝑤, definido como:
𝑀𝑤
𝑤=
𝑀𝑠
45
La gravimetría es un método generalmente aceptado para comparaciones (calibrar y
validar valores), ya que en la práctica es el único método que proporciona una medición
directa del contenido de agua del suelo a diferentes profundidades del suelo, en el cual
las muestras se pesan en estado húmedo y después de secar en estufa se calcula la
humedad gravimétrica (𝑤), y para obtener la humedad volumétrica (θ), se requiere de la
densidad aparente del suelo (ρ) (Pla, 2010; Romano, 2014). Las mediciones
gravimétricas suelen ser escasas debido a los costos asociados, a lo laborioso del
método para cubrir grandes áreas y no pueden ser automatizadas (Dorigo et al., 2011;
Korres et al., 2013).
46
y requiere de un buen contacto con éste, por lo que puede presentar problemas de
variabilidad espacial (Dirksen et al., 1999).
3.4.2. Potencial del agua el suelo. El potencial de agua del suelo es una variable que
representa el estado del agua en el sistema atmósfera-planta-suelo. En el suelo, es el
potencial que se deriva de la tensión superficial de los meniscos de agua entre las
partículas del suelo. Esa magnitud del potencial, depende de varios factores como el
contenido de agua del suelo, el tamaño de los poros del suelo, las propiedades de la
superficie de las partículas del suelo y la tensión superficial del agua del suelo.
Para determinar el potencial de agua del suelo, pueden utilizarse varios métodos como
los tensiómetros, los bloques de resistencia eléctrica o los psicrómetros del suelo (Klute,
1986). Los tensiómetros, son dispositivos que miden la tensión o la energía del agua en
el suelo, están disponibles comercialmente, son económicos, no destructivos, de fácil
instalación, operación y duración; sin embargo, las mediciones automatizadas son
costosas y eléctricamente inestables (Dukes et al., 2010). Los bloques de resistencia
eléctrica son insensibles a los potenciales hídricos en condiciones de humedad,
requieren de calibración constante porque sus mediciones pueden ser afectadas por la
histéresis del suelo, pero son un complemento a los tensiómetros y útiles para redes
semipermanentes. Los psicrómetros, generalmente se utilizan en laboratorio como
referencia para otros métodos, son costosos, requieren de manejo especializado, lo que
lo hace un método exigente, incluso para expertos (OMM, 2014).
47
También surgen otros métodos alternativos como la higrometría, que permite estimar
indirectamente el potencial de agua del suelo, por medición de la humedad relativa y la
temperatura, como variables de la relación termodinámica que expresa la ley de Kelvin
(Meza, 2012). Estudios consideran, que el uso de este método, facilita estimaciones de
la HS en grandes áreas, su operación puede ser automatizada, es de bajo
mantenimiento, y no hay destrucción de la muestra de suelo; aunque, requiere de
equipos de alto nivel de calibración y los sensores se pueden deteriorar con el tiempo,
por la interacción con el suelo (Petropoulos et al., 2015; Wiebe et al.,1977; Baker et al.,
2007; Whalley et al., 2013).
3.4.3. Detección de la humedad del suelo con sensores remotos. Las observaciones
realizadas en un punto de muestreo, no permiten conocer el valor regional de la HS, por
lo que la percepción remota surge como una técnica prometedora de detectar
48
espacialmente la variable, complementa las observaciones de información donde no hay
mediciones y recopila nueva información. Los instrumentos de percepción remota, como
los radares y satélites meteorológicos cobran mayor importancia como elementos
básicos en la generación de datos para la simulación hidrometeorológica, al considerar
que la reflectancia del suelo, en general, es función de algunas propiedades, como el
contenido de humedad del suelo, la materia orgánica, la textura y la conductividad
eléctrica (Castro et al., 2011).
▪ El visible y el infrarrojo (0.4 - 3µm). En general, la parte reflectiva del EEM (VIS, IR) no
es capaz de ofrecer una solución particularmente confiable para medir la HS y presentan
una baja resolución temporal; sin embargo, son capaces de proporcionar estimaciones
aproximadas de la humedad del suelo a altas resoluciones espaciales, en comparación
a otros tipos de sensores (por ejemplo, instrumentos de microondas), lo cual es una
ventaja significativa (Petropoulos et al., 2015).
49
espacial en áreas pequeñas. A pesar de que es una aplicación directa para estudios de
campo, en la actualidad, los resultados de estos estudios aún son limitados
principalmente por costos de operación, pero son prometedores (Minacapilli et al., 2009;
Soliman et al., 2013).
▪ El microondas pasivo y activo (1mm – 1m). Estudios muestran, que los sensores activos
como el radar, son capaces de detectar la HS con alta resolución espacial,
aproximadamente 1 km o incluso más con el Sistema de Apertura Sintética (SAR); sin
embargo, la retrodispersión del radar está muy influenciada por la rugosidad de la
superficie, la topografía, la vegetación, la estructura de la cubierta y el contenido de agua
(Dubois et al., 1995; Shi et al., 1997), en contraste con sensores pasivos en el
microondas (radiómetros), que presentan una sensibilidad reducida a la rugosidad de la
superficie terrestre y a la vegetación, pero su resolución espacial es baja (30 - 50 km), lo
cual es factor limitante para su aplicación en estudios a escala regional, donde se
necesitan mayores resoluciones espaciales (<10 km) (Jackson et al., 2012; Njoku and
Entekhabi,1996; Entekhabi et al., 2010).
Aunque el MA, tiene una mayor precisión, aún faltan parámetros adecuados para
minimizar los errores y el sesgo que se presenta en las mediciones satelitales, debido a
la opacidad que genera la capa vegetal, respecto al uso de sensores pasivos del
microondas (Montzka et al., 2013). No obstante, en general los datos del microondas
permiten detectar y estimar mejor la HS superficial, debido a la directa relación de la
emisividad y el contenido de agua en el suelo (Shutko and Reutov, 1982; Schmugge et
al., 1986; Njoku et al., 2002. Piles, 2010).
50
la cantidad de biomasa y a la rugosidad de la superficie (Moran et al., 2004; Barrett et
al., 2009).
La fusión de datos del VIS con el IRT, tiene la capacidad de proporcionar una
interpretación no lineal del espacio para el cálculo de las estimaciones de la distribución
espacial de la HS; además, generan resultados de alta resolución espacial. Sin embargo,
los métodos utilizados en la fusión VIS/IRT, en su mayoría son de naturaleza empírica,
están limitados por la nubosidad, las condiciones diurnas, la variabilidad del tiempo, la
ocupación del suelo, la baja resolución temporal y la poca profundidad de penetración.
Para su aplicación práctica, muchos de los métodos sinérgicos VIS/IRT requieren de una
amplia serie de información sobre Índices de Vegetación (IV) o del Índice de Vegetación
Normalizado (NDVI), dentro de la región de estudio, lo cual generalmente no siempre
puede ser suficiente para grandes áreas homogéneas. Como ventaja comparativa, hay
una mayor cantidad de satélites disponibles en el VIS e IR, sus datos son de fácil acceso
y se puede contar con datos históricos de largo plazo, razón por la cual quizá se justifica
el continuo interés de la comunidad científica en estos métodos (Carlson, 2007; Wang et
al., 2007; Petropoulos & Carlson, 2011; Holzman et al., 2014; Zhang et al., 2014;
Petropoulos et al., 2015).
Este potencial de sinergia entre los datos de microondas activos y pasivos ha sido
aplicado en numerosos estudios, los cuales se basan en determinar la cantidad de
51
vegetación y los parámetros de la rugosidad de la superficie con observaciones del MA
y su combinación con la resolución espacial (más gruesa) de las observaciones de
temperatura de brillo del MP, para estimar la HS. El uso de esta técnica de integración
de observaciones activas y pasivas ha impactado en el avance y desarrollo de
metodologías de uso combinado, siendo este procedimiento aceptado por muchos
investigadores como un método eficaz para obtener estimaciones de la HS superficial
(Lee and Anagnostou, 2004; Narayan et al., 2006; Liu et al., 2012; Petropoulos et al.,
2015).
Las técnicas de fusión entre microondas y datos ópticos (IRT), han sido propuestas y sus
principales ventajas incluyen una resolución espacial fina, la cual es adecuada para
estimaciones a escala regional o local y presentan un potencial prometedor para derivar
estimaciones de la HS, en ecosistemas de vegetación parcialmente fragmentados
(Petropoulos et al., 2015). Otros enfoques, combinan datos derivados de la teledetección
y de campo, como una alternativa prominente, para abordar el estudio de la estimación
de la HS a mayor resolución espacial, que la que proveen directamente los datos de
sensores remotos (Carlson et al., 1994; Chauhan et al., 2003; Merlín et al., 2005; Carlson,
2007, Chakrabarti et al., 2015).
3.4.4. Misiones espaciales para medición de la humedad del suelo. Con la aparición de
numerosas misiones de satélites y radiómetros, la tecnología satelital ha entrado en una
nueva era de datos de observación de la tierra y en los últimos años han surgido,
misiones de sistemas satelitales especializados que están proporcionado información
sobre la HS a nivel mundial.
Los datos de HS de varios sensores remotos, se han puesto a disposición desde el año
1979, con el Radiómetro de Microondas de Barrido Multicanal (SMMR, siglas en inglés),
lanzado en el satélite Nimbus-7 y que operó hasta el año 1987 (Vinnikov et al., 1999;
Reichle et at., 2004); el cual fue seguido por el Sensor Especial de Imágenes de
Microondas (SSM/I, siglas en inglés), lanzado en las plataformas del programa de
52
defensa de Meteorología Satelital (DMSP, siglás en inglés), y que ha recopilado datos
de la HS desde su lanzamiento (Wen et al., 2005).
53
Tipo de Resolución Resolución Exactitud de Distribuido
Sistema
instrumento espacial temporal recuperación por
SMAP Banda L (1,2- 3-40 km 3 días ≥0,04 m3 m-3 NASA
1,4 GHz) (MW 1km (reciente)
radar activo y
radiómetro MW
pasivo)
SMOS, fue primera misión dedicada a la medición global de la humedad del suelo y la
salinidad del mar, de la Agencia Espacial Europea (ESA). Fue puesta en órbita
heliosincrónica, el 2 de noviembre de 2009. El satélite lleva a bordo un Radiómetro
Interferómetrico de Microondas y Apertura Sintética denominado MIRAS, que opera a
1,4 GHz (Banda L, longitud de onda de 21 cm), con una antena de aproximadamente 8
m de longitud con el fin de lograr una resolución de 40 km desde el espacio, conociendo
que la resolución espacial es proporcional al diámetro de la antena e inversamente
proporcional a la longitud de onda. Este problema técnico es superado por el sistema
MIRAS, que utiliza una novedosa técnica interferométrica con 69 antenas que se colocan
habitualmente en forma de (Y) en la plataforma. El objetivo de la misión SMOS, es
proporcionar mapas globales de la humedad del suelo, cada 3 días con una resolución
espacial nominal de 43 km y con una precisión de al menos de 0,04 m3m-3 (Kerr et al.,
2016). La humedad del suelo, se deriva de mediciones multi-angulares y temperatura de
brillo doble polarizadas, utilizando un enfoque de modelización inversa con el modelo de
tau omega, como modelo directo (Wigneron et al., 2003).
54
de 1, 3, 9 y 36 km. La misión SMAP, tiene como objetivo proporcionar la estimación de
la humedad del suelo en los primeros 5 cm de la superficie de la tierra, a resoluciones
temporales de 2 a 3 días en el ecuador, favorables y adecuadas para una amplia gama
de disciplinas científicas. Fue lanzado el 31 de enero de 2015, con un tiempo de duración
de tres años. Las tres partes principales del instrumento fueron un radar y un radiómetro
de banda L (1,2-1,4 GHz), que comparten una antena de malla giratoria de seis metros.
Debido a una falla en la fuente de energía del amplificador del radar de SMAP, la NASA
reportó el 2 de septiembre de 2015, una falla para reiniciar el radar y pese a este suceso,
solo continúa el radiómetro activo. La nave espacial SMAP, se encuentra en una órbita
casi polar sincronizada con el sol a 685 km de la tierra, observa la superficie con un
ángulo de incidencia constante de 40 grados y un ancho de faja de 1000 km. Los datos
están disponibles al público a través de dos centros de distribución, el Distributed Active
Archive Centers (DAAC, siglas en inglés) y el National Snow and Ice Data Center
(NSIDC, siglas en inglés) (Entekhabi et al., 2010; Das et al., 2013).
55
frecuencia, como por ejemplo de minerales como la arcilla, vegetación o materia orgánica
(Zreda et al., 2012). La detección de temperatura distribuida, utiliza cables de fibra óptica
que se pueden extender más de 50 km, con el fin de medir los cambios de la
conductividad térmica del suelo, que es función de la HS y la temperatura ambiente;
como ventajas, presenta la extensión y la resolución (1-2 m); pero como desventajas
incluyen la dificultad de colocar las fibras a profundidades y el seguimiento de la
temperatura del suelo, en los cambios diurnos (Cao et al., 2016).
56
que consiste en el espaciado, la extensión y el soporte. El espaciamiento (spacing), se
refiere a la distancia entre las muestras, la extensión (extent), se refiere a la cobertura
global o extensión del área, y el soporte (support), al espacio o intervalo temporal del
cual es representativo el valor de la variable, como se observa en la Figura 5 (Western
& Blöschl, 1999).
57
Se considera, que la escala espacial de las mediciones de la HS, es a menudo
inconsistente con la escala necesaria de las predicciones de la HS; por consiguiente, se
requiere de un cambio de escala (aumento o disminución) de las mediciones a las
predicciones o valores del modelo. Un número de propuestas y métodos de escalado
han sido desarrollados para diferentes disciplinas como la Física, Ingeniería, Biología, y
Ciencias Sociales. En general dos métodos de escalado son definidos como: el escalado
basado en la similitud (Similarity-based scaling) y el escalado basado en el modelo
dinámico (Dynamic model-based scaling) (Blöschl and Sivapalan, 1995).
58
expresan correlaciones, las cuales no expresan físicamente el proceso involucrado, sino
los patrones asociados a la variabilidad de las variables involucradas (Prothero, 1986).
La determinación empírica de una escala, puede no ser tomada como una prueba de la
evidencia de similitud; por ejemplo, objetos de diferente tamaño pueden ser similares en
geometría, pero no en forma. Así la similitud geométrica, será sin duda el resultado de
leyes de potencia de múltiplos simples, pero el proceso inverso no está garantizado
(Niklas, 1994).
Los métodos dinámicos tienen alta aplicabilidad, porque no están limitados por hipótesis
de similitud, pueden considerar procesos dinámicos y sus interacciones pueden acoplar
patrones y procesos de manera espacialmente explicita. El escalado espacial con un
modelo dinámico, tiene dos pasos críticos: definición de la precisión y cuantificación de
la heterogeneidad a la escala local y la integración adecuada o la
agregación/desagregación de esta heterogeneidad, a través de los argumentos del
modelo o de las salidas, para derivar las predicciones en la escala global o local. A
diferencia del enfoque de similitud, en el que los métodos pueden emplearse para
upscaling o downscaling, los modelos dinámicos emplean formulaciones determinísticas
y estocásticas, que pueden diferir significativamente para upscaling como para el
downscaling. (Blöschl & Sivapalan, 1995; Wu & Li, 2006).
59
3.5.3. Reducción de escala (Downscaling). En un contexto hidrológico, el término
downscaling, se refiere a la transferencia de información de una escala dada, a una
escala más detallada, mientras que upscaling, se refiere a transferir información de una
escala dada, a una escala más gruesa, (Blöschl, 2005). La reducción de escala
(Downscaling), implica dos pasos: desagregación y singularizarización (Singling out). La
desagregación, es derivar el patrón espacial o las funciones de densidad de probabilidad,
a un nivel de detalle más fino a partir de un nivel espacial más general, incorporando
datos auxiliares, con métodos estocásticos o probabilísticos. Singling out, es encontrar
la ubicación del patrón desglosado correspondiente al sitio de interés. En algunos casos,
los dos pasos se colapsan en un solo paso; no obstante, en otros casos solamente uno
de los pasos es de interés.
60
se conoce con exactitud, pero el objetivo es encontrar un conjunto de funciones
igualmente probables que puedan predecir los valores desagregados de la escala
regional o local manteniendo el mismo valor de promedio conocido a escala global
Bierkens et al., 2000).
Por otra parte, se considera que el patrón de la HS, puede representarse mediante un
componente a pequeña escala, dominado por el tipo de suelo, la topografía y la
vegetación, y un componente a gran escala como la precipitación; sin embargo, muchas
de las técnicas de escalamiento dependen de datos auxiliares, que son productos de
teledetección o geoinformación y por tanto la escala de los datos de salida está
restringida a la escala de los datos auxiliares (Peng & Loew, 2017b; Brocca et al., 2011;
Entin et al., 2000).
Entre los métodos estadísticos, las técnicas más comunes incluyen análisis de
componentes principales (Hannachi et al., 2007), análisis de correlación canónica (Hertig
and Jacobeit, 2008; Palatella et al., 2010), aprendizaje de máquina (Support Vector
Machine) (Abbaszadeh et al., 2019), árboles de regresión aleatorios (Zhao et al., 2018);
además, se pueden observar patrones y definir subjetivamente unidades de
agrupamiento (cluster), mediante inspección visual de mapas sinópticos y mediante
algoritmos de clasificación (Evans et al., 2011).
61
También hay otras formas de establecer la relación estadística entre los predictores y las
observaciones, y cada modelo estadístico tiene su propio conjunto de supuestos y nivel
de complejidad; entre los modelos se encuentran los modelos de regresión lineal, los
modelos de regresión no lineal, como las redes neuronales artificiales (Alemohammad et
al., 2017) y la regresión de mínimos cuadrados parciales (PLSR) (Leone et at., 2012).
En este contexto, se han explorado diferentes enfoques para desagregar los datos de
baja resolución de la teledetección pasiva por microondas a la mayor resolución
requerida. Los métodos se basan en el uso de la topografía y otras propiedades de la
superficie. Entre estos, se ha acoplado un modelo de transferencia radiativa, con un
modelo hidrológico, para distribuir el contenido de agua del suelo en función de la
topografía y las propiedades del suelo (Pelleng et al., 2003). Además, han desarrollado
un algoritmo para reducir la escala de la HS, de resolución espacial gruesa, usando
relaciones empíricas entre la variabilidad espacial y temporal de la HS y datos auxiliares
tales como la topografía, la textura del suelo, el contenido de agua de la vegetación y la
lluvia (Kim & Barros, 2002).
Otro enfoque de downscaling, se basa en el llamado “método del triángulo”, que relaciona
los parámetros de la superficie terrestre con la HS (Carlson, 2007); la temperatura
superficial de alta resolución y un índice de vegetación se agregan a la escala de la
observación del microondas (baja resolución), con el fin de construir un modelo de
enlace, que luego se aplica para desagregar la HS de alta resolución. Chauman et al.
(2003), demostraron esta estrategia utilizando datos del Radiómetro Avanzado de Muy
Alta Resolución (AVHRR, siglas en ingles) de 1 km y 25 km con datos del Sensor de
Imágenes de Microondas (SSM/I, siglas en ingles). Merlin et al. (2008), plantearon una
variante de este método para el sistema SMOS, usando un espectro-radiómetro de
imágenes de resolución moderada de 1 km (MODIS, siglas en ingles), parámetros del
suelo y datos de velocidad del viento. Sin embargo, la aplicabilidad de estos algoritmos
es limitada, debido a la poca disponibilidad de parámetros del suelo, a información de la
vegetación de alta resolución y, debido al uso de datos ópticos, también este enfoque
62
presenta restricción a condiciones de cielo despejado, circunstancia compleja para
estudios en zonas tropicales y de difícil topografía (Piles, 2010).
