Tesis Lorenzo Cigarra

UNIVERSIDAD DE CONCEPCIÓN
FACULTAD DE INGENIERÍA AGRÍCOLA
ESTIMACIÓN DE LA EVAPOTRANSPIRACIÓN INSTANTÁNEA EN
FRUTALES MEDIANTE EL MODELO SEB-PV CON IMÁGENES AÉREAS Y
DE SATÉLITE EN CHILE Y CALIFORNIA
LORENZO ESTEBAN CIGARRA GUÍÑEZ
PROYECTO DE TÍTULO PRESENTADO A LA

FACULTAD DE INGENIERÍA AGRÍCOLA DE LA
UNIVERSIDAD DE CONCEPCIÓN, PARA OPTAR
AL TÍTULO DE INGENIERO CIVIL AGRÍCOLA
CHILLÁN-CHILE
2020
II
FRUTALES MEDIANTE EL MODELO SEB-PV CON IMÁGENES AÉREAS Y
DE SATÉLITE EN CHILE Y CALIFORNIA
Aprobado por:
L. Octavio Lagos Roa

Ingeniero Civil Agrícola, Ph.D.
Profesor Asociado Profesor Guía
Camilo Souto Escalona

Ingeniero Civil Agrícola, Dr.
Profesor Asistente Profesor Asesor
Andrés Pérez Barriga

Ingeniero Civil Agrícola, Mg.
Evaluador Externo Evaluador Externo
Nicole Uslar Valle

Ingeniero Civil Agrícola, Ph.D.
Profesor Asistente Director de Departamento
María Eugenia González Rodríguez

Ingeniero Agrónomo, Ph.D.
Profesor Asociado Decana
III
AGRADECIMIENTOS
Primero agradecer a mi profesor guía, Dr. Octavio Lagos, que me enseñó el
camino de la investigación, y que me sigue apoyando en esta nueva etapa de
mi vida. A mis académicos que siempre me enseñaron sus valores y
competencias, lo responsable de mi profesora Dra. Nicole Uslar, lo madrugador
de mi profesor Dr. Jerónimo Paredes, lo práctico de mi profesor Dr. José
Fuentes, entre muchos que entregaron parte de sus vivencias para forjar
mejores profesionales.
Al profesor Dr. Diego Rivera que confió en mis capacidades y me enseñó
conocimientos transversales con una perspectiva diferente de las cosas.
Al profesor Dr. Camilo Souto y Mg. Andrés Pérez por la revisión del documento.
A Pauly, Alejandra y Eugenia por su apoyo incondicional a lo largo de mi
carrera.
A Daniele Zaccaria de UC Davis por facilitarme los datos de estaciones en
California.
Al centro de recursos hídricos para la agricultura y la minería – CRHIAM,
proyecto ANID/FONDAP/15130015.
IV
ÍNDICE DE MATERIAS
Página
RESUMEN ........................................................................................................ 1
SUMMARY ....................................................................................................... 3
1. INTRODUCCIÓN ....................................................................................... 5
2. OBJETIVOS ............................................................................................... 8
2.1. Objetivo general .................................................................................. 8
2.2. Objetivos específicos ........................................................................... 8
3. MATERIALES Y MÉTODOS ...................................................................... 9
3.1. MATERIALES .................................................................................... 10
3.1.1. Sitios de estudio .......................................................................... 10
3.1.2. Imágenes capturadas por avión .................................................. 15
3.1.3. Imágenes Landsat 8.................................................................... 16
3.1.4. Métodos micrometeorológicos para obtener ET ......................... 18
3.1.5. Instrumentación estaciones de ET .............................................. 20
3.2. METODOLOGÍA ................................................................................ 22
3.2.1. Estimación de las variables de entrada del modelo SEB-PV ...... 22
3.2.1.1. Temperatura de la superficie terrestre .................................. 22
3.2.1.2. Albedo de la superficie ......................................................... 24
3.2.1.3. Radiación neta...................................................................... 25
3.2.2. Modelo SEB-PV. Modelo de SEB modificado para superficies
parcialmente vegetadas ........................................................................... 27
3.2.2.1. Resistencias del modelo SEB-PV......................................... 32
3.2.2.2. Entradas del modelo SEB-PV............................................... 35
3.2.3. Procesamiento en R y la API Google Earth Engine .................... 36
3.2.3.1. Procesamiento en R ............................................................. 36
3.2.3.2. Procesamiento en Google Earth Engine .............................. 37
3.2.4. Consideraciones para la implementación del modelo SEB-PV ... 40
3.2.5. Comparación estadística entre valores medidos y valores
V
estimados ................................................................................................. 43
4. RESULTADOS Y DISCUSIÓN................................................................. 45
4.1. Plataforma GEE ................................................................................. 47
4.2. Sitios de estudio en Chile .................................................................. 48
4.2.1. Larqui .......................................................................................... 48
4.2.2. Pullami ........................................................................................ 53
4.2.3. Vicuña ......................................................................................... 56
4.3. Sitios de estudio en California ........................................................... 59
4.3.1. Flores .......................................................................................... 59
4.3.2. Ivanhoe ....................................................................................... 62
4.3.3. Nichols ........................................................................................ 65
4.3.4. Nichols HES ................................................................................ 67
4.4. Imágenes tomadas por avión ............................................................ 70
4.5. Todos los sitios .................................................................................. 75
4.6. Análisis por cultivo ............................................................................. 76
4.6.1. Avellano europeo ........................................................................ 76
4.6.2. Cítrico.......................................................................................... 78
4.6.3. Pistacho ...................................................................................... 80
4.6.4. Uva de mesa ............................................................................... 83
5. CONCLUSIONES .................................................................................... 89
LITERATURA CITADA ................................................................................... 90
APÉNDICE ..................................................................................................... 97
VI
ÍNDICE DE TABLAS
En el texto Página
Tabla 1. Ubicación de las estaciones en los sitios de estudio.

EPSG 4326………………………………………………… 13
Tabla 2. Número de imágenes a utilizar por sitio de estudio……… 17
Tabla 3. Coeficientes para el algoritmo SW………………………… 22
Tabla 4. Coeficientes wb para imágenes satelitales Landsat 8…… 24
Tabla 5. Parámetros para la evaluación del modelo SEB-PV en el
sitio Larqui....………………………………………………… 34
Tabla 6. Paquetes de R utilizados para el procesamiento de los
datos de teledetección, el análisis de datos y la
visualización de los datos, con la respectiva función
utilizada de cada paquete ………………………………… 36
Tabla 7. Ancho medio de la hoja (w), altura del cultivo promedio
(h), parámetros empíricos a y b, contenido de humedad
a saturación del suelo (𝜃s) , y parámetro de ajuste (β)
para cada sitio de estudio………………………………… 41
Tabla 8. Resultados estadísticos para cada flujo SEB en Larqui.
Evapotranspiración instantánea (ET), flujo de calor
sensible (H), flujo de calor en el suelo (G) y radiación neta
(Rn).………………………………………………………… 49
Tabla 9. Resultados estadísticos para cada flujo SEB en Pullami.
(Rn)…………………………………………………………… 53
Tabla 10. Resultados estadísticos para cada flujo SEB en Vicuña.
(Rn)…………………………………………………………… 56
VII
Tabla 11. Resultados estadísticos para cada flujo SEB en Flores.

(Rn)…………………………………………………………… 59
Tabla 12. Resultados estadísticos para cada flujo SEB en Ivanhoe.
(Rn)…………………………………………………………… 62
Tabla 13. Resultados estadísticos para cada flujo SEB en Nichols.
(Rn)………………………………………………………… 65
Tabla 14. Resultados estadísticos para cada flujo SEB en Nichols
HES. Evapotranspiración instantánea (ET), flujo de calor
(Rn)…………………………………………………………… 68
Tabla 15. Resultados estadísticos para cada flujo SEB en
imágenes tomadas por avión. Evapotranspiración
instantánea (ET), flujo de calor sensible (H), flujo de calor
en el suelo (G) y radiación neta
(Rn)…………………………………………………………… 70
Tabla 16. Resultados estadísticos para cada flujo SEB en todos los
sitios. Evapotranspiración instantánea (ET), flujo de calor
(Rn)………………………………………………………… 75
Tabla 17. Resultados estadísticos para cada flujo SEB en Avellano
Europeo. Evapotranspiración instantánea (ET), flujo de
calor sensible (H), flujo de calor en el suelo (G) y
radiación neta (Rn)………………………………………… 76
VIII
Tabla 18. Resultados estadísticos para cada flujo SEB en Cítrico.

(Rn)…………………………………………………………… 78
Tabla 19. Resultados estadísticos para cada flujo SEB en Pistacho.
(Rn)…………………………………………………………… 80
Tabla 20. Resultados estadísticos para cada flujo SEB en Uva de
mesa. Evapotranspiración instantánea (ET), flujo de calor
(Rn)………………………………………………… 82
Tabla 21. RMSE de la ET instantánea y diaria para todas las
estimaciones del modelo SEB-PV………………………… 85
En el Apéndice Página
Tabla A1. Imágenes de satélite Landsat 8 seleccionadas para el
procesamiento del balance de energía superficial en
Pullami (Avellano Europeo)……..…..…..…..….…..….. 96
Larqui (Avellano Europeo)……..…..…..…..….…..….. 96
Vicuña (Uva de mesa)……..…..…..……..…..….…..….. 98
Flores (Pistacho)……..…..…..……..…..….…..……….. 98
IX

Ivanhoe (Cítrico)……..…..…..……..…..….…..……….. 99
Nichols (Pistacho)……..…..…..……..…...………..…… 99
Nichols HES (Pistacho)……..…..…..……..…...……….. 100
X
ÍNDICE DE FIGURAS
Página
Figura 1. Ubicación de los sitios de estudio Larqui, Pullami y
Vicuña en Chile. ………………………………………… 12
Figura 2. Ubicación de los sitios de estudio en California, USA… 13
Figura 3. Imagen capturada por avión el 12 de julio de 2017 en el
sitio Nichols HES………………………………………… 15
Figura 4. Red de resistencia esquemática del modelo de balance
de energía superficial (SEB-PV) modificado para
superficies con vegetación parcial a) Flujo de calor
sensible y b) Flujo de calor latente. Fuente: Lagos et al.,
(2012).……………………………………………………… 33
Figura 5. Flujos SEB estimados con el modelo SEB-PV el 6 de
diciembre de 2018 en el sitio Pullami…………………… 45
Figura 6. A) Uso del “Inspector” en GEE para visualizar variables
en cada pixel. B) Demostración para selección de flujo
SEB y de fecha…………………………………………… 47
Figura 7. Flujos SEB medidos con respecto al tiempo en Larqui 48
Figura 8. Flujos SEB estimados v/s flujos SEB medidos en Larqui 50
Figura 9. ET diario (ETd) medido y estimado con respecto al
tiempo en Larqui…………………………………………… 51
Figura 10. Flujos SEB medidos con respecto al tiempo en Pullami 52
Figura 11. Flujos SEB estimados v/s flujos SEB medidos en
Pullami……………………………………………………… 54
Figura 12. Flujos SEB medidos con respecto al tiempo en Vicuña 55
Figura 13. Flujos SEB estimados v/s flujos SEB medidos en Vicuña 57
Figura 14. Flujos SEB medidos con respecto al tiempo en Flores 58
Figura 15. Flujos SEB estimados v/s flujos SEB medidos en Flores 60
Figura 16. Flujos SEB medidos con respecto al tiempo en Ivanhoe 61
XI

Ivanhoe…………………………………………………… 63
Figura 18. Flujos SEB medidos con respecto al tiempo en Nichols 64
Nichols……………………………………………………… 66
Figura 20. Flujos SEB medidos con respecto al tiempo en Nichols
HES………………………………………………………… 67
Nichols HES……………………………………………… 68
Figura 22. Flujos SEB medidos con respecto al tiempo con
imágenes tomadas por avión…………………………… 69
Figura 23. Flujos SEB estimados v/s flujos SEB medidos con
imágenes tomadas por avión en Nichols HES………… 71
Figura 24. Flujos SEB estimados con el modelo SEB-PV el 21 de
junio de 2017 con imágenes tomadas por avión en el
sitio Nichols HES………………………………………… 73
Figura 25. Flujos SEB estimados v/s flujos SEB medidos con todas
las imágenes……………………………………………… 74
Avellano Europeo………………………………………… 76
Figura 27. ET diario (ETd) estimado y medido con respecto al
tiempo en Avellano Europeo……………………………… 77
Figura 28. Flujos SEB estimados v/s flujos SEB medidos en Cítrico 78
tiempo en Cítrico…………………………………………… 79
Pistacho…………………………………………………… 80
tiempo en Pistacho………………………………………… 81
XII
Figura 32. Flujos SEB estimados v/s flujos SEB medidos en Uva
de mesa…………………………………………………… 83
tiempo en Uva de mesa…………………………………… 84
1
FRUTALES MEDIANTE EL MODELO SEB-PV CON IMÁGENES AÉREAS
Y DE SATÉLITE EN CHILE Y CALIFORNIA
INSTANTANEOUS EVAPOTRANSPIRATION ESTIMATION IN FRUIT

ORCHARDS THROUGH THE SEB-PV MODEL WITH AIRBORNE AND
SATELLITE IMAGERY IN CHILE AND CALIFORNIA
Palabras claves: Evapotranspiración, SEB-PV, Google Earth Engine,

Landsat 8, imágenes aéreas.
RESUMEN
El objetivo de este trabajo fue aplicar el modelo de balance de energía
superficial SEB-PV en siete huertos de frutales ubicados en Chile y California,
USA, con 133 imágenes multiespectrales, aéreas y de satélite. El modelo fue
evaluado bajo coberturas de Pistacho, Avellano Europeo, Uva de mesa y
Cítricos. La metodología para evaluar el modelo SEB-PV consistió en analizar
las imágenes del satélite Landsat 8 con una resolución de 30 m durante las
temporadas 2017-2018, 2018-2019, y 2019-2020 en los sitios de estudio.
Además, para la temporada 2017 se utilizaron imágenes tomadas por un avión
(resolución de 2,9 cm pixel-1) en un sitio de Pistacho, California, USA. Las
imágenes fueron analizadas mediante el uso del lenguaje de programación R
en el entorno de programación RStudio, y JavaScript en la API Google Earth
Engine. Resultados de la validación del modelo con los estadísticos raíz del
error cuadrático medio (RMSE), diferencia relativa (RD) y el coeficiente de
Nash-Sutcliffe (NS), determinó que el modelo SEB-PV estima los
componentes del balance de energía superficial con indicadores estadísticos

2
RMSE de 67,02 W m-2, RD de 22,09% y coeficiente de NS de 0,91. Finalmente,
se encontró una mejor estimación de ET en Avellano Europeo y Cítrico, con
RD de 18,17% y 22,60%, seguido de Pistacho y Uva de mesa, con RD de
27,08% y 35,21%, respectivamente.

3
INSTANTANEOUS EVAPOTRANSPIRATION ESTIMATION IN FRUIT
ORCHARDS THROUGH THE SEB-PV MODEL WITH AIRBORNE AND
SATELLITE IMAGERY IN CHILE AND CALIFORNIA
Keywords: Evapotranspiration, Google Earth Engine, SEB-PV, Landsat 8,

airborn imagery.
SUMMARY
The objective of this work was to apply the SEB-PV surface energy balance
model in seven fruit orchards located in Chile and California, USA. The model
was evaluated for Pistachio, Hazelnut, Table Grapes and Citrus orchards. One
hundred thirty-three multispectral images from satellite and airborne platforms
were used. One hundred twenty-seven Landsat 8 Satellite images with a
spatial resolution of 30 m were analyzed during the 2017-2018, 2018-2019 and
2019-2020 growing seasons at all sites. In addition, for the 2017 season,
imagery taken by an aircraft with a spatial resolution of 2.9 cm pixel-1 were used
at one Pistachio site, California, USA. The images were analyzed using the R
programming language in the RStudio programming environment, and
JavaScript in the Google Earth Engine API. Results for the validation of the
model using the root mean square error (RMSE), relative difference (RD) and
the Nash-Sutcliffe coefficient (NS), showed that the SEB-PV model estimates
the components of the surface energy balance with a RMSE of 67.02 W m-2,
RD of 22.09% and Nash-Sutcliffe coefficient of 0,91. Better estimates of ET
were found on Hazelnut and Citrus orchards, with RD of 18.17% y 22.60%,

4
followed by Pistachio and Table Grape with RD of 27.08% y 35.21%,
respectively.
5
1. INTRODUCCIÓN
La evapotranspiración (ET) es un término integrado, compuesto por los flujos
de vapor vinculados de la transpiración de la planta (T), la evaporación del
suelo (Es) y la precipitación interceptada por el dosel (Raz-Yaseef et al., 2012).
A escala regional, la ET es información útil para las prácticas agrícolas y
estudios hidrológicos, y puede determinarse combinando datos de
teledetección con mediciones en terreno (Zhang et al., 1995). La evaporación
del suelo en superficies parcialmente vegetadas incluye no sólo la evaporación
del suelo bajo la canopia, sino también la evaporación de áreas de suelo
desnudo que contribuyen directamente al total de ET (Lagos et al., 2012). El
conocimiento detallado de los flujos de la superficie terrestre, especialmente
los componentes de calor latente y calor sensible, es de gran interés para
aplicaciones medio ambientales: monitoreo del clima de la superficie terrestre,
evaluación de esquemas de parametrización para modelos meteorológicos y
climáticos (Van der Hurk et al., 1997) y programación del riego para optimizar
los recursos hídricos en la agricultura (Bastiaanssen y Chandrapala, 2003;
Bastiaanssen et al., 2000; Panda et al., 2003).
Debido a esto, son muchos los modelos fundamentados en la ecuación del
balance de energía superficial que se han desarrollado para la estimación de
evapotranspiración en superficies vegetadas, como el modelo METRIC
(Mapping Evapotranspiration at High Resolution with Internalized Calibration)
(Allen et al., 2007a) basado en el modelo SEBAL (Surface Energy Balance
Algorithms for Land) ( Bastiaanssen et al., 1998) y el modelo SEB (Surface

