El mapeo del consumo de agua y de sequías con la ...
Transcript of El mapeo del consumo de agua y de sequías con la ...
El mapeo del consumode agua y de sequías
con la percepciónremota satelital
Martha C. Anderson, Bill Kustas, Feng Gao, Yun Yang, Yang Yang, Liang SunUSDA-Servicio de investigación agrícolaLaboratorio de hidrología y percepción remotaBeltsville, MD, EE UU
Christopher Hain, Li Fang, Mitch SchullCentro interdisciplinario de ciencias de sistemas terrestres, Universidad de Maryland, NOAA-NESDIS-STAR
Xiwu ZhanNOAA-NESDIS-STAR
Jason OtkinUniversidad de Wisconsin
Thomas HolmesNASA-GSFC
Mét
odos
de
map
eod
e la
ET
Evaporación del suelo
Absorciónde raízes
Infiltración
drenaje
PRECIPITACIÓN
transpiración yevaporación
Humedad en lazona de raíces
Humedad Sfc
Paráms. de suelo hidráulicos
Parámetros de estrésvegetativo
Parámetros de evap de suelo desnudo
Soil moistureholding capacity
Paráms. de distribuciónde raíces Tomando en cuenta las fuentes de
energía radiativa de las que sabemos, ¿cuánta pérdida de agua es necesariapara mantener el suelo y la vegetación a las temperaturas observadas?
escorrentía
MÉTODO DE EQUILIBRIO HIDROLÓGICO(modelado de pronósticos)
TEMPERATURA SUPERFICIAL
TSuelo
Tsuelo & Tveg
transpiración yevaporación
evaporación del suelo
Tveg
MÉTODO DE EQUILIBRIO ENÉRGICO(modelado diagnóstico)
ARSET Remote Sensing Training Program
ALE
XI: s
istem
ad
e m
odel
ado
de
ET
regi
onal
Escala regionalDTRAD - GeostationarioTa - Modelo ABL
Temp superfic. :Temp. aire:
TRAD (φ), fcTRAD (φ), fc
Rsoil
TcTac
Hs
Ts
Ra H = Hc + Hs
Rx
Hc
Ta
ABL
Ta
ALEXI DisALEXI5 km
30 m
Two-
Sou
rce
Mod
el
TRAD,i(φi), fc,i
i
Ra,i
Blending height
Energy balance:ET = (RNET - G) - H
T
E
(Atmosphere-Land Exchange Inverse model)Modelo inverso del intercambio atmósfera-tierra
a
z
qH1 H2
t1
t2òH(t)dt
zblend
TA1 TRAD1 TA2 TRAD2
Altitud decombinaciónCierre ABL
ARSET Remote Sensing Training Program
Mod
elo
de d
os f
uent
es
Com
paris
on o
f ET
appr
oach
es
% de irrigación
Profundidad hasta la cepa freática
(m)
(Verde indica que ET de equilibrioenérgico es perseistenemente más
húmeda de lo que se esperabasado en el equilibrio
hidrológico local)
COMPARACIÓN deET de modelos de
equilibrio enérgico y hidrológico
(ALEXI vs. Noah)
Hain, et al. (2014)
Las diferencias estánrelacionadas
principalmente con:
(así también como la densidad de masas de agua
en subpixel)
ARSET Remote Sensing Training Program
FUSIÓN DE DATOS:
ET diaria enescala de
cultivos
Polar
(Landsat)
Airborne
(USU
aircraft)
Watershed(60m
)Fieldscale
(30m)
TEMPERATURASUPERFICIAL EVAPOTRANSPIRACIÓN
GEO
(GOE
SImager) Regional
(5km)
GEO
(GOE
SSounder) Continental
(10km)
Temperature(C)
Polar
(MOD
IS) Basin(1km
)
LatentHeat(Wm
-2)
GEO
(ISCC
P)
Global(25km
)
1julio 2002– 10:30AMLST
cornsoy
Horaria
Diaria
1 LS – 16 días2 LS – 8 días
ARSET Remote Sensing Training Program
FUSIÓN GOES/MODIS/LandsatG
OE
S(A
LEXI
)M
OD
IS(D
isAL
EXI)
LAN
DS
AT
(Dis
ALEX
I)
DOY 328 329 330 331 332 333 334 335 336
Landsat 5 Landsat 7
(Gao et al, 2006)Spatial Temporal Adaptive Reflectance Fusion Model*
(STARFM)
Evapotranspiración diaria– Orlando, Florida EEUU, 2002
ARSET Remote Sensing Training Program
*Modelo defusión dereflectancia espacial temporaladaptiva
Eval
uacó
ond
e flu
josd
e ET
fund
idos
SMEX02Soil Moisture Experiment 2002(Experimento de humedad del suelo)Ames, IowaMaíz y soya de secano
BEAREX08Bushland ET and Remote sensing Experiment 2008(Experimento de ET y percepción remota de Bushland)Bushland, TexasAlgodón de secano e irrigado
MEADSitio de Ameriflux (S. Verma)Mead, NebraskaMaíz y soya de secano e irrigados
4 km
SMEX02
ARSET Remote Sensing Training Program
Rend
imie
nto
de
mod
elos
enfe
chas
de
Land
sat
SMEX02 BEAREX08 MEAD
1.08 MJ m-2 d-1
8%MAE*:
RE**:1.3 MJ m-2 d-1
10%1.3 MJ m-2 d-1