Una estrategia diferente, se sigue en (Zhan et al., 2014), donde se utiliza un método
bayesiano para reducir la escala de las observaciones del radiómetro, utilizando
mediciones de radar en un entorno simulado. (Tsegaye et al., 2003), proponen una red
neuronal para reducir la escala de las observaciones por teledetección de baja resolución
espacial utilizando un modelo acoplado de transferencia hidrológica radiativa como
insumo para su entrenamiento. Merlin, et al. (2013), aplico el algoritmo de desagregación
DISPATCH (DISaggregation based on Physical And Theoretical scale CHange) a datos
de 40 km de la humedad del suelo de SMOS, datos de 1 km de MODIS, datos de ASTER
de 90 m y Landsat-7 de 60 m de resolución espacial, a desagregación de la humedad
del suelo fue comparada con mediciones in situ de 0-5 cm de la superficie, como
resultado el downscaling se ajusta a 3 km.
En el estudio de Chaney et al. (2015), analizaron campos de humedad del suelo simulada
a alta resolución (9 m), los resultados sugieren que la topografía y el tipo de suelo son
los principales factores de la heterogeneidad espacial sobre la cuenca. También
Chakrabarti et al. (2015), reportó el desarrollo de una metodología basada en la teoría
de la entropía para reducir la escala espacial, de las observaciones de la humedad del
suelo de 10 km a 1 km. La función incluyó una transformación, que relacionó los
63
productos de alta resolución de los sensores remotos y observaciones in situ. La función
de densidad acumulada, mostro un error en general de la HS < 0,03 m 3/m3.
El uso de instrumentación para campo, tiene ciertas ventajas, tales como una portabilidad
de medición, instrumentación relativamente directa, la operación es fácil instalación y
mantenimiento, la capacidad de proporcionar la medición a diferentes profundidades, y
también la madurez relativa de los métodos. Sin embargo, el uso de técnicas de medición
en tierra ha demostrado ser muy difícil de implementar en grandes áreas, debido a la
complejidad de operación y requerimiento de mano de obra intensiva.
64
Los avances en la teledetección satelital, demuestran que la HS superficial, se puede
medir en todas las regiones del espectro electromagnético y principalmente en el dominio
del microondas, y sus datos permiten conocer la distribución de la variable en
aplicaciones a escala global. Para estudios a escala regional o local, la integración de
datos de sensores remotos y de campo, con diversas metodologías es una alternativa
de interés científico.
65
4. HUMEDAD SUPERFICIAL DEL SUELO POR DIFERENTES ESTRUCTURAS
DIMENSIONALES: EVALUACIÓN DEL DESEMPEÑO DE UN MÉTODO BASADO EN
EL POTENCIAL MATRICIAL
4.1. RESUMEN
66
repetidas para evaluar el efecto relativo al tiempo en los periodos de evaluación presentó
un p-valor de 0,098 para la media heroniana y p-valor de 0,112 para los valores
estimados con el test de Hotelling, lo que indicó que no se presentó efecto relativo al
tiempo y el modelo no lineal de mayor ajuste presentó un coeficiente de determinación
de 68,4% y un coeficiente de determinación ajustado de 67,9%. Como conclusión se
consideró que la estimación de la humedad superficial del suelo por método gravimétrico
o por estimación con el modelo FX son sustitutivos y no presentan efecto escala por
mantener un mismo soporte, una misma amplitud aún en diferente espaciado de puntos
de muestreo y puede ser una alternativa eficiente para el monitoreo de la HS a escala
local y regional.
Palabras clave: Humedad del suelo, potencial de agua, promedio heroniano, curva de
retención de humedad del suelo.
4.2. ABSTRACT
The objective of this study was to statistically compare estimates of the volumetric content
of soil surface moisture (HS) obtained by gravimetric method (reference method) with
estimates of HS obtained by indirect determination of the potential of water in situ, starting
from different dimensional structures that could have scale effect, in ten candidate
sampling units selected by coverage factors, soils and topography in the Quindío river
basin (Colombia), during seven evaluation periods, between July 2017 and June 2018.
For the estimation of the HS by gravimetric method 2211 soil samples were collected. For
the determination of the potential of water in the soil, measurements of relative humidity
(RH) and soil temperature (Ts) that were related to kelvin's law, for each evaluation period
per sampling unit and with the Fredlund-Xing model (FX) that allows describing the soil
moisture retention curve for the field condition (CRHc). To compare the different
dimensionality of the data, the heronian average of the HS was calculated by gravimetric
measurement for each evaluation period per sampling unit. A statistical evaluation was
performed on the series of contrasting spatial sampling units (discriminated by cluster
analysis) by HS taken in the seven sampling campaigns, of which their temporal effect
67
was evaluated using a longitudinal non-parametric analysis of variance, and determined
a nonlinear model (S curve) between the pair of soil moisture estimates. As a result of the
cluster analysis, five new strata or contrasting units were formed by HS, which were
evaluated with the Q statistic, which showed a p-value <0,00001 corroborating the
independence of the units; the test of variance of repeated measures to evaluate the
effect relative to time in the evaluation periods presented a p-value of 0,098 for the
heronian mean and p-value of 0,112 for the values estimated with the Hotelling test, which
indicated that there is no time-related effect and the non-linear model with the highest
adjustment presented a determination coefficient of 68,4% and an adjusted determination
coefficient of 67,9%. As a conclusion, it was considered that the estimation of soil surface
moisture by gravimetric method or by estimation with the FX model are substitutes and
do not present scale effect because they maintain the same support, the same amplitude
even in different spacing of sampling points and can be an efficient alternative for the
monitoring of SM at local and regional scale.
Keywords: Soil moisture, water potential, heronian average, soil moisture retention
curve.
4.3. INTRODUCCIÓN
La humedad del suelo (HS) es una componente fundamental del sistema terrestre porque
influye en la dinámica hídrica, en el flujo de energía y carbono entre la superficie de la
tierra y la atmósfera y en la distribución de diversos mecanismos hidrológicos como los
procesos de escorrentía, infiltración y acumulación de agua en el suelo (Peng and Loew,
2017b; Tuttle & Salvucci, 2014; Kerr et al., 2016). La HS es muy variable en el espacio y
tiempo; es heterogénea debido a factores como la precipitación, vegetación, textura del
suelo, topografía y patrones de drenaje (Korres et al., 2013); y su distribución está
influenciada por la compleja interacción entre efectos climáticos y ambientales que
dominan patrones de HS a escala de cuenca (Crow et al., 2012).
68
La HS es caracterizada como una combinación entre la HS superficial, que está definida
como el contenido de agua dentro los primeros cinco centímetros de profundidad del
suelo y la HS en la zona radicular definida como el contenido de agua por debajo de los
cinco centímetros de profundidad (Hillel, 1998; Seneviratne et al., 2010). Diversos
métodos se han desarrollado para medir la HS en el campo o en condiciones de
laboratorio, siendo estas estimaciones la principal fuente de información para
comprender su distribución y variabilidad; entre estas metodologías está la gravimetría
que por medición directa se obtiene el contenido de agua del suelo y la higrometría que
por medición indirecta permite medir el potencial de agua del suelo, cada una con
fortalezas y limitantes (Petropoulos et al., 2015); sin embargo, la estimación de la
humedad del suelo ha tenido mayor desarrollo tecnológico que la medición del potencial
de agua en campo como lo confirman (Whalley et al., 2013; Romano, 2014; Durner &
Or, 2006), aunque enfoques integrados pueden superar los inconvenientes de cada
método único y producir datos más robustos (Brocca et al., 2011).
El potencial de agua del suelo es una propiedad del suelo, que permite estimar de forma
indirecta el contenido de agua del suelo, por medición, de en este caso, usando la
humedad relativa (HR) y temperatura del suelo (Ts), como variables en la relación
termodinámica de la ley de Kelvin (Meza, 2012). El uso de ésta técnica tiene como
ventaja comparativa con otros métodos, que permite estimar la HS en grandes áreas, su
operación puede ser automatizada, es de bajo mantenimiento, no hay destrucción de la
69
muestra de suelo, no presenta afectaciones a la salud; aunque, requiere de equipos de
alto nivel de calibración y los sensores se pueden deteriorar con el tiempo por la
interacción con el suelo (Petropoulos et al., 2015); sin embargo, se han diseñado nuevos
sensores que facilitan las mediciones y deben ser probados para establecer su potencial
de uso (Baker et al., 2007; Whalley et al., 2013).
Agus & Schanz (2005), evaluaron cuatro dispositivos de medición del potencial de agua:
el higrómetro de enfriado, el papel de filtro, el psicrómetro y el sensor de humedad relativa
(HR). En su estudio determinaron que el sensor de HR proporcionó una respuesta más
rápida comparativamente con los otros métodos y fue adecuado para mediciones del
potencial de agua en campo y cerca de la superficie del suelo. Sin embargo, consideran
que se debe tener en cuenta que este dispositivo puede presentar un error sistemático
en mediciones altas de HR. Comercialmente se encuentran dispositivos programables,
de alta fidelidad, corto tiempo en el registro de la medición y son una alternativa para
condiciones de campo (Shin et al., 2017; Chelli et al., 2016).
Para relacionar el contenido de agua y el potencial de agua del suelo se han desarrollado
varios modelos empíricos que permiten elaborar la curva de retención de humedad del
suelo (CRH), desde el estado de saturación de humedad del suelo al contenido de
humedad residual debida a los potenciales en el suelo (Fredlund & Xing, 1994; Fredlund
et al., 2011; Meza, 2012; Hincapié & Tobón, 2012). Entre las funciones más utilizadas y
de alta eficiencia está el modelo Fredlund and Xing (FX), que incluye tres parámetros de
ajuste con los cuales se describe la CRH (Alfaro, 2008; Ochoa & Patiño, 2012; Fredlund
et al., 2011); sin embargo, para mediciones del potencial de agua en campo, la histéresis
del suelo afecta significativamente la estimación del contenido de agua, porque la misma
magnitud de HS puede presentarse para diferentes potenciales o tensiones en el suelo,
por lo cual Fredlund et al. (2011), sugieren un ajuste al parámetro alpha (α), lo que
permite elaborar una trayectoria o curva mediana de retención para condición de campo
(CRHc) en función de la textura del suelo.
70
Por lo anterior, las estimaciones del contenido de agua en campo, por método
gravimétrico, requieren de una alta densidad de puntos de muestreo datos, lo cual
generalmente no es suficiente debido a la variabilidad del relieve, tipo de suelo y
cobertura vegetal; además, esta condición incluye altos costos de operación (campo y
laboratorio) y de mano de obra. Razón por la cual métodos indirectos surgen como
alternativa de mediciones de otras propiedades del suelo relacionadas con la humedad,
que tengan la posibilidad de ser más eficientes, provean de la posibilidad de ser
automatizadas y sean de fácil instalación en áreas de difícil acceso, en cuencas andinas
tropicales, (Goovaerts, 1999).
Esta evaluación requirió del monitoreo continuo de la HS como variable fundamental para
estudios hidrológicos, agronómicos y de cambio climático. Aunque la estimación de la
HS se realiza por diferentes métodos de campo altamente reconocidos, en este caso se
presentó una alternativa de monitoreo de la HS, que no se ha hecho en Colombia y que
incluyó el uso de la media heroniana y estimaciones por el modelo FX que describe la
CRHc a una serie de unidades de muestreo contrastantes discriminadas por análisis de
conglomerados, en cinco estratos de evaluación y validados con el estadístico Q de
estratos espaciales, incorporando el efecto temporal inicialmente pero reconociendo que
en este caso no resultó de interés, lo cual se comprobó con el análisis de varianza
longitudinal no paramétrica, y así relacionar las dos medidas de humedad mediante un
modelo no lineal.
71
4.4. MATERIALES Y MÉTODOS
Fuente: Autor
72
estimó el contenido de HS por el método gravimétrico, el cual consistió en el secado en
estufa a 105 °C durante 24 horas. Luego la humedad volumétrica (𝜃) se determinó con
la densidad aparente del suelo (𝜌), mediante la siguiente ecuación (Forsythe, 1975; Pla,
1983; Gabriels & Lobo, 2006):
𝑀𝑤
𝑤=
𝑀𝑠
donde ρ es la densidad aparente del suelo (Mg m-3), Mt es la masa total del suelo (Mg) y
Vt, es el volumen total ocupado por la muestra de suelo (m3).
73
valores, en 88, para confrontarlos con los 88 valores de humedad del suelo estimados
por medición indirecta (θe), para cada periodo de evaluación en las unidades de
muestreo. La media heroniana (θH), tiene como cualidad que incorpora la media
aritmética (esperanza matemática de los datos) y la media geométrica, la cual tiene como
ventaja que no es tan sensible como la media aritmética a los valores extremos y es
relevante cuando varias cantidades son multiplicadas para producir un total, el promedio
heroniano se expresa en la siguiente ecuación:
1 𝑛
∑𝑛 𝑛
𝑖=1 𝑥𝑖 + √∏𝑖=1 𝑥𝑖
𝑛
θH =
2
74
correspondiente cada valor con el promedio de los registros de HR y Ts a la hora del día
y tiempo que duró el muestreo de suelo en cada unidad (aproximadamente una hora).
Con los promedios de HR y Ts, se calculó el potencial del agua 𝛹𝑐 (kPa), para cada
periodo de evaluación aplicando la ley de Kelvin, que está en función de la relación
negativa entre la presión del gas en el suelo y la presión del gas externo al suelo
(Fredlund & Rahardjo, 1993), tal como se expresa en la siguiente ecuación:
𝑅 𝑇𝑠
𝛹𝑐 = − 𝑙𝑛(𝐻𝑅)
1
𝑀 ( )
𝜌𝑤
75
(Lu & Likos, 2004). Para ello se utilizó el programa Solver de la hoja de cálculo de Excel
y el módulo Generalized Reduced Gradient Nonlinear (GRG), en el que se incluyeron
como restricciones que los valores de los parámetros fueran mayores a 0,1, un mínimo
100 iteraciones en el proceso y un valor de convergencia de 0,000001, para evitar valores
muy pequeños y negativos.
(𝜃𝑠 − 𝜃𝑟 )
𝜃 = 𝜃𝑟 +
[(1 + ( 𝛹/𝑎 )𝑛 )]𝑚
𝑎𝑐 = 10𝐿𝑜𝑔(𝑎)−𝜀
76
donde, 𝑎𝑐 es el parámetro de ajuste para la CRHc; 𝑎 es el parámetro de ajuste de la CRH
por secamiento y ε, es el porcentaje de ajuste lateral.
(𝜃𝑠 − 𝜃𝑟 )
𝜃𝑒 = 𝜃𝑟 +
[(1 + ( 𝛹𝑐/𝑎𝑐 )𝑛 )]𝑚
4.4.3. Análisis estadístico. El análisis estadístico implicó inicialmente, ajustar los tiempos
de evaluación entre los dos métodos, para posteriormente realizar un análisis del efecto
tiempo en las mediciones, y así, establecer el comportamiento de la HS en las unidades
de muestreo. Luego se procedió a identificar y agrupar unidades similares, por las
estimaciones de la HS de los dos métodos y finalmente se planteó un modelo de
regresión no lineal, que relacionó las estimaciones de la HS.
Para el ajuste de tiempos de evaluación, una vez se contó con la agregación de datos
de diferente dimensionalidad, usando el promedio heroniano sobre los 2211 análisis
gravimétricos, para generar la misma dimensión de datos, del modelo FX (88
estimaciones), se realizó un ajuste mediante splines cúbicos, de las mediciones
temporales de ambas modalidades de humedad, debido a que no todas las mediciones
se hicieron exactamente el mismo día, por restricciones operativas y ambientales, lo cual
permitió ajustar ambas mediciones con las predicciones generadas de los splines y
manteniéndolas finalmente en los tiempos 28, 56, 70, 106, 155, 196 y 294 días a partir
del inicio del estudio.
77
La técnica de splines cúbicos, es un procedimiento que permitió conectar un conjunto de
pares ordenados (X,Y), con una función de suavizamiento de polinomios cúbicos, para
obtener el valor de Y, en cualquier X, dentro del rango de los datos originales; de manera
tal, que se definió en el eje de las X, el tiempo de evaluación en días y en el eje Y, la HS.
Una vez corregidas las medidas de humedad, se estudió el efecto del tiempo, para lo
cual se utilizó un análisis de varianza no paramétrico longitudinal del modelo LDF1
(Noguchi et at., 2012). En esta prueba se descartaron los valores de la HS estimados
para la unidad de muestreo candidata U8 por las dos modalidades de estimación, debido
a que durante los periodos de evaluación se observó en campo cambios en la cobertura
vegetal y uso de la tierra en la unidad de muestreo, que modificaron las condiciones
iniciales por las cuales fue seleccionada esta unidad.
Definidas las nuevas unidades, se realizó un análisis de clusters para ambas mediciones
de humedad ajustadas por splines, generando cinco nuevas unidades a partir de las
nueve unidades candidatas iniciales. El número de clusters se decidió a partir de la
discriminación de unidades candidatas dentro de cada uno de los 5 clusters generados
y por el propio conocimiento empírico de la región. Se utilizó el método de Ward y la
distancia Euclídea en la conformación de las nuevas unidades. El dendrograma
generado se utilizó para buscar la similitud de unidades candidatas dentro de las nuevas
unidades. La validación en la conformación de grupos diferenciados de humedad o de
humedades contrastantes se utilizó el estadístico Q de la librería Geodetector de R
(Wang et al., 2016).
78
modelo no lineal para predecir una modalidad a partir de la otra. Los cálculos se
realizaron utilizando el programa RStudio y Statgraphics Centurion.
4.5. RESULTADOS
Las estadísticas básicas de la humedad relativa, temperatura del suelo y potencial del
agua del suelo por cada unidad de muestreo se presenta en la Tabla 2.
79
Tabla 3: Media y desviación estándar de la humedad relativa, temperatura del suelo y
potencial del agua del suelo por cada unidad de muestreo.
80
Tabla 4: Humedad del suelo estimada a diferentes presiones, parámetros de ajuste del
modelo FX y textura del suelo.
81
Figura 7. Curvas de retención de humedad descritas con el modelo FX. Los puntos (x),
corresponden a los valores de humedad estimados para los puntos de presión aplicados
en laboratorio de 10,30,50,100,300,500,1000 y 1500 kPa.
Fuente: Autor
En las Figuras 8a y 8b, se presentan los gráficos de los splines cúbicos aplicados a los
valores del 𝜃𝐻 y a las estimaciones 𝜃𝑒 , para cada unidad de muestreo que permitieron
interpolar la HS, para los periodos de evaluación de 28, 56, 70, 106, 155, 196 y 294 días.
83
Figura 8. Gráficos de interpolación por splines cúbicos; (a) para el promedio heroniano
y (b), para las estimaciones por el modelo FX, en cada unidad de muestreo.
(a)
(b)
.Fuente: Autor
El efecto relativo al tiempo entre los valores de la media heroniana (𝜃𝐻 ) con los valores
estimados (𝜃𝑒 ), realizado con la prueba de análisis de varianza de medidas repetidas
(longitudinal) de enfoque no paramétrico por test Hotelling en un diseño LD_f1, mostró
para un estadístico de 5,38 un p-valor de 0,098 para los valores de 𝜃𝐻 y para el
estadístico de 4,82 un p-valor de 0,112 para los valores de 𝜃𝑒 , para 6 grados de libertad
cada uno, como se observa en las Figuras 9a y 9b. En el Anexo A, se presenta el código
R desarrollado para la prueba.