6
Energy Balance) (Lagos et al., 2009), basado en los modelos Shuttleworth-
Wallace (1985) y Choudhury and Monteith (1988).
El modelo SEBAL modificado en METRIC permite estimar los componentes
que conforman el balance de energía superficial como son radiación neta (Rn),
flujo de calor sensible (H) y el flujo de calor en el suelo (G), y por diferencia
obtener el flujo de calor latente (λE). METRIC ha sido usado exitosamente para
estimar los componentes del balance de energía superficial en diferentes
estudios (Al-Gaadi et al., 2016; Allen et al., 2007b; Carrasco-Benavides et al.,
2014; Fonseca et al., 2015; González-Piqueras et al., 2015; Liaqat et al., 2015),
sin embargo, mejores resultados han sido encontrados en cultivos con
coberturas homogéneas.
Lagos et al. (2012) propuso mejoras a un modelo SEB para modelar ET en
superficies parcialmente con vegetación dando lugar al modelo SEB-PV (The
modified SEB model for Partially Vegetated Surfaces). El modelo SEB-PV tiene
cuatro capas e incorpora la evaporación de áreas de suelo desnudo que
contribuyen directamente al total de ET. Este modelo estima λE, H y G, y
distribuye Rn, H, λE y G a través del sistema suelo-residuos-canopia que
separa la vegetación del suelo, y toma en cuenta el efecto del residuo en la
evaporación. Requiere información de Rn, radiación solar, temperatura del aire
(Ta), humedad relativa (HR) y velocidad del viento (u). También requiere
estimar LAI (Leaf Area Index), la fracción de vegetación verde (FV), altura del
cultivo, textura y temperatura del suelo, contenido de agua, tipo y cantidad de
residuos de la cosecha. Una de las grandes ventajas del modelo SEB-PV es

7
que divide ET total en transpiración de la canopia, evaporación del suelo bajo
la canopia y evaporación del suelo desnudo, siendo una herramienta muy útil
para determinar la transpiración y de esta manera conocer cuál es la cantidad
de agua que realmente es consumida por las plantas para posteriormente ser
aportada en las dosis adecuadas mediante riego.
La eficiencia de los modelos SEB y SEB-PV ha sido evaluado por Lagos et al.
(2009, 2012, 2013) en la determinación de ET de manera puntual para los
cultivos de maíz y soja bajo condiciones de riego. Aguirre (2017) evaluó el
modelo SEB-PV en remolacha azucarera, con imágenes del satélite Landsat
8 y bajo condiciones de riego, y demostró que el modelo SEB-PV tiene una
mayor exactitud en la estimación de ET instantánea en remolacha azucarera
comparado con el modelo METRIC.
El modelo SEB-PV ha sido parcialmente evaluado en cultivos anuales, sin
embargo, no se ha realizado una evaluación en diferentes frutales que permita
asegurar que el modelo se comporta bien bajo diferentes coberturas. En
consecuencia, esta investigación propone los siguientes objetivos:
tiene como objetivo estimar la evapotranspiración instantánea y los principales
componentes del balance de energía superficial en diferentes frutales
(pistacho, cítricos, avellano europeo y uva de mesa), con el uso del modelo
SEB-PV en 127 imágenes de satélite Landsat 8, 71 en Chile y 56 en USA,
junto con 6 imágenes tomadas por avión combinadas con imágenes de satélite
Landsat 8 durante las temporadas 2017-2018 y 2018-2019 en Chile y las
temporadas 2017, 2018 y 2019 en USA.

8
2. OBJETIVOS
2.1. Objetivo general
Estimar la evapotranspiración instantánea y los principales componentes de
balance energía superficial en huertos de frutales en Chile y California
mediante el modelo SEB-PV e imágenes capturadas por avión y satélite.
2.2. Objetivos específicos
1. Implementar los algoritmos del modelo SEB-PV en R y Google Earth
Engine (GEE).
2. Evaluar la estimación de la evapotranspiración instantánea y los
principales flujos del balance de energía superficial mediante el modelo
SEB-PV en un huerto de Pistacho ubicado en California con imágenes
capturadas por un avión durante 2017.
3. Evaluar las estimaciones de la evapotranspiración instantánea y los
flujos del balance de energía superficial mediante el modelo SEB-PV
en huertos de frutales (Pistachos, Cítricos, Avellano europeo y Uva de
Mesa) ubicados en Chile y California con imágenes capturadas durante
2017-2018-2019-2020 por el satélite Landsat 8.

9
3. MATERIALES Y MÉTODOS
ANTECEDENTES GENERALES
Cada estación en el presente estudio incluye al menos un anemómetro sónico
que mide los flujos turbulentos en 3 ejes coordenados y se utiliza en el cálculo
del flujo de calor sensible (H) mediante la metodología de Eddy Covariance
(EC). La ET medida cada 30 minutos se obtuvo como: λE = Rn - G - H
utilizando la radiación neta medida, el flujo de calor del suelo medido y el fujo
de calor sensible medido. Esto implica un total de 7 estaciones para comparar
los resultados de las estimaciones instantáneas del modelo SEB-PV.
Como sabemos, la ET se puede separar en evaporación de suelo (Es), que es
un flujo controlado físicamente, y transpiración (T). Esta última está
fuertemente influenciada por la fisiología de la planta y puede verse afectada
por las condiciones ambientales abióticas, pero también por las características
de las especies vegetales, la sensibilidad estomática, las asociaciones de
micorrizas, las enfermedades de las plantas, las concentraciones de CO2
atmosférico y los nutrientes (Raz-Yaseef et al., 2012). Estos factores,
incluyendo la precipitación interceptada por la canopia, son de gran
importancia en la modelación de ET con modelos SEB, sin embargo, estos
factores no se incluyen en la modelación (Lagos et al., 2012) y esto podría
inducir errores en la estimación de ET.

10
3.1. MATERIALES
3.1.1. Sitios de estudio
Los sitios de estudio considerados en esta investigación son tres en Chile y
cuatro en California, USA. Los sitios en Chile, Larqui (36° 35’ 16.8’’ S, 72° 21’
39,6’’ O, 74 m.s.n.m.), Pullami (36° 42’ 28.8’’ S, 71° 47’ 52.8’’ O, 254 m.s.n.m.)
y Vicuña (30° 2’ 16.8’’ S, 70° 41’ 16.8’’ O, 673 m.s.n.m.), poseen un clima
mediterráneo a excepción de Vicuña que se encuentra en el límite de la zona
desértica de Chile con una precipitación promedio anual de 21 mm, además
de ubicarse en una gran altitud, por lo que el comportamiento de las variables
climáticas podría ser distinto a los demás sitios de estudio. Los sitios en
California, Flores (36° 14’ 34.8’’ N, 119° 56’ 16.8’’ O, 72 m.s.n.m.), Ivanhoe
(36° 23’ 9.6’’ N, 119° 14’ 27,6’’ O, 107 m.s.n.m.), Nichols (36° 15’ 28.8’’ N, 119°
30’ 28.8’’ O, 74 m.s.n.m.) y Nichols HES (36° 16’ 8.4’’ S, 119° 28’ 51,6’’ O, 76
m.s.n.m.), también poseen un clima mediterráneo con latitudes similares a los
sitios en Chile en el hemisferio opuesto, y donde las lluvias se concentran
principalmente en los meses de invierno (noviembre a febrero).
El sitio Larqui, ubicado en la comuna de Bulnes, región de Ñuble, corresponde
a un huerto de avellanos de la variedad Lewis, plantado el 2013 con un
espaciamiento de 5,0 m entre hileras y 3,5 m sobre la hilera. El suelo es de
textura franco arcilloso y el área seleccionada del huerto tiene
aproximadamente 68 hectáreas. Durante la temporada de crecimiento el
huerto es regado por goteo usando dos laterales con emisores de 4 l h-1
11
separados a 1 m, con una frecuencia de riego de 1 a 2 veces por semana de
acuerdo con la demanda hídrica.
El sitio Pullami, ubicado en la comuna de Coihueco, región de Ñuble,
corresponde a un huerto de avellanos de la variedad Griffony, plantados el año
2011 con un espaciamiento de 5,0 m entre hileras y 2,5 m sobre la hilera.
Posee un suelo profundo de textura arcillosa y el área seleccionada del huerto
se extiende a 391,9 hectáreas. Durante la temporada de crecimiento el huerto
es regado 1 a 2 veces por semana de acuerdo con la demanda hídrica usando
un microjet de 30 l h-1 por árbol.
El sitio Vicuña, ubicado en la comuna de Vicuña, región de Coquimbo,
corresponde a una viña de uva de mesa, variedad Flame seedless, con un
espaciamiento de 3 m entre hileras y 1 m sobre hilera con un área
seleccionada del huerto aproximada de 3,6 hectáreas. Durante la temporada
de crecimiento el huerto es regado 1 a 2 veces por semana de acuerdo con la
demanda hídrica usando goteo con 2 emisores por planta y una descarga de
2,2 l h-1.
El sitio Flores, ubicado en el área de Lemoore, condado de Kings, corresponde
a pistacho variedad Kerman con portainjerto Pioneer Gold 1 plantados a finales
de la década del 80, con un espaciamiento de 5,0 m entre hileras y 5,0 m sobre
hilera. El suelo es de textura franco arenoso con presencia de salinidad y un
área seleccionada del huerto aproximada de 58,2 hectáreas. Durante la
temporada de crecimiento el huerto es regado por goteo usando dos laterales

12
con 8 emisores por árbol de 1,4 l h-1, con una frecuencia de riego de acuerdo
con la demanda hídrica.
El sitio Nichols ubicado en Hanford, condado de Kings, corresponde a pistacho
variedad Kerman con portainjerto Pioneer Gold 1 plantados en 1985, con un
espaciamiento de 6,0 m entre hileras y 5,0 m sobre hilera. El suelo es de
textura franco y un área seleccionada del huerto aproximada de 61,1
hectáreas. Durante la temporada de crecimiento el huerto es regado por goteo
usando dos laterales con 5 emisores auto compensados por árbol de 4 l h-1,
con una frecuencia de riego de acuerdo con la demanda hídrica.
El sitio Nichols HES ubicado en Hanford, condado de Kings, es un huerto
similar a Nichols, y se encuentra a 2 km de distancia de este. Su diferencia es
que el huerto posee 2 tipos de suelo, donde en un área representativa de
30x30 m centrada en la estación (kernel), un 60% corresponde a textura franco
y un 40% a textura franco arenoso, y presenta área seleccionada del huerto
aproximada de 15,3 hectáreas.
El sitio Ivanhoe ubicado en Visalia, condado de Tulare, es de información
limitada debido a que no ha sido estudiado con anterioridad por otros
investigadores como los sitios Flores y Nichols. Tiene un área representativa
de 9,9 ha y su cultivo es del género cítrico.

13
Vicuña
Larqui
Pullami
Figura 1. Ubicación de los sitios de estudio Larqui, Pullami y Vicuña en Chile.

Fuente: Elaboración propia
14
Figura 2. Ubicación de los sitios de estudio en California, USA.

Tabla 1. Ubicación de las estaciones en los sitios de estudio. EPSG 4326.
Nombre Nombre Latitud Longitud Altitud

Cultivo Sistema
Sitio Estación (°) (°) (m.s.n.m.)
Avellano
Larqui Larqui EC -36,708 -72,361 74
europeo
Avellano
Pullami Pullami EC -36,588 -71,798 254
europeo
Uva de
Vicuña Vicuña EC -30,038 -70,688 673
mesa
Flores Pistacho Flores EC y SR 36,243 -119,938 72
Ivanhoe Cítrico Ivanhoe EC y SR 36,386 -119,241 107
Nichols Pistacho NIC D01 EC y SR 36,258 -119,508 74
Nichols
Pistacho NIC D02 EC y SR 36,269 -119,481 76
HES
SR: Surface Renewal, EC: Eddy covariance; para obtener H.
15
3.1.2. Imágenes capturadas por avión
Las imágenes obtenidas mediante vuelos aéreos fueron tomadas el año 2017
con sensores en longitudes de onda del espectro visible (RGB), termal (TIR) e
infrarrojo cercano (NIR), y con una resolución aproximada de 2,9 cm. Las
imágenes del espectro visible e infrarrojo cercano (VNIR) fueron previamente
procesadas por el Dr. Michael Whiting y Kristen Shapiro, de la Universidad de
California, Davis, por lo que se pudieron utilizar para estimar las componentes
del balance de energía superficial como valores de reflectancia.
Hubo mayor incertidumbre en las imágenes tomadas por un avión en
comparación a las de satélite, debido a que la hora de vuelo del avión oscilaba
entre las 12:00 y 14:00 hora local. Por esta razón se asumió que la hora de
vuelo promedio del avión fue a las 13:00.
La calidad de pre-procesado también tomó un papel importante a la hora de
trabajar con estas imágenes, ya que a simple vista el centro de las imágenes
parecía tener una mejor calibración que los bordes debido a la presencia de
un color rojizo o azulado en las esquinas de las imágenes RGB (Figura 3).
16
Figura 3. Imagen capturada por avión el 12 de julio de 2017 en el sitio Nichols
HES.
3.1.3. Imágenes Landsat 8
El satélite Landsat 8 incorpora dos instrumentos de barrido: Operational Land
Imager (OLI), y un sensor térmico infrarrojo llamado Thermal Infrared Sensor
(TIRS). OLI y TIRS miden la superficie terrestre en el visible, infrarrojo cercano,
infrarrojo de onda corta, e infrarrojo térmico con una resolución moderada
entre 15 y 100 m dependiendo de la longitud de onda espectral. Las imágenes

17
Landsat 8 obtenidas por el sensor OLI y TIRS, tienen un total de 11 bandas,
OLI recoge datos de imagen de 9 bandas espectrales de onda corta, con una
resolución espacial de 30 m para las bandas 1-7 y 9; la resolución para la
banda 8 (pancromática) es de 15 m, la banda 1 (azul-profundo) es útil para
estudios costeros y aerosoles y la banda 9 es útil para la detección de nubes
cirrus. TIRS recoge datos de dos bandas espectrales en la región térmica (10
y 11), estas bandas miden la energía térmica de la superficie de la tierra y se
adquieren a una resolución de 100 m, pero se vuelven a re-muestrear a 30 m
para que coincida con las bandas multiespectrales de OLI. El tamaño
aproximado de la escena es de 170 km de norte-sur por 183 km de este-oeste.
Junto con la generación de las bandas se crea el archivo de metadatos (MTL)
que contiene información específica del producto, el archivo de metadatos es
un texto en formato Object Description Language (ODL) (Ariza, 2013).
Para las imágenes de Landsat 8 se descargaron las imágenes VNIR calibradas
a la reflectancia de la superficie terrestre por el Centro para la observación de
los recursos de la Tierra y la Ciencia (EROS), mediante la interfaz On-demand
Centro de arquitectura de procesamiento de la ciencia (ESPA). La calibración
se realizó utilizando el Código de Reflectancia de la Superficie Landsat 8
(LaSRC code) (Vermote et al., 2018), del Centro de vuelo espacial Goddard
(GSFC) de la Administración Nacional de la Aeronáutica y del Espacio (NASA),
y la guía del producto se encuentra disponible en la página del Servicio
Geológico de los Estados Unidos (USGS). De igual manera se descargó el
paquete de imágenes Landsat 8 sin esta calibración a la reflectancia de la

18
superficie terrestre para obtener la banda termal, ya que la corrección
atmosférica no se realiza para las bandas termales.
En la Tabla 2 se muestra el número de imágenes utilizadas, separadas por
sitio y por temporada. Se descartaron aquellas imágenes con presencia de
nubes en el sitio de estudio (>1% de nubosidad) y en fechas sin mediciones
de terreno.
Tabla 2. Número de imágenes a utilizar por sitio de estudio.
N° de imágenes N° de imágenes
Nombre sitio Cultivo
Landsat 8 tomadas por avión
Larqui Avellano europeo 48 -
Pullami Avellano europeo 13 -
Vicuña Uva de mesa 10 -
Flores Pistacho 22 -
Ivanhoe Cítrico 7 -
Nichols Pistacho 7 -
Nichols HES Pistacho 20 6
3.1.4. Métodos micrometeorológicos para obtener ET
Los métodos directos de medición calculan la ET a través del control de
ingresos y salidas de agua en el suelo que sustenta una cubierta vegetal; por
ello miden directamente la ET en cualquier cultivo para las condiciones de
suelo, clima y disponibilidad de agua del lugar en estudio. Estos métodos,
aunque entregan resultados más cercanos a la realidad, usualmente son

19
costosos, engorrosos y requieren bastante tiempo para llegar a resultados
concluyentes (Vallejos, 1972; Espíldora et al., 1975). A pesar de las ventajas
en cuanto a precisión, los valores de ET obtenidos con los métodos directos
de medición no son realmente exactos debido a las fuentes de error y
limitaciones propias de cada método, por tanto, también pueden considerarse
solo estimaciones.
Los métodos indirectos para medir ET son numerosos, algunos basados en
física teórica del microclima (métodos micrometeorológicos). La ventaja de
estos métodos es que pueden estimar ET en cortos intervalos de tiempo, por
lo que permiten estimar este parámetro en tiempo real.
Uno de los métodos más precisos basado en el balance de energía es el
método Eddy covariance (EC). La técnica de EC estima el flujo vertical del
vapor de agua como la covarianza de la velocidad del viento vertical y las
mediciones de concentración de gas realizadas a una frecuencia de 10 Hz y
agregadas en intervalos de media hora. Por lo general, las mediciones de ET
con EC representan un flujo promedio sobre un área con un radio del orden de
50-200 m, dependiendo de la estabilidad atmosférica, la altura de la torre del
instrumento y la rugosidad de la superficie (Allen et al. 2011).
La técnica de Surface Renewal (SR), que se basa en mediciones de alta
frecuencia de la temperatura del aire por un sensor en miniatura, es una
técnica simple para estimar ET (Rosa et al., 2015). El análisis SR supone que
el intercambio turbulento en cualquier escalar es impulsado por el reemplazo
regular del contacto de parcela de aire con la superficie donde ocurre el