11%
ARSET Remote Sensing Training Program
*Meanabsoluteerror=Errorabsoluto medio**Relativeerror=errorrelativo
Val
idac
ión
usan
do
dat
osd
e to
rresd
e flu
jo
0
50
100
150
200
250
300
150 160 170 180 190 200 210 220 230 240
Cum
ulat
ive
ET (m
m)
Day of Year
0
2
4
6
8
10
150 160 170 180 190 200 210 220 230 240
Daily
ET (
mm
per
day
)
Day of YearET de referenciaET obbservadaRecuperaciones de LandsatSolo LandsatFusión Landsat-MODIS
0
2
4
6
8
10
150 165 180 195 210 225 240
Daily
ET (
mm
per
day
)
Day of Year
Lluvia
Soya de secano – SMEX02 (Iowa)
ARSET Remote Sensing Training Program
Díadelaño
ETacumulativa(m
m)
ETdiaria
(mmpor
día)
Con
sum
od
e ag
ua-C
ultiv
osd
e se
cano
vs. c
ultiv
osirr
igad
os Bushland, Tejas Mead, NebraskaAlgodón no irrigado
Algodón IrrigadoMaíz irrigado
Maíz no irrigado
ARSET Remote Sensing Training Program
Viñedos Gallo; Lodi, California
Landsat 8 - 2013Din
ámic
ad
el c
onsu
mo
de
agua
envi
ñed
os
ARSET Remote Sensing Training Program
… Estrés e impactos en los cultivosMONITOREO DE SEQUÍAS
Ind
icad
ord
e se
quía
sde
ET sa
telit
al
ARSET Remote Sensing Training Program
Índice deestrés evaporativo 4kmCompuesto de3meses terminando el28dejulio de2012
Anomalías ET/PETestandartizadas
ESI- Metodología
ALEXI ESI representa anomalías en el ratio de ET real a ET potencial.
• ESI no requiere datos de precipitación, el estado actual de la humedadsuperficial es deducida directamente de la temperatura superficial terrestre(LST) remotamente percibida, por lo tanto, puede que sea más robusto enregiones con un monitoreo in situ de la precipitación.
• Las indicaciones de estrés en la vegetación se manifiestan en la señal de la LST antes de que ocurra cualquier deterioro del manto vegetal, como porejemplo, así como se indica en el NDVI, así que los índices basados en el TIR tales como ESI pueden brindar una señal de alerta temprana efectiva de alguna sequía agricultural próxima.
• ALEXI ESI inherentemente incluye señales de humedad no relacionada con la precipitación (tales como la irrigación, aguas subterráneas enraizadas enla vegetación, flujos laterales) que necesitan ser modeladas a priori enesquemas de pronósticos de modelos superficiales terrestres (LSM por sussiglas en inglés).
ARSET Remote Sensing Training Program
DevelopmentofaMulti-ScaleRemote-SensingBasedFrameworkforMappingDroughtoverNorthAmericaChristopherHain(U.ofMaryland)Las sequías repentinas son eventos de rápida aparición típicamente impulsadas por déficits de
precipitación, anomalías de altas temperaturas y a menudo, vientos fuertes. ESI tiene el potencial de brindar un componente de alerta temprana durante tales eventos, pues se puededetectar el estrés hidrológico en la señal de la temperatura superficial terrestre antes de que ocurra cualquier deterioro en la salud de la vegetación.
• Grandes valores negativos del RCI en la primera fila indican
que el estrés de humedadestaba incrementando
rápidamente a principios del verano.
• La impresionante extensión de la merma inusualmente rápida
en las anomalías de ESI esclaramente indicada por la gran área de valores del RCI
negativos
• La aprición inicial de valoresnegativos del RCI anticiparon
la introducción de sequíasevera en el USDM por más de
4 semanas
Sequía repentina deEEUUCentralde2012
ARSET Remote Sensing Training Program
Desarrollo de una esquema multi-escala a base de la percepción remota para el monitoreo de sequías sobre Norteamérica
C. Hain (UMD), M. Anderson (USDA), X. Zhan (NOAA), M. Svoboda (NDMC), B. Wardlow (NDMC), F. Gao (USDA)
Hito:•Para tratar con la necesidad de herramientas de monitoreo de sequías a base de la percepciónremota adicionales cubriendo Norteamérica, el dominio actual de ESI ha sido expandido para incluir a Canadá, México y Centroamérica.