84
Figura 9. Efecto relativo al tiempo de evaluación para (a) la media heroniana proveniente
de la humedad gravimétrica, y (b) para la humedad estimada a partir de los resultados
de las CRH.
a) b)
.Fuente: Autor
Con los promedios ajustados a los periodos de evaluación, el análisis de cluster permitió
agrupar las nueve unidades de muestreo candidatas iniciales en cinco estratos de alta
similitud en los valores de humedad del suelo; en donde, el cluster c1 fue compuesto por
las unidades de muestreo U1 y U2 en igual porcentaje de representación del 50%; el
cluster c2 fue compuesto principalmente por las unidades U7 y U10 cada una con una
representación del 40,1%; en el cluster c3 se incorporaron en mayor representación las
unidades U4 y U5, cada una con un porcentaje del 29,99%; el cluster c4 fue compuesto
principalmente por las unidades U6 con un porcentaje del 19,97% y con la unidad U9 con
85
el 29,99%; y el cluster c5 incorporó la unidad U3 con una representación del 40,01%;
como se observa en el dendograma de la Figura 10.
c5
c1
12
0
U1
U2
U1
U1
U2
U1
U1
U2
U2
U2
U3
U4
U4
U5
U10
U9
U6
U7
U1
U10
U5
U5
U9
U7
U7
U10
U9
U6
U7
U10
U4
U9
U7
U5
U4
U4
U3
U3
U5
U5
U6
U6
U6
U6
U9
U9
U10
U10
U2
U10
U2
U1
U7
U9
U3
U3
U7
U3
U4
U3
U4
U5
U6
.Fuente: Autor
86
Figura 11. Diagrama bidimensional de contornos convexos de la humedad del suelo
conformados entre el promedio heroniano (ajustado por splines) de la humedad
gravimétrica y la humedad estimada con el modelo FX.
.Fuente: Autor
87
Figura 12. Modelo no lineal de mayor ajuste de la humedad superficial del suelo entre el
promedio heroniano y las estimaciones por el modelo FX.
HSM-adj=exp(0.155-0.428/SMFX)
0,72
Heronian Soil Moisture (cc/cc)
0,62
0,52
0,42
0,32
0,22
0,3 0,4 0,5 0,6 0,7
Soil Moisture FX-model (cc/cc)
.Fuente: Autor
4.6. DISCUSIÓN
88
mediciones obtenidas por método gravimétrico, para relacionarlas con un menor número
de estimaciones obtenidas con modelo FX, con lo que parte de la variabilidad se suaviza
cuando los promedios son considerados y el aumento del soporte aumenta la robustez
de las estimaciones en el análisis como lo indican (Western & Blöschl, 1999). En este
sentido, el promedio aritmético de las observaciones puede ser sensible a los valores
extremos, por lo que la incorporación de la propiedad de menor sensibilidad a los
extremos, como lo es la media geométrica, resulta bastante conveniente, y la media
aritmética promediada con la geométrica, puede resultar más robusta a observaciones
que pudieran afectar las mediciones de humedad (Sýkora, 2009; Wilson et al., 2005).
Al evaluar la calidad de las estimaciones por las dos metodologías empleadas, los
resultados mostraron que no hubo efecto relativo al tiempo en las estimaciones, las
variaciones fueron similares en comportamiento durante el periodo de evaluación que
incluyó épocas de lluvia y periodos secos; se evidenció que la curvatura de la superficie
favorece la acumulación de humedad o influye en la pérdida de agua, coincidiendo con
el estudio de (Martínez-González et al., 2010), quienes reportaron coincidencia de los
sitios de estudio, respecto a la humedad tanto en época de lluvia como en época seca,
condición que se observó principalmente en el comportamiento de las estimaciones de
la HS, por las dos metodologías en el cluster C5.
89
pendiente, curvatura de la superficie y cobertura vegetal. El cluster c4, representó el
19,05% del conjunto de conglomerados y las unidades que lo conformaron, presentaron
comparativamente diferencias entre sí, en todas las condiciones de suelos y de cobertura
vegetal, no obstante, estas unidades presentaron durante el tiempo del estudio una fuerte
dinámica de cambio en la cobertura vegetal, tiempo en el cual se observaron en campo
periodos en que la superficie del suelo estuvo expuesta sin vegetación, lo cual pudo
ocasionar este comportamiento. El cluster c5, representó el 14,29% del conjunto de
conglomerados y se conformó solamente con una tipología (U3), por lo tanto, c5 se fue
un conglomerado particularmente homogéneo en las condiciones de suelo y cobertura
vegetal.
Como lo mencionan Harold & Hocker (1984), la pendiente y la textura del suelo son las
variables de mayor incidencia en la HS e influyen en los flujos de agua presentándose
pérdidas por escorrentía en pendientes pronunciadas, condición que se presenta en los
cluster C1, C3, C4 y C5 (pendientes mayores al 30%), en contraste con pendientes más
suaves y superficies planas o convexas en que se desacelera el flujo por escorrentía y
puede aumentar la cantidad de agua en el suelo por acumulación, como se puede
relacionar en el cluster C2; además, la variabilidad de la HS superficial a una escala de
cuenca, puede estar influenciada por factores como la precipitación, la variación de la
radiación solar entrante al suelo y el viento, que pueden influir en la tasa de
evapotranspiración del suelo, en aumento o disminución de la HS; y como lo propuso
(Reynolds,1970), la variabilidad de la HS superficial puede ser más grande después de
un periodo de precipitación debido a los efectos de la heterogeneidad del suelo, como
posiblemente puede suceder en esta cuenca.
90
Por otro lado, aunque el interés no fue realizar una comparación entre modelos, pues se
reconoce la inutilidad de esta medida en el contexto de los modelos no lineales (Spiess
and Neumeyer, 2010), el modelo propuesto puede adoptarse, para predecir el promedio
heroniano de la humedad volumétrica, para estimaciones de HS provenientes del modelo
FX, con ajustes de variables de campo.
Los resultados del estudio, muestran que estimaciones de la humedad superficial del
suelo, obtenidas por estimación indirecta del potencial de agua en campo, relacionado
en el modelo Fredlund-Xing y con parámetros de ajuste por textura del suelo, presentan
una alta relación estadística, con las estimaciones realizadas por método gravimétrico,
por lo que puede ser considerado como un alternativa, para monitoreo de la humedad
del suelo, sin que se presente el problema del efecto escala, ya que fue mantenido el
mismo soporte y la misma amplitud en la tripleta que conforma la escala espacial.
91
5. HUMEDAD SUPERFICIAL DEL SUELO POR PONDERACIÓN GEOMÉTRICA
DE IMÁGENES SATELITALES SMAP Y CONTORNOS CONVEXOS
5.1. RESUMEN
92
Palabras clave: Humedad del suelo, Downscaling geométrico, SMAP, promedio
heroniano.
5.2. ABSTRACT
In the search for statistical relationships between data taken in the field and data provided
by satellite systems, it is relevant to make a match between the scales in each case, to
know and consider alternatives for data sharing. The objective of this research was to
propose a methodology of downscaling by similarity of measurements between the
geometry of the pixels of SMAP_L2 satellite images and the convex contours of sampling
units, to estimate weighted values of soil surface moisture and an associated weighted
average of spatial resolution, using by analogy an algebraic transcendental limit, in which
the geometrical parameters of area, perimeter, maximum distance to the centroid, rate of
change of the area, perimeter of the circle that circumscribes the polygon and an area
index were considered. In order to establish the exponent of the geometric relation in the
boundary, a simple optimization algorithm was developed. Scale factors were applied to
63 estimated Heronian averages of 2211 gravimetric moisture samples from nine
sampling units and 63 SMAP_L2 measurements for each of the spatial resolutions of 1,
3, 9 and 36 km. The moistures were classified with a Bayesian probabilistic neural
network in each geometric relationship and it was found that the rate of change of area
or perimeter associated with the area derivative with respect to the mean radius of the
distances from the centroid of the convex contour presented the highest correct
classification (74.07%) in the classifier associated with the source of moisture
measurement in the resolution of 1km of SMAP_L2 and a weighted harmonic average of
resolution of 0.485km, corresponding to a reduction of 53% with respect to 1 km. This
result is convenient in statistical analyses and is simple to adopt by researchers interested
in geometric downscaling as an alternative in the modeling of remote and proximal sensor
data.
93
5.3. INTRODUCCIÓN
94
asimilados adecuadamente a escalas regionales o locales (Merlín et al., 2010; Piles,
2011; Su et al., 2013; Polo et al., 2013; Sánchez et al., 2012; Chaney et al., 2015).
Cuando dos sistemas comparten algunas propiedades que pueden ser relacionadas a
través de un simple factor de conversión, se considera que existe similitud entre dos
sistemas (Blöschl & Sivapalan, 1995). LaBarbera (1989) y Niklas (1994), consideran tres
tipos de conceptos de similitud aplicados a estudios orientados al tamaño corporal:
geométrico, físico y similitudes funcionales, indicando que la similitud geométrica se
caracteriza por la constancia en la forma con los cambios de tamaño; es decir se asume
que “la geometría y la forma son propiedades independientes del tamaño” (). Por
ejemplo, basado en similitud geométrica de los objetos euclidianos se puede derivar
analíticamente relaciones entre el volumen (V), el área (A), la dimensión longitudinal (l)
y la masa (M): 𝐴~𝑙 2, 𝑉~𝑙 3 , 𝑀~𝑉, 𝑙~𝑀1/3, y 𝐴~𝑀2/3 , lo que significa que si los objetos
de diferentes tamaños son completamente similares, su dimensión lineal y superficie
95
deben ser proporcionales a las potencias 1/3 y 2/3 de la masa, asumiendo la densidad
constante (Barenblatt & Isaakovich, 1996; Schneider, 2001).
Otros estudios como el del Warrick et al. (1977), utilizaron la similitud geométrica de los
espacios porosos del suelo para escalar datos en la relación del grado de saturación del
suelo y la conductividad hidráulica. Bottcher et al. (1997), aplicaron factores de escala
para relacionar el área de la superficie del suelo, con la adsorción de metales pesados.
Kosugi & Hopmans (1998), analizaron el radio medio del poro para escalar las funciones
de retención de agua del suelo y la conductividad hidráulica. Pachepsky & Hill (2017),
consideraron que el uso del radio efectivo del poro y el perímetro bidimensional del
contorno del poro, pueden servir como una métrica de escala para definir el soporte de
datos en la retención de agua del suelo y el área, como soporte cuando se cuantifican
los parches del paisaje, además indicaron que para el escalado, se requiere de un
promedio ponderado, en que los pesos dependen tanto del aumento de la métrica de
soporte, como del exponente de la escala.
Por lo anterior, este apartado tuvo por objetivo, proponer un método para determinar
factores de escalado o downscaling, por similitud de medidas entre la geometría de los
píxeles de imágenes del satélite SMAP_L2 y los contornos convexos que delimitan
unidades de muestreo en campo, y así, estimar valores ponderados de humedad
superficial del suelo, con una resolución espacial asociada; mediante la aplicación de
una expresión matemática. Para determinar los factores de escala, se utilizó por analogía
un límite trascendental, en el cual se consideraron los parámetros geométricos de área,
perímetro, distancia máxima al centroide, tasa de cambio del área (perímetro asociado a
la derivada del área respecto al radio medio de las distancias del centroide del contorno
convexo), el perímetro del circulo que circunscribe al polígono y un índice de área.
96
Para establecer el exponente de la relación geométrica en el límite se desarrolló un
simple algoritmo de optimización basado en cambios sucesivos del exponente de la
variable con la que se asoció cada una de las relaciones geométricas discriminadas
según la fuente de información, es decir, satelital o de las mediciones directas en campo.
Con los valores obtenidos del límite se generaron los factores de escala, los cuales se
aplicaron a 63 promedios heronianos, estimados de la humedad superficial del suelo,
provenientes de mediciones en campo por método gravimétrico, en nueve unidades de
muestreo, y a 63 estimaciones de SMAP_L2 correspondientes cada una a las
resoluciones espaciales de 1, 3, 9 y 36 km, obtenidas de los píxeles en los que se
localizaron geográficamente los contornos convexos en las imágenes. Finalmente, las
humedades fueron clasificadas con una red neuronal probabilística Bayesiana en cada
relación geométrica, Se encontró que la tasa de cambio de área presentó la mayor
clasificación correcta (74,07%), en el clasificador asociado a la fuente de medición de
humedad en la resolución de 1 km de SMAP_L2. Se obtuvo una unidad de resolución
espacial de downscaling, mediante el promedio armónico ponderado de 0,485km,
correspondiente a una reducción del 53%, respecto a 1km como resolución original.
97
realizó la toma de muestras de suelo (Croft et al., 2012; Barber et al., 1996), mediante la
siguiente expresión:
𝑘 𝑘
Para cada contorno convexo, se determinaron los centroides geométricos y las métricas
de área y perímetro, como se presenta en la Figura 13. La información se procesó
mediante el programa QGis versión 3,8.
Figura 13. Área y perímetro de los contornos convexos por unidad de muestreo.
U1 U2 U3 U4
98
5.4.2. Humedad del suelo de las imágenes satelitales SMAP_L2. Mediante el aplicativo
Earthdata Search de la NASA, se descargaron las imágenes de los productos
SMAP_L2_SM_SP_1BIWDV, SMAP_L2_SM_SP_1AIWDV de 1 y 3 km,
SMAP_L2_SM_P_E de 9 km y SMAP_L2_SM_P de 36 km de resolución espacial, en
formato GeoTIF, para las fechas de 2017/09/28, 2017/10/29, 2017/11/28, 2017/12/22,
2018/02/03, 2018/03/10 y 2018/06/19, correspondientes a los periodos de evaluación
(27, 58, 88, 112, 155, 190 y 291 días) del estudio como se observa en la Figura 14.
Figura 14. Ejemplo de Imágenes de SMAP_L2 que cubren el área de la cuenca del río
Quindío para la fecha de 2017-09-28, de a) 1, b) 3, c) 9 y d) 36 km de resolución espacial
a) b) c) d)
.Fuente: Autor
99
Figura 15. Ilustración del contorno convexo de la unidad de muestreo U3 en el píxel de
la imagen SMAP_L2 de resolución espacial de 1 km.
.Fuente: Autor
5.4.3. Parámetros geométricos del píxel en la imagen satelital y los contornos convexos.
Para identificar la relación geométrica que podría mostrar mayor ajuste en el proceso de
escalado por downscaling de la HS, se consideraron los parámetros de área, perímetro,
distancia máxima al centroide, tasa de cambio del área, perímetro del circulo que
circunscribe al polígono y un índice de área, entre la geometría del píxel y la geometría
de los contornos convexos, como se describen en la Tabla 6.
100
Tabla 6: Relación entre los parámetros geométricos del píxel de la imagen satelital
SMAP_L2 y los contornos convexos de las unidades de muestreo. Se ilustra el contorno
convexo con cinco vértices.
Píxel de la imagen Contorno convexo
Unidad
Parámetro
geométrico
𝑥1 𝑥2 𝑥2 𝑥3 𝑥5 𝑥1
Área 𝐿2 𝐴𝑐𝑜𝑛𝑣𝑒𝑥 =
1
2
(|𝑦 𝑦2 | + |𝑦2 𝑦3 | +. . + |𝑦5 𝑦1 | )
1
Perímetro 4𝐿
𝑃𝑐𝑜𝑛𝑣𝑒𝑥 =∑5𝑖=1 𝐿𝑖 ; i=1,…,5
El área para el píxel se definió como la medida de la extensión de la superficie, para este
caso el píxel es un cuadrado, y para el contorno convexo el área se estimó mediante el
determinante de gauss, por cuanto los vértices del contorno convexo están descritos
101
como coordenadas en el plano cartesiano (Beyer, 1987). El perímetro para el píxel se
definió como la suma de sus lados y para el contorno convexo como la sumatoria de las
distancias euclidianas de los segmentos que lo conforman (Köthe, 1983).
5.4.4. Análisis estadístico. Para obtener el promedio ponderado de humedad del suelo
(𝜃𝑤 ), se requirió de las HS del promedio heroniano (𝜃𝐻 ), y la HS de las imágenes
satelitales, (𝜃𝑠 ). El promedio heroniano, de las humedades gravimétricas fue descrito en
el Capítulo 4 del presente documento. Para obtener la 𝜃𝑠 , se realizó la lectura de la HS
en cada pixel de las imágenes satelitales, correspondiente a la ubicación geográfica, por
superposición espacial de los contornos convexos, de las unidades de muestreo sobre
las imágenes, para cada tiempo de evaluación.
0, esto debido a que resulta deseable dar menos peso al parámetro geométrico cuando
esta provenga de resoluciones espaciales bajas y mayor peso cuando el provenga de
resoluciones espaciales altas. Lo anterior se describe con límites de la siguiente manera:
𝑎 𝑎
1−𝑒 −𝑥 1−𝑒 −𝑥
lim =0 y lim =1
𝑥→∞ 𝑥𝑎 𝑥→0 𝑥𝑎
Los pesos se obtuvieron a partir de este límite con las expresiones que se muestran a
continuación:
𝑎
(1 − 𝑒 −𝐺𝑠 )/𝐺𝑠 𝑎
𝑤𝑠 = 𝑎 𝑎
(1 − 𝑒 −𝐺𝑠 )/𝐺𝑠 𝑎 + (1 − 𝑒 −𝐺𝑐 )/𝐺𝑐 𝑎
103
donde 𝐺𝑠 𝑎 y 𝐺𝑐 𝑎 , son los parámetros geométricos del píxel y del contorno convexo
respectivamente, y (𝑎), es el exponente de optimización.
𝑎 𝑎
(1 − 𝑒 −𝐺𝑠 )/𝐺𝑠 𝑎 𝑦 (1 − 𝑒 −𝐺𝑐 )/𝐺𝑐 𝑎
para generar los ponderadores del píxel y del contorno convexo y asociarlos, debido a la
importancia que se daría a la información satelital o a la tomada en campo, con
resoluciones espaciales y geometrías diferentes. Además, se tuvo en cuenta que, las
mediciones de las geometrías de los contornos convexos (𝐺𝑐 ), variaron para cada unidad
de muestreo, por lo cual el promedio ponderado (𝜃𝑤 ), es un escalar asociado a cada fila
de datos.
Es conocido, que el límite trascendental garantiza ponderadores entre (0,1), dado que
las medidas en las geometrías, no son ni cero ni infinito y a medida que aumenta el valor
de las mediciones en la geometría del píxel, el peso dado a la humedad tomada de la
imagen se hace más pequeño en el promedio ponderado (𝜃𝑤 ), y si el valor de la medición
se hace tan pequeño que pueda coincidir con el valor de la medición del lote, de los
puntos de muestreo que conformaron el contorno convexo, los pesos tienden a igualarse,
es decir, 𝑤𝑠 = 𝑤𝐻 = 1/2, de forma que se podría utilizar un promedio aritmético, entre la
humedad satelital (𝜃𝑠 ) y la humedad promedio (heroniana en este caso 𝜃𝐻 ) tomada en
campo.
Para relacionar el promedio ponderado de la humedad del suelo 𝜃𝑤 , obtenida con los
pesos y los ponderadores en cada geometría por cada resolución espacial de la imagen
satelital, se realizaron histogramas múltiples, con el promedio heroniano de la HS (𝜃𝐻 ) y
las mediciones de la HS en las imágenes satelitales (𝜃𝑠 ).
𝑟𝜃𝑊 = 𝑤𝑠 𝐺𝑠 + 𝑤𝐻 𝐺𝑐
Finalmente, se realizó una comparación entre los valores de la HS, que presentaron
mayor porcentaje de clasificación de la red neuronal probabilística Bayesiana, con los
valores de la HS original de las imágenes satelitales de SMAP_L2, correspondientes a
la similar resolución espacial ponderada. Todos los cálculos y análisis estadísticos se
realizaron con el software RStudio.