20
intercambio. Una parcela de aire barre hacia la superficie y reemplaza a otros
objetos que salen de la canopia una vez que este último ha enriquecido o
agotado el escalar. Este proceso aparece como una serie temporal en forma
de rampa cuando las mediciones de alta frecuencia del escalar se trazan en
función del tiempo (Paw U et al., 1995 y Chen et al., 1997).
3.1.5. Instrumentación estaciones de ET
En los sitios de California, la estación consistió en un radiómetro neto
(NRLite2, Kipp & Zonen Inc., Delft, The Netherlands) para medir la radiación
neta (Rn) ubicado aproximadamente 1 m sobre la canopia; un anemómetro
sónico de tres dimensiones (RE, RM Young Inc., Traverse City, MI, USA) para
medir el flujo de calor sensible (H) con la metodología de Eddy Covariance;
dos termocuplas tipo E de diámetro 76,2 µm (modelo FW3 de Campbell
Scientific, Logan, UT, USA), ambas montadas aproximadamente 1 m sobre la
canopia para medir H a una frecuencia de 10 Hz con la metodología Surface
Renewal; tres paquetes de sensores de suelo para calcular el flujo de calor en
el suelo (G), que consta de una placa de flujo de calor del suelo (HFT3, REBS,
Bellevue, WA, USA), tres sondas de termocupla de temperatura promedio del
suelo (Tcav, Campbell Scientific Inc., Logan, UT, USA), y tres sensores de
humedad del suelo (EC5, Decagon Devices, Pullman, WA, USA). Se utilizaron
algunos sensores meteorológicos adicionales, incluido un pluviómetro (TR-
525M, Texas Electronics, Dallas, TX, USA), un piranómetro (SP Lite 2, Kipp &
Zonen Inc., Delft, The Netherlands), y una sonda de temperatura y humedad

21
relativa del aire (HC2S3, Rotronic Hauppauge, New York, NY, USA). Todos
los sensores individuales sobre el suelo se montaron en andamios de pintor
(marcos de 1,5×2,1 m) sobre postes clavados aproximadamente 1 m en el
suelo. La altura de la torre del andamio era de aproximadamente 5,5 m.
En el sitio Larqui y Pullami, la estación SEB consiste de un anemómetro sónico
(Ultrasonic anemometer 81000, R.M. Young Company, Traverse City,
Michigan, USA); una termocupla fina (FW3, Campbell Scientific, Logan, UT,
USA) montada a 1 m sobre la canopia; dos platos de flujo de calor en el suelo
sobre hilera y dos entre hilera (Huxseux HFP01SC, Campbell Scientific, Logan,
UT, USA) a una profundidad de 8 cm; termocuplas para la medición de
temperatura de suelo (Tcav, Campbell Scienti_c, Logan, UT, USA) a una
profundidad de 2 y 6 cm; sensor de temperatura del aire y humedad relativa
(HMP45C, Campbell Scienti_c, Logan, UT, USA); un pluviómetro (TE525
Texas Electronics, Campbell Scientific, Logan, UT, USA); dos radiómetros neto
(NR-Lite2, Kipp & Zonen, Delft, NLD), uno sobre la canopia y otro entre hilera
además de un piranómetro (Li-Cor LI200X, Campbell Scientific, Logan, UT,
USA).
En el sitio Vicuña, la estación SEB consiste de un anemómetro sónico
(Ultrasonic anemometer 81000, R.M. Young Company, Traverse City,
Michigan, USA); una termocupla fina (FW3, Campbell Scientific, Logan, UT,
USA) montada a 1 m sobre la canopia; dos platos de flujo de calor en el suelo
bajo la canopia, uno en el área humedecida por el sistema de riego y otro en
la porción más seca del terreno (Huxseux HFP01SC, Campbell Scientific,

22
Logan, UT, USA) a una profundidad de 8 cm; termocuplas para la medición de
temperatura de suelo (Tcav, Campbell Scientific, Logan, UT, USA) a una
profundidad de 2 y 6 cm; sensor de temperatura del aire y humedad relativa
(HMP45C, Campbell Scientific, Logan, UT, USA); un pluviómetro (TE525
Texas Electronics, Campbell Scientific, Logan, UT, USA); un radiómetro neto
(NR-Lite2, Kipp & Zonen, Delft, NLD) sobre la canopia.
3.2. METODOLOGÍA
3.2.1. Estimación de las variables de entrada del modelo SEB-PV
3.2.1.1. Temperatura de la superficie terrestre
La Temperatura en la superficie (Ts) fue calculada con el algoritmo Split-
Window (SW) (Jiménez-Muñoz et al., 2014). Las entradas básicas del
algoritmo SW son las bandas termales TIRS (10, 11), y la emisividad de la
superficie terrestre de las bandas 10 y 11 estimada usando el método umbral
NDVI (Normalised Difference Vegetation Index) que se encuentra
ampliamente descrito en Jiménez-Muñoz et al. (2014). La Ts puede ser
obtenida como:
𝑇𝑠 = 𝑇𝐵10 + 𝐶1 (𝑇𝐵10 − 𝑇𝐵11 ) + 𝐶2 (𝑇𝐵10 − 𝑇𝐵11 )2 + 𝐶0

[1]
+ (𝐶3 + 𝐶4 𝑤)(1 − ) + (𝐶5 + 𝐶6 𝑤)
Donde, Ts es la temperatura en la superficie (K), C0 a C6 son los valores de
los coeficientes del modelo SW (Tabla 3), TB10 y TB11 son las temperaturas de
brillo correspondientes a las bandas TIRS de Landsat 8 (K), ε es el promedio

23
de la emisividad de la superficie, w es el contenido de vapor de agua
atmosférico (gcm-2) y, Δε es la diferencia en emisividad de la banda 10 y 11.
Con respecto a la diferencia de emisividad de la banda 10 y 11, reemplazar
este término por un valor fijo es una solución habitual pero no muy
recomendado, por lo que se sugiere aplicar el método umbral NDVI tanto a la
banda 10 como a la banda 11 para obtener dos mapas de emisividad y así
promediar y restar para obtener los términos ε y Δε a nivel de pixel (J.C.
Jiménez-Muñoz, comunicación personal 2020).
Tabla 3. Coeficientes para el algoritmo SW.
Coeficiente C0 C1 C2 C3 C4 C5 C6
Valor -0,298 1,378 0,183 54,3 2,238 -129,2 16,4
Las temperaturas de brillo se calculan aplicando la siguiente ecuación (Ariza,
2013).
𝐾2
𝑇𝐵 =
𝐾1 [2]
𝐿𝑛 (( ) + 1)
𝐿𝜆
Donde, K1 y K2 son las constantes de conversión termal de las bandas TIRS
que se encuentran disponibles en el archivo de metadatos de cada imagen, Lλ
es la radiancia espectral TOA de las bandas TIRS en (W m-2 srad-1 µm-1). Estas
imágenes se encuentran en una resolución de 100 m, no obstante, en la API
Google Earth Engine se encuentra con un re-muestreo de convolución cúbica

24
a 30 m en reflectancia al tope de la atmósfera, y en el producto de reflectancia
de la superficie terrestre ya se encuentra como temperatura de brillo (TB).
Para determinar la fracción de vegetación verde (FV) se consideró lo
recomendado por Gutman y Ignatov (1997) utilizando la Ec. [3] propuesta por
Carlson y Ripley (1997), lo cual es necesario para el cálculo de la emisividad
de la superficie. Los valores de NDVI de la imagen para el suelo desnudo
(NDVIs) corresponde al promedio de los valores mínimos, y el suelo con
vegetación densa (NDVIv) corresponde al promedio de los valores máximos
de los resultados de NDVI obtenidos en las imágenes satelitales Landsat 8.
Para la obtención de los valores NDVIs y NDVIv se seleccionó un área
representativa dentro del dominio en estudio, y en esta área se verificó que
existan suelos desnudos y suelos con vegetación densa, considerados con
valores de NDVIs y NDVIv igual a 0,14 y 0,99 respectivamente.
𝑁𝐷𝑉𝐼 − 𝑁𝐷𝑉𝐼𝑠 2
𝐹𝑉 = ( ) [3]
𝑁𝐷𝑉𝐼𝑣 − 𝑁𝐷𝑉𝐼𝑠
3.2.1.2. Albedo de la superficie
El albedo de la superficie (α) se estima con las bandas del sensor OLI (1-7) en
base en la reflectancia de la superficie (s,b), y se puede obtener como (Allen
et al., 2007a):
𝑛
𝛼 = ∑[𝜌𝑠,𝑏 𝑤𝑏 ] [4]

𝑏=1
25
Donde, wb es el coeficiente de ponderación o peso, que representa la fracción
de radiación solar superficial que se produce dentro de la gama espectral
representada por una banda específica. Los coeficientes wb para las imágenes
satelitales Landsat 8 están dados por Ke et al. (2016) y se muestran en la
Tabla 4.
Tabla 4. Coeficientes wb para imágenes satelitales Landsat 8.
Sensor Número de banda Total

1 2 3 4 5 6 7
Landsat 8 OLI 0,13 0,115 0,143 0,18 0,281 0,108 0,042 1,0
Fuente: Ke et al. (2016)
3.2.1.3. Radiación neta
Rn se calculó como (Allen et al., 2007a):
R n = R s − R s + R L − R L − (1 − o ) R L [5]
Donde Rs es la radiación de onda corta incidente (Wm-2),  es el albedo de
la superficie (adimensional), RL es la radiación de onda larga incidente (Wm-
2), RL es la radiación de onda larga reflejada (Wm-2), o es la emisividad
térmica de la superficie (adimensional) y el término (1-o)RL representa la
fracción de radiación de onda larga incidente que se refleja desde la superficie.
La radiación solar incidente de onda corta (Rs), tanto directa como difusa
sobre la superficie de la tierra se calcula como (Allen et al., 2010):
R s  = Gsc cos dr Tsw [6]

26
Donde Gsc es la constante solar (1367 Wm-2),  es el ángulo cenital solar (º),
dr es el cuadrado inverso de la distancia relativa tierra-sol (adimensional) y,
Tsw es la transmisividad atmosférica de banda ancha (adimensional).
El ángulo cenital solar () se estima a partir de:
 = 90 − SUN_ELAVATION [7]
donde SUN_ELEVATION es el del ángulo de elevación solar (°), el cual es
provisto en el archivo de metadatos de cada imagen.
La radiación de onda larga saliente emitida desde la superficie (RL↑), se
calcula como (Allen et al., 2007a):
R L = 0  Ts4 [8]
Donde 0 es la emisividad térmica de la superficie (adimensional),  es la
constante de Stefan-Boltzmann (5,67*10-8 Wm-2K-4), y TS es la temperatura
de la superficie (K).
Para las imágenes Landsat 8, los índices de vegetación NDVI y SAVI fueron
calculados en base a la reflectancia de la superficie con corrección atmosférica
del infrarrojo cercano (banda 5) (ρS,5) y la reflectancia de la superficie con
corrección atmosférica de la banda roja (banda 4) (ρS,4).
La radiación de onda larga incidente (Wm-2) es el flujo de radiación termal
descendente originado desde la atmósfera y puede ser calculada como:
R L = a  Ts4 [9]
27
Las ecuaciones para el cálculo de los índices de vegetación SAVI y LAI, así
como los parámetros a, 0, dr, y Tsw, están ampliamente descritas en Allen et
al. (2010).
3.2.2. Modelo SEB-PV. Modelo de SEB modificado para superficies
parcialmente vegetadas
El modelo de balance de energía superficial modificado (SEB-PV) por Lagos
et al. (2012) posee cuatro capas. La primera capa se extiende desde la altura
de referencia, por encima de la vegetación, hasta la canopia, la segunda capa
está entre el nivel de la canopia y la superficie del suelo, la tercera capa
corresponde a la capa superior del suelo y la cuarta capa es el espesor inferior
del suelo donde la atmósfera del suelo está generalmente saturada con vapor
de agua. El modelo SEB-PV incorpora la evaporación de áreas de suelo
desnudo que contribuyen directamente al total de ET, separa la vegetación del
suelo, toma en cuenta el efecto del residuo en la evaporación y distribuye la
radiación neta (Rn), calor sensible (H), el calor latente (λE), y el flujo de calor
del suelo (G) a través del sistema suelo-residuo-canopia. Los gradientes
horizontales de los potenciales se supone que son lo suficientemente
pequeños para que los flujos laterales no sean considerados, y los términos
de almacenamiento de energía y fotosíntesis en el sistema suelo-residuos-
canopia se asumen que son insignificantes. La evaporación del agua desde la

28
superficie de las hojas de las plantas debido a la lluvia, el riego o el rocío
también es depreciado (Lagos et al., 2012).
En el modelo SEB-PV el flujo de calor latente total (λE) equivalente a la ET,
flujo de calor sensible (H), flujo de calor en el suelo (G) se estiman como:
𝜆𝐸 = [𝜆𝐸𝑐 + 𝜆𝐸𝑠 (1 − 𝑓𝑟 ) + 𝜆𝐸𝑟 𝑓𝑟 ] 𝐹𝑉 + [𝜆𝐸𝑏𝑠 (1 − 𝑓𝑟 ) + 𝜆𝐸𝑏𝑟 𝑓𝑟 ] (1 − 𝐹𝑉 ) [10]
𝐻 = [𝐻𝑐 + 𝐻𝑠 (1 − 𝑓𝑟 ) + 𝐻𝑟 𝑓𝑟 ] 𝐹𝑉 + [𝐻𝑏𝑠 (1 − 𝑓𝑟 ) + 𝐻𝑏𝑟 𝑓𝑟 ] (1 − 𝐹𝑉 ) [11]
𝐺 = [𝐺𝑠 (1 − 𝑓𝑟 ) + 𝐺𝑟 𝑓𝑟 ] 𝐹𝑉 + [𝐺𝑏𝑠 (1 − 𝑓𝑟 ) + 𝐺𝑏𝑟 𝑓𝑟 ] (1 − 𝐹𝑉 ) [12]
Donde, λEc es el calor latente de la canopia equivalente a la transpiración de
la canopia (W m-2), λEs es el calor latente del suelo bajo la canopia (W m-2),
λEr es el calor latente del suelo cubierto de residuo bajo la canopia (W m-2),
λEbs es el calor latente del suelo expuesta a la radiación neta (W m-2), λEbr es
el calor latente del suelo cubierto de residuos expuesta a la radiación neta (W
m-2), Hc es el calor sensible de la canopia (W m-2), Hs es el calor sensible del
suelo bajo la canopia (W m-2), Hr es el calor sensible del suelo cubierto residuo
bajo la canopia (W m-2), Hbs es el calor sensible del suelo expuesto a la
radiación neta (W m-2), Hbr es el calor sensible del suelo cubierto de residuos
expuestos a la radiación neta (W m-2), Gs es el calor del suelo bajo la canopia
(W m-2), Gr es el calor del suelo cubierto residuo bajo la canopia (W m-2), Gbs
es el calor del suelo expuesto a la radiación neta (W m-2), Gbr es el calor del
suelo cubierto de residuos expuesto a la radiación neta (W m-2), fr es la fracción
de suelo afectado por el residuo (adimensional).