Relevancia a las ciencias aplicadas de datosde ciencias terrestres (ESD por sus siglas en inglés):• Acceso y disponibilidad de información de sequíasque requiera alguna acción -- ALEXI ESI ofreceinformación espacial de alta resolución sobresequías que es independiente de muchos de losindicadores de sequía más comunmente usadosque dependen de una especificación exacta de la precipitación como insumos• Pronóstico, asesoramiento, adaptación y and mitigación de sequías en apoyo a la seguridadalimentaria y la conservación de recursos naturales -- ALEXI ESI puede brindar información a usuariosque puede ayudar con el proceso de toma de decisiones de mitigación de sequías, estimación de rendimientos, salud de las plantas y consumo de agua (especialmente en el sector agrícola).
ARSET Remote Sensing Training Program
ESI(JFM)
ESI(JFM)
Anom
.derend
im.
Anom
al.derend
im.
2003 2004 2005 2006 2007
2008 2009 2010 2011 2012
ESI(s)Anom
.derendim.(kg/ha)
ANOMALÍASDERENDIMIENTOANUALDESOYAANIVELMUNICIPAL
ARSET Remote Sensing Training Program
Estim
ació
nd
e re
ndim
ient
osen
Túne
z2001 2002 2003 2004 2005 2006 2007
2008 2009 2010 2011 2012 2013
ESI
Ano
mal
. de
rend
im.--
trigo
ESI
ARSET Remote Sensing Training Program
Ano
mal
. de
rend
im.--
trigo
GOES- Índice de estrés evaporativo JUNE 2002
565000 570000 575000 580000 585000 590000
3490000
3495000
3500000
3505000
3510000
3515000
565000 570000 575000 580000 585000 590000
3490000
3495000
3500000
3505000
3510000
3515000
Sequ
ías/
est
réss
obre
losc
ultiv
os
ARSET Remote Sensing Training Program
Una mirada hacia el futuro…..
ARSET Remote Sensing Training Program
Suplementando las capacidades de ALEXI con sensores de órbita polar
Hora del día
Tem
pera
tura
supe
rfici
al te
rrest
re(L
ST)
Local NoonSunrise
Subida matutina de LST : Observación de ALEXI
VIIRS- LST nocturna
VIIRS- LST diurna
Una técnica que ha sido desarrollada y evaluada usando datos de GOES para entrenar un modelode regresión a usar las diferencias de LST diurnal/nocturna del MODIS para predecir el aumentomatutino de la LST que ALEXI requiere.
ARSET Remote Sensing Training Program
Suplementando las capacidades de ALEXI con sensores de órbita polar
ESI Global de 5-km actual– 1ro de septiembre de 2016
ARSET Remote Sensing Training Program
Sist
ema
acop
lad
oA
LEXI
term
al/M
WLa sinergía entre las obeservaciones de termal infrarroja (TIR) y de microondas (MW) está siendo explotada más allá por el desarrollo de observaciones de temperatura superficial minima (LST) de las observaciones de microondas(banda Ka).
La integración de la LST de microondas en un sistema acoplado ALEXI TIR/MW permitirá la recuperación de flujos superficiales bajo nubes(donde no son posibles las recuperaciones exclusivas por TIR).
Esta capacidad llena un vacío significativo en un Sistema de TIR exclusivamente sobre regiones ecuatoriales tropicales donde las recuperaciones bajo un cielo despejado son posibles quizá entre una y tres veces al mes, particularmente durante la época de lluvia.
ARSET Remote Sensing Training Program
Evapotranspiración acumulativa (mm) – JAS 2004
ARSET Remote Sensing Training Program
Lapresencia delasnubes causanvalores deETbajosen eltrópico.ElMWseve másconsistente.
subestima laETsobre lasmontañasEtíopes.ElMWsevemás realista.
Anál
isisde
ano
mal
íasc
on M
W-A
LEXI
ES
I-int
érva
lod
e 12
sem
anas
de
mov
imie
nto
June7th,2011
ARSET Remote Sensing Training Program
Evapotranspiración basada en la LSTPor medio de su diagnosis captura fuentes/fugas de humedad no relacionadas con la precipitación(irrigación, aguas subterráneas pandas, desagüe)
Capacidad de mapear en escalas de globales hasta sub-parcela usando fusión de datos basados en el TIR
Puede combinarse con datos de la humedad del suelo y la precipitación remotamente percibidos para interpretar cambios en otros variables hidrológicos
Con
clus
ione
s
ALEXI: Christopher Hain ([email protected])Martha Anderson ([email protected])
Página en línea: http://hrsl.ba.ars.usda.gov/drought/http://www.ospo.noaa.gov/Products/land/getd/
Con
clus
ione
s
USDA es un provedor y empleador con igualdad de oportunidad.
Evapotranspiración basada en la LST
Por medio de su diagnosis captura fuentes/fugas de humedad no relacionadas con la precipitación(irrigación, aguas subterráneas pandas, desagüe)
Capacidad de mapear en escalas de globales hasta sub-parcela usando fusión de datos basados en el TIR
Puede combinarse con datos de la humedad del suelo y la precipitación remotamente percibidos para interpretar cambios en otros variables hidrológicos