5.5. RESULTADOS
105
Se presentan en la Tabla 7, las estadísticas descriptivas de la HS del promedio
heroniano(𝜃𝐻 ), y la HS reportada en las imágenes satelitales del producto SMAP_L2 (𝜃𝑠 ),
para las resoluciones espaciales de 1, 3, 9 y 36 km, en las unidades de muestreo y para
los siete periodos de evaluación.
Tabla 7: Media y desviación estándar de la humedad del suelo por el promedio heroniano
y por las imágenes satelitales SMAP_L2 para las unidades de muestreo.
Se presenta en las Figura 16, la dispersión de datos del promedio heroniano (𝜃𝐻 ) de la
HS, en las unidades de muestreo para los periodos de evaluación correspondientes a,
los 27, 58, 88, 112, 155, 190 y 291 días, mediante el gráfico de burbujas; el cual se
observa la variabilidad de la HS, en cada periodo y en cada unidad de muestreo, de
acuerdo con el tamaño del círculo.
106
Figura 16. Gráfico de dispersión (burbujas) del promedio heroniano de la humedad del
suelo por unidad de muestreo y periodo de evaluación.
.Fuente: Autor
107
Figura 17. Gráficos de dispersión (burbujas) de la humedad del suelo por SMAP_L2 para
a) 1 km, b) 3 km, c) 9 km y d) 36 km de resolución espacial.
a) b)
c) d)
.Fuente: Autor
La Figura 18, ilustra por simulación el comportamiento del ponderador con el exponente
(a=0,6), determinado por el algoritmo de optimización, para las resoluciones espaciales
1, 3, 9, y 36 km, de la imagen satelital SMAP_L2 y el uso del parámetro geométrico tasa
de cambio de área o perímetro asociado a la derivada del área. Se observa como a
medida que la resolución espacial del parámetro geométrico aumenta, el ponderador
disminuye.
108
Figura 18. Relación entre la magnitud del parámetro geométrico tasa de cambio de área
y el ponderador con exponente igual 0.6
.
.Fuente: Autor
109
Figura 19. Histogramas múltiples entre 𝜃𝑠 (1 km), 𝜃𝐻 y 𝜃𝑤 con los diferentes parámetros
geométricos.
Área Perímetro Distancia máxima
.Fuente: Autor
110
Figura 20. Histogramas múltiples entre 𝜃𝑠 (3 km), 𝜃𝐻 y 𝜃𝑤 con los diferentes parámetros
geométricos
Área Perímetro Distancia máxima
.Fuente: Autor
111
Figura 21. Histogramas múltiples entre 𝜃𝑠 (9 km), 𝜃𝐻 y 𝜃𝑤 con los diferentes parámetros
geométricos.
.Área Perímetro Distancia máxima
.Fuente: Autor
112
Figura 22. Histogramas múltiples entre 𝜃𝑠 (36 km), 𝜃𝐻 y 𝜃𝑤 con los diferentes parámetros
geométricos.
Área Perímetro Distancia máxima
.Fuente: Autor
113
Tabla 8: Porcentaje de clasificación total de la HS de (𝜃𝑤 ), (𝜃𝐻 ) y (𝜃𝑠 ) con la red neuronal
probabilística bayesiana
114
Figura 23. Promedio ponderado (𝜃𝑤 ) con la tasa de cambio de área respecto de las
humedades de SMAP_L2 de 1km y del promedio heroniano en los periodos de
evaluación, para cada unidad de muestreo; a) U1; b) U2; c) U3; d) U4; e) U5; f) U6; g)
U7; h) U9; i) U10.
a) b) c)
d) e) f)
g) h) i)
Las líneas verdes corresponden a (𝜃𝑤 ); las rojas a (𝜃𝑠 ) y las azules a (𝜃𝐻 ).
.Fuente: Autor
geometría tasa de cambio de área o perímetro asociado a la derivada del área respecto
al radio medio de las distancias del centroide del contorno convexo para el vector de 𝜃𝑤 ,
haciendo uso del promedio armónico, como se presenta en la Tabla 9.
115
Tabla 9: Resolución espacial de la unidad de downscaling asociada al promedio
ponderado de la HS con cada resolución espacial de la imagen inicial SMAP_L2.
Imagen SMAP_L2 Unidad de Downscaling
Resolución espacial
(km) Resolución Espacial Proporción de la
(𝑟̅̅̅̅̅)
𝜃𝑊 (km) reducción
1 0,473 53%
3 0,959 204%
9 1,730 727%
36 3,270 3273%
Figura 24. Histogramas bivariados por el parámetro geométrico tasa de cambio de área
entre (a) promedio ponderado con SMAP de 3km y HS de SMAP de 1km (b) promedio
ponderado con SMAP de 36km y HS de SMAP de 3km.
HS promedio ponderado (SMAP 3 km) HS promedio ponderado (SMAP 36 km)
25 20
15
10
Frecuencia
Frecuencia
5
0
5
10
15
25 20
-0.01 0.19 0.39 0.59 0.79 -0.02 0.18 0.38 0.58 0.78
SMAP 1 km
SMAP 3km
a) b)
.Fuente: Autor
116
5.6. DISCUSIÓN
Las estadísticas del promedio heroniano (𝜃𝐻 ) y la humedad satelital (𝜃𝑠 ), permitieron
observar la variabilidad de la HS tanto en las unidades de muestreo, como en los
periodos de análisis. La media del promedio heroniano, fue menor en las unidades U1 y
U2, respecto de los mayores promedios en las unidades U3, U5 y U6, y se observó que
los periodos correspondientes a los 28 (2017/09/28) y 190 (2018/03/10) días del estudio
fueron los días se presentó menor promedio de la HS, respecto del periodo 88 días
(2017/11/28). En las unidades de muestreo U4, U5 y U6 se presentaron los menores
promedios en las lecturas sobre la imagen SMAP de 1 km de resolución espacial,
respecto de la U6 que mostró la menor media sobre la imagen de 3 km. La media de la
HS en las imágenes SMAP 9km y 36km, en general fueron homogéneas, debido a que
en un pixel se ubicaron varios contornos convexos; sin embargo, se observó en general
en todas las resoluciones de la imagen SMAP y para todas las unidades de muestreo,
que las medias de la HS, fueron menores respecto de las medias del promedio
heroniano. El periodo de menor media de HS, fue a los 88 días (2017/11/28), coincidente
con el promedio heroniano y el periodo de mayor media de la HS fue a los 291 días
(2018/06/19).
117
El uso del límite trascendental, como ponderador de la HS no ha sido documentado y
los resultados, con los diferentes parámetros geométricos, muestran que la humedad del
suelo ponderada (𝜃𝑤 ), asimila información tanto de la imagen SMAP como del promedio
heroniano, en mayor proporción cuando el tamaño del pixel es menor y en la medida que
el pixel aumenta los valores estimados ponderados de la HS se asemejan más al
promedio heroniano, es decir, la HS medida en campo, en las distintas resoluciones
espaciales.
118
Se estableció una unidad espacial (𝑟̅̅̅̅̅),
𝜃𝑊 relacionada con el promedio ponderado de la
humedad superficial del suelo (𝜃𝑤 ), que guarda consistencia con el comportamiento del
promedio ponderado de la HS, lo cual permite inferir que la estrategia de downscaling,
con el límite trascendental es una alternativa de doble aplicabilidad, uno por la
ponderación de la HS y otra, por la ponderación de las propias resoluciones espaciales.
Como resultado, todas las resoluciones del producto satelital SMAP_L2, fueron
ajustadas, corregidas o aumentadas, y se considera en uso de la resolución de 1 km, por
cuanto fue aumentada en una proporción del 53%; sin embargo, los resultados muestran
que las demás resoluciones espaciales de 3, 9 y 36 km, alcanzaron un aumento
igualmente significativo y en casos en los que por diversas condiciones espacio
temporales, no se contara con mediciones satelitales, de la de mayor resolución espacial,
la propuesta de downscaling presenta una alternativa de uso para resoluciones
espaciales bajas de SMAP_L2.
119
& Sivapalan (1995), entre dos sistemas. Además, como lo indica Wu & Li (2006), el
downscaling no produce soluciones únicas y los valores de la variable en una escala
pueden variar dentro de la unidad de soporte, en un número infinito de formas, sin
cambiar el valor promedio en la escala de agregación.
.
5.7. CONCLUSION CAPÍTULO
Los resultados del estudio muestran que el uso de un factor de escala proveniente de un
límite trascendental que incorpora como ponderador el parámetro geométrico tasa de
cambio de área puede considerarse como una alternativa para el downscaling de la
humedad del suelo de imágenes satelitales SMAP_L2 de distintas resoluciones
espaciales, llegando a encontrarse nuevas unidades reducidas en un 53% respecto de
la imagen inicial, para el caso de 1 km y una resolución ponderada de 0,473 km, por lo
cual, se considera un método a considerar y adoptar como alternativa de futuras
investigaciones con el objetivo de mejorar y lograr un mayor ajuste, por investigadores
interesados en el downscaling geométrico, como herramienta en el modelado de datos
de sensoramiento remoto a escala local.
120
6. HUMEDAD SUPERFICIAL DEL SUELO POR ASIMILACIÓN DE DATOS GEO-
AMBIENTALES E IMÁGENES SMAP MEDIANTE EL USO DE REGRESIÓN POR
MÍNIMOS CUADRADOS PARCIALES
6.1. RESUMEN
121
modelos de las combinaciones utilizadas, considerándose estadísticamente
significativos. Se obtuvo para las predicciones del modelo que incorporó la HS de SMAP
de 1 km, un coeficiente de determinación R2 de 62%, en tres componentes; para el
modelo que incluyó a la HS de SMAP de 3 km un R2 de 69% en dos componentes; para
el modelo que incorporó la HS de SMAP de 9 km, un R 2 de 62%, en un componente; y,
para el modelo que incluyó la HS de SMAP de 36 km se obtuvo un R 2 de 70%, en dos
componentes. Se determinó un RMSE para los valores observados y predichos de
0,0655 para la comparación con las mediciones de SMAP de 1 km; de 0,0615 para con
SMAP de 3 km; de 0,0614 para con SMAP de 9 km; y, de 0,0628 para con SMAP de 36
km de resolución espacial. Los resultados, permiten considerar esta alternativa de
asimilación de datos útil y eficiente, para predecir el promedio heroniano de la humedad
del suelo y con la ventaja, que incorpora la variabilidad que caracteriza la humedad
superficial del suelo.
Palabras clave: Humedad del suelo, Mínimos cuadrados parciales (PLS), asimilación de
datos
6.2. ABSTRACT
Soil moisture plays a key role in agriculture, drought monitoring, irrigation management,
improving weather and climate forecasting and understanding of terrestrial ecosystem
processes. Satellite measurements can provide information on a global scale; however,
products this coarse scale makes local studies difficult. In the search to find statistical
relations, which allow to increase the scale, it was considered to design a statistical
model, which allows to relate factors associated to the variability of the humidity of the
soil, such as, the precipitation, the elevation, the vegetal cover and characteristics of the
soil like, the temperature and the sand fraction; information from field and optical images,
from Landsat 8 and Sentinel 2 systems, of medium spatial resolution (10 and 15 m) with
soil moisture, from SMAP_L2 satellite images of low spatial resolution (1, 3, 9 and 36 km);
as predictors of soil surface moisture at higher spatial resolution than satellite information.
The predictions of the models were contrasted with 63 heronian averages, from 2211
122
gravimetric measurements, as a reference measurement. Direct measurements and
predictions of soil moisture were obtained in nine sampling units for seven evaluation
periods. Four possible combinations of associated factors and SMAP resolutions were
considered. The partial least squares (PLS) procedure was used to extract the weights of
the components, with which the non-standardized regression coefficients of the adjusted
models were estimated and predictions were obtained, for the heronian average as a
dependent variable. The analysis of variance showed a p-value of 0.00 for all the models
of the combinations used, which were considered statistically significant. For the
predictions of the model that incorporated the 1 km SMAP HS, a determination coefficient
R2 of 62% was obtained, in three components; for the model that included the 3 km SMAP
HS, a R2 of 69% was obtained, in two components; for the model that incorporated the 9
km SMAP HS, a R2 of 62% was obtained, in one component; and, for the model that
included the 36 km SMAP HS, a R2 of 70% was obtained, in two components. An RMSE
was determined for the observed and predicted values of 0.0655 for comparison with the
1 km SMAP measurements; 0.0615 for 3 km SMAP; 0.0614 for 9 km SMAP; and, 0.0628
for 36 km SMAP spatial resolution. The results allow us to consider this data assimilation
alternative useful and efficient, to predict the heronian average of soil moisture and with
the advantage, that it incorporates the variability that characterizes the surface moisture
of the soil.
6.3. INTRODUCCIÓN
123
Para estudios locales y regionales sobre gestión del agua, se requieren observaciones
detalladas de la variabilidad de HS (Lakshmi, 2013); sin embargo, la caracterización de
la HS es muy compleja debido a su gran variabilidad espacial (Famiglietti et al., 1999; Yu
et al., 2001), la cual está afectada generalmente por gradientes de precipitación, tipo de
suelo, vegetación o efectos por la topografía, especialmente la pendiente, que
determinan su distribución tanto espacial como temporal (Álvarez et al., 2005).
Estudios recientes, han demostrado que tanto sensores pasivos como activos, presentan
datos fiables de la humedad del suelo (Owe et al., 2008; Petropoulos et al., 2015). El
satélite de la Humedad del Suelo Activo Pasivo (SMAP, siglas en inglés), ofrecería datos
de alta resolución de la humedad del suelo a escala global mediante la combinación de
la banda L, de temperatura de brillo (pasivo), y alta resolución de banda L (activo), de
retrodispersión de radar; sin embargo, las agencias encargadas del monitoreo de los
recursos, han trabajado en el uso de datos del Sistema Sentinel 1 y actualmente, se
cuenta con productos de 1 km2 , de la fusión de datos de SMAP y Sentinel 1, como datos
de prueba para estudios científicos, los cuales los investigadores consideran tendrán
aplicabilidad a escala local, para la gestión de recursos hídricos, agricultura y producción
124
de cultivos; aunque, todavía se espera obtener resoluciones más altas (Entekhabi et al.,
2010; Chan et al., 2016).
Este capítulo en la investigación, tuvo por objetivo diseñar un modelo estadístico, con
factores asociados a la variabilidad de la humedad del suelo, que incluyó aspectos
climáticos como la precipitación, topográficos como la elevación, de cobertura vegetal,
representada en el índice de vegetación normalizado (NDVI) y características del suelo
como la temperatura y la fracción de arena, como predictores de la humedad superficial
del suelo, con mediciones de imágenes satelitales SMAP_L2 de 1, 3, 9, y 36 km de
resolución espacial, para obtener predicciones de la humedad del suelo, las cuales
fueron contrastadas con promedios heronianos, provenientes de mediciones
gravimétricas.
125
Least Squares), para extraer los pesos de los componentes, con los que se estimó los
coeficientes de regresión no estandarizados de los modelos ajustados y las predicciones.
El análisis de varianza, mostro un p-valor de 0,0 para todos los modelos, considerándose
estadísticamente significativos. Se obtuvo el promedio de predicción más alto, con el
modelo que incorporó la resolución de 36 km de SMAP con un R2 69,62, seguido del
modelo que incorporó la resolución de 3 km con un R2 de 69%. Se determinó un RMSE
para los valores observados y predichos que incorporaron a SMAP de 1 km de 0,0655,
para con SMAP de 3 km de 0,0615, para con SMAP de 9 km de 0,0614 y para con SMAP
de 36 km de 0,0628. Los resultados, permiten considerar esta alternativa de asimilación
de datos útil y eficiente, para predecir el promedio heroniano de la humedad del suelo y
con la ventaja, que incorpora la variabilidad que caracteriza la humedad superficial del
suelo.
6.4.1. Factores asociados a la variabilidad de la humedad del suelo. Entre los factores
asociados con la dinámica y la heterogeneidad de la HS, se consideran los aspectos
climáticos como la precipitación; topográficos como la elevación; de cobertura vegetal,
como el índice de vegetación normalizado (NDVI); y, condiciones del suelo, como la
temperatura y la fracción de arena, los cuales podrían tener mayor relación con la HS del
suelo y como predictores. A continuación, se describe cada variable:
126
Como variable fundamental se consideró la precipitación (mm/día) del día anterior y del
día, de la fecha del periodo de evaluación, por lo cual se obtuvo registros diarios, de
cuatro estaciones climáticas de jurisdicción de la Corporación Autónoma Regional del
Quindío (CRQ), ubicadas en la cuenca hidrográfica del rio Quindío. Se seleccionaron las
estaciones de La Montaña, La Playa, Navarco y Centro de la Guadua, por estar ubicadas
el área de localización de las unidades de muestreo. Los registros diarios en cada una
de ellas, se consolidaron, para las fechas coincidentes del día anterior y del día del
muestreo de suelos, con los periodos de evaluación, en cada unidad de muestreo.
127
HS, debido principalmente a la incorporación de materia orgánica (Crow et al., 2012;
Famiglietti et al., 1998). El uso de la tierra, también es componente importante e
influyente en la variabilidad de la HS, principalmente por los impactos en las tasas de
infiltración, escorrentía y procesos de evapotranspiración (Zhao et al., 2018).
Landsat y Sentinel, operan en la zona del visible e infrarrojo, por lo cual están afectados
por condiciones de nubosidad; y, aunque presentan una mediana resolución espacial,
tienen con una baja resolución temporal, circunstancia por la cual se requirió el uso de
estos dos sistemas. La descripción de las imágenes utilizadas se presenta en la Tabla
10.
Tabla 10: Resolución espacial de las Imágenes Landsat 8 y Sentinel 2 por periodo de
evaluación.
Resolución
Periodo Sensor Fecha
espacial
1 Landsat 8 (09/57) 2017/09/29 15m
2 Sentinel 2 (1C) 2017/10/01 10m
3 Sentinel 2 (1C) 2017/11/30 10m
4 Landsat 8 (09/57) 2017/12/18 15m
5 Sentinel 2 (1C) 2018/02/28 10m
6 Sentinel 2 (1C) 2018/03/18 10m
7 Sentinel 2 (1C) 2018/06/18 10m
128
El procesamiento de las imágenes incluyó inicialmente, el preprocesamiento para
corrección atmosférica, por el método Dark Object Subtraction (DOS). Luego, las bandas
multiespectrales de Landsat 8 fueron remuestreadas con la banda pancromática del
mismo sensor, para obtener una resolución espacial de 15 m. A las imágenes de Sentinel
2, de cada periodo, se realizó un mosaico debido a que, el área total de la cuenca es
cubierta por dos imágenes.
donde, B5, corresponde a la banda del infrarrojo cercano (NIR) y B4, la banda visible del
rojo (RED) en Landat 8.
donde, B8, es la banda del infrarrojo cercano (VNIR) y B4, corresponde a la banda visible
del rojo (RED) en Sentinel 2.
El EVI, corresponde a valores mayores a 0 y los mayores valores están asociados a
presencia de vegetación. El índice se obtuvo a partir de las siguientes expresiones:
donde, B5, corresponde a la banda del infrarrojo cercano (NIR), B4, a la banda visible
del rojo (RED) y B2 corresponde a la banda azul en Landsat 8.
129
El NDWI, se calcula con valores en un rango de -1 a 1 y se obtuvo a partir de las
siguientes expresiones:
donde, B5, corresponde a la banda del infrarrojo cercano (NIR), B3, a la banda visible
verde en Landsat 8.
donde, B8, es la banda del infrarrojo cercano (VNIR), B4, corresponde a la banda visible
del verde en Sentinel 2.