29
La fracción de vegetación (FV) es un parámetro importante en el modelo SEB-
PV, debido a que con su valor se distribuyen las componentes de la ET (Ec.
[10]) afectando directamente la evapotranspiración de cultivo y la evaporación
de suelo desnudo. La relación de FV con índices de vegetación se ha estudiado
exhaustivamente para hortalizas y cultivos de corta duración, por ejemplo,
Johnson et al. (2012) utilizaron el NDVI para estimar el FV con diferentes
grados de error entre distintos sitios de estudio, Jiménez-Muñoz et al. (2009)
propusieron un ajuste utilizando el índice de vegetación VARIGREEN (Variable
Atmospherically Resistant Index), sin embargo, requirió mediciones in situ para
obtener mejores resultados que la relación con NDVI. Por esta razón, se
decidió utilizar información de FV medida en Larqui y Pullami durante la
temporada 2018-2019 para evaluar la metodología recomendada por Gutman
y Ignatov (1997), obteniendo un RMSE de 0,097 en Larqui y 0,234 en Pullami
con valores medios en la temporada de 0,489 y 0,592 respectivamente.
Considerando que en los demás cultivos no se cuenta con información medida
en terreno, y que los valores medidos en terreno pueden tomar en cuenta la
vegetación sin actividad fotosintética como parte de FV al final de la temporada,
los valores de NDVIs y NDVIv serán 0,14 y 0,99 respectivamente para todos
los sitios de estudio. Para futuros estudios se recomienda tener mediciones de
FV debido a que la calibración puede disminuir el error.
Las expresiones que definen a λEc, λEs, λEr, λEbs, λEbr, Hc, Hs, Hr, Hbs, Hbr,
propuestas por Lagos et al. (2012) son:

30
∆ 𝑟1 𝑅𝑛𝑐 + 𝜌 𝐶𝑝 (𝑒𝑏∗ − 𝑒𝑏 )
𝜆𝐸𝑐 = [13]
∆ 𝑟1 + 𝛾 (𝑟1 + 𝑟𝑐 )
𝜆𝐸𝑠 =
𝑅𝑛𝑠 ∆ 𝑟1 ∆ 𝑟𝐿
𝛾 (𝑟𝑢 + 𝑟𝑠 ) (𝑟𝑢 + 𝑟𝐿 + 𝑟2 ) + ∆ 𝑟𝐿 (𝑟𝑢 + 𝑟2 ) [14]
𝜌 𝐶𝑝 [(𝑒𝑏∗ − 𝑒𝑏 ) (𝑟𝑢 + 𝑟𝐿 + 𝑟2 ) + (𝑇𝑚 − 𝑇𝑏 ) ∆ (𝑟𝑢 + 𝑟2 )]

+
𝛾 (𝑟𝑢 + 𝑟𝑠 ) (𝑟𝑢 + 𝑟𝐿 + 𝑟2 ) + ∆ 𝑟𝐿 (𝑟𝑢 + 𝑟2 )
𝜆𝐸𝑟 =
𝑅𝑛𝑠 ∆ (𝑟2 ∆ 𝑟𝑟ℎ ) 𝑟𝐿

𝛾 (𝑟2 + 𝑟𝑠 + 𝑟𝐿 ) (𝑟𝑢 + 𝑟𝐿 + 𝑟2 + 𝑟𝑟ℎ ) ∆ 𝑟𝐿 (𝑟𝑢 + 𝑟2 + 𝑟𝑟ℎ ) [15]
𝜌 𝐶𝑝 [(𝑒𝑏∗ − 𝑒𝑏 ) (𝑟𝑢 + 𝑟𝐿 + 𝑟2 + 𝑟𝑟ℎ ) + (𝑇𝑚 − 𝑇𝑏 ) ∆ (𝑟𝑢 + 𝑟2 + 𝑟𝑟 )]

+
𝛾 (𝑟2 + 𝑟𝑠 + 𝑟𝐿 ) (𝑟𝑢 + 𝑟𝐿 + 𝑟2 + 𝑟𝑟ℎ ) ∆ 𝑟𝐿 (𝑟𝑢 + 𝑟2 + 𝑟𝑟ℎ )
𝑅𝑛 ∆ 𝑟2𝑏 𝑟𝐿 + 𝜌 𝐶𝑝 [(𝑒𝑏∗ − 𝑒𝑏 ) 𝑟𝑢 + 𝑟𝐿 + 𝑟2𝑏 ]

𝜆𝐸𝑏𝑠 =
𝛾 (𝑟2𝑏 + 𝑟𝑠 ) (𝑟𝑢 + 𝑟𝐿 + 𝑟2𝑏 ) ∆ 𝑟𝐿 (𝑟𝑢 + 𝑟2𝑏 )
[16]
(𝑇𝑚 − 𝑇𝑏 ) ∆ (𝑟𝑢 + 𝑟2𝑏 )
+
𝛾 (𝑟2𝑏 + 𝑟𝑠 ) (𝑟𝑢 + 𝑟𝐿 + 𝑟2𝑏 ) ∆ 𝑟𝐿 (𝑟𝑢 + 𝑟2𝑏 )
𝜆𝐸𝑏𝑟 =
𝑅𝑛 ∆ (𝑟2𝑏 + 𝑟𝑟ℎ ) 𝑟𝐿 + 𝜌 𝐶𝑝 [(𝑒𝑏∗ − 𝑒𝑏 ) 𝑟𝑢 + 𝑟𝐿 + 𝑟2𝑏 + 𝑟𝑟ℎ ]

𝛾 (𝑟2𝑏 + 𝑟𝑠 + 𝑟𝑟 ) (𝑟𝑢 + 𝑟𝐿 + 𝑟2𝑏 + 𝑟𝑟ℎ ) ∆ 𝑟𝐿 (𝑟𝑢 + 𝑟2𝑏 + 𝑟𝑟ℎ ) [17]
(𝑇𝑚 − 𝑇𝑏 ) ∆ (𝑟𝑢 + 𝑟2𝑏 + 𝑟𝑟 )

+
𝛾 (𝑟2𝑏 + 𝑟𝑠 + 𝑟𝑟 ) (𝑟𝑢 + 𝑟𝐿 + 𝑟2𝑏 + 𝑟𝑟ℎ ) ∆ 𝑟𝐿 (𝑟𝑢 + 𝑟2𝑏 + 𝑟𝑟ℎ )
𝛾 (𝑟1 − 𝑟𝑐 ) 𝑅𝑛𝑐 − 𝜌 𝐶𝑝 (𝑒𝑏∗ − 𝑒𝑏 )

𝐻𝑐 = [18]
∆ 𝑟1 + 𝛾 (𝑟1 + 𝑟𝑐 )
𝑅𝑛𝑠 ∆ 𝑟𝐿 − 𝜆𝐸𝑠 [𝑟𝐿 ∆ + 𝛾 (𝑟2 + 𝑟𝑠 )] + 𝜌 𝐶𝑝 (𝑒𝑏∗ − 𝑒𝑏 ) ∆ 𝜌 𝐶𝑝 (𝑇𝑚 − 𝑇𝑏 )

𝐻𝑠 = + [19]
∆ 𝑟𝐿 ∆ 𝑟𝐿
31
𝑅𝑛𝑠 ∆ 𝑟𝐿 − 𝜆𝐸𝑟 [𝑟𝐿 ∆ + 𝛾 (𝑟2 + 𝑟𝑠 + 𝑟𝑟 )] + 𝜌 𝐶𝑝 (𝑒𝑏∗ − 𝑒𝑏 )

𝐻𝑟 =
∆ 𝑟𝐿
[20]
∆ 𝜌 𝐶𝑝 (𝑇𝑚 − 𝑇𝑏 )
+
∆ 𝑟𝐿
𝑅𝑛 ∆ 𝑟𝐿 − 𝜆𝐸𝑏𝑠 [𝑟𝐿 ∆ + 𝛾 (𝑟2𝑏 + 𝑟𝑠 )] + 𝜌 𝐶𝑝 (𝑒𝑏∗ − 𝑒𝑏 )

𝐻𝑏𝑠 =
∆ 𝑟𝐿
[21]
+
∆ 𝑟𝐿
𝑅𝑛 ∆ 𝑟𝐿 − 𝜆𝐸𝑏𝑟 [𝑟𝐿 ∆ + 𝛾 (𝑟2𝑏 + 𝑟𝑠 + 𝑟𝑟 )] + 𝜌 𝐶𝑝 (𝑒𝑏∗ − 𝑒𝑏 )

𝐻𝑏𝑟 =
∆ 𝑟𝐿
[22]
+
∆ 𝑟𝐿
Donde, Δ es la pendiente de vapor de saturación (mb °C-1), Rn es la radiación
neta, Rns es la radiación neta absorbida por el suelo (W m-2), Rnc es la
radiación neta absorbida por la canopia, ρ es la densidad del aire húmedo (kg
m-3), Cp es calor específico del aire (J kg-1 °C-1), eb* es la presión de vapor
saturado a nivel de la canopia, eb es la presión de vapor del aire al nivel de la
canopia , r1 es la resistencia aerodinámica entre la canopia y el aire en el nivel
de la canopia (s m-1), rc es la resistencia de la superficie del dosel arbóreo (s
m-1), r2 es la resistencia aerodinámica entre el suelo y el aire al nivel de la
canopia (s m-1), rL es la resistencia del flujo de calor del suelo para la capa
inferior (s m-1), ru es la resistencia del flujo de calor del suelo para la capa
superior (s m-1), Tm es la temperatura del suelo en la parte inferior de la capa
inferior (°C), Tb es la temperatura del aire a la altura de la canopia (°C), r s es
la resistencia de la superficie del suelo para el flujo de vapor de agua (s m-1),

32
r2b es la resistencia aerodinámica actual entre la superficie del suelo y la altura
de referencia Zm (s m-1), γ es la constante psicrométrica (kPa °C-1), rrh es la
resistencia residual para transferencia de calor (s m-1), rr es la resistencia
residual para el flujo de vapor de agua (s m-1).
Ecuaciones para el cálculo del flujo de calor en el suelo (G) son definidas por
Lagos et al. (2012) como: Gs = Gos - λEs, donde Gos es el flujo de calor en la
superficie del suelo bajo la canopia y se expresa como: Gos = Rns - Hs, donde
Rns es la radiación neta absorbida por el suelo bajo la canopia; G r = Gor - λEr,
donde Gor es el flujo de calor en la superficie del suelo cubierto de residuos
bajo la canopia y se expresa como: Gor = Rns - Hr; Gbs = Gbos - λEbs, donde
Gbos es el flujo de calor en la superficie del suelo expuesto a la radiación neta
y se expresa como: Gbos = Rn - Hbs; Gbr = Gbor - λEbr, donde Gbor es el flujo
de calor en la superficie del suelo cubierta de residuos expuesto a la radiación
neta y se expresa como: Gbor = Rn - Hbr.
3.2.2.1. Resistencias del modelo SEB-PV
Las resistencias del modelo SEB-PV son similares a las descritas en Lagos et
al. (2009) (Figura 4), sin embargo, el modelo SEB-PV requiere una nueva
resistencia aerodinámica (r2b), propuesta por Lagos et al. (2012), para la
transferencia de flujo de calor y el agua para la superficie sin vegetación y se
puede determinar cómo:
𝑟2𝑏 = 𝐹𝑉 𝑟2 + (1 − 𝐹𝑉 ) 𝑟𝑎𝑠 [23]

33
Donde r2b es la resistencia aerodinámica actual entre la superficie del suelo y
Zm (s m-1), r2 es la resistencia aerodinámica entre el suelo y el aire en el nivel
de la canopia (s m-1), ras es la resistencia aerodinámica entre la superficie del
suelo y Zm no afectada por la vegetación adyacente (s m-1) y, Zm es la altura
de referencia (m); ras se estima como:
𝑍𝑚 2
𝑙𝑛 ( )
𝑧0 [24]
𝑟𝑎𝑠 =
𝑘2 𝑢
Donde, z0 es la longitud de la rugosidad en la superficie del suelo (m), k es la
constante de Von-Karman igual a 0,41 (adimensional) y, u es la velocidad del
viento (m s-1).
34
a)
b)
Figura 4. Red de resistencia esquemática del modelo de balance de energía
superficial (SEB-PV) modificado para superficies con vegetación
parcial a) Flujo de calor sensible y b) Flujo de calor latente.

Fuente: Lagos et al. (2012)
En la Tabla 5 se muestran los valores de los parámetros con los que se evaluó
el modelo SEB-PV para el sitio Larqui. Estos parámetros fueron usados por
Lagos et al. (2012) en el análisis de sensibilidad del modelo SEB-PV, debiendo
actualizar los parámetros de altura de referencia (Zm), tipo de suelo (porosidad,
tortuosidad), altura del cultivo (h) y ancho promedio de la hoja (w) para ajustar
el modelo a diferentes sitios de estudio, y que están detallados en la Tabla 7.

35
Tabla 5. Parámetros para la evaluación del modelo SEB-PV en el sitio Larqui.
Variable Símbolo Valor Unidad

Coeficientes de resistencia de la
C1;C2;C3 5;0,005;300
canopia
Humedad de saturación del suelo 𝞱s 0,5 m3 m-3
Porosidad del suelo ϕ 0,5 m3 m-3
Tortuosidad del suelo 𝞽s 1,5
Espesor de la capa inferior del suelo Lt 0,05 m
Espesor de la capa superior del suelo Lm 0,5 m
Longitud de la rugosidad del suelo Zo´ 0,01 m
Coeficiente de arrastre Cd 0,07
Altura de referencia Zm 5,0 m
Altura del cultivo h 4,0 m
Coeficiente de atenuación 𝞪 2,5
Coeficiente de extinción Cext 0,6
Ancho medio de la hoja w 0,12 m
Coeficiente de difusión de vapor de -5
DV 2,56*10 m2 s-1
agua
Parámetro de ajuste 𝞫 15
Conductividad termal de la capa W m-1
K 0,9
inferior del suelo °C-1
Conductividad termal de la capa W m-1
K´ 0,9
superior del suelo °C-1
Fuente: Lagos et al. (2012)
3.2.2.2. Entradas del modelo SEB-PV
Las entradas requeridas para modelo SEB-PV en esta investigación son
radiación neta (Rn) estimada con el modelo SEBAL (Allen et al., 2007a) y
36
mediciones puntuales de temperatura del aire (Ta), humedad relativa (RH),
velocidad del viento (u), contenido de humedad volumétrico del suelo (θ)
obtenidas de estaciones agrometeorológicas ubicadas en los sitios de estudio
junto con estaciones para medir los flujos SEB durante las temporadas
analizadas para comparar las estimaciones del modelo. También se requirió
información puntual de la altura del cultivo (h c) y estimaciones de la fracción
de vegetación verde (FV).
3.2.3. Procesamiento en R y la API Google Earth Engine
3.2.3.1. Procesamiento en R
Para desarrollar el código se utilizó RStudio (versión 1.2.1335), un entorno de
desarrollo integrado (IDE) para el entorno y lenguaje de programación R
(versión 3.6.0). R viene con un conjunto estándar de paquetes. y actualmente,
existe un repositorio de paquetes llamado CRAN que presenta 16422
paquetes disponibles. Una vez instalados, deben cargarse en la sesión para
poder utilizarlos. Los paquetes de R utilizados en la programación de los
algoritmos de SEB-PV se encuentran detallados en Tabla 6 y separados de
acuerdo con el procedimiento.

37
Tabla 6. Paquetes de R utilizados para el procesamiento de los datos de
teledetección, el análisis de datos y la visualización de los datos, con
la respectiva función utilizada de cada paquete.
Procedimiento Paquete Función

raster(), crop(),
raster (Hijmans et al., 2015)
Procesamiento de la cellStats()
teledetección sp (Pebesma et al.,2005) spTransform()
rgdal (Bivand et al., 2003) readOGR()
RStoolbox (Leutner et al.
readMeta()
2015)
Análisis de datos
dplyr (Wickham et al., 2014) %>%filter()
ggplot2 (Wickham, 2007)

Visualización de
ggspatial (Dunnington and ggplot(), ggR()
datos
Thorne, 2018)
3.2.3.2. Procesamiento en Google Earth Engine
Google Earth Engine (GEE) es una plataforma de computación en la nube
diseñada para almacenar y procesar grandes conjuntos de datos (a escala de
petabytes) para el análisis y la toma de decisiones finales. Tras la
disponibilidad gratuita de la serie Landsat en 2008, Google archivó todos los
conjuntos de datos y los vinculó a un motor de computación en la nube para
uso de código abierto. El archivo actual de datos incluye los de otros satélites,
así como conjuntos de datos vectoriales basados en sistemas de información

38
geográfica (SIG), modelos sociales, demográficos, meteorológicos, de
elevación digital y capas de datos climáticos (Mutanga et al., 2019).
Para traducir el código hecho en R a Google Earth Engine fue necesario usar
JavaScript, popular lenguaje de programación para el diseño web. La gran
diferencia de transferir el código de R a esta plataforma es que, para el
procesamiento de grandes volúmenes de datos, los ciclos iterativos como el
ciclo “for” no son eficientes, por lo que fue necesario crear funciones para hacer
un mapeo objeto-relacional (ORM) con la colección de imágenes o la colección
de datos medidos en terreno, logrando disminuir tiempos de ejecución del
programa de 90 minutos en R a 10 segundos en Google Earth Engine.
El objetivo de implementar este modelo en la nube fue hacerlo independiente,
con mínima intervención del usuario, seleccionando de forma automatizada
las imágenes disponibles con respecto a la ubicación, disponibilidad de datos
medidos, y nubes cercanas a la región de interés, este último con un gran
detalle. Las imágenes Landsat traen consigo una serie de propiedades en el
metadato de cada imagen, donde se incluye un porcentaje de nubes. Este
porcentaje fue el primer filtro para descartar imágenes que poseen valores
superiores a 40% de nubes por posible saturación, debido a que las nubes
tienen un alto albedo y reflejan la radiación solar. La dimensión aproximada de
cada imagen es de 170x183 km, por lo que este primer filtro no discrimina si
la región de interés (sitios de estudio) tiene presencia nubes o no. Es por eso
que el código requiere un polígono en formato “*.shp”, deseablemente de
dimensiones superiores al polígono del predio, de modo que calcula un nuevo

39
porcentaje de nubes, esta vez tomando como referencia este nuevo polígono
llamado con el nombre “SHP_CLOUD” en el código. La función
calcCloudStats() agrega una propiedad al metadato de la imagen llamado
“CLOUDY_PERCENTAGE_ROI”, por lo que el segundo filtro para seleccionar
las imágenes disponibles es descartar las imágenes que tengan mayor o igual
a 1% de nubes en este nuevo polígono definido por el usuario. Se recomienda
que abarque un área mayor a la del predio ya que las nubes cercanas influyen
en las mediciones debido a que están en constante movimiento y los sensores
de Landsat 8 demoran aproximadamente 32 segundos en capturar la imagen.
Posteriormente se realiza un filtro según la fecha, en el caso de Chile
descartando los meses de abril a julio, y en el caso de USA se descartaron los
meses de noviembre a marzo. Por último, se descartan las fechas que no
posean datos medidos en terreno, debido a que esto es necesario para correr
el modelo, además de obtener la estadística de los resultados. Como ejemplo
de estos filtros, de un total de 103 imágenes Landsat 8 disponibles en el sitio
Larqui en 2 temporadas de riego, se seleccionaron un total de 80 imágenes
sin nubes, de las cuales solo 48 contaban con datos medidos en terreno. El
sitio Pullami, en las mismas 2 temporadas, cuenta con un total de 37 imágenes
Landsat 8, de las cuales 30 son libre de nubes y sólo 13 están con datos
medidos en terreno.
La particularidad de los sitios Larqui, Flores y Vicuña respecto a los otros sitios,
es que estos sitios se encontraban en los bordes de los límites de las imágenes
Landsat 8, donde puede ocurrir traslape entre 2 o más imágenes en el periodo

40
de 16 días. En estos sitios, la resolución temporal fue de 7 a 9 días. Esto
debido a que Larqui se encuentra ubicado en un traslape de los path/row
001/085, 233/085 y 233/086; Flores en un traslape de los path/row 042/035 y
043/035; y Vicuña en un traslape de los path/row 001/081 y 233/081; a
diferencia de los demás sitios de estudio como por ejemplo Pullami, que es
sensado solamente por el path/row 233/085 cada 16 días.
Finalmente, seleccionando las imágenes a utilizar se siguió el procedimiento
del código hecho en R, creando una función para cada tarea específica, como
por ejemplo una función llamada “addRN” para calcular la radiación neta, “lai”
para calcular el índice de área foliar, “SEBPV” para calcular la
evapotranspiración instantánea, entre otros. Los mapas de ET se muestran en
la plataforma interactiva, donde se puede ver el detalle de cada pixel, su ET
diaria, los demás componentes del balance de energía superficial y sus
condiciones meteorológicas.
3.2.4. Consideraciones para la implementación del modelo SEB-PV
Para el análisis del modelo SEB-PV se utilizó Rn obtenido desde el modelo
SEBAL (Allen et al., 2007a, b), y parámetros meteorológicos (Ta, HR y u) y
flujos SEB (Rn, ET, H y G) con mediciones obtenidas en terreno desde
estaciones de ET en siete sitios de estudio, junto con estaciones CIMIS
(California irrigation management information system) y estaciones de la Red
Agroclimática Nacional (RAN) para rellenar datos en algunas estaciones de
ET sin datos meteorológicos. Se evaluó la eficiencia del modelo SEB-PV para

41
estimar los principales componentes del balance de energía superficial
comparando las estimaciones con los datos medidos en terreno utilizando los
parámetros estadísticos raíz del error cuadrático medio (RMSE), diferencia
relativa (RD) y el coeficiente Nash-Sutcliffe (NS).
Para los distintos predios se calibraron los parámetros de ajuste del modelo
SEB-PV (Tabla 5) según características del cultivo y tipo de suelo. Para esto
se utilizó el estadístico RD sobre los flujos ET, H y G. Se excluyó Rn por ser
una entrada del modelo que no sufre cambios al calibrar estos parámetros.
El procedimiento se inició ingresando el ancho medio de la hoja (w) según el
tipo de cultivo. Se estimó una altura de cultivo (h) promedio durante el periodo
de estudio.
La conductividad termal de la capa inferior del suelo se estableció igual a la
conductividad termal de la capa superior, es decir, que en los primeros 50 cm
de suelo se tomó en cuenta un promedio de la conductividad termal (K).
A diferencia del modelo original, donde K es una constante durante la
temporada, K se estimó según el modelo de Tong et al. (2016), que depende
del contenido de humedad actual del suelo y parámetros empíricos a y b que
dependen de la textura y del contenido de humedad volumétrico a saturación
del suelo (𝜃s). K se puede obtener como:
𝐾 = 𝑎 − 𝑏 exp (−3,9 𝜃) [25]
Donde 𝜃 es el contenido de humedad volumétrico actual.

42
Finalmente se calibra el parámetro de ajuste (β) con base en RD sobre los
flujos ET, H y G, eligiendo el β en un rango de 0,5 a 25 que minimiza RD.
Los parámetros elegidos para cada predio se muestran en la Tabla 7.
Tabla 7. Ancho medio de la hoja (w), altura del cultivo promedio (h),
parámetros empíricos a y b, contenido de humedad a saturación del
suelo (𝜃s) , y parámetro de ajuste (β) para cada sitio de estudio.
𝜃s β
Nombre a (W m-1 b (W m-1
Cultivo w (m) h (m) (cm3 (adimen-
sitio -1
°C ) -1
°C )
cm-3) sional)
Avellano
Larqui 0,12 4,00 1,52 1,40 0,507 16,0
europeo
Avellano
Pullami 0,12 4,00 2,28 1,85 0,432 11,0
europeo
Uva de
Vicuña 0,18 2,10 1,81 1,62 0,456 0,5
mesa
Flores Pistacho 0,04 2,85 1,52 1,40 0,512 21,0
Nichols Pistacho 0,04 4,65 1,81 1,62 0,466 8,5
Nichols
Pistacho 0,04 4,65 1,93 1,71 0,447 8,0
HES
Ivanhoe Cítrico 0,08 4,00 1,81 1,62 0,456 6,5
Para correr las imágenes tomadas por avión, Rn se estimó con la imagen del
satélite Landsat 8 más cercana, utilizando la banda termal y Fv desde las
imágenes tomadas por avión para este cálculo. Esto debido a la buena relación
43
que tiene el satélite para estimar albedo, y por consecuencia Rn. No obstante,
para correr el modelo SEB-PV se utilizó la temperatura de la superficie, LAI y
Fv obtenidos desde las imágenes tomadas por avión.
Para extrapolar la ET instantánea (W m-2) a ET diaria (mm día-1) se requieren
de otros modelos que pueden arrastrar errores externos al modelo SEB-PV,
los cuales no se evalúan en esta investigación. Sin embargo, para la
comparación con otro modelo SEB se utilizará el primer modelo descrito en
Chávez et al. (2008), donde ET diaria (ETd) se calcula como:
𝐸𝑇𝑖 (𝑅𝑛 − 𝐺)𝑑 0,086400

𝐸𝑇𝑑 = [26]
(𝑅𝑛 − 𝐺)𝑖 (2500,78 − 2,3601 𝑇𝑎)
Donde Ta es la temperatura del aire en °C, ETd es la ET diaria en mm día-1,
ETi es la ET instantánea en W m-2, G y Rn están en W m-2 y los subíndices i y
d indican una escala de tiempo instantánea y diaria, respectivamente.
3.2.5. Comparación estadística entre valores medidos y valores
estimados
La validación del modelo SEB-PV se llevó a cabo utilizando la relación entre
los valores estimados y medidos. Los resultados de los componentes del
balance de energía superficial se obtuvieron promediando los valores en un
kernel de 3x3 pixeles, que equivale a 90x90 m ubicados en cada estación. En
la validación del modelo se utilizaron los estadísticos raíz del error cuadrático
medio (RMSE) Ec. [27], diferencia relativa (RD) Ec. [28] y, coeficiente de Nash-
Sutcliffe (NS) Ec. [29]. RMSE, RD y NS pueden ser obtenidos como:

44
∑𝑛𝑖=1(𝑋𝑂𝐵𝑆 − 𝑋𝐸𝑆𝑇 )2
𝑅𝑀𝑆𝐸 = √ [27]
𝑛
𝑅𝑀𝑆𝐸
𝑅𝐷 = 𝑅𝑒𝑙𝑎𝑡𝑖𝑣𝑒 𝑅𝑀𝑆𝐸 = [28]
̅̅̅̅̅̅
𝑋𝑂𝐵𝑆
∑𝑛𝑖=1(𝑋𝑂𝐵𝑆 − 𝑋𝐸𝑆𝑇 )2
𝑁𝑆 = 1 − [29]
∑𝑛𝑖=1(𝑋𝑂𝐵𝑆 − ̅̅̅̅̅̅
𝑋𝑂𝐵𝑆 )2
Donde XOBS corresponde a las mediciones in-situ registradas en terreno y XEST
corresponde a las variables estimadas con el modelo SEB-PV; y n
corresponde al número de datos considerados en el análisis.
RMSE evalúa la diferencia entre un estimador y el valor real de la cantidad que
se quiere calcular, un error cuadrático medio de cero es ideal, pero no es
posible en la mayoría de las situaciones.
NS produce resultados menores o iguales a 1. Si el resultado es 1 el ajuste es
perfecto, y si es 0 el error es del mismo orden de magnitud que la varianza de
los datos observados, por lo que la media de los datos observados tendrá una
capacidad predictiva similar al modelo. Los valores inferiores a cero implican
que la media tiene una capacidad predictiva mayor que el modelo, lo que
implica que el modelo es muy malo.

45
4. RESULTADOS Y DISCUSIÓN
A continuación, se muestran los resultados por cada sitio de estudio generados
en las aplicaciones de GEE (Figura 6).
A modo de ejemplo, la Figura 5 muestra la variabilidad espacial de cada flujo
del balance de energía en el sitio Pullami el 6 de diciembre de 2018. Este
resultado se realiza para cada fecha en todos los sitios de estudio. Valores
altos de ET están asociados a sectores que poseen mayor LAI. Estas mismas
áreas también muestran los valores más bajos de G.

46
RN. Negro: 652 W m-2 ET. Café: 414 W m-2

Amarillo: 771 W m-2 Verde claro: 539 W m-2
G. Azul: 14 W m-2 H. Azul: 121 W m-2

Verde claro: 162 W m-2 Verde claro: 188 W m-2
Figura 5. Flujos SEB estimados con el modelo SEB-PV el 6 de diciembre de
2018 en el sitio Pullami.

47
4.1. Plataforma GEE
Las aplicaciones desarrolladas en este estudio se pueden abrir en cualquier
dispositivo con un navegador (celular, tablet, smart TV, computador). Cada
aplicación contiene los datos de las estaciones de ET almacenados en la nube,
al igual que las imágenes del satélite Landsat 8, modelos de elevación digital,
polígonos *.shp; las cuales son utilizados por el modelo SEB-PV.
Para cada sitio de estudio hay una aplicación diferente, y puede ser editada
por el usuario debido a que el editor de código es parte de la plataforma.
En la Figura 6A se muestra parte del código de la aplicación del sitio de estudio
Larqui y el “Inspector”, donde se puede visualizar el valor de cada variable en
cada pixel. También se permite elegir la fecha y el tipo de flujo SEB que se
visualiza.
Con el propósito de interactuar con las imágenes y los gráficos, es necesario
ingresar a la aplicación del sitio Larqui mediante el enlace que se muestra a
continuación, y se requiere una cuenta Google para registrarse en Google
Earth Engine. Si requiere asistencia para ingresar por favor contactar al email
lcigarra@udec.cl.
https://code.earthengine.google.com/fc152eef42dc0f59d0d54a7227fa314f
48
A)
B)
Figura 6. A) Uso del “Inspector” para visualizar variables en cada pixel. B)
Demostración para selección de flujo SEB y fecha.

4.2. Sitios de estudio en Chile
4.2.1. Larqui
Los principales componentes del balance de energía superficial (SEB) Rn, ET,
H y G se estimaron para las temporadas 2017-2018, 2018-2019 y 2019-2020;

49
y la Figura 7 muestra los flujos medidos en terreno con estimaciones SEB
disponibles durante esas temporadas para la hora de paso del satélite,
aproximadamente 11:30 AM. Los valores máximos corresponden a los flujos
de Rn y se ubican cerca de los 700 W m-2 en el mes de máxima demanda,
mientras que los valores mínimos corresponden a flujos de G con rangos de -
10 a 40 W m-2. La ET es, en orden de importancia, el segundo componente del
SEB con valores máximos cercanos a los 500 W m -2 durante la temporada.
Los flujos instantáneos del SEB fueron calculados sólo en las fechas donde
existían datos medidos en terreno, iniciando las mediciones en noviembre de
2017.
850
ET H G Rn
Flujos SEB medidos (W m-2)
700
550
400
250
100 -50
nov-17
dic-17
mar-18
nov-18
dic-18
mar-19
nov-19
dic-19
dic-19
mar-20
oct-17
ene-18
jun-18
jul-18
ago-18
oct-18
ene-19
jun-19
jul-19
ago-19
oct-19
ene-20
feb-18
feb-19
feb-20
abr-18
abr-19
may-18
may-19
sept-17
sept-18
sept-19
Mes del año
Figura 7. Flujos SEB medidos con respecto al tiempo en Larqui.

50
Se observa que al inicio y final de la temporada 2018-2019, que es la más
completa en cuanto a meses disponibles, Rn es casi la mitad que el mes de
máxima demanda, acercándose a los 400 W m -2.
Cada componente del SEB fue comparado con las mediciones en terreno. La
Tabla 8 muestra la estadística de los flujos SEB por separado. La estadística
para los valores medidos y estimados de todos los flujos SEB resultó un RMSE
de 43,69 W m-2, RD de 14,15% y un coef. de NS de 0,97.
Tabla 8. Resultados estadísticos para cada flujo SEB en Larqui.
Evapotranspiración instantánea (ET), flujo de calor sensible (H),
flujo de calor en el suelo (G) y radiación neta (Rn).
ET H G Rn
RMSE (W m-2) 50,33 55,84 26,76 35,59
RD (%) 18,37 26,23 209,64 5,51
NS 0,57 -0,89 -2,40 0,80
Según los resultados mostrados en Tabla 8, existe una buena correlación entre
las estimaciones del modelo SEB-PV y las mediciones realizadas en terreno
con excepción de H y G. El componente que presenta mejor ajuste es Rn con
un RD de 5,5%. Este es el flujo con mayor importancia en el SEB debido a que
a partir de Rn se calculan los demás flujos SEB.

51
La estimación de G fue peor a lo esperado. Esto puede deberse a muchos
factores ligados al tipo de suelo, aireación, posición del sensor, profundidad
del sensor, contenido de materia orgánica, contenido de humedad en el suelo,
etc., y se espera mejorar el modelo para estimarlo con mayor exactitud. Sin
embargo, G representa aproximadamente un 10% de Rn, siendo en
importancia el flujo que menos afectaría la estimación de ET en este caso.
La Figura 8 muestra la comparación de los flujos SEB con las mediciones en
terreno para todas las fechas en Larqui.

850
ET H G Rn
700
Flujos SEB estimados (W m -2)
550
400
250
100
-50
-50 100 250 400 550 700 850

Flujos SEB medidos (W m -2)
Figura 8. Flujos SEB estimados v/s flujos SEB medidos en Larqui.

52
Utilizando la Ec. [25] fue posible estimar la evapotranspiración diaria (ETd) para
cada pixel en el huerto. La Figura 9 muestra la evolución temporal de ETd
medida y estimada para cada temporada con valores máximos cercanos a los
5,4 mm día-1, 6,2 mm día-1 y 6,2 mm día-1 para las temporadas 2017-2018,
2018-2019 y 2019-2020, respectivamente.

8
Estimado Medido
7
6
ETd (mm día-1)
5
4
3
2
1
0
nov-19
nov-17
dic-17
mar-18
nov-18
dic-18
mar-19
dic-19
dic-19
mar-20
oct-17
ene-18
jun-18
jul-18
ago-18
oct-18
ene-19
abr-19
jun-19
jul-19
ago-19
oct-19
ene-20
feb-18
abr-18
feb-19
feb-20
sept-17
may-18
sept-18
may-19
sept-19
Mes del año
Figura 9. ET diario (ETd) medido y estimado con respecto al tiempo en Larqui.

Conocer la ET diaria de forma espacial permite el manejo de riego sectorizado
en áreas que puedan presentar diferencias significativas en las propiedades
físicas del suelo o de nutrientes disponibles para la planta en el suelo,
optimizando el uso del recurso hídrico para maximizar los beneficios
económicos y ambientales.
53
4.2.2. Pullami
De manera similar al sitio anterior, los flujos SEB se estimaron para las
temporadas 2017-2018 y 2018-2019. Los flujos instantáneos del SEB fueron
calculados sólo en las fechas donde existían datos medidos en terreno, esta
vez iniciando las mediciones en diciembre de 2017.

850
ET H G Rn
700
550
400
250
100 -50
nov-17
dic-17
mar-18
nov-18
dic-18
mar-19
ene-18
jun-18
jul-18
ago-18
oct-18
ene-19
feb-18
abr-18
feb-19
abr-19
may-18
sept-18
Mes del año
Figura 10. Flujos SEB medidos con respecto al tiempo en Pullami.

La Tabla 9 muestra la estadística de los flujos SEB por separado. La
estadística para los valores medidos y estimados de todos los flujos SEB
resultó un RMSE de 66,17 W m-2, RD de 22,62% y un coef. de NS de 0,92.
Esta peor estimación de los flujos SEB respecto al sitio Larqui se puede
explicar por la diferencia entre sistemas de riego, textura de suelo, variedad

54
del cultivo, y un mayor error en la estimación de FV, siendo esta última una
variable importante para repartir Rn en los otros flujos de energía.
Tabla 9. Resultados estadísticos para cada flujo SEB en Pullami.
ET H G Rn
RMSE (W m-2) 71,47 88,37 7,33 60,39
RD (%) 20,30 47,81 179,12 20,64
NS 0,07 -1,89 -1,49 0,94
Las diferencias estadísticas con el sitio Larqui también puede ser atribuida a
los datos medidos en las estaciones, en donde ambas contaban con
anomalías intermitentes durante el día en algunos sensores debido a ráfagas
de viento, aves, entre otros.
Además, en este sitio y en el sitio Larqui, algunos flujos de calor se
almacenaron como instantáneos mientras que otros como promedios cada 30
minutos. Esto debido al código cargado al datalogger, y se puede observar al
obtener ET como el residual de Rn, G y H, donde no hubo una fecha en la que
coincidieron estos valores con el valor de ET registrado en el datalogger.
Para las anomalías de los sensores, en el caso del sitio Pullami, se rellenaron
datos de humedad relativa desde una estación agrometeorológica ubicada 4

55
km al noroeste del sitio de estudio, mientras que en Larqui, al ser problemas
de sensores que se utilizan para estimar dos o más variables, simplemente se
descartaron.
Al comparar las estimaciones de los flujos del SEB con las mediciones en
terreno (Figura 11) es posible observar que ET y G se sobreestiman, y que G
presenta valores 4 veces menor a ET.

850
ET H G Rn
700
550
400
250
100
-50
-50 100 250 400 550 700 850

Figura 11. Flujos SEB estimados v/s flujos SEB medidos en Pullami.
Se analizaron separadamente las imágenes con estimaciones de mayor error
en los flujos H y ET, y aparentemente esta situación está asociada a

56
mediciones de humedad relativa alta después de un evento de lluvia o un riego.
Esto se repite una mayor cantidad de veces en el sitio Pullami, debido a que
se riega por microjet a diferencia de Larqui que se riega por goteo.
4.2.3. Vicuña
Esta vez los flujos SEB se estimaron solo para la temporada 2019-2020,
iniciando las mediciones en octubre de 2019. Los flujos SEB medidos en
terreno en el instante de paso del satélite se muestran en la Figura 12,
observando que en 5 de 10 fechas el flujo ET es muy similar a H, a diferencia
de los sitios anteriores donde ET era predominantemente mayor.

850
ET H G Rn
700
550
400
250
100 -50
nov-19
dic-19
dic-19
mar-20
oct-19
ene-20
feb-20
sept-19
Mes del año
Figura 12. Flujos SEB medidos con respecto al tiempo en Vicuña.