130
agregados por promedio el aritmético y se obtuvo un valor representativo por unidad de
muestreo.
La temperatura del suelo (Ts) y la cantidad de humedad en el suelo tienen una alta
relación, porque la temperatura del suelo, determina si el agua se encuentra en estado
gaseoso, líquido o sólido y, a su vez la humedad del suelo, influye en la velocidad a la
que el suelo se enfría y se calienta, lo cual afecta los procesos químicos, físicos y
biológicos en el suelo (López, 2005). En general, la temperatura del suelo ha sido
estimada a partir de sensores satelitales (Merlín et al., 2008, 2015; Peng et al., 2017b;
Piles et al., 2011; Srivastava et al., 2013).
131
imágenes de satélite de SMAP_L2, correspondientes a 1, 3, 9, y 36 km de resolución
espacial.
132
Finalmente, se estimaron los coeficientes de regresión estandarizados y no
estandarizados del modelo ajustado, para las predicciones de la variable dependiente y
se realizaron gráficos comparativos entre los valores predichos y los valores observados
Se generaron estadísticas descriptivas (media y desviación estándar) para cada unidad
de muestreo en los periodos de evaluación e igualmente se obtuvieron estadísticas
descriptivas para la HS de las imágenes satelitales de SMAP (𝜃𝑠 ) y de la humedad
medida en campo representada por el promedio heroniano (θH).
𝑛
1
𝑅𝑀𝑆𝐸 = √ ∑ (𝜃𝑝 − 𝜃𝐻 )2
𝑛
𝑖=1
6.5. RESULTADOS
133
Unidad de P(mm/día) MDE(nsnm) NDVI Ts (°C) A (%)
muestreo 𝑥̅ σ 𝑥̅ σ 𝑥̅ σ 𝑥̅ σ 𝑥̅ σ
U2 5,81 13,91 2942 NA 0,46 0,28 13,48 3,21 39,59 NA
n=63; NA: No aplica debido a que son constantes para la unidad de muestreo.
Tabla 12: Media y desviación estándar de la humedad del suelo de la imagen satelital
SMAP_L2 y del promedio heroniano por unidad de muestreo.
Unidad Promedio SMAP 1 km SMAP 3 km SMAP 9 km SMAP 36 km
3 -3 3 -3 3 -3
de heroniano (𝜃𝑠 ) (cm cm ) (𝜃𝑠 ) (cm cm ) (𝜃𝑠 ) (cm cm ) (𝜃𝑠 ) (cm3 cm-3)
muestreo θH (cm3 cm-3)
𝑥̅ σ 𝑥̅ σ 𝑥̅ σ 𝑥̅ σ 𝑥̅ σ
U1 0,31 0,05 0,28 0,25 0,26 0,18 0,18 0,01 0,17 0,01
U2 0,32 0,08 0,38 0,28 0,26 0,18 0,18 0,01 0,17 0,01
U3 0,52 0,06 0,04 0,04 0,15 0,09 0,18 0,01 0,17 0,01
U4 0,49 0,09 0,06 0,09 0,14 0,07 0,18 0,01 0,17 0,01
U5 0,53 0,07 0,04 0,03 0,20 0,16 0,18 0,01 0,17 0,01
U6 0,53 0,10 0,05 0,02 0,03 0,03 0,18 0,01 0,17 0,01
U7 0,46 0,07 0,16 0,10 0,13 0,04 0,16 0,02 0,17 0,01
U9 0,44 0,04 0,25 0,08 0,13 0,03 0,16 0,02 0,17 0,01
U10 0,42 0,03 0,19 0,08 0,25 0,06 0,17 0,02 0,16 0,02
n=63
134
En la Figuras 25 a 27, se observan las variables precipitación, NDVI y temperatura del
suelo, asociadas a la HS, en las unidades de muestreo durante los periodos de
evaluación 1 (2017/09/28), 2 (2017/10/29), 3 (2017/11/28), 4 (2017/12/22),
5(2018/02/03), 6 (2018/03/10) y 7 (2018/06/19).
Figura 25. Precipitación promedio para los periodos de evaluación en las distintas
unidades de muestreo
.Fuente: Autor
Figura 26. NDVI promedio para los periodos de evaluación en las distintas
unidades de muestreo
.Fuente: Autor
135
Figura 27. Temperatura del suelo promedio en los periodos de evaluación y en
las distintas unidades de muestreo
.Fuente: Autor
.Tabla 13: Coeficientes de regresión para los modelos ajustados con las variables
predictoras y con cada resolución espacial de las imágenes SMAP
Variables predictoras SMAP SMAP SMAP SMAP
1 km 3 km 9 km 36 km
Constante 1,2021 1,1950 0,7284 0,8542
Precipitación -0,0003 -0,0005 -0,0019 -0,0010
MDT -0,0002 -0,0002 -0,0001 -0,0002
NDVI -0,0493 -0,0766 -0,1286 -0,0255
Temperatura del -0,0128 -0,0117 -0,0100 -0,0114
suelo
Arena -0,0032 -0,0036 -0,0034 -0,0035
SMAP -0,1764 -0,0205 2,4584 1,9285
.Fuente: Autor
Los coeficientes de regresión, permitieron generar las ecuaciones para las predicciones
de los datos observados, como se expresan en la Tabla 14.
136
Tabla 14: Ecuaciones de regresión para predecir el promedio heroniano con las variables
geo ambientales y con diferentes resoluciones espaciales de SMAP
Opción Ecuación
Opción θH_Pred1=1,2021-0,0003P-0,0002MDT-0,0493NDVI-0,0128Ts-0,0032A-
1 0,1764SMAP1
Opción θH_Pred3=1,1950-0,0005P-0,0002MDT-0,0766NDVI-0,0117Ts-0,0036A-
2 0,0205SMAP3
Opción θH_Pred9=0,7284-0,0019P-0,0001MDT-0,1286NDVI-0,0100Ts-
3 0,0034A+2,4584SMAP9
Opción θH_Pred36=0,8542-0,0010P-0,0002MDT-0,0255NDVI-0,0114Ts-
4 0,0035A+1,9285SMAP36
Una vez se corrió el algoritmo, los cuatro modelos de regresión presentaron un p-valor
de 0,0000. Se obtuvo para el modelo que incorporó la HS de SMAP de 1 km una
predicción R2 de 62,23 en tres componentes; para el modelo que incluyó a la HS de
SMAP de 3 km una predicción R2 de 69,02 en dos componentes; para el modelo que
incorporó la HS de SMAP de 9 km un R2 de 62,75 en un componente; y, para el modelo
que incluyó la HS de SMAP de 36 km se obtuvo una predicción R2 de 69,62 en dos
componentes. En el Anexo C, se presentan las estadísticas complementarias de los
modelos.
Se ilustra con la Figura 28, la distribución de los datos observados, es decir el promedio
heroniano θH y la distribución de los promedios predichos para el promedio heroniano
(θH_Pred), con el uso de las distintas resoluciones espaciales de la imagen SMAP.
137
Figura 28. Distribución de la humedad del suelo observada o promedio heroniano (θH) y
los promedios predichos del promedio heroniano, para (a) SMAP de 1 km; (b) SMAP de
3 km; (c) SMAP de 9 km y (d) SMAP de 36 km.
Promedio heroniano observado (cm³/cm³) Promedio heroniano observado (cm³/cm³)
15 15
10 10
5 5
Frecuencia
Frecuencia
0 0
5 5
10 10
15
15
0.2 0.3 0.4 0.5 0.6 0.7 0.8
0.2 0.3 0.4 0.5 0.6 0.7 0.8
Promedio heroniano predicho (cm³/cm³)
Promedio heroniano predicho (cm³/cm³)
a) b)
Promedio heroniano observado (cm³/cm³) Promedio heroniano observado (cm³/cm³)
12 15
8 10
4 5
Frecuencia
Frecuencia
0 0
4 5
8 10
12 15
0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.2 0.3 0.4 0.5 0.6 0.7 0.8
Promedio heroniano predicho (cm³/cm³) Promedio heroniano predicho (cm³/cm³)
c) d)
.Fuente: Autor
La Figura 29, presenta los modelos lineales entre los valores predichos y observados del
promedio heroniano.
138
Figura 29. Modelos lineales entre los valores observados y predichos del promedio
heroniano con (a) SMAP de 1 km; (b) SMAP de 3 km; (c) SMAP de 9 km y (d) SMAP de
36 km.
heroniano = 0.0226529 + 0.948362*Heroniano_Op1_1 heroniano = 0.00489734 + 0.983073*Heroniano_Op2_1
Promedio heroniano observado (cm³/cm³)
0.62 0.62
0.52 0.52
0.42 0.42
0.32 0.32
R² : 63.20% R² : 58.98%
0.22 0.22
0.24 0.34 0.44 0.54 0.64 0.25 0.35 0.45 0.55 0.65
Promedio heroniano predicho (cm³/cm³) Promedio heroniano predicho (cm³/cm³)
a) b)
heroniano = 0.0107003 + 0.964831*Heroniano_Op3_1 heroniano = 0.00629096 + 0.984648*Heroniano_Op4_1
Promedio heroniano observado (cm³/cm³)
0.72 0.72
0.62 0.62
0.52 0.52
0.42 0.42
0.32 0.32
R² : 63.51% R² : 61.47%
0.22 0.22
0.25 0.35 0.45 0.55 0.65 0.25 0.35 0.45 0.55 0.65
Promedio heroniano predicho (cm³/cm³) Promedio heroniano predicho (cm³/cm³)
c) d)
.Fuente: Autor
Finalmente, se estimó un RMSE entre los valores del promedio heroniano y los valores
predichos en cada una de las opciones, determinándose un RMSE de 0,0655 cuando se
asimiló a SMAP de 1 km; de 0,0615 cuando se asimiló a SMAP de 3 km, de 0,0614
cuando se asimiló a SMAP de 9 km y de 0,0628 cuando se asimiló a SMAP de 36 km, y
las demás variables que influyen en la variabilidad de la HS.
6.6. DISCUSIÓN
139
del suelo; que corresponden a aspectos climáticos, topográficos, de vegetación y suelos.
Los datos de las variables, fueron provenientes de diferentes fuentes de datos, escalas
y a resoluciones espaciales. Para la asimilación de datos, se incorporaron lecturas de
humedades de imágenes satelitales, del producto SMAP_L2, de cuatro resoluciones
espaciales (1, 3, 9 y 36 km), para las nueve unidades de muestreo en los siete periodos
de evaluación, como variables predictoras. Este procedimiento, permitió obtener
predicciones de la humedad del suelo, a mayor resolución espacial que la información
proveniente de las imágenes satelitales, para lo cual se utilizó el método de mínimos
cuadrados parciales, mediante el algoritmo Nonlinear Iterative Partial Least Squares
(NIPALS).
Respecto a los factores que se asocian con la variabilidad de la HS, los promedios de
precipitación, provenientes de registros diarios de las estaciones climáticas de la cuenca
del río Quindío, fueron similares en las unidades de muestreo. Se observó mayores
promedios de precipitación para los periodos de evaluación 2 y 3, correspondientes a los
29 días del mes de octubre y a los 28 días del mes de noviembre de 2017; y menores
promedios para el último periodo de evaluación, hacia los 19 días del mes de junio de
2018.
140
un pico en el periodo de evaluación número seis, correspondiente a tiempo seco y
posiblemente, debido a mayor radiación solar.
En cuanto a la fracción de arena del suelo, las unidades U1, U9 y U10 presentaron los
mayores porcentajes, condición que favorece pérdidas de agua en la capa superficial del
suelo, respecto de la unidad U4, que presentó el menor porcentaje, lo cual facilita la
acumulación de agua en el suelo. En las unidades U2, U3, U5, U6 y U7 presentaron
valores intermedios en la fracción arena, condición igualmente intermedia entre
almacenamiento y pérdida de agua.
Los modelos estimados con la técnica de PSL, presentaron significancia estadística (p-
valor 0,00), con las variables climáticas y geofísicas asociadas. Las mayores
correlaciones entre los valores predichos con los valores observados, es decir el
promedio heroniano, se presentaron con las opciones que incorporaron los datos de HS
de las imágenes satelitales de 1 y de 9 km, clasificándose como moderadamente fuerte.
Estos resultados, permiten reconocer que la técnica de PLS es robusta y considera la
multidimensionalidad y la multicolinealidad. Sin embargo, puede haber algunas
correlaciones individuales de la HS, que pudieran no permitir una predicción más
confiable, situación similar planteada en el estudio de Leone et al. (2012), quienes
reportan hallazgos de bajas correlaciones con el uso de PLS, en algunas propiedades
del suelo y la reflectancia espectral. Igualmente, Belda et al. (1999), reportan bajas
relaciones lineales entre la precipitación, el NDVI y la humedad del suelo en zonas
húmedas. Por lo cual, es razonable asumir que, la alta variabilidad de la HS, es muy
compleja y sensible igualmente al entono y otras propiedades que la afectan.
141
consideran los mismos aspectos de evaluación y las áreas de estudio son igualmente
diversas.
142
7. CONCLUSIONES
143
Analizado el efecto del tiempo, se procedió a establecer si se presentaba similaridad
entre las unidades de muestreo, de acuerdo con los valores de la HS, tanto de la
medición gravimétrica (media heroniana) como de la medición indirecta, mediante el
análisis de conglomerados o cluster. Este análisis, permitió reagrupar las unidades de
muestreo iniciales, en cinco estratos de alta similitud por los valores de humedad del
suelo, donde, el cluster C1 fue compuesto por las unidades de muestreo U1 y U2 en igual
porcentaje de representación del 50%; el cluster C2 fue compuesto principalmente por
las unidades U7 y U10 cada una con una representación del 40,1%; en el cluster C3 se
incorporaron en mayor representación las unidades U4 y U5, cada una con un porcentaje
del 29,99%; el cluster C4 fue compuesto principalmente por las unidades U6 con un
porcentaje del 19,97% y con la unidad U9 con el 29,99%; y el cluster 5 incorporó la unidad
U3 con una representación del 40,01%. Los cluster, fueron evaluados con la prueba Q,
la cual mostró un p-valor < 0,00001; para un estadístico de 0,8134; con lo cual se
comprobó que hubo una clara definición de los cinco clusters de la HS.
Los promedios heronianos (𝜃𝐻 ), fueron luego contrastados con la HS, proveniente de
imágenes satelitales del sensor SMAP_L2 (𝜃𝑆 ), de cuatro resoluciones espaciales (1,3,9
y 36 km), mediante la ponderación de propiedades geométricas similares (área,
perímetro, distancia máxima al centroide, tasa de cambio del área, perímetro del circulo
144
que circunscribe al polígono y un índice de área), que representan tanto al pixel de la
imagen satelital, como a las unidades de muestreo, las cuales fueron delimitadas por
técnica de contornos convexos.
145
propuesta del uso de un factor de escala, proveniente de un límite trascendental, puede
considerarse como alternativa para el downscaling de la humedad del suelo, de
imágenes satelitales SMAP_L2, de distintas resoluciones espaciales y como una
aproximación de estimación de la HS, a una escala regional o intermedia.
146
embargo, los mayores promedios de predicción se presentaron con las resoluciones
espaciales de 3 y 36 km.
147
RECOMENDACIONES
148
REFERENCIAS
Abbaszadeh, P., Moradkhani, H., & Zhan, X. (2019). Downscaling SMAP radiometer soil
moisture over the CONUS using an ensemble learning method. Water Resources
Research, 55(1), 324-344.
Agus, S. S., & Schanz, T. (2005). Comparison of four methods for measuring total
suction. Vadose Zone Journal, 4(4), 1087-1095.
AghaKouchak, A., Nasrollahi, N., Li, J., Imam, B. & Sorooshian, S. (2011). Geometrical
characterization of precipitation patterns. Journal of Hydrometeorology, 12(2), 274-
285.
Al Bitar, A., Leroux, D., Kerr, Y. H., Merlin, O., Richaume, P., Sahoo, A., & Wood, E. F.
(2012). Evaluation of SMOS soil moisture products over continental US using the
SCAN/SNOTEL network. IEEE Transactions on Geoscience and Remote Sensing,
50(5), 1572-1586.
Alemohammad, S. H., Kolassa, J., Prigent, C., Aires, F., & Gentine, P. (2017). Statistical
downscaling of remotely-sensed soil moisture. In 2017 IEEE International
Geoscience and Remote Sensing Symposium (IGARSS) (pp. 2511-2514). IEEE.
Allen, R. G., Pereira, L. S., Raes, D., & Smith, M. (2006). Evapotranspiración del cultivo:
guías para la determinación de los requerimientos de agua de los cultivos. Roma:
FAO, 298, 0.
149
Alvarez, J.; Casalí, J.; González, M. & López, J. (2005). Estimación de la humedad
superficial del suelo mediante teledetección radar en presencia de una cubierta de
cereal. Estudios de la Zona No Saturada del Suelo Vol VII.
Ashcroft, M. B., & Gollan, J. R. (2013). Moisture, thermal inertia, and the spatial
distributions of near-surface soil and air temperatures: understanding factors that
promote microrefugia. Agricultural and Forest Meteorology, 176, 77-89.
Barrett, B.; Dwyer, E. & Whelan, P. (2009). Soil moisture retrieval from active
spaceborne microwave observations: an evaluation of current techniques. Remote
Sens. 1, 210–242.
Barber, C. B., Dobkin, D. P., Dobkin, D. P.& Huhdanpaa, H. (1996). The quickhull
algorithm for convex hulls. ACM Transactions on Mathematical Software
(TOMS), 22(4), 469-483.
Bakker, G., van der Ploeg, M. J., de Rooij, G. H., Hoogendam, C. W., Gooren, H.,
Huiskes, C., koopal, L., & Kruidhof, H. (2007). New polymer tensiometers:
Measuring matric pressures down to the wilting point. Vadose zone journal, 6(1),
196-202.
150
Bell, K. R., Blanchard, B. J., Schmugge, T. J., & Witczak, M. W. (1980). Analysis of
surface moisture variations within large‐field sites. Water Resources
Research, 16(4), 796-810.
Beyer, W. H. (1987). CRC Standard Mathematical Tables, 28th ed. Boca Raton, FL:
CRC Press, pp. 123-124.
Bindlish, R. & Barros, A. P. (2002). Subpixel variability of remotely sensed soil moisture:
An inter-comparison study of SAR and ESTAR. IEEE Transactions on Geoscience
and Remote Sensing, 40(2), 326-337.
Bierkens, M., Finke, P., & De Willigen, P. (2000). Upscaling and downscaling methods
for environmental research. Kluwer Academic.
Böttcher, A., Karlovich, Y. I., Karlovics, J. I., & Karlovich, Y. I. (1997). Carleson curves,
Muckenhoupt weights, and Toeplitz operators (Vol. 154). Springer Science &
Business Media.
Blöschl, G., & Sivapalan, M. (1995). Scale issues in hydrological modelling: a review.
Hydrological processes, 9(3‐4), 251-290.
151
Brocca, L., Hasenauer, S., Lacava, T., Melone, F., Moramarco, T., Wagner, W., ... &
Latron, J. (2011). Soil moisture estimation through ASCAT and AMSR-E sensors:
An intercomparison and validation study across Europe. Remote Sensing of
Environment, 115(12), 3390-3408.
Brooks, R. H., & Corey, A. T. (1964). Hydraulic properties of porous media: Fort Collins,
Colo: Colorado State University, 1964.
Castro, A.; Martin-Lopez, B.; Garcia-Llorente, D.; Aguilera, P.; Lopez, E. & Cabello; J.