57
En el mes de diciembre hubo una falla en la estación donde no hubo registro
de datos.
Tabla 10. Resultados estadísticos para cada flujo SEB en Vicuña.
ET H G Rn
RMSE (W m-2) 139,29 78,67 59,93 58,11
RD (%) 35,21 28,63 1024,31 8,60
NS -1,64 -1,52 -121,65 0,52
El alto valor de RD en G se debe que los datos medidos de G son muy
pequeños, variando desde -2,28 hasta 12,74 W m-2.
La estación en Vicuña ha tenido problemas en las mediciones durante algunos
días. Por esta razón se decidió descartar las fechas donde había falta de datos
de Rn medido a la hora de paso del satélite. También se debió rellenar datos
de humedad relativa y temperatura del aire desde una estación
agrometeorológica ubicada a 780 m al oeste del sitio de estudio.

58
En este sitio se observa la estimación de Rn con un error mayor a los otros
sitios en Chile (Figura 13), que se puede atribuir al tipo de suelo, ubicación del
radiómetro neto, altura del radiómetro neto, error en el código del radiómetro
neto, mala estimación de la emisividad del cultivo o del suelo, mala estimación
del albedo del cultivo o del suelo, entre otros muchos factores que podrían
afectar a la estimación de Rn y que pueden ser estudiados en futuras
investigaciones.
850
ET H G Rn
700
550
400
250
100
-50
-50 100 250 400 550 700 850

Figura 13. Flujos SEB estimados v/s flujos SEB medidos en Vicuña.
59
En este sitio el mayor RMSE lo presenta ET. Esto podría mejorar si G es fijado
constante al valor 5,26 W m-2, que es el valor promedio de la temporada 2019-
2020.
4.3. Sitios de estudio en California
4.3.1. Flores
Los flujos SEB fueron estimados para la temporada 2018, y el comportamiento
de los flujos SEB a la hora de paso del satélite durante la temporada se
muestran en la Figura 14.

850
ET H G Rn
700
550
400
250
100 -50
nov-18
jun-18
jul-18
ago-18
oct-18
abr-18
may-18
sept-18
Mes del año
Figura 14. Flujos SEB medidos con respecto al tiempo en Flores.

60
De la Figura 14 se observa que al inicio y final de la temporada los flujos ET,
H y G tienden a poseer magnitudes muy cercanas, mientras que en el mes de
máxima demanda H y G tienden a ser casi iguales.
El flujo G va desde los 30 a 200 W m-2, un valor alto comparado con los valores
típicos observados en los cultivos anteriores. Esto se puede deber a que en
este sitio hubo investigaciones relacionadas con el comportamiento de
Pistacho a la salinidad (Marino et al., 2019), aumentando la salinidad en
niveles medios y altos de forma controlada, concluyendo que este sitio tiende
a reducir un 30% su evapotranspiración media diaria con respecto al sitio de
estudio control Nichols.
Tabla 11. Resultados estadísticos para cada flujo SEB en Flores.
ET H G Rn
RMSE (W m-2) 109,48 65,40 89,28 49,63
RD (%) 42,13 33,63 65,45 8,40
NS -0,43 -0,21 -4,95 0,73
61
Esta vez ET, H y G muestran una estimación ineficiente con valores NS
negativos. El mayor RMSE nuevamente lo tiene ET, donde también se puede
mejorar su estimación si en vez de modelar G se toma el valor promedio de la
temporada como una constante, siendo 136,42 W m-2.

850
ET H G Rn
700
550
400
250
100
-50
-50 100 250 400 550 700 850

Figura 15. Flujos SEB estimados v/s flujos SEB medidos en Flores.
Los sensores de humedad registraron un aumento de casi el doble el mes de
agosto, cercano a saturación. Esto va de la mano con el manejo de riego que
se le debe hacer a suelos con presencia de salinidad, donde se aplica más
agua que la demandada para que la sal no se concentre en la zona radicular.

62
La sobreestimación de ET ocurrió en todas las fechas, y como se mencionó
anteriormente, el ET de este sitio de estudio tiende a disminuir en 30%
respecto al sitio control. Es posible estudiar el ingreso de la condición salina
como una variable de entrada al modelo para que obtenga una mejor
estimación de ET en este sitio de estudio.
4.3.2. Ivanhoe
Los flujos SEB se estimaron solo para la temporada 2019, y el comportamiento
En este sitio la ET alcanzó valores de 200 a 300 W m-2, la menor entre los
demás sitios de estudio.

850
ET H G Rn
700
550
400
250
100 -50
jun-19
jul-19
oct-19
ago-19
sept-19
Mes del año
Figura 16. Flujos SEB medidos con respecto al tiempo en Ivanhoe.

63
Se observa que este tipo de cultivo (cítrico) posee la menor ET durante
temporada comparado con los otros frutales (uva de mesa, avellano europeo
y pistacho).
Tabla 12. Resultados estadísticos para cada flujo SEB en Ivanhoe.
ET H G Rn
RMSE (W m-2) 62,61 81,33 35,19 60,55
RD (%) 22,60 26,21 12,60 9,82
NS -2,11 -1,36 -2,35 -0,11
En este sitio el modelo se comporta de forma ineficiente en cada flujo por
separado. Esto se puede deber a la naturaleza el cultivo a tener baja ET
durante la temporada. Al disminuir ET, Rn debe distribuirse en los otros 2 flujos
de calor (H y G), obteniendo flujos H mayores a ET en 5 de 7 fechas. Además,
posee la peor estimación de Rn comparado con los otros cultivos, siendo el
más importante para hacer una buena estimación del modelo.

64
850
ET H G Rn
700
550
400
250
100
-50
-50 100 250 400 550 700 850

Figura 17. Flujos SEB estimados v/s flujos SEB medidos en Ivanhoe.
De la Figura 17 se puede observar una sobreestimación de Rn en 5 de 7
fechas, que puede ser atribuido a la estimación de albedo y/o emisividad en
cítrico.
Se espera que mejorando la estimación de Rn haya una mejor estimación de
los demás flujos SEB.

65
4.3.3. Nichols
Los flujos SEB se estimaron solo para la temporada 2017, y el comportamiento
En este sitio se observa que la ET es mucho mayor que H, e incluso G es
mayor que H en 4 de las 7 fechas disponibles.

850
ET H G Rn
700
550
400
250
100 -50
nov-17
jun-17
jul-17
ago-17
oct-17
abr-17
may-17
sept-17
Mes del año
Figura 18. Flujos SEB medidos con respecto al tiempo en Nichols.

Como se mencionó anteriormente, H es muy variable en la temporada,
alcanzando un valor mínimo de -34,38 W m-2 en julio. Además, G posee
valores en la temporada de 40 a 200 W m -2, debido a que en 6 de 7 fechas el
satélite pasó cuando los sensores de humedad registraron un suelo muy

66
cercano a saturación entre hileras, y esto es un indicador que fueron eventos
de riego.
Tabla 13. Resultados estadísticos para cada flujo SEB en Nichols.
ET H G Rn
RMSE (W m-2) 69,04 91,35 116,13 61,09
RD (%) 16,54 76,74 90,06 9,18
NS 0,61 -0,13 -4,77 0,56
Nuevamente se observa que el flujo alto de G en el sitio de estudio causa
dispersión en la estimación de los demás flujos de calor (Figura 19). Sin
embargo, que las estimaciones hayan sido en eventos de riego, y más aún,
cuando el contenido de humedad en el suelo estuvo cercano a saturación,
cambió de forma importante la capacidad calorífica del suelo. Se espera que
en futuras investigaciones se obtenga un mejor modelo para estimar G en
suelos saturados.
67
850
ET H G Rn
700
550
400
250
100
-50
-50 100 250 400 550 700 850

Figura 19. Flujos SEB estimados v/s flujos SEB medidos en Nichols.
4.3.4. Nichols HES
Los flujos SEB se estimaron para la temporada 2017 y 2018; y el
comportamiento de los flujos SEB a la hora de paso del satélite durante la
temporada se muestran en la Figura 20.
Al igual que el sitio Nichols, ET es mucho mayor que H, e incluso G es mayor
que H el mes de máxima demanda (julio).

68
850
ET H G Rn

700
550
400
250
100 -50
dic-17
dic-18
mar-17
jun-17
jul-17
oct-17
nov-17
mar-18
jun-18
jul-18
ago-18
oct-18
nov-18
ago-17
ene-18
feb-18
abr-17
abr-18
may-17
may-18
sept-17
sept-18
Mes del año
Figura 20. Flujos SEB medidos con respecto al tiempo en Nichols HES.
Este es el único sitio de California donde se cuenta con 2 temporadas de
mediciones (2017 y 2018). Nuevamente el flujo de calor en el suelo es alto
(Figura 20), lo que provoca una mayor dispersión de los flujos en la Figura 21.
A diferencia del sitio Nichols, este sitio no tiene evidencias de suelo cercano a
saturación a la hora de paso del satélite.

69
Tabla 14. Resultados estadísticos para cada flujo SEB en Nichols HES.
ET H G Rn
RMSE (W m-2) 65,32 63,22 83,17 62,39
RD (%) 18,49 58,19 77,12 10,95
NS 0,51 -0,01 -0,41 0,58
850
ET H G Rn
700
550
400
250
100
-50
-50 100 250 400 550 700 850

Figura 21. Flujos SEB estimados v/s flujos SEB medidos en Nichols HES.
70
4.4. Imágenes tomadas por avión
Los flujos SEB se estimaron solo para la temporada 2017 en el sitio Nichols
HES, y el comportamiento de los flujos SEB a la hora de paso del satélite
durante la temporada se muestran en la Figura 22.
Al igual que los otros sitios con pistacho, ET es mucho mayor que H, pero esta
vez G es mayor que H en todas las fechas. ET alcanzó valores cercanos a Rn
el mes de máxima demanda (julio).

850
ET H G Rn
700
550
400
250
100 -50
ago-17
nov-17
jun-17
jul-17
oct-17
may-17
sept-17
Mes del año
Figura 22. Flujos SEB medidos con respecto al tiempo con imágenes tomadas
por avión.

71
Tabla 15. Resultados estadísticos para cada flujo SEB en imágenes tomadas
por avión. Evapotranspiración instantánea (ET), flujo de calor
sensible (H), flujo de calor en el suelo (G) y radiación neta (Rn).
ET H G Rn
RMSE (W m-2) 100,80 99,76 89,54 55,87
RD (%) 23,94 214,04 99,48 10,02
NS 0,40 -7,62 -4,71 0,53
Se puede observar una estimación ineficiente de H y G con imágenes tomadas
por avión, igual que las estimaciones con imágenes de satélite con valores NS
negativos en ambos flujos.

72
850
ET H G Rn
700
550
400
250
100
-50
-50 100 250 400 550 700 850

Figura 23. Flujos SEB estimados v/s flujos SEB medidos con imágenes
tomadas por avión en Nichols HES.

Las imágenes de avión disponibles eran numerosas, pero fueron obtenidas el
2017, y este sitio de estudio fue el único con datos medidos en terreno durante
esa temporada para comparar las estimaciones del modelo.
La resolución de las imágenes tomadas por avión es mucho mayor, más de
100 veces, no obstante, la calidad de los sensores y pre-procesamiento de las
imágenes es superior en el satélite Landsat 8. Usar imágenes tomadas por
avión para estimar ET es viable, pero no es determinante, ya que entregar un
mapa de ET diario en cuadrículas de 30 m es suficiente para planificar un riego

73
a nivel predial, además de adquirir de forma gratuita y periódica estas
imágenes desde internet. La desventaja de las imágenes de satélite es la
dependencia de la resolución temporal, que en Landsat 8 es de 16 días,
mientras que la resolución temporal de las imágenes tomadas por avión es
controlada.
Los mapas SEB con imágenes fusionadas de Landsat 8 y tomadas por avión
tienen una mayor resolución (28x28 cm), que se puede observar en la Figura
24. En esta se puede visualizar la copa de los árboles, y además se observa
que el flujo G es mayor en el camino alrededor del predio y entre hileras, los
flujos H y ET son mayores en la copa de cada árbol, y por último Rn es mayor
en presencia de vegetación.
74
RN. Café: 401 W m-2 ET. Café: 202 W m-2

G. Café: -37 W m-2 H. Café: 51 W m-2

Figura 24. Flujos SEB estimados con el modelo SEB-PV el 21 de junio de
2017 con imágenes tomadas por avión en el sitio Nichols HES.

75
4.5. Todos los sitios
Al combinar los resultados de todas las imágenes y al compararlo con las
mediciones en terreno de todos los sitios, es posible realizar una evaluación
global del modelo SEB-PV (Figura 25).

850
ET H G Rn
700
550
400
250
100
-50
-50 100 250 400 550 700 850

Figura 25. Flujos SEB estimados v/s Flujos SEB medidos con todas las
imágenes.
estadística para los valores medidos y estimados de todos los flujos SEB para
76
todas las imágenes resultó un RMSE de 67,02 W m-2, RD de 22,09% y un coef.
de NS de 0,91.
Tabla 16. Resultados estadísticos para cada flujo SEB en todos los sitios.
ET H G Rn
RMSE (W m-2) 83,47 67,57 63,57 48,91
RD (%) 24,07 35,80 112,38 7,87
NS 0,28 0,31 0,05 0,73
4.6. Análisis por cultivo
4.6.1. Avellano europeo
A continuación, se muestra el resultado obtenido de 61 imágenes disponibles
en las temporadas 2017-2018, 2018-2019 y 2019-2020.
de NS de 0,96.
77
Tabla 17. Resultados estadísticos para cada flujo SEB en Avellano Europeo.
ET H G Rn
RMSE (W m-2) 65,52 58,25 26,71 36,63
RD (%) 18,17 28,15 244,71 5,70
NS 0,26 -0,69 -2,90 0,81
850
ET H G Rn
700
550
400
250
100
-50
-50 100 250 400 550 700 850

Figura 26. Flujos SEB estimados v/s flujos SEB medidos en Avellano Europeo.
78
8
Estimado Medido
7
6
ETd (mm día-1)
5
4
3
2
1
0
dic-17
dic-18
nov-19
dic-19
dic-19
oct-17
nov-17
mar-18
jun-18
jul-18
oct-18
nov-18
jun-19
jul-19
oct-19
ene-18
feb-18
ago-18
ene-19
feb-19
mar-19
abr-19
ago-19
ene-20
feb-20
mar-20
abr-18
may-18
may-19
sept-17
sept-18
sept-19
Mes del año
Figura 27. ET diario (ETd) estimado y medido con respecto al tiempo en
Avellano Europeo.
Haciendo uso de un modelo para extrapolar ET instantáneo a ET d (externo al
modelo SEB-PV), y solo con el fin de comparar este valor con otro modelo
SEB, se determinó un RMSE de 0,75 mm día -1, RD de 15,77% y NS de 0,55
para Avellano Europeo.
4.6.2. Cítrico
Son 7 las imágenes disponibles para este cultivo en la temporada 2019.

79
Tabla 18. Resultados estadísticos para cada flujo SEB en Cítrico.
ET H G Rn
RMSE (W m-2) 62,61 81,33 35,19 60,55
RD (%) 22,60 26,21 120,60 9,82
NS -2,11 -1,36 -2,35 -0,11
850
ET H G Rn
700
550
400
250
100
-50
-50 100 250 400 550 700 850

Figura 28. Flujos SEB estimados v/s flujos SEB medidos en Cítrico.
80
8
Estimado Medido
7
6
ETd (mm día-1)
5
4
3
2
1
0
jun-19
jul-19
oct-19
ago-19
sept-19
Mes del año
Cítrico.
SEB, se determinó un RMSE de 0,69 mm día-1, RD de 25,34% y NS de -0,99
para Cítrico. Este bajo NS se debe al bajo rango de ETd medido de 1,77 mm
día-1 en la temporada.
4.6.3. Pistacho
Son 55 las imágenes disponibles para este cultivo en las temporadas 2017 y
2018.
81
de NS de 0,87.
Tabla 19. Resultados estadísticos para cada flujo SEB en Pistacho.
ET H G Rn
RMSE (W m-2) 89,78 72,88 91,07 56,71
RD (%) 27,09 91,99 75,89 9,63
NS 0,42 0,46 -1,72 0,67
850
ET H G Rn
700
550
400
250
100
-50
-50 100 250 400 550 700 850

Figura 30. Flujos SEB estimados v/s flujos SEB medidos en Pistacho.
82
8
Estimado Medido
7
6
ETd (mm día-1)
5
4
3
2
1
0
dic-17
dic-18
jul-17
mar-17
jun-17
oct-17
nov-17
jul-18
mar-18
jun-18
oct-18
nov-18
abr-17
ago-17
ene-18
feb-18
ago-18
abr-18
may-18
may-17
sept-17
sept-18
Mes del año
Pistacho.
SEB, se determinó un RMSE de 1,14 mm día -1, RD de 24,92% y NS de 0,62
para Pistacho.
Generalmente hubo una subestimación de la ETd atribuible al modelo para
extrapolar ET instantánea a diaria (Ec. [25]) debido a que el flujo de ET
instantáneo fue sobreestimado en 41 de las 55 imágenes analizadas. Esto se
debe a que el modelo utiliza la resta de Rn y G como una relación para obtener
ETd, y estos predios en particular tienen un valor de G alto.

83
4.6.4. Uva de mesa
Son 10 las imágenes disponibles para este cultivo en la temporada 2019-2020.
Tabla 20. Resultados estadísticos para cada flujo SEB en Uva de mesa.
ET H G Rn
RMSE (W m-2) 139,29 78,67 59,93 58,11
RD (%) 35,21 28,63 1024,31 8,60
NS -1,64 -1,52 -121,65 0,52
84
850
ET H G Rn
700
550
400
250
100
-50
-50 100 250 400 550 700 850

Figura 32. Flujos SEB medidos v/s flujos SEB estimados en Uva de mesa.
La baja correlación del flujo ET puede atribuirse a la evaporación de rocío o
riego a la hora de paso del satélite, variables que el modelo no considera.