(2011). Social preferences regarding the delivery of ecosystem services in a
semiarid Mediterranean region. Journal of Arid Environments 75:1201–1208.
Carlson, T., R. Gillies, & E. Perry (1994), A method to make use of thermal infrared
temperature and NDVI measurements to infer surface soil water content and
fractional vegetation cover, Remote Sensing Reviews, 9, 161–173. 6.1, 6.2.3,
6.3.2.
152
Cao, D., Shi, B., Zhu, H., Zhu, K., Wei, G., & Gu, K. (2016). Performance evaluation of
two types of heated cables for distributed temperature sensing-based
measurement of soil moisture content. Journal of Rock Mechanics and
Geotechnical Engineering, 8(2), 212-217.
Capdepón, F. P. (2008). Las escalas del espacio: desde lo global a lo local. Scripta
Nova.
Chakrabarti, S., Bongiovanni, T., Judge, J., Nagarajan, K., & Principe, J. C. (2015).
Downscaling satellite-based soil moisture in heterogeneous regions using high-
resolution remote sensing products and information theory: A synthetic
study. IEEE Transactions on Geoscience and Remote Sensing, 53(1), 85-101.
Chaney, N. W., Roundy, J. K., Herrera-Estrada, J. E., & Wood, E. F. (2015). High-
resolution modeling of the spatial heterogeneity of soil moisture: Applications in
network design. Water resources research, 51(1), 619-638.
Chan, S. K., Bindlish, R., O'Neill, P. E., Njoku, E., Jackson, T., Colliander, A., ... & Yueh,
S. (2016). Assessment of the SMAP passive soil moisture product. IEEE
Transactions on Geoscience and Remote Sensing, 54(8), 4994-5007.
Chauhan, N.; Miller, S. & Ardanuy, P. (2003). “Spaceborne soil moisture estimation at
high resolution: A microwaveoptical/IR synergistic approach,” Int. J. Remote Sens.,
vol. 24, no. 22, pp. 4599–4622.
Chelli, S., Canullo, R., Campetella, G., Schmitt, A. O., Bartha, S., Cervellini, M., and
Wellstein, C. (2016). The response of sub‐Mediterranean grasslands to rainfall
variation is influenced by early season precipitation. Applied vegetation
science, 19(4), 611-619.
153
Chen, F., & Dudhia, J. (2001). Coupling an advanced land surface–hydrology model
with the Penn State–NCAR MM5 modeling system. Part I: Model implementation
and sensitivity. Monthly weather review, 129(4), 569-585.
Choi, M., Kustas, W. P., Anderson, M. C., Allen, R. G., Li, F., and Kjaersgaard, J. H.
(2009). An intercomparison of three remote sensing-based surface energy balance
algorithms over a corn and soybean production region (Iowa, US) during
SMACEX. Agricultural and Forest Meteorology, 149(12), 2082-2097.
Crave, A., & C. Gascuel-Odoux (1997): The influence of topography on time and space
distribution of soil surface water content, Hydrol. Processes, 11, 203–210.
Croft, H. T., Falconer, K., & Guy, R. K. (2012). Unsolved problems in geometry: unsolved
problems in intuitive mathematics (Vol. 2). Springer Science and Business Media.
Crow, W.; Bindlish, R. & Jackson, T. (2005). The added value of spaceborne passive
microwave soil moisture retrievals for forecasting rainfall-runoff ratio partitioning,
Geophysical Research Letters, 32, L18,401. 1.1, 1.2.
154
Crow, W. T., Berg, A. A., Cosh, M. H., Loew, A., Mohanty, B. P., Panciera, R., ... &
Walker, J. P. (2012). Upscaling sparse ground‐based soil moisture observations
for the validation of coarse‐resolution satellite soil moisture products. Reviews of
Geophysics, 50(2).
Das, N. N., Entekhabi, D., Njoku, E. G., Shi, J. J., Johnson, J. T., & Colliander, A. (2013).
Tests of the SMAP combined radar and radiometer algorithm using airborne field
campaign observations and simulated data. IEEE Transactions on Geoscience
and Remote Sensing, 52(4), 2018-2028.
Das, N. N., Entekhabi, D., Dunbar, S., Kim, S., Yueh, S., Colliander, A., ... & Walker, J.
(2017). Assessment Report for the L2_SM_SP Beta Release.
Das, N. N., Entekhabi, D., Dunbar, R. S., Colliander, A., Chen, F., Crow, W., ... & Cosh,
M. H. (2018). The SMAP mission combined active-passive soil moisture product
at 9 km and 3 km spatial resolutions. Remote sensing of environment, 211, 204-
217.
Dirksen, C., 1999: Soil Physics Measurements. Catena Verlag, Reiskirchen, Alemania,
154 págs.
155
Deardorff, J. W. (1978). Efficient prediction of ground surface temperature and moisture,
with inclusion of a layer of vegetation. Journal of Geophysical Research: Oceans,
83(C4), 1889-1903.
Dorigo, W. A., Wagner, W., Hohensinn, R., Hahn, S., Paulik, C., Xaver, A., ... & Robock,
A. (2011). The International Soil Moisture Network: a data hosting facility for global
in situ soil moisture measurements. Hydrology and Earth System Sciences, 15(5),
1675-1698.
Douville, H. & Chauvin, F. (2004). Relevance of soil moisture for seasonal climate
predictions: a preliminary stude, Climate Dynamics, 16, 719–736. 1.2.
Dobriyal, P., A. Qureshi, R. Badola, & S. A. Hussain (2012): A review of the methods
available for estimating soil moisture and its implications for water resource
management, J. Hydrol., 458–459, 110–117.
Dukes, M. D., L. Zotarelli, & K. T. Morgan (2010): Use of irrigation technologies for
vegetable crops in Florida, Horticultural Technol., 20(1), 133–142.
Durner, W., & Or, D. (2006). Soil water potential measurement. Encyclopedia of
hydrological sciences. Part 6.
156
Dubois, P.; van Zyl, J.& Engman, T. (1995). Measuring soil moisture with imaging
radars. IEEE Trans. Geosci. Remote Sens. 33, 915–926.
Entekhabi, D., Asrar, G. R., Betts, A. K., Beven, K. J., Bras, R. L., Duffy, C. J., ... &
Shuttleworth, W. J. (1999). An agenda for land surface hydrology research and a
call for the second international hydrological decade. Bulletin of the American
Meteorological Society, 80(10), 2043-2058.
Entekhabi, D., Njoku, E. G., O'Neill, P. E., Kellogg, K. H., Crow, W. T., Edelstein, W. N.,
... & Kimball, J. (2010). The soil moisture active passive (SMAP) mission.
Proceedings of the IEEE, 98(5), 704-716.
Entin, J. K., Robock, A., Vinnikov, K. Y., Hollinger, S. E., Liu, S., & Namkhai, A. (2000).
Temporal and spatial scales of observed soil moisture variations in the
extratropics. Journal of Geophysical Research: Atmospheres, 105(D9), 11865-
11877.
Evans, J., McGregor, J., and McGuffie, K. (2011). Future regional climates. Cap 9.
Famiglietti, J. S., Rudnicki, J. W., & Rodell, M. (1998). Variability in surface moisture
content along a hillslope transect: Rattlesnake Hill, Texas. Journal of
Hydrology, 210(1-4), 259-281.
Famiglietti, J.; Devereaux, J.; Laymon, C.; Tsegaye, T.; Houser, P.; Jackson, T.;
Graham, T.; Rodell. M. & Van Oevelen, P. (1999). Ground based investigation of
soil moisture variability within remote sensing footprints during the SGP 97
hydrology experiment. Water Resour. Res. 35(6): 1839-1851 pp.
Fang, B., Lakshmi, V., Bindlish, R., Jackson, T. J., Cosh, M., & Basara, J. (2013).
Passive microwave soil moisture downscaling using vegetation index and skin
surface temperature. Vadose Zone Journal, 12(3).
157
Fares, A., Temimi, M., Morgan, K., and Kelleners, T. J. (2013). In-situ and remote soil
moisture sensing technologies for vadose zone hydrology. Vadose Zone
Journal, 12(2).
Fredlund, D. G., & Rahardjo, H. (1993). Soil mechanics for unsaturated soils. John Wiley
& Sons.
Fredlund, D. G., & Xing, A. (1994). Equations for the soil-water characteristic curve.
Canadian geotechnical journal, 31(4), 521-532.
Fredlund, D. G., Sheng, D., & Zhao, J. (2011). Estimation of soil suction from the soil-
water characteristic curve. Canadian geotechnical journal, 48(2), 186-198.
Gabriels, D., and Lobo, D. (2006). Métodos para determinar granulometría y densidad
aparente del suelo. Venesuelos, 14(1), 37-48.
Gao, Z.; Xu, X.; Wang, J.; Yang, H.; Huang, W. & Feng, H. (2013). A method of
estimating soil moisture based on the linear decomposition of mixture píxels. Math.
Comput. Modell. 58 (3), 606–613.
Glenn, E. P., Huete, A. R., Nagler, P. L., Hirschboeck, K. K., and Brown, P. (2007).
Integrating remote sensing and ground methods to estimate
evapotranspiration. Critical Reviews in Plant Sciences, 26(3), 139-168.
158
Gómez-Plaza, A., Martınez-Mena, M., Albaladejo, J., & Castillo, V. M. (2001). Factors
regulating spatial distribution of soil water content in small semiarid
catchments. Journal of hydrology, 253(1-4), 211-226.
Grayson, R. B., Western, A. W., Chiew, F. H., & Blöschl, G. (1997). Preferred states in
spatial soil moisture patterns: Local and nonlocal controls. Water resources
research, 33(12), 2897-2908.
Harold, W., & Hocker Jr, C. (1984). Introducción a la Biología Forestal. Primera edición
en español. México, D.F.: A.G.T. Editor, S.A.
Hannachi, A., Jolliffe, I. T., & Stephenson, D. B. (2007). Empirical orthogonal functions
and related techniques in atmospheric science: A review. International Journal of
Climatology: A Journal of the Royal Meteorological Society, 27(9), 1119-1152.
Hawley, M. E., T. J. Jackson, & R. H. McCuen (1983): Surface soil moisture variation
on small agricultural watersheds, J. Hydrol., 62, 179–200.
Hébrard, O., Voltz, M., Andrieux, P., & Moussa, R. (2006). Spatio-temporal distribution
of soil surface moisture in a heterogeneously farmed Mediterranean
catchment. Journal of Hydrology, 329(1-2), 110-121.
Hertig, E., & Jacobeit, J. (2008). Downscaling future climate change: Temperature
scenarios for the Mediterranean area. Global and Planetary Change, 63(2-3), 127-
131.
Hernández, Y., & Medina, H. (2012). Estimación de la humedad del suelo mediante
técnicas de asimilación de datos. Revista Ciencias Técnicas Agropecuarias, 21(4),
30-35.
159
Hincapié, E. & Tobón, C. (2012). Dinámica del agua en Andisoles bajo condiciones de
ladera. Revista Facultad Nacional de Agronomía. Medellín 65(2). ISSN electrónico
2248-7026. ISSN impreso 0304-2847. 6765-6777.
Hills, R. C., & S. G. Reynolds (1969): Illustrations of soil moisture variability in selected
areas and plots of different sizes, J. Hydrol., 8, 27–47.
Holzman, M.; Rivas, R. & Piccolo, M. (2014). Estimating soil moisture and the
relationship with crop yield using surface temperature and vegetation index. Int. J.
Appl. Earth Obs. Geoinf. 28, 181–192
Horn, B. K. (1981). Hill shading and the reflectance map. Proceedings of the
IEEE, 69(1), 14-47.
Huang, P. M., Li, Y., & Sumner, M. E. (Eds.). (2011). Handbook of soil sciences:
properties and processes. CRC Press.
Jackson, T.; Bindlish, R.; Cosh, M.; Zhao, T.; Starks, P.; Bosch, D.; Seyfried, M.; Moran,
M.; Goodrich, D.; Kerr, Y.& Leroux, D. (2012). Validation of soil moisture and ocean
salinity (SMOS) soil moisture over watershed networks in the US. Geosci. Remote
Sens., IEEE Transact. 50 (5), 1530–1543.
Jacquette, E., Al Bitar, A., Mialon, A., Kerr, Y., Quesney, A., Cabot, F., & Richaume, P.
(2010). SMOS CATDS level 3 global products over land. In Remote Sensing for
Agriculture, Ecosystems, and Hydrology XII (Vol. 7824, p. 78240K). International
Society for Optics and Photonics.
160
Jones, A. & Brunsell, N. (2009). Energy Balance Partitioning and Net Radiation Controls
on Soil Moisture-Precipitation Feedbacks. Earth Interactions. 13. 1.
Kerr, Y. H., Waldteufel, P., Wigneron, J. P., Martinuzzi, J. A. M. J., Font, J., and Berger,
M. (2001). Soil moisture retrieval from space: The Soil Moisture and Ocean Salinity
(SMOS) mission. IEEE transactions on Geoscience and remote sensing, 39(8),
1729-1735.
Kerr, Y. H., Wigneron, J. P., Al Bitar, A., Mialon, A., & Srivastava, P. K. (2016). Soil
Moisture from Space: Techniques and Limitations. In Satellite Soil Moisture
Retrieval (pp. 3-27). Elsevier.
Kim, G., & Barros, A. P. (2002). Downscaling of remotely sensed soil moisture with a
modified fractal interpolation method using contraction mapping and ancillary data.
Remote Sensing of Environment, 83(3), 400-413.
Klute, A. (1986). Water retention: Laboratory methods, Methods of Soil Analysis, Part I,
A.
Kolassa, J., Reichle, R. H., Liu, Q., Alemohammad, S. H., Gentine, P., Aida, K., ... &
Cosh, M. (2018). Estimating surface soil moisture from SMAP observations using
a Neural Network technique. Remote sensing of environment, 204, 43-59.
Korres, W., Reichenau, T. G., & Schneider, K. (2013). Patterns and scaling properties
of surface soil moisture in an agricultural landscape: An ecohydrological modeling
study. Journal of Hydrology, 498, 89-102.
161
Kosugi, K., & Hopmans, J. W. (1998). Scaling water retention curves for soils with
lognormal pore-size distribution. Soil Science Society of America Journal, 62(6),
1496-1505.
Köthe, G. (1983). Topological vector spaces. In Topological Vector Spaces I (pp. 123-
201). Springer, Berlin, Heidelberg.
LaBarbera, M. 1989. Analyzing body size as a factor in ecology and evolution. Annual
Review of Ecology and Systematics 20:97-117.
Lakshmi, V. (2013). Remote Sensing of Soil Moisture. ISRN Soil Science, 1. vol. 2013,
Article ID 424178, 33 pages, 2013.
Leone, A., Viscarra-Rossel, R., Amenta, P., & Buondonno, A. (2012). Prediction of soil
properties with PLSR and vis-NIR spectroscopy: application to mediterranean soils
from Southern Italy. Current Analytical Chemistry, 8(2), 283-299.
Le Bissonnais, Y., Cerdan, O., Lecomte, V., Benkhadra, H., Souchère, V., & Martin, P.
(2005). Variability of soil surface characteristics influencing runoff and interrill
erosion. Catena, 62(2-3), 111-124.
162
Liu, Y. Y., Parinussa, R. M., Dorigo, W. A., De Jeu, R. A., Wagner, W., Van Dijk, A. I. J.
M., ... and Evans, J. P. (2011). Developing an improved soil moisture dataset by
blending passive and active microwave satellite-based retrievals. Hydrology and
Earth System Sciences, 15(2), 425-436.
Li, B., & Rodell, M. (2013). Spatial variability and its scale dependency of observed and
modeled soil moisture over different climate regions. Hydrology & Earth System
Sciences, 17(3).
Lievens, H., Tomer, S. K., Al Bitar, A., De Lannoy, G. J., Drusch, M., Dumedah, G., ... &
Roundy, J. K. (2015). SMOS soil moisture assimilation for improved hydrologic
simulation in the Murray Darling Basin, Australia. Remote Sensing of
Environment, 168, 146-162.
Liancourt, P., Sharkhuu, A., Ariuntsetseg, L., Boldgiv, B., Helliker, B. R., Plante, A. F.,
... & Casper, B. B. (2012). Temporal and spatial variation in how vegetation alters
the soil moisture response to climate manipulation. Plant and Soil, 351(1-2), 249-
261.
Liu, Y.; Dorigo, W.; Parinussa, R.; De Jeu, R.; Wagner, W.; McCabe, M.; Evans, J. &
Van Dijk, A. (2012). Trend-preserving blending of passive and active microwave
soil moisture retrievals. Remote Sens. Environ. 123, 280–297.
Lobell, D. & Asner, G. (2002). Moisture effects on soil reflectance. Soil Sci. Soc. Am. J.
66 (3), 722–727.
163
López, A. J. (2005). Manual de edafología. Departamento de Cristalografía, Mineralogía
y Química. Agrícola de la Universidad de Sevilla.
Maltese, A.; Capodici, F.; Ciraolo, G.& La Loggia, G. (2013). Mapping soil water content
under sparse vegetation and changeable sky conditions: comparison of two
thermal inertia approaches. J. Appl. Remote Sens. 7 (1), 073548–073548.
Martínez-Fernández, J., González-Zamora, A., Sánchez, N., Gumuzzio, A., & Herrero-
Jiménez, C. M. (2016). Satellite soil moisture for agricultural drought monitoring:
Assessment of the SMOS derived Soil Water Deficit Index. Remote Sensing of
Environment, 177, 277-286.
Mattikalli, N.M., Engman, E.T.T., Jackson, T.J. & Ahuja, L.R. (1998). Microwave remote
sensing of temporal variations of brightness temperatura and near-surface soil
water content during a watershed.scale field experiment, and its application to the
estimation of soil physical properties. Water Resources Research 34.
164
Merlin, O., Walker, J. P., Chehbouni, A., & Kerr, Y. (2008). Towards deterministic
downscaling of SMOS soil moisture using MODIS derived soil evaporative
efficiency. Remote Sensing of Environment, 112(10), 3935-3946.
Merlin, O., Chehbouni, A. G., Kerr, Y. H., Njoku, E. G., & Entekhabi, D. (2005). A
combined modeling and multipectral/multiresolution remote sensing approach for
disaggregation of surface soil moisture: application to SMOS configuration. IEEE
Transactions on Geoscience and Remote Sensing (9), 2036.
Merlin, O., Al Bitar, A., Walker, J. P., & Kerr, Y. (2010). An improved algorithm for
disaggregating microwave-derived soil moisture based on red, near-infrared and
thermal-infrared data.Remote Sensing of Environment, 114(10), 2305-2316.
Merlin, O., Escorihuela, M. J., Mayoral, M. A., Hagolle, O., Al Bitar, A., & Kerr, Y. (2013).
Self-calibrated evaporation-based disaggregation of SMOS soil moisture: An
evaluation study at 3 km and 100 m resolution in Catalunya, Spain. Remote
sensing of environment, 130, 25-38.
Minacapilli, M.; Agnese, C.; Blanda, F.; Cammalleri, C.; Ciraolo, G.; Urso, G.D.; Iovino,
M.; Pumo, D.; Provenzano, G. & Rallo, G. (2009). Estimation of actual
evapotranspiration of Mediterranean perennial crops by means of remote sensing
based Surface energy balance models. Hydrol. Earth Syst. Sci. 13, 1061–1074.
Molero, B., Merlin, O., Malbéteau, Y., Al Bitar, A., Cabot, F., Stefan, V., ... & Jackson, T.
J. (2016). SMOS disaggregated soil moisture product at 1 km resolution: Processor
overview and first validation results. Remote Sensing of Environment, 180, 361-
376.