85
8
Estimado Medido
7
6
ETd (mm día-1)
5
4
3
2
1
0
dic-19
dic-19
oct-19
nov-19
mar-20
ene-20
feb-20
sept-19
Mes del año
Figura 33. ET diario (ETd) estimado y medido con respecto al tiempo en Uva
de mesa.
SEB, se determinó un RMSE de 0,77 mm día-1, RD de 20,54% y NS de 0,46
para Uva de mesa.
Madugundu et al. (2017) evaluó el comportamiento del modelo METRIC en un
cultivo de alfalfa en un clima similar al sitio Vicuna, con una textura de suelo
franco arenosa. Estimó los flujos SEB en 8 fechas de 2013, y para la ET
instantánea y diaria obtuvo RMSE de 115,04 W m-2 y 4,15 mm día-1.
Jin et al. (2018) evaluó el modelo METRIC en los sitios Flores y Nichols.
Durante las temporadas 2015 y 2016, con 56 muestreos en Flores y 16 en
Nichols, obtuvo un RMSE de 1,4 y 1,9 mm día -1, respectivamente.

86
Adicionalmente hizo ajustes al modelo METRIC, cambiando la forma en la que
se estiman los flujos SEB G y Rn, junto con el parámetro de rugosidad,
obteniendo relaciones empíricas de NDVI, temperatura del suelo, y F v. Con
esta modificación obtuvo un RMSE de 1,4 y 0,8 mm día-1 para Flores y Nichols,
respectivamente.
A continuación, se muestra el RMSE de la obtención de ET instantánea y la
aplicación del modelo descrito en la Ec. [25] para obtener ET d para todas las
estimaciones del modelo SEB-PV.
Tabla 21. RMSE de la ET instantánea y diaria para todas las estimaciones del
modelo SEB-PV.
Número de
Nombre sitio RMSE (mm día-1) RMSE (W m-2)
imágenes
Larqui 0,79 50,33 48
Pullami 0,58 103,87 13
Vicuña (Uva de
0,77 139,29 10
mesa)
Flores 0,96 109,48 22
Ivanhoe (Cítrico) 0,69 62,61 7
Nichols 1,72 69,04 7
Nichols HES (avión) 1,31 100,80 6
Nichols HES 1,00 65,32 20
Avellano europeo 0,75 65,52 61
Pistacho 1,14 89,78 55
87
De la Tabla 21 es posible observar que una buena estimación de ET
instantánea puede no verse reflejado en ETd, como es el caso del sitio Nichols,
con un RMSE instantáneo de 69,04 W m -2, pero su RMSE de ETd fue de 1,7
mm día-1, el peor de todos. Aun así, fue una mejor estimación que el modelo
METRIC con un RMSE de 1,9 mm día-1.
Debido a lo anterior, se deben evaluar distintos métodos para extrapolar la
evapotranspiración instantánea a diaria para obtener mejores estimaciones,
ya que el valor de ETd es el que realmente se utiliza para el manejo del riego.
La ubicación de los sensores en terreno es crítica para tener una buena
estimación del conjunto suelo-planta-agua en el predio debido a, por ejemplo,
las diferencias evidentes entre la medición y estimación de Rn en algunos
sitios, donde los sensores remotos de los satélites incluyen el suelo y la planta
como un valor de reflectancia único, a diferencia de los sensores en terreno,
donde tienen un alcance muy específico a la ubicación y altura donde se
instalan.
En sitios donde se desconocen algunos parámetros específicos de cada sitio
o cultivo, como es la fracción de vegetación (Fv) y la resistencia de la superficie
de la canopia (rc), entre otros; es necesario utilizar modelos para estimarlos.
El modelo SEB-PV contempla modelos para estimar estas variables, que es
posible calibrar con datos en terreno para obtener un mejor resultado. No
obstante, en solo 1 de 7 sitios fue posible medir Fv, y en ningún sitio se midió
rc. Lo ideal sería calibrar estas variables con mediciones en terreno y así
enfocar la calibración del modelo en otros aspectos. Se espera que una mayor
88
exactitud en la estimación de Fv sea suficiente para que el modelo sea más
eficiente.
La variable coeficiente de extinción de luz (Cext), considerada constante en el
modelo, es dependiente de parámetros que no son constantes en la
temporada. Esto podría afectar las estimaciones del modelo debido a que
reparte Rn en radiación neta que es absorbida por la canopia y radiación neta
que alcanza la superficie del suelo, y sería correcto enfocar las futuras
investigaciones en modelar esta variable.
Por último, la entrada del modelo Rn, que es obtenido desde el modelo SEBAL,
es una metodología que requiere mejorar su estimación para obtener mejores
resultados en la estimación de los flujos SEB.

89
5. CONCLUSIONES
Se estimó la ET instantánea y los principales componentes de balance energía
superficial en siete huertos de frutales en Chile y California, USA, mediante el
modelo SEB-PV con imágenes de satélite Landsat 8 e imágenes tomadas por
un avión. Con este propósito se implementaron los algoritmos del modelo SEB-
PV en R y GEE, entregando una herramienta para estimar los flujos del SEB
espacial y temporalmente distribuidos, con un énfasis en ET.
Se compararon las estimaciones del modelo SEB-PV con mediciones
obtenidas en terreno desde estaciones de ET en siete sitios de estudio. Los
resultados mostraron que el modelo SEB-PV con 133 imágenes
multiespectrales (127 imágenes capturadas por el Satélite Landsat 8 y 6
imágenes capturadas por avión) en huertos de frutales ubicados en Chile y
California, USA, estima los componentes del SEB con indicadores estadísticos
RMSE de 67,02 W m-2, RD de 22,09% y coeficiente de Nash-Sutcliffe de 0,91.
Una mejor estimación de ET se encontró en Avellano Europeo y Cítrico, con
RD de 18,17% y 22,60%, seguido de Pistacho y Uva de mesa, con RD de
27,08% y 35,21%, respectivamente.

90
LITERATURA CITADA
1. Aguirre, M.S. 2017. Estimación de evapotranspiración en remolacha
azucarera (Beta vulgaris) y componentes del balance superficial de
energía usando SEB-PV (The modified SEB model for partially
vegetated surfaces) e imágenes de satélite. Tesis, Magister en
Ingeniería Agrícola con mención en Recursos Hídricos. Universidad de
Concepción. Facultad de Ingeniería Agrícola. Chillán, Chile.
2. Al-Gaadi, K.A., V.C. Patil, E. Tola, R. Madugundu and P.H. Gowda. 2016.
Evaluation of METRIC-derived ET fluxes over irrigated alfalfa crop in
desert conditions using scintillometer measurements. Arab. J. Geosci.
9(441): 1-12.
3. Allen, R.G., L.S. Pereira, D. Raes and M. Smith. 1998. Crop
evapotranspiration (guidelines for computing crop water requirements).
FAO Irrigation and Drainage Paper N°56. FAO. Rome, Italy.
4. Allen, R.G., M. Tasumi, A. Morse, R. Trezza, J.L. Wright, W. Bastiaanssen,
W. Kramber, I. Lorite and C.W. Robison. 2007b. Satellite-based energy
balance for mapping evapotranspiration with internalized calibration
(METRIC)-Applications. J. Irrig. Drain. Eng. 133(4): 395-406.
5. Allen, R.G., M. Tasumi and R. Trezza. 2007a. Satellite-based energy
balance for mapping evapotranspiration with internalized calibration
(METRIC)-Model. J. Irrig. Drain. Eng. 133(4): 380-394.
6. Allen, R.G., M. Tasumi, R. Trezza and J. Kjaersgaard. 2010. METRIC.
Mapping evapotranspiration at high resolution applications Manual for

91
Landsat satellite imagery. Versión 2.0.5. University of Idaho. Kimberly,
USA.
7. Allen, R.G., L.S. Pereira, T. Howell and M. Jensen. 2011. Evapotranspiration
information reporting: I. Factors governing measurement accuracy.
Agric. Water Manag. 98(6): 899-920.
8. Ariza, A. 2013. Descripción y corrección de productos Landsat 8 LDCM
(Landsat Data Continuity Mission) [en línea]. United Nations Platform for
Space-based Information for Disaster Management and Emergency
Response. <http://www.un-spider.org/sites/default/files/LDCM-
L8.R1.pdf>. [Consulta: 26 abril 2019].
9. Bastiaanssen, W.G.M., M. Menenti, R. Feddes and A. Holtslag. 1998. A
remote sensing surface energy balance algorithm for land (SEBAL). 1.
Formulation. J. Hydrol. 212-213: 198-212.
10. Bastiaanssen, W.G.M. 2000. SEBAL-based sensible and latent heat fluxes
in the irrigated Gediz Basin, Turkey. J. Hydrol. 229(1-2): 87-100.
11. Bastiaanssen, W.G.M., L. Chandrapala. 2003. Water balance variability
across Sri Lanka for assessing agricultural and environmental water
use. Agric. Water Manag. 58(2): 171-192.
12. Carlson, T.N., D.A. Ripley. 1997. On the relation between NDVI, fractional
vegetation cover and leaf área index. Remote Sens. Environ. 62(3): 241-
252.
13. Carrasco-Benavides, M., S. Ortega-Farías, L.O. Lagos, J. Kleissl, L.
Morales-Salinas and A. Kilic. 2014. Parameterization of the Satellite-

92
Based Model (METRIC) for the estimation of instantaneous surface
energy balance components over a drip-irrigated vineyard. Remote
Sens. 6(11): 11342-11371.
14. Chavez, J.L., C.M.U. Neale, J.H. Prueger and W.P. Kustas. 2008. Daily
evapotranspiration estimates from extrapolating instantaneous airborne
remote sensing ET values. Irrig. Sci. 27(1): 67-81.
15. Chen, W., M. D. Novak, T. A. Black and X. Lee. 1997. Coherent eddies and
temperature structure functions for three contrasting surfaces. Part I:
Ramp model with finite microfront time. Bound.-Layer Meteorol. 84(1):
99-124.
16. Choudhury, B., J. Monteith. 1988. A four-layer model for the heat budget of
homogeneous land surfaces. Q. J. Royal Meteorol. Soc. 114(480): 373-
398.
17. Espíldora, C., F. Brown, F. Cabrera y M. Isensee. 1975. Elementos de
Hidrología. Universidad de Chile. Centro de Recursos Hidráulicos.
Santiago, Chile.
18. Fonseca, D. 2015. Estimación de evapotranspiración espacialmente
distribuida mediante un enfoque GEOBIA. Tesis, Doctorado en
Ingeniería Agrícola con mención en Recursos Hídricos en la Agricultura.
Universidad de Concepción, Facultad de Ingeniería Agrícola. Chillan,
Chile.
19. González-Piqueras, J., J. Villodre, I. Campos, A. Calera y C. Balbontín.
2015. Seguimiento de los flujos de calor sensible y calor latente en vid

93
mediante la aplicación del balance de energía METRIC. Rev. Teledetec.
(43): 43-54.
20. Gutnam, G., A. Ignatov. 1998. The derivation of the green vegetation
fraction from NOAA/AVHRR data for use in numerical weather prediction
models. Int. J. Remote Sens. 19(8): 1533-1543.
21. Jiménez-Muñoz, J.C., J.A. Sobrino, A. Plaza, L. Guanter, J. Moreno and P.
Martinez. 2009. Comparison between fractional vegetation cover
retrievals from vegetation indices and spectral mixture analysis: case
study of PROBA/CHRIS data aver an agricultural area. Sensors 9(2):
768-793.
22. Jiménez-Muñoz, J.C., J.A. Sobrino, D. Skoković, C. Mattar and J. Cristóbal.
2014. Land surface temperature retrieval methods from Landsat-8
thermal infrared sensor data. IEEE Geosci. Remote Sens. Lett. 11(10):
1840-1843.
23. Jin, Y., R. He, G. Marino, M. Whiting, E. Kent, B.L. Sanden, M. Culumber,
L. Ferguson, C. Little, S. Grattan, K.T. Paw U, L.O. Lagos, R.L. Snyder
and D. Zaccaria. 2018. Spatially variable evapotranspiration over salt
affected pistachio orchards analyzed with satellite remote sensing
estimates. Agric. For. Meteorol. 262: 178-191.
24. Johnson, L.F., T.J. Trout. 2012. Satellite NDVI assisted monitoring of
vegetable crop evapotranspiration in California’s San Joaquin Valley.
Remote Sens. 4(2): 439-455.

94
25. Ke, Y., J. Im, S. Park and H. Gong. 2016. Downscaling of MODIS one
kilometer evapotranspiration using Landsat-8 data and machine
learning approaches. Remote Sens. 8(3): 215.
26. Lagos, L.O., D.L. Martin, S.B. Verma, A. Suyker and S. Irmak. 2009.
Surface energy balance model of transpiration from variable canopy
cover and evaporation from residue-covered or bare-soil systems. Irrig.
Sci. 28(1): 51-64.
27. Lagos, L.O., G. Merino, D. Martin, S. Verma and A. Suyker. 2012.
Evapotranspiration of Partially Vegetated Surfaces. pp: 273-304. In: A.
Irmak (Ed.). Evapotranspiration - Remote sensing and modeling,
InTech. Rijeka, Croatia.
28. Lagos, L.O., D.L. Martin, S.B. Verma, S. Irmak, A. Irmak, D. Eisenhauer
and A. Suyker. 2013. Surface energy balance model of transpiration
from variable canopy cover and evaporation from residue-covered or
bare soil systems: model evaluation. Irrig. Sci. 31(2): 135-150.
29. Liaqat, U.W., M. Choi. 2015. Surface energy fluxes in the Northeast Asia
ecosystem: SEBS and METRIC models using Landsat satellite images.
Agric. For. Meteorol. 214-215: 60-79.
30. Madugundu, R., K.A. Al-Gaadi, E. Tola, A.A. Hassaballa and V.C. Patil.
2017. Performance of the METRIC model in estimating
evapotranspiration fluxes over an irrigated field in Saudi Arabia using
Landsat-8 images. Hydrol. Earth Syst. Sci. 21(12): 6135-6151.

95
31. Marino, G., D. Zaccaria, R.L. Snyder, O. Lagos, B.D. Lampinen, L.
Ferguson, S.R. Grattan, C. Little, K. Shapiro, M.L. Maskey, D.L. Corwin,
E. Scudiero and B.L. Sanden. 2019. Actual evapotranspiration and tree
performance of mature micro-irrigated pistachio orchards grown on
saline-soodic soils in the San Joaquin Valley of California [en línea].
Agriculture 9(4): 76(Art. No.) <https://www.mdpi.com/2077-
0472/9/4/76>. [Consulta: 10 abril 2020].
32. Mutanga, O., L. Kumar. 2019. Google Earth Engine Applications. Remote
Sens. 11(5): 591.
33. Panda, R.K., S.K. Behera and P.S. Kashyap. 2003. Effective management
of irrigation water for wheat under stress conditions. Agric. Water
Manag. 63(1): 37-56.
34. Paw U, K.T., J. Qiu, H. Su, T. Watanabe and Y. Brunet. 1995. Surface
renewal analysis: a new method to obtain scalar fluxes. Agric. For.
Meteorol. 74(1-2): 119-137.
35. Raz-Yaseef, N., D. Yakir, G. Schiller and S. Cohen. 2012. Dynamics of
evapotranspiration partitioning in a semi-arid forest as affected by
temporal rainfall patterns. Agric. For. Meteorol. 157: 77-85.
36. Rosa, R., J. Tanny. 2015. Surface renewal and eddy covariance
measurements of sensible and latent heat fluxes of cotton during two
growing seasons. Biosyst. Eng. 136: 149-161.