165
Mohanty, B. P., & Skaggs, T. H. (2001). Spatio-temporal evolution and time-stable
characteristics of soil moisture within remote sensing footprints with varying soil,
slope, and vegetation. Advances in water resources, 24(9-10), 1051-1067.
Montzka, C., Bogena, H. R., Weihermuller, L., Jonard, F., Bouzinac, C., Kainulainen, J.,
... & Vanderborght, J. (2012). Brightness temperature and soil moisture validation
at different scales during the SMOS validation campaign in the Rur and Erft
catchments, Germany. IEEE Transactions on Geoscience and Remote Sensing,
51(3), 1728-1743.
Moran, M.; Peters-Lidard, C.; Watts, J. & McElroy, S. (2004). Estimating soil moisture at
the watershed scale with satellite-based radar and land Surface models. Canad.
J. Remote Sens. 30 (5), 805–824.
Narayan, U.; Lakshmi, V.& Jackson, T. (2006). High-resolution change estimation of soil
moisture using L-band radiometer and radar observations made during the
SMEX02 experiments. IEEE T. Geosci. Remote. 44 (6), 1545–1554.
Nagarajan, S., Jagadish, S. V. K., Prasad, A. H., Thomar, A. K., Anand, A., Pal, M., &
Agarwal, P. K. (2010). Local climate affects growth, yield and grain quality of
aromatic and non-aromatic rice in northwestern India. Agriculture, Ecosystems &
Environment, 138(3-4), 274-281.
166
Naeimi, V., Scipal, K., Bartalis, Z., Hasenauer, S., and Wagner, W. (2009). An improved
soil moisture retrieval algorithm for ERS and METOP scatterometer
observations. IEEE Transactions on Geoscience and Remote Sensing, 47(7),
1999-2013.
Niemann, K. O., & M. C. R. Edgell (1993): Preliminary analysis of spatial and temporal
distribution of soil moisture on a deforested slope, Phys. Geogr., 14, 449–464.
Niklas, K. J. 1994. Plant Allometry: The Scaling of Form and Process. University of
Chicago Press, Chicago. Nikora, V. I., C. P.
Njoku, E. G., Jackson, T. J., Lakshmi, V., Chan, T. K., and Nghiem, S. V. (2003). Soil
moisture retrieval from AMSR-E. IEEE transactions on Geoscience and remote
sensing, 41(2), 215-229.
Njoku, E.& Entekhabi, D. (1996). Passive microwave remote sensing of soil moisture. J.
Hydrol. 184, 101–129.
Njoku, E.; Wilson, W.; Yueh, S.& Rahmat-Samii, Y. (2000). A large-antenna microwave
radiometer–scatterometer concept for ocean salinity and soil moisture sensing.
IEEE Trans. Geosci. Remote Sens. 38 (6), 2645–2655.
Njoku, E.; Wilson, W.; Yueh, S.; Dinardo, S., Li, F.; Jackson, T., Lakshmi, V.; & Bolten,
J. (2002). Observations of soil moisture using a passive and active low-frequency
microwave airborne sensor during SGP99, IEEE Transactions on Geoscience and
Remote Sensing, 40, 2659–2673. 1.1, 1.3, 1.4.
Nocita, M.; Stevens, A.; Noon, C. & van Wesemael, B. (2013). Prediction of soil organic
carbon for different levels of soil moisture using Vis-NIR spectroscopy. Geoderma
199, 37–42.
167
Noguchi, K., Gel, Y. R., Brunner, E.,& Konietschke, F. (2012). nparLD: an R software
package for the nonparametric analysis of longitudinal data in factorial
experiments. Journal of Statistical Software, 50(12).
Nyberg, L. (1996). Spatial variability of soil water content in the covered catchment at
Gårdsjön, Sweden. Hydrological Processes, 10(1), 89-103
Ochsner, T. E., Cosh, M. H., Cuenca, R. H., Dorigo, W. A., Draper, C. S., Hagimoto, Y.,
... & Larson, K. M. (2013). State of the art in large-scale soil moisture monitoring.
Soil Science Society of America Journal, 77(6), 1888-1919.
Owe, M., de Jeu, R., & Holmes, T. (2008). Multisensor historical climatology of satellite‐
derived global land surface moisture. Journal of Geophysical Research: Earth
Surface, 113(F1).
Pachepsky, Y., & Hill, R. L. (2017). Scale and scaling in soils. Geoderma, 287, 4-30.
Palatella, L., Miglietta, M. M., Paradisi, P., & Lionello, P. (2010). Climate change
assessment for Mediterranean agricultural areas by statistical downscaling.
Natural Hazards and Earth System Sciences, 10(7), 1647-1661.
Patel, N. R., Anapashsha, R., Kumar, S., Saha, S. K., and Dadhwal, V. K. (2009).
Assessing potential of MODIS derived temperature/vegetation condition index
(TVDI) to infer soil moisture status. International Journal of Remote Sensing, 30(1),
23-39.
168
Pellenq, J.; Kerr, Y & Boulet, G. (2003). Scaling and Assimilation of SMOS Data for
Hydrology. 0-7803-7929-2/03/$17.00 (C) 2003 IEEE.
Peng, J., Loew, A., Merlin, O., and Verhoest, N. E. (2017a). A review of spatial
downscaling of satellite remotely sensed soil moisture. Reviews of
Geophysics, 55(2), 341-366.
Peng, J., & Loew, A. (2017b). Recent advances in soil moisture estimation from remote
sensing. Water 2017, 9(7), 530.
Penna, D., Tromp-van Meerveld, H. J., Gobbi, A., Borga, M., and Dalla Fontana, G.
(2011). The influence of soil moisture on threshold runoff generation processes in
an alpine headwater catchment. Hydrology and Earth System Sciences, 15(3),
689-702.
Peña, C. A. G., Agámez, R. A. P., & Yepes, M. E. P. (2016). Regresión por mínimos
cuadrados parciales PLS con datos de intervalo. Revista de la Facultad de
Ciencias, 5(1), 148-159.
Petropoulos, G. & Carlson, T. (2011). Retrievals of turbulent heat fluxes and soil
moisture content by Remote Sensing, pages 469–501. In: Advances in
Environmental Remote Sensing: Sensors, Algorithms, and Applications, Ed. Taylor
and Francis, pp. 556.
Petropoulos, G. P., Griffiths, H. M., Dorigo, W., Xaver, A., & Gruber, A. (2013). Surface
soil moisture estimation: significance, controls, and conventional measurement
techniques. Remote sensing of energy fluxes and soil moisture content, 29-48.
Petropoulos, G. P., Ireland, G., & Barrett, B. (2015). Surface soil moisture retrievals from
remote sensing: Current status, products and future trends. Physics and Chemistry
of the Earth, 83-84, 36-56.
169
Piles, M. (2010). Multiscale soil moisture retrievals from microwave remote sensing
observations. (Dissertation/Thesis), Universitat Politècnica de Catalunya.
Piles, M., Camps, A., Vall-llossera, M., Corbella, I., Panciera, R., Rudiger, C., . . . Walker,
J. (2011). Downscaling SMOS-Derived Soil Moisture Using MODIS Visible/Infrared
Data. IEEE Transactions on Geoscience and Remote Sensing, 49(9), 3156-3166.
Pires, L., O. S. Bacchi, & K. Reichardt (2005): Soil water retention curve determined by
gamma ray beam attenuation, Soil Tillage Res., 82(1), 89–97.
Polo, M. J., González-Dugo, M. P., Aguilar, C., & Andreu, A. (2013). Surface Soil
Moisture Monitoring by Remote Sensing: Applications to Ecosystem Processes
and Scale Effects. Earth Observation of Ecosystem Services, 303.
Rawls, W., Gish, T., & Brakensiek, D. (1991). Estimating soil water retention from soil
physical properties and characteristics. In Advances in soil science (pp. 213-234):
Springer.
170
Ray, R., Fares, A., He, Y., & Temimi, M. (2017). Evaluation and inter-comparison of
satellite soil moisture products using in situ observations over Texas, US. Water,
9(6), 372.
Reinoso, P. L. G., & Neira, N. O. (2011). Elementos para formular una gestión integrada
del recurso hídrico. Caso cuenca río Quindío. Revista de Tecnológia-Journal of
Technology, 10, 73-citation_lastpage.
Reichle, R. H., Koster, R. D., Dong, J., & Berg, A. A. (2004). Global soil moisture from
satellite observations, land surface models, and ground data: Implications for data
assimilation. Journal of Hydrometeorology, 5(3), 430-442.
Romano, N. (2014). Soil moisture at local scale: Measurements and simulations. Journal
of Hydrology, 516, 6-20.
Robinson, M., & Dean, T. J. (1993). Measurement of near surface soil water content
using a capacitance probe. Hydrological Processes, 7(1), 77-86.
Salvucci, G. D. (2001). Estimating the moisture dependence of root zone water loss
using conditionally averaged precipitation. Water Resources Research, 37(5),
1357-1365.
171
Sanchez, N., Piles, M., Scaini, A., Martinez-Fernandez, J., Camps, A., and Vall-llossera,
M. (2012). Spatial patterns of SMOS downscaled soil moisture maps over the
remedhus network (Spain). 2012 IEEE International Geoscience and Remote
Sensing Symposium, 714.
Schoonover, J. E., and Crim, J. F. (2015). An introduction to soil concepts and the role
of soils in watershed management. Journal of Contemporary Water Research and
Education, 154(1), 21-47.
Schneider, D. C. (2001). The rise of the concept of scale in ecology: The concept of
scale is evolving from verbal expression to quantitative
expression. BioScience, 51(7), 545-553.
Schmugge, T. J., Kustas, W. P., Ritchie, J. C., Jackson, T. J., & Rango, A. (2002).
Remote sensing in hydrology. Advances in water resources, 25(8-12), 1367-1385.
Schmugge, T.; ONeill, P. & Wang, J. (1986). Passive microwave soil moisture research,
IEEE Transactions on Geoscience and Remote Sensing, 24, 12–22. 1.1, 1.3, 2.2.
Seneviratne, S. I., Corti, T., Davin, E. L., Hirschi, M., Jaeger, E. B., Lehner, I., ... &
Teuling, A. J. (2010). Investigating soil moisture–climate interactions in a changing
climate: A review. Earth-Science Reviews, 99(3-4), 125-161.
Seneviratne, S. I., Davin, E., Hirschi, M., Mueller, B., Orlowsky, B., & Teuling, A. (2011,).
Soil Moisture-Ecosystem-Climate Interactions in a Changing Climate. In AGU Fall
Meeting Abstracts.
172
Shaman, J., & Day, J. F. (2005). Achieving operational hydrologic monitoring of
mosquitoborne disease. Emerging Infectious Diseases, 11(9), 1343.
Shi, J.; Wang, J.; Hsu, A.; O’Neill, P.& Engman, E. (1997). Estimation of bare Surface
soil moisture and surface roughness parameter using L-band SAR image data.
IEEE Trans. Geosci. Remote Sens. 35, 1254–1266.
Shutko, A., & Reutov, E. (1982). Mixture formulae applied in estimation of dielectric and
radiative characteristics of soils and grounds at microwave frequencies, IEEE
Transactions on Geoscience and Remote Sensing, GE-20, 29–32. 1.1.
Shin, Y., Mohanty, B.P., & Ines, A.V. (2013). Soil hydraulic properties play a key role in
many hydroclimatic processes in the critical zone and land – atmosphere interface.
Shin, M., Patton, R., Mahar, T., Ireland, A., Swan, P., & Chow, C. M. (2017). Calibration
and validation processes for relative humidity measurement by a Hygrochron
iButton. Physiology and behavior, 179, 208-212.
Sivapalan, M., Beven, K., & Wood, E. F. (1987). On hydrologic similarity: 2. A scaled
model of storm runoff production. Water Resources Research, 23(12), 2266-2278.
Soliman, A.; Heck, R.; Brenning, A.; Brown, R.& Miller, S. (2013). Remote sensing of
soil moisture in vineyards using airborne and ground-based thermal inertia Data.
Remote Sens. 5 (8), 3729–3748.
173
Stafford, J. V. (1988): Remote, non-contact and in situ measurement of soil moisture
content: A review, J. Agric. Eng. Res., 41(3), 151–172.
Srivastava, P. K., Han, D., Ramirez, M. R., & Islam, T. (2013). Machine Learning
Techniques for Downscaling SMOS Satellite Soil Moisture Using MODIS Land
Surface Temperature for Hydrological Application. Water Resources Management
(8), 3127.
Su, C.-H.; Ryu, D.; Young, R.; Western, A.; Wagner, W. (2013). Inter-comparison of
microwave satellite soil moisture retrievals over the Murrumbidgee Basin,
southeast Australia. Remote Sens. Environ. 134, 1–11.
Temimi, M., Lakhankar, T., Zhan, X., Cosh, M. H., Krakauer, N., Fares, A., ... and
Kumassi, L. (2014). Soil moisture retrieval using ground-based L-band passive
microwave observations in northeastern USA. Vadose Zone Journal, 13(3).
Tsegaye, T. D., Crosson, W. L., Laymon, C. A., Schamschula, M. P., Johnson, A. B.,
Pachepsky, Y., ... & Selim, H. M. (2003). Application of a neural network-based
spatial disaggregation scheme for addressing scaling of soil moisture. CRC Press
LCC, Boca Raton, Florida, USA.
Tuttle, S. E., & Salvucci, G. D. (2014). A new approach for validating satellite estimates
of soil moisture using large-scale precipitation: Comparing AMSR-E
products. Remote sensing of environment, 142, 207-222.
174
Van Genuchten, M. T. (1980). A closed-form equation for predicting the hydraulic
conductivity of unsaturated soils 1. Soil science society of America journal, 44(5),
892-898.
Vereecken, H., Huisman, J. A., Pachepsky, Y., Montzka, C., Van Der Kruk, J., Bogena,
H., ... & Vanderborght, J. (2014). On the spatio-temporal dynamics of soil moisture
at the field scale. Journal of Hydrology, 516, 76-96.
Verhoest, N.E.; Lievens, H.; Wagner, W.; Álvarez-Mozos, J.; Moran, M.S. & Mattia, F.
On the Soil Roughness Parameterization Problem in Soil Moisture Retrieval of
Bare Surfaces from Synthetic Aperture Radar. Sensors 2008, 8, 4213-4248.
Vinnikov, K. Y., Robock, A., Speranskaya, N. A., & Schlosser, C. A. (1996). Scales of
temporal and spatial variability of midlatitude soil moisture. Journal of Geophysical
Research: Atmospheres, 101(D3), 7163-7174.
Vinnikov, K. Y., Robock, A., Qiu, S., Entin, J. K., Owe, M., Choudhury, B. J., ... & Njoku,
E. G. (1999). Satellite remote sensing of soil moisture in Illinois, United States.
Journal of Geophysical Research: Atmospheres, 104(D4), 4145-4168
Walker, J. P., & Houser, P. R. (2004). Requirements of a global near-surface soil
moisture satellite mission: accuracy, repeat time, and spatial resolution. Advances
in water resources, 27(8), 785-801.
Wanders, N., Bierkens, M. F., de Jong, S. M., de Roo, A., & Karssenberg, D. (2014).
The benefits of using remotely sensed soil moisture in parameter identification of
large‐scale hydrological models. Water resources research, 50(8), 6874-6891.
Wang, J. F., Zhang, T. L., & Fu, B. J. (2016). A measure of spatial stratified
heterogeneity. Ecological Indicators, 67, 250-256.
175
Wang, C., Zhang, Z. Y., Liu, Y., & Fan, S. M. (2017). Geometric and fractal analysis of
dynamic cracking patterns subjected to wetting-drying cycles. Soil and Tillage
Research, 170, 1-13.
Wang, L.; Qu, J.; Zhang, S.; Hao, X.& Dasgupta, S. (2007). Soil moisture estimation
using MODIS and ground measurements in eastern China’. Int. J. Remote Sens.
28 (6), 1413–1418.
Wagner, W., Scipal, K., Pathe, C., Gerten, D., Lucht, W., Rudolf, B. (2003). Evaluation
of the agreement between the first global remotely sensed soil moisture data with
model and precipitation data. Journal of Geophysical Research:
Atmospheres, 108(D19).
Wagner, W.; Bloschl, G.; Pampaloni, P.; Calvet, J.C.; Bizzarri, B.; Wigneron, J.P. & Kerr,
Y. (2007). Operational readiness of microwave remote sensing of soil moisture for
hydrologic applications. Nord. Hydrol. 38 (1), 1–20.
Wagner, W., Dorigo, W., de Jeu, R., Fernandez, D., Benveniste, J., Haas, E., and Ertl,
M. (2012). Fusion of active and passive microwave observations to create an
essential climate variable data record on soil moisture. ISPRS Annals of the
Photogrammetry, Remote Sensing and Spatial Information Sciences (ISPRS
Annals), 7, 315-321.
Warrick, A. W., Mullen, G. J., and Nielsen, D. R. (1977). Scaling field‐measured soil
hydraulic properties using a similar media concept. Water Resources
Research, 13(2), 355-362.
Weidong, L.; Baret, F.; Gu, X.; Tong, Q.; Zheng, L.& Zhang, B. (2002). Relating soil
surface moisture to reflectance. Remote Sens. Environ. 81, 238–246.
176
Wen, J.; Jackson, T.J.; Bindlish, R.; Hsu, A.Y.& Su, Z.B. Retrieval of soil moisture and
vegetation water content using SSM/I data over a corn and soybean region. J.
Hydrometeorol. 2005, 6, 854–863.
Western, A. W., & Blöschl, G. (1999). On the spatial scaling of soil moisture. Journal of
Hydrology, 217, 203-224.
Whalley, W. R., Ober, E. S., & Jenkins, M. (2013). Measurement of the matric potential
of soil water in the rhizosphere. Journal of experimental botany, 64(13), 3951-
3963.
Wiebe, H. H., R. W. Brown, & J. Barker (1977): Temperature gradient effects on in situ
hygrometer measurements of water potential, Agron. J., 69, 933–939.
Williams, J., Prebble, R., Williams, W., & Hignett, C. (1983). The influence of texture,
structure and clay mineralogy on the soil moisture characteristic. Soil Research,
21(1), 15-32
Wilson, D. J., Western, A. W., & Grayson, R. B. (2005). A terrain and data-based method
for generating the spatial distribution of soil moisture. Advances in Water
Resources, 28(1), 43-54.
Wigneron, J. P., Calvet, J. C., Pellarin, T., Van de Griend, A. A., Berger, M., & Ferrazzoli,
P. (2003). Retrieving near-surface soil moisture from microwave radiometric
observations: current status and future plans. Remote Sensing of
Environment, 85(4), 489-506.
Wu, C., Chen, J. M., Pumpanen, J., Cescatti, A., Marcolla, B., Blanken, P. D., ... &
Soegaard, H. (2012). An underestimated role of precipitation frequency in
regulating summer soil moisture. Environmental research letters, 7(2), 024011.
177
Wu, J. & Li, H. (2006). Perspectives and methods of scaling. In Scaling and uncertainty
analysis in ecology (pp. 17-44). Springer, Dordrecht.
Wold, H. (1974). Causal flows with latent variables: partings of the ways in the light of
NIPALS modelling. European Economic Review, 5(1), 67-86.
Xia, D. F., Xu, S. L., & Qi, F. (1999). A proof of the arithmetic mean-geometric mean-
harmonic mean inequalities. RGMIA research report collection, 2(1).
Yang, H., Cong, Z., Liu, Z., and Lei, Z. (2010). Estimating sub-pixel temperatures using
the triangle algorithm. International Journal of Remote Sensing, 31(23), 6047-
6060.
Yee, M. S., Walker, J. P., Monerris, A., Rüdiger, C., & Jackson, T. J. (2016). On the
identification of representative in situ soil moisture monitoring stations for the
validation of SMAP soil moisture products in Australia. Journal of hydrology, 537,
367-381.
Yu, Z., Carlson, T., Barron, E. & Schwartz, F. (2001). On evaluating the spatial temporal
variation of soil moisture in the Susquehanna river basin. Water Resour. Res.
37(5): 1313-1326 pp.
Zamora, J & Cristancho, F. (2008). La humedad en las propiedades físicas del suelo.
Departamento de Física, Universidad Nacional de Colombia. Bogotá.
Zhang, D.; Tang, R.; Zhao, W.; Tang, B.; Wu, H.; Shao, K. & Li, Z.L. (2014). Surface soil
water content estimation from thermal remote sensing based on the temporal
variation of land surface temperature. Remote Sens. 6 (4), 3170–3187.
178
Zhao, W., Sánchez, N., Lu, H., & Li, A. (2018). A spatial downscaling approach for the
SMAP passive surface soil moisture product using random forest regression.
Journal of hydrology, 563, 1009-1024.
Zhuo, L., & Han, D. (2016). The relevance of soil moisture by remote sensing and
hydrological modelling. Procedia Engineering, 154, 1368-1375.
Zreda, M., Shuttleworth, W. J., Zeng, X., Zweck, C., Desilets, D., Franz, T., & Rosolem,
R. (2012). COSMOS: The cosmic-ray soil moisture observing system. Hydrology
and Earth System Sciences, 16(11), 4079-4099.
Zribi, M., Baghdadi, N., Holah, N., and Fafin, O. (2005). New methodology for soil
surface moisture estimation and its application to ENVISAT-ASAR multi-incidence
data inversion. Remote sensing of environment, 96(3-4), 485-496.
179
ANEXOS
180
Anexo A: Información complementaria del análisis estadístico del Capítulo 4
library(nparLD)
library(readxl)
HSF <- read_excel("C:/Users/e_dar/Desktop/HSF.xlsx",
sheet = "npar")
View(HSF)
attach(HSF)
HSH<-nparLD(hadj~factor(HSF$dias),data=HSF,
subject=factor(HSF$suj),description=FALSE)
plot(HSH)
HSH$ANOVA.test
HSH$Hotelling.test
HSH$Wald.test
HSH<-nparLD(HSF$HS_PF~factor(HSF$dias),data=HSF,
subject=factor(HSF$suj),description=FALSE)
plot(HSH)
HSH$ANOVA.test
HSH$Hotelling.test
HSH$Wald.test
HSH<-nparLD(HSF$HS_FX~factor(HSF$dias),data=HSF,
subject=factor(HSF$suj),description=FALSE)
plot(HSH)
HSH$ANOVA.test
HSH$Hotelling.test
HSH$Wald.test
181
library(lattice)
xyplot(jitter(HSF$hadj)~jitter(HSF$HS_PF),data=HSF,groups =
HSF$UNITY,pch=19,cex=1.2)
grid(10,10,col="lightblue")
p<-xyplot(jitter(HSF$hadj)~jitter(HSF$HS_PF),data=HSF,groups=HSF$UNITY,
pch=19,cex=1.2)
p
trellis.focus("panel",1,1)
panel.text(x=p$panel.args[[1]]$x,y=p$panel.args[[1]]$y,labels = HSF$UNITY, pos=3,
cex=0.7, col="darkblue")
trellis.unfocus()
grid(10)
182
Anexo B: Información complementaria del análisis estadístico del Capítulo 5
Área
Tabla de Clasificación
Actual Tamaño Predicción para
satélite de Grupo Heronian mean Humedad ponderada SMAP 1
Heronian mean 63 43 16 4
( 68,25%) ( 25,40%) ( 6,35%)
Humedad ponderada 63 17 40 6
( 26,98%) ( 63,49%) ( 9,52%)
SMAP 1 63 4 8 51
( 6,35%) ( 12,70%) ( 80,95%)
Porcentaje de casos de entrenamiento correctamente clasificados: 70,90%
Perímetro
Tabla de Clasificación
Actual Tamaño Predicción para
satélite de Grupo Heronian mean Humedad ponderada SMAP 1
Heronian mean 63 42 18 3
( 66,67%) ( 28,57%) ( 4,76%)
Humedad ponderada 63 21 34 8
( 33,33%) ( 53,97%) ( 12,70%)
SMAP 1 63 3 8 52
( 4,76%) ( 12,70%) ( 82,54%)
Porcentaje de casos de entrenamiento correctamente clasificados: 67,72%
183
Distancia máxima al centroide
Tabla de Clasificación
Actual Tamaño Predicción para
satélite de Grupo Heronian mean Humedad ponderada SMAP 1
Heronian mean 63 41 18 4
( 65,08%) ( 28,57%) ( 6,35%)
Humedad ponderada 63 18 39 6
( 28,57%) ( 61,90%) ( 9,52%)
SMAP 1 63 4 9 50
( 6,35%) ( 14,29%) ( 79,37%)
Porcentaje de casos de entrenamiento correctamente clasificados: 68,78%
184
Perímetro del circulo que circunscribe al polígono
Tabla de Clasificación
Actual Tamaño Predicción para
satélite de Grupo Heronian mean Humedad ponderada SMAP 1
Heronian mean 63 39 21 3
( 61,90%) ( 33,33%) ( 4,76%)
Humedad ponderada 63 20 37 6
( 31,75%) ( 58,73%) ( 9,52%)
SMAP 1 63 3 7 53
( 4,76%) ( 11,11%) ( 84,13%)
Porcentaje de casos de entrenamiento correctamente clasificados: 68,25%
Índice de área
Tabla de Clasificación
Actual Tamaño Predicción para
satélite de Grupo Heronian mean Humedad ponderada SMAP 1
Heronian mean 63 43 16 4
( 68,25%) ( 25,40%) ( 6,35%)
Humedad ponderada 63 16 41 6
( 25,40%) ( 65,08%) ( 9,52%)
SMAP 1 63 5 7 51
( 7,94%) ( 11,11%) ( 80,95%)
Porcentaje de casos de entrenamiento correctamente clasificados: 71,43%
185
Área
Tabla de Clasificación
Actual Tamaño Predicción para
nombre de Grupo Heronian mean SMAP Weighted mean Area
Heronian mean 63 32 6 25
( 50,79%) ( 9,52%) ( 39,68%)
SMAP 63 4 55 4
( 6,35%) ( 87,30%) ( 6,35%)
Weighted mean Area 63 23 3 37
( 36,51%) ( 4,76%) ( 58,73%)
Porcentaje de casos de entrenamiento correctamente clasificados: 65,61%
Perímetro
Tabla de Clasificación
Actual Tamaño Predicción para
nombre de Grupo Heronian mean SMAP Weighted mean Area
Heronian mean 63 28 6 29
( 44,44%) ( 9,52%) ( 46,03%)
SMAP 63 4 55 4
( 6,35%) ( 87,30%) ( 6,35%)
Weighted mean Area 63 30 5 28
( 47,62%) ( 7,94%) ( 44,44%)
Porcentaje de casos de entrenamiento correctamente clasificados: 58,73%
186
Distancia máxima al centroide
Tabla de Clasificación
Actual Tamaño Predicción para
nombre de Grupo Heronian mean SMAP Weighted mean Area
Heronian mean 63 37 6 20
( 58,73%) ( 9,52%) ( 31,75%)
SMAP 63 3 54 6
( 4,76%) ( 85,71%) ( 9,52%)
Weighted mean Area 63 20 7 36
( 31,75%) ( 11,11%) ( 57,14%)
Porcentaje de casos de entrenamiento correctamente clasificados: 67,20%
187
Perímetro del circulo que circunscribe al polígono
Tabla de Clasificación
Actual Tamaño Predicción para
nombre de Grupo Heronian mean SMAP Weighted mean Area
Heronian mean 63 33 6 24
( 52,38%) ( 9,52%) ( 38,10%)
SMAP 63 4 55 4
( 6,35%) ( 87,30%) ( 6,35%)
Weighted mean Area 63 23 2 38
( 36,51%) ( 3,17%) ( 60,32%)
Porcentaje de casos de entrenamiento correctamente clasificados: 66,67%
Índice de área
Tabla de Clasificación
Actual Tamaño Predicción para
nombre de Grupo Heronian mean SMAP Weighted mean Area
Heronian mean 63 31 6 26
( 49,21%) ( 9,52%) ( 41,27%)
SMAP 63 3 55 5
( 4,76%) ( 87,30%) ( 7,94%)
Weighted mean Area 63 30 6 27
( 47,62%) ( 9,52%) ( 42,86%)
Porcentaje de casos de entrenamiento correctamente clasificados: 59,79%
188
Área
Tabla de Clasificación
Actual Tamaño Predicción para
nombre de Grupo Heronian mean SMAP Weighted mean Area
Heronian mean 63 32 0 31
( 50,79%) ( 0,00%) ( 49,21%)
SMAP 63 0 63 0
( 0,00%) (100,00%) ( 0,00%)
Weighted mean Area 63 28 0 35
( 44,44%) ( 0,00%) ( 55,56%)
Porcentaje de casos de entrenamiento correctamente clasificados: 68,78%
Perímetro
Tabla de Clasificación
Actual Tamaño Predicción para
nombre de Grupo Heronian mean SMAP Weighted mean Area
Heronian mean 63 28 0 35
( 44,44%) ( 0,00%) ( 55,56%)
SMAP 63 0 63 0
( 0,00%) (100,00%) ( 0,00%)
Weighted mean Area 63 36 0 27
( 57,14%) ( 0,00%) ( 42,86%)
Porcentaje de casos de entrenamiento correctamente clasificados: 62,43%
189
Distancia máxima al centroide
Tabla de Clasificación
Actual Tamaño Predicción para
nombre de Grupo Heronian mean SMAP Weighted mean Area
Heronian mean 63 38 0 25
( 60,32%) ( 0,00%) ( 39,68%)
SMAP 63 0 63 0
( 0,00%) (100,00%) ( 0,00%)
Weighted mean Area 63 26 0 37
( 41,27%) ( 0,00%) ( 58,73%)
Porcentaje de casos de entrenamiento correctamente clasificados: 73,02%
190
Perímetro del circulo que circunscribe al polígono
Tabla de Clasificación
Actual Tamaño Predicción para
nombre de Grupo Heronian mean SMAP Weighted mean Area
Heronian mean 63 28 0 35
( 44,44%) ( 0,00%) ( 55,56%)
SMAP 63 0 63 0
( 0,00%) (100,00%) ( 0,00%)
Weighted mean Area 63 36 0 27
( 57,14%) ( 0,00%) ( 42,86%)
Porcentaje de casos de entrenamiento correctamente clasificados: 62,43%
Índice de área
Tabla de Clasificación
Actual Tamaño Predicción para
nombre de Grupo Heronian mean SMAP Weighted mean Area
Heronian mean 63 30 0 33
( 47,62%) ( 0,00%) ( 52,38%)
SMAP 63 0 63 0
( 0,00%) (100,00%) ( 0,00%)
Weighted mean Area 63 30 0 33
( 47,62%) ( 0,00%) ( 52,38%)
Porcentaje de casos de entrenamiento correctamente clasificados: 66,67%
191
Área
Tabla de Clasificación
Actual Tamaño Predicción para
nombre de Grupo Heronian mean SMAP Weighted mean Area
Heronian mean 63 31 0 32
( 49,21%) ( 0,00%) ( 50,79%)
SMAP 63 0 63 0
( 0,00%) (100,00%) ( 0,00%)
Weighted mean Area 63 34 0 29
( 53,97%) ( 0,00%) ( 46,03%)
Porcentaje de casos de entrenamiento correctamente clasificados: 65,08%
Perímetro
Tabla de Clasificación
Actual Tamaño Predicción para
nombre de Grupo Heronian mean SMAP Weighted mean Area
Heronian mean 63 28 0 35
( 44,44%) ( 0,00%) ( 55,56%)
SMAP 63 0 63 0
( 0,00%) (100,00%) ( 0,00%)
Weighted mean Area 63 38 0 25
( 60,32%) ( 0,00%) ( 39,68%)
Porcentaje de casos de entrenamiento correctamente clasificados: 61,38%
192
nombre de Grupo Heronian mean SMAP Weighted mean Area
Heronian mean 63 29 0 34
( 46,03%) ( 0,00%) ( 53,97%)
SMAP 63 0 63 0
( 0,00%) (100,00%) ( 0,00%)
Weighted mean Area 63 30 0 33
( 47,62%) ( 0,00%) ( 52,38%)
Porcentaje de casos de entrenamiento correctamente clasificados: 66,14%
193
Actual Tamaño Predicción para
nombre de Grupo Heronian mean SMAP Weighted mean Area
Heronian mean 63 31 0 32
( 49,21%) ( 0,00%) ( 50,79%)
SMAP 63 0 63 0
( 0,00%) (100,00%) ( 0,00%)
Weighted mean Area 63 38 0 25
( 60,32%) ( 0,00%) ( 39,68%)
Porcentaje de casos de entrenamiento correctamente clasificados: 62,96%
Índice de área
Tabla de Clasificación
Actual Tamaño Predicción para
nombre de Grupo Heronian mean SMAP Weighted mean Area
Heronian mean 63 32 0 31
( 50,79%) ( 0,00%) ( 49,21%)
SMAP 63 0 63 0
( 0,00%) (100,00%) ( 0,00%)
Weighted mean Area 63 34 0 29
( 53,97%) ( 0,00%) ( 46,03%)
Porcentaje de casos de entrenamiento correctamente clasificados: 65,61%
194
Anexo C: Información complementaria del análisis estadístico del Capítulo 6
195
Variables Independientes y Dependientes
% Variación % Acumulado % Variación % Acumulado Predicción Promedio
Componente en X de X en Y de Y R-Cuadrada
1 37,0052 37,0052 42,864 42,864 61,6824
2 15,4904 52,4956 10,9833 53,8472 60,6971
3 9,27022 61,7658 9,26161 63,1088 62,257
Variables Dependientes
1 2 3
heroniano 0,452314 0,488114 0,588687
Variables Independientes
1 2 3
Precipitación 0,169519 -0,240363 0,0280737
DEM_12 -0,47544 -0,302429 -0,704118
NDVI -0,334223 0,123281 -0,125886
Ts 0,324961 -0,679171 -0,683776
Arena -0,49052 -0,572651 -0,110348
smap1 -0,536009 -0,215317 0,0886373
196
Coeficientes de Regresión
Coeficientes Estandarizados
heroniano
Constante 0,0
Precipitación -0,0241221
DEM_12 -0,777173
NDVI -0,165106
Ts -0,587058
Arena -0,566349
smap1 -0,295365
Coeficientes No Estandarizados
heroniano
Constante 1,19376
Precipitación -0,000214163
DEM_12 -0,000150141
NDVI -0,0592333
Ts -0,0130353
Arena -0,00309051
smap1 -0,192874
197
Mínimos Cuadrados Parciales (FIRST(52))
Número de variables dependientes: 1
heroniano
Número de variables independientes: 6
Precipitación
DEM_12
NDVI
Ts
Arena
smap3
Selección de la Variable: FIRST(52)
198
Variables Independientes y Dependientes
% Variación % Acumulado % Variación % Acumulado Predicción Promedio
Componente en X de X en Y de Y R-Cuadrada
1 36,7046 36,7046 36,944 36,944 53,58
2 15,5489 52,2535 12,1179 49,0619 69,0173
3 10,9123 63,1658 9,17975 58,2417 62,7898
4 19,5901 82,7559 0,560811 58,8025 59,6706
Variables Dependientes
1 2 3 4
heroniano 0,425169 0,519744 0,556515 0,0821232
Variables Independientes
1 2 3 4
Precipitación 0,184879 -0,293867 0,0871722 -0,30817
DEM_12 -0,518519 -0,438714 -0,557519 -0,829303
NDVI -0,364507 0,120333 -0,248465 0,208555
Ts 0,354405 -0,477449 -0,745485 -0,163883
Arena -0,534965 -0,677755 -0,210987 0,370752
smap3 -0,39026 0,139224 0,139911 -0,0973582
199
Coeficientes de Regresión
Coeficientes Estandarizados
heroniano
Constante 0,0
Precipitación -0,0509262
DEM_12 -0,82685
NDVI -0,213582
Ts -0,525802
Arena -0,666679
smap3 -0,0236984
Coeficientes No Estandarizados
heroniano
Constante 1,19504
Precipitación -0,000452137
DEM_12 -0,000159739
NDVI -0,0766244
Ts -0,0116751
Arena -0,003638
smap3 -0,0204944
200
Mínimos Cuadrados Parciales (FIRST(52))
Número de variables dependientes: 1
heroniano
Número de variables independientes: 6
Precipitación
DEM_12
NDVI
Ts
Arena
smap9
Selección de la Variable: FIRST(52)
201
Variables Independientes y Dependientes
% Variación % Acumulado % Variación % Acumulado Predicción Promedio
Componente en X de X en Y de Y R-Cuadrada
1 30,4669 30,4669 42,9138 42,9138 62,7471
2 16,8953 47,3621 12,3671 55,2809 58,7494
3 8,31718 55,6793 9,34609 64,627 44,4459
4 19,8284 75,5077 0,627454 65,2544 44,5039
Variables Dependientes
1 2 3 4
heroniano 0,512819 0,451097 0,573053 0,0931464
Variables Independientes
1 2 3 4
Precipitación 0,191972 -0,377401 -0,332008 0,534404
DEM_12 -0,538412 -0,245444 -0,636878 -0,086505
NDVI -0,378491 0,0413257 -0,292015 -0,168907
Ts 0,368002 -0,480446 -0,623208 -0,711863
Arena -0,555489 -0,570424 -0,0889907 -0,349968
smap9 0,293276 0,489292 -0,0507627 -0,221751
202
Coeficientes de Regresión
Coeficientes Estandarizados
heroniano
Constante 0,0
Precipitación -0,212278
DEM_12 -0,759849
NDVI -0,358528
Ts -0,451448
Arena -0,625777
smap9 0,321371
Coeficientes No Estandarizados
heroniano
Constante 0,728382
Precipitación -0,00188467
DEM_12 -0,000146795
NDVI -0,128625
Ts -0,0100241
Arena -0,0034148
smap9 2,45841
203
Mínimos Cuadrados Parciales (FIRST(52))
Número de variables dependientes: 1
heroniano
Número de variables independientes: 6
Precipitación
DEM_12
NDVI
Ts
Arena
smap36
Selección de la Variable: FIRST(52)
204
Variables Independientes y Dependientes
% Variación % Acumulado % Variación % Acumulado Predicción Promedio
Componente en X de X en Y de Y R-Cuadrada
1 34,0497 34,0497 38,3135 38,3135 57,1752
2 20,1361 54,1858 10,8781 49,1916 69,6177
Pesos y Cargas de los Componentes
Variables Dependientes
1 2
heroniano 0,45552 0,416989
Variables Independientes
1 2
Precipitación 0,190996 -0,388726
DEM_12 -0,535677 -0,402323
NDVI -0,376568 0,240587
Ts 0,366132 -0,367058
Arena -0,552668 -0,702929
smap36 0,308663 0,0174706
Coeficientes de Regresión
Coeficientes Estandarizados
heroniano
Constante 0,0
Precipitación -0,0750917
DEM_12 -0,411776
NDVI -0,0712122
Ts 0,0137212
Arena -0,544865
smap36 0,147887
205
Coeficientes No Estandarizados
heroniano
Constante 0,566057
Precipitación -0,000666685
DEM_12 -0,0000795507
NDVI -0,025548
Ts 0,000304671
Arena -0,00297327
smap36 1,06419
206
207
208