96
37. Shuttleworth, J.W., J.S. Wallace. 1985. Evaporation from sparse crops-an
energy combination theory. Q. J. Royal Meteorol. Soc. 111(469): 839-
855.
38. Vallejos, J. 1972. Fórmula para estimar la transpiración potencial de los
cultivos. Memoria de título, Ingeniero Agrónomo. Universidad Católica
de Chile, Escuela de Agronomía. Santiago, Chile.
39. Van der Hurk, B.J.J.M., W.G.M. Bastiaanssen, H. Pelgrum and E. Van
Meijgaard. 1997. A new methodology for assimilation of initial soil
moisture fields in weather prediction models using METEOSAT and
NOAA data. J. Appl. Meteorol. Climatol. 36(9): 1271-1283.
40. Vermote, E., J.C. Roger, B. Franch and S. Skakun. 2018. LaSRC (Land
Surface Reflectance Code): Overview, application and validation using
MODIS, VIIRS, LANDSAT and Sentinel 2 data's [en línea]. IEEE
International Geoscience and Remote Sensing Symposium.
<https://ieeexplore.ieee.org/document/8517622>. [Consulta: 10 abril
2020].
41. Zhang, L., R. Lemeur. 1995. Evaluation of daily evapotranspiration
estimates from instantaneous measurements. Agric. For. Meteorol.
74(1-2): 139-154.
97
APÉNDICE
procesamiento del balance de energía superficial en Pullami (Avellano
Europeo).
ID Landsat Fecha Path/row Hora
LC08_L1TP_233085_20171219_20171224_01_T1 19-12-2017 233/085 14:34:40

LC08_L1TP_233085_20180120_20180206_01_T1 20-01-2018 233/085 14:34:29
LC08_L1TP_233085_20180205_20180221_01_T1 05-02-2018 233/085 14:34:20
LC08_L1TP_233085_20180221_20180308_01_T1 21-02-2018 233/085 14:34:14
LC08_L1TP_233085_20180901_20180912_01_T1 01-09-2018 233/085 14:34:02
LC08_L1TP_233085_20181003_20181010_01_T1 03-10-2018 233/085 14:34:14
LC08_L1TP_233085_20181104_20181115_01_T1 04-11-2018 233/085 14:34:24
LC08_L1TP_233085_20181120_20181129_01_T1 20-11-2018 233/085 14:34:25
LC08_L1TP_233085_20181206_20181211_01_T1 06-12-2018 233/085 14:34:22
LC08_L1TP_233085_20181222_20181227_01_T1 22-12-2018 233/085 14:34:21
LC08_L1TP_233085_20190123_20190205_01_T1 23-01-2019 233/085 14:34:16
LC08_L1TP_233085_20190224_20190308_01_T1 24-02-2019 233/085 14:34:11
LC08_L1TP_233085_20190312_20190325_01_T1 12-03-2019 233/085 14:34:05
Fuente: USGS. (https://earthexplorer.usgs.gov/)
procesamiento del balance de energía superficial en Larqui (Avellano
Europeo).
ID Landsat
Fecha Path/row Hora
LC08_L1TP_233085_20171117_20171122_01_T1 17-11-2017 233/085 14:34:43
LC08_L1TP_233086_20171117_20171122_01_T1 17-11-2017 233/086 14:35:06
LC08_L1TP_001085_20171124_20171206_01_T1 24-11-2017 001/085 14:40:50
LC08_L1TP_233085_20171203_20171207_01_T1 03-12-2017 233/085 14:34:37
LC08_L1TP_001085_20171210_20171223_01_T1 10-12-2017 001/085 14:40:48
LC08_L1TP_233085_20171219_20171224_01_T1 19-12-2017 233/085 14:34:40
98
LC08_L1TP_233086_20171219_20171224_01_T1 19-12-2017 233/086 14:35:04

LC08_L1TP_001085_20180111_20180119_01_T1 11-01-2018 001/085 14:40:44
LC08_L1TP_001085_20180127_20180207_01_T1 27-01-2018 001/085 14:40:35
LC08_L1TP_001085_20180212_20180222_01_T1 12-02-2018 001/085 14:40:29
LC08_L1TP_233085_20180221_20180308_01_T1 21-02-2018 233/085 14:34:14
LC08_L1TP_233086_20180221_20180308_01_T1 21-02-2018 233/086 14:34:38
LC08_L1TP_001085_20180228_20180308_01_T1 28-02-2018 001/085 14:40:22
LC08_L1TP_001085_20180316_20180402_01_T1 16-03-2018 001/085 14:40:12
LC08_L1TP_233086_20180325_20180404_01_T1 25-03-2018 233/086 14:34:22
LC08_L1TP_001085_20180908_20180912_01_T1 08-09-2018 001/085 14:40:15
LC08_L1TP_001085_20181026_20181115_01_T1 26-10-2018 001/085 14:40:33
LC08_L1TP_233085_20181120_20181129_01_T1 20-11-2018 233/085 14:34:25
LC08_L1TP_233086_20181120_20181129_01_T1 20-11-2018 233/086 14:34:49
LC08_L1TP_001085_20181127_20181211_01_T1 27-11-2018 001/085 14:40:35
LC08_L1TP_233085_20181206_20181211_01_T1 06-12-2018 233/085 14:34:22
LC08_L1TP_233086_20181206_20181211_01_T1 06-12-2018 233/086 14:34:46
LC08_L1TP_233085_20181222_20181227_01_T1 22-12-2018 233/085 14:34:21
LC08_L1TP_233086_20181222_20181227_01_T1 22-12-2018 233/086 14:34:45
LC08_L1TP_001085_20190114_20190131_01_T1 14-01-2019 001/085 14:40:30
LC08_L1TP_233085_20190123_20190205_01_T1 23-01-2019 233/085 14:34:16
LC08_L1TP_233086_20190123_20190205_01_T1 23-01-2019 233/086 14:34:40
LC08_L1TP_001085_20190130_20190206_01_T1 30-01-2019 001/085 14:40:26
LC08_L1TP_233085_20190208_20190221_01_T1 08-02-2019 233/085 14:34:14
LC08_L1TP_001085_20190215_20190222_01_T1 15-02-2019 001/085 14:40:24
LC08_L1TP_233085_20190224_20190308_01_T1 24-02-2019 233/085 14:34:11
LC08_L1TP_233086_20190224_20190309_01_T1 24-02-2019 233/086 14:34:35
LC08_L1TP_233085_20190312_20190325_01_T1 12-03-2019 233/085 14:34:05
LC08_L1TP_233086_20190312_20190325_01_T1 12-03-2019 233/086 14:34:29
LC08_L1TP_001085_20190319_20190325_01_T1 19-03-2019 001/085 14:40:14
LC08_L1TP_233086_20191107_20191115_01_T1 07-11-2019 233/086 14:35:15
LC08_L1TP_001085_20191114_20191202_01_T1 14-11-2019 001/085 14:41:00
LC08_L1TP_233085_20191209_20191217_01_T1 09-12-2019 233/085 14:34:47
LC08_L1TP_233086_20191209_20191217_01_T1 09-12-2019 233/086 14:35:11
LC08_L1TP_001085_20191216_20201022_01_T1 16-12-2019 001/085 14:40:57
LC08_L1TP_233085_20191225_20200110_01_T1 25-12-2019 233/085 14:34:44
LC08_L1TP_233086_20191225_20200110_01_T1 25-12-2019 233/086 14:35:08
LC08_L1TP_001085_20200101_20200113_01_T1 01-01-2020 001/085 14:40:52
LC08_L1TP_233085_20200110_20200114_01_T1 10-01-2020 233/085 14:34:40
LC08_L1TP_233086_20200110_20200114_01_T1 10-01-2020 233/086 14:35:04
LC08_L1TP_001085_20200117_20200128_01_T1 17-01-2020 001/085 14:40:49
LC08_L1TP_233085_20200126_20200210_01_T1 26-01-2020 233/085 14:34:36
99
LC08_L1TP_001085_20200202_20200211_01_T1 02-02-2020 001/085 14:40:44

procesamiento del balance de energía superficial en Vicuña (Uva de mesa).
ID Landsat Fecha Path/row Hora
LC08_L1TP_233081_20191006_20191018_01_T1 06-10-2019 233/081 14:33:15

LC08_L1TP_001081_20191029_20191114_01_T1 29-10-2019 001/081 14:39:27
LC08_L1TP_233081_20191107_20191115_01_T1 07-11-2019 233/081 14:33:15
LC08_L1TP_001081_20191114_20191202_01_T1 14-11-2019 001/081 14:39:24
LC08_L1TP_233081_20191123_20191203_01_T1 23-11-2019 233/081 14:33:12
LC08_L1TP_001081_20191130_20191216_01_T1 30-11-2019 001/081 14:39:23
LC08_L1TP_233081_20191209_20191217_01_T1 09-12-2019 233/081 14:33:11
LC08_L1TP_233081_20200211_20200225_01_T1 11-02-2020 233/081 14:32:55
LC08_L1TP_001081_20200218_20200225_01_T1 18-02-2020 001/081 14:39:05
LC08_L1TP_233081_20200227_20200313_01_T1 27-02-2020 233/081 14:32:51
procesamiento del balance de energía superficial en Flores (Pistacho).
ID Landsat
Fecha Path/row Hora
LC08_L1TP_043035_20180423_20180502_01_T1 23-04-2018 043/035 18:39:32
LC08_L1TP_042035_20180502_20180516_01_T1 02-05-2018 042/035 18:33:16
LC08_L1TP_043035_20180509_20180517_01_T1 09-05-2018 043/035 18:39:23
LC08_L1TP_042035_20180518_20180604_01_T1 18-05-2018 042/035 18:33:05
LC08_L1TP_042035_20180603_20180615_01_T1 03-06-2018 042/035 18:32:54
LC08_L1TP_043035_20180610_20180615_01_T1 10-06-2018 043/035 18:39:08
LC08_L1TP_042035_20180619_20180703_01_T1 19-06-2018 042/035 18:33:03
LC08_L1TP_043035_20180626_20180704_01_T1 26-06-2018 043/035 18:39:19
LC08_L1TP_042035_20180705_20180717_01_T1 05-07-2018 042/035 18:33:13
LC08_L1TP_043035_20180712_20180717_01_T1 12-07-2018 043/035 18:39:27
LC08_L1TP_043035_20180728_20180813_01_T1 28-07-2018 043/035 18:39:33
LC08_L1TP_042035_20180806_20180815_01_T1 06-08-2018 042/035 18:33:28
100
LC08_L1TP_043035_20180813_20180828_01_T1 13-08-2018 043/035 18:39:43

LC08_L1TP_042035_20180822_20180829_01_T1 22-08-2018 042/035 18:33:36
LC08_L1TP_043035_20180829_20180911_01_T1 29-08-2018 043/035 18:39:50
LC08_L1TP_042035_20180907_20180912_01_T1 07-09-2018 042/035 18:33:42
LC08_L1TP_043035_20180914_20180928_01_T1 14-09-2018 043/035 18:39:55
LC08_L1TP_042035_20180923_20180929_01_T1 23-09-2018 042/035 18:33:47
LC08_L1TP_043035_20180930_20181010_01_T1 30-09-2018 043/035 18:40:02
LC08_L1TP_042035_20181009_20181029_01_T1 09-10-2018 042/035 18:33:55
LC08_L1TP_043035_20181016_20181030_01_T1 16-10-2018 043/035 18:40:09
LC08_L1TP_042035_20181025_20181114_01_T1 25-10-2018 042/035 18:34:01
procesamiento del balance de energía superficial en Ivanhoe (Cítrico).
ID Landsat
Fecha Path/row Hora
LC08_L1TP_042035_20190622_20190704_01_T1 22-06-2019 042/035 18:33:59
LC08_L1TP_042035_20190708_20190719_01_T1 08-07-2019 042/035 18:34:03
LC08_L1TP_042035_20190724_20190801_01_T1 24-07-2019 042/035 18:34:07
LC08_L1TP_042035_20190809_20190820_01_T1 09-08-2019 042/035 18:34:13
LC08_L1TP_042035_20190825_20190903_01_T1 25-08-2019 042/035 18:34:18
LC08_L1TP_042035_20190910_20190917_01_T1 10-09-2019 042/035 18:34:22
LC08_L1TP_042035_20190926_20191017_01_T1 26-09-2019 042/035 18:34:27
procesamiento del balance de energía superficial en Nichols (Pistacho).
ID Landsat
Fecha Path/row Hora
LC08_L1TP_042035_20170429_20170515_01_T1 29-04-2017 042/035 18:33:25
LC08_L1TP_042035_20170616_20170629_01_T1 16-06-2017 042/035 18:33:50
LC08_L1TP_042035_20170702_20170715_01_T1 02-07-2017 042/035 18:33:54
LC08_L1TP_042035_20170718_20170728_01_T1 18-07-2017 042/035 18:33:58
LC08_L1TP_042035_20170819_20170826_01_T1 19-08-2017 042/035 18:34:11
LC08_L1TP_042035_20170920_20171012_01_T1 20-09-2017 042/035 18:34:17
101
LC08_L1TP_042035_20171006_20171023_01_T1 06-10-2017 042/035 18:34:23

procesamiento del balance de energía superficial en Nichols HES (Pistacho).
ID Landsat
Fecha Path/row Hora
LC08_L1TP_042035_20170429_20170515_01_T1 29-04-2017 042/035 18:33:25
LC08_L1TP_042035_20170515_20170525_01_T1 15-05-2017 042/035 18:33:33
LC08_L1TP_042035_20170616_20170629_01_T1 16-06-2017 042/035 18:33:50
LC08_L1TP_042035_20170702_20170715_01_T1 02-07-2017 042/035 18:33:54
LC08_L1TP_042035_20170718_20170728_01_T1 18-07-2017 042/035 18:33:58
LC08_L1TP_042035_20170819_20170826_01_T1 19-08-2017 042/035 18:34:11
LC08_L1TP_042035_20170920_20171012_01_T1 20-09-2017 042/035 18:34:17
LC08_L1TP_042035_20171006_20171023_01_T1 06-10-2017 042/035 18:34:23
LC08_L1TP_042035_20180502_20180516_01_T1 02-05-2018 042/035 18:33:16
LC08_L1TP_042035_20180518_20180604_01_T1 18-05-2018 042/035 18:33:05
LC08_L1TP_042035_20180603_20180615_01_T1 03-06-2018 042/035 18:32:54
LC08_L1TP_042035_20180619_20180703_01_T1 19-06-2018 042/035 18:33:03
LC08_L1TP_042035_20180705_20180717_01_T1 05-07-2018 042/035 18:33:13
LC08_L1TP_042035_20180721_20180731_01_T1 21-07-2018 042/035 18:33:20
LC08_L1TP_042035_20180806_20180815_01_T1 06-08-2018 042/035 18:33:28
LC08_L1TP_042035_20180822_20180829_01_T1 22-08-2018 042/035 18:33:36
LC08_L1TP_042035_20180907_20180912_01_T1 07-09-2018 042/035 18:33:42
LC08_L1TP_042035_20180923_20180929_01_T1 23-09-2018 042/035 18:33:47
LC08_L1TP_042035_20181009_20181029_01_T1 09-10-2018 042/035 18:33:55
LC08_L1TP_042035_20181025_20181114_01_T1 25-10-2018 042/035 18:34:01
LC08_L1TP_042035_20181110_20181127_01_T1 10-11-2018 042/035 18:34:03
LC08_L1TP_042035_20181126_20181210_01_T1 26-11-2018 042/035 18:34:03
LC08_L1TP_042035_20181212_20181226_01_T1 12-12-2018 042/035 18:33:59

Tesis Lorenzo Cigarra

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tesis Lorenzo Cigarra

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD DE CONCEPCIÓN

FACULTAD DE INGENIERÍA AGRÍCOLA

ESTIMACIÓN DE LA EVAPOTRANSPIRACIÓN INSTANTÁNEA EN

FRUTALES MEDIANTE EL MODELO SEB-PV CON IMÁGENES AÉREAS Y

DE SATÉLITE EN CHILE Y CALIFORNIA

LORENZO ESTEBAN CIGARRA GUÍÑEZ

PROYECTO DE TÍTULO PRESENTADO A LA

ESTIMACIÓN DE LA EVAPOTRANSPIRACIÓN INSTANTÁNEA EN

FRUTALES MEDIANTE EL MODELO SEB-PV CON IMÁGENES AÉREAS Y

DE SATÉLITE EN CHILE Y CALIFORNIA

L. Octavio Lagos Roa

Camilo Souto Escalona

Andrés Pérez Barriga

Nicole Uslar Valle

María Eugenia González Rodríguez

Primero agradecer a mi profesor guía, Dr. Octavio Lagos, que me enseñó el

camino de la investigación, y que me sigue apoyando en esta nueva etapa de

mi vida. A mis académicos que siempre me enseñaron sus valores y

competencias, lo responsable de mi profesora Dra. Nicole Uslar, lo madrugador

de mi profesor Dr. Jerónimo Paredes, lo práctico de mi profesor Dr. José

Al profesor Dr. Diego Rivera que confió en mis capacidades y me enseñó

conocimientos transversales con una perspectiva diferente de las cosas.

A Pauly, Alejandra y Eugenia por su apoyo incondicional a lo largo de mi

A Daniele Zaccaria de UC Davis por facilitarme los datos de estaciones en

Al centro de recursos hídricos para la agricultura y la minería – CRHIAM,

Tabla 1. Ubicación de las estaciones en los sitios de estudio.

Tabla 11. Resultados estadísticos para cada flujo SEB en Flores.

Tabla 18. Resultados estadísticos para cada flujo SEB en Cítrico.

Tabla A5. Imágenes de satélite Landsat 8 seleccionadas para el

Figura 17. Flujos SEB estimados v/s flujos SEB medidos en

ESTIMACIÓN DE LA EVAPOTRANSPIRACIÓN INSTANTÁNEA EN

FRUTALES MEDIANTE EL MODELO SEB-PV CON IMÁGENES AÉREAS

Y DE SATÉLITE EN CHILE Y CALIFORNIA

INSTANTANEOUS EVAPOTRANSPIRATION ESTIMATION IN FRUIT

Palabras claves: Evapotranspiración, SEB-PV, Google Earth Engine,

El objetivo de este trabajo fue aplicar el modelo de balance de energía

superficial SEB-PV en siete huertos de frutales ubicados en Chile y California,

USA, con 133 imágenes multiespectrales, aéreas y de satélite. El modelo fue

evaluado bajo coberturas de Pistacho, Avellano Europeo, Uva de mesa y

Cítricos. La metodología para evaluar el modelo SEB-PV consistió en analizar

temporadas 2017-2018, 2018-2019, y 2019-2020 en los sitios de estudio.

Además, para la temporada 2017 se utilizaron imágenes tomadas por un avión

(resolución de 2,9 cm pixel-1) en un sitio de Pistacho, California, USA. Las

imágenes fueron analizadas mediante el uso del lenguaje de programación R

en el entorno de programación RStudio, y JavaScript en la API Google Earth

error cuadrático medio (RMSE), diferencia relativa (RD) y el coeficiente de

Nash-Sutcliffe (NS), determinó que el modelo SEB-PV estima los

componentes del balance de energía superficial con indicadores estadísticos

RMSE de 67,02 W m-2, RD de 22,09% y coeficiente de NS de 0,91. Finalmente,

se encontró una mejor estimación de ET en Avellano Europeo y Cítrico, con

RD de 18,17% y 22,60%, seguido de Pistacho y Uva de mesa, con RD de

27,08% y 35,21%, respectivamente.

INSTANTANEOUS EVAPOTRANSPIRATION ESTIMATION IN FRUIT

ORCHARDS THROUGH THE SEB-PV MODEL WITH AIRBORNE AND

SATELLITE IMAGERY IN CHILE AND CALIFORNIA

Keywords: Evapotranspiration, Google Earth Engine, SEB-PV, Landsat 8,

hundred thirty-three multispectral images from satellite and airborne platforms

were used. One hundred twenty-seven Landsat 8 Satellite images with a

spatial resolution of 30 m were analyzed during the 2017-2018, 2018-2019 and

programming language in the RStudio programming environment, and

RD of 22.09% and Nash-Sutcliffe coefficient of 0,91. Better estimates of ET

were found on Hazelnut and Citrus orchards, with RD of 18.17% y 22.60%,

followed by Pistachio and Table Grape with RD of 27.08% y 35.21%,