Este sitio web utiliza cookies propias y de terceros para mantener la sesión y obtener datos estadísticos de navegación de los usuarios. Para más información vea la Política de cookies.
Este sitio web utiliza cookies propias y de terceros para mantener la sesión, ofrecerle una mejor experiencia de usuario y obtener datos estadísticos de navegación de los usuarios. Para más información sobre cómo configurar las cookies, vea nuestra Política de cookies.
Al pulsar el botón "Aceptar selección" se están aceptando las cookies seleccionadas, además de las cookies técnicas que permiten un correcto funcionamiento del sitio web. Al pulsar el botón "Rechazar todas" se están rechazando todas las cookies, excepto las cookies técnicas que permiten un correcto funcionamiento del sitio web.
En una entrada reciente hemos hablado del proyecto Sen-ET, enfocado en el cálculo de la evapotranspiración (ET) a partir de imágenes Sentinel.
La metodología desarrollada en Sen-ET se ha implementado como un plugin de código abierto en Python para SNAP y se encuentra disponible para su descarga en este enlace, donde también se puede descargar el manual de usuario, muy importante para instalar y ejecutar correctamente cada uno de los operadores necesarios para llegar al producto ET final.
Una vez descargado y descomprimido, su instalación es bastante sencilla y consiste en abrir SNAP y, en el menú principal, seleccionar Tools > Plugins > Downloaded > Add plugins. Desde ahí, se seleccionan e instalan los 13 ficheros .nmb, uno por cada operador de Sen-ET. A partir de ese momento, la nueva herramienta aparecerá bajo el menú: Optical > Thematic Land Processing > SEN-ET. Es importante tener en cuenta los requisitos y recomendaciones de instalación, que no son pocos. Entre ellos destacan los 20 GB de RAM necesarios para obtener la ET de una escena Sentinel-2 completa, así como que SNAP esté configurado para su uso con Python 3.6 (cualquier otra versión de Python no será válida para el funcionamiento del plugin).
La herramienta utiliza como entradas principales imágenes de los sensores Sentinel-2 MSI y Sentinel-3 SLSTR de la zona de estudio y datos meteorológicos de reanálisis. Además, se apoya en un mapa de usos del suelo y en un Modelo Digital del Terreno (MDT).
El producto Sentinel-3 utilizado (LST) proporciona la temperatura de la superficie con un tamaño de píxel de 1 km y sirve para establecer el límite inferior del modelo de energía de la superficie. Esta imagen de temperatura sufre un proceso de sharpening para conseguir un tamaño de píxel de 20 metros, para lo cual se emplea la escena Sentinel-2. Ambos productos deben ser adquiridos en un rango de fechas no superior a 10 días, aunque se recomienda minimizar al máximo esa diferencia para evitar posibles cambios en las propiedades de las cubiertas y las condiciones de humedad. La escena Sentinel-2 se emplea, además, para caracterizar el estado biofísico de la superficie.
La información meteorológica se toma de datos ECMWF ERA5 de reanálisis disponibles en el Climate Data Store (CDS) de Copernicus, o bien de fuentes externas pero, en este último caso, fuera del flujo automático.
El mapa de usos del suelo se utiliza para establecer algunos parámetros que son difíciles de extraer a partir de imágenes ópticas, como por ejemplo la altura de la vegetación. Esto se consigue a partir de look-up tables que contienen los valores de estos parámetros para cada clase. El mapa empleado por Sen-ET es el ESA CCI-LC. Por último, el MDT SRTM es empleado para ajustar la temperatura del aire a la altura correcta y para el proceso de sharpening de la LST.
La temperatura de la superficie se ajusta a partir del entrenamiento de un modelo de regresión multivariante o matching-learning en el que entran como variable dependiente la LST y como predictores 3 conjuntos de datos remuestreados a la resolución del producto LST (1 km): la escena Sentinel-2, el MDT STRM y los ángulos solares derivados del MDT (ver figura, tomada del USER MANUAL FOR SEN-ET SNAP PLUGIN V1.1.0). Los modelos son entrenados en toda la escena Sentinel-2 así como en ventanas móviles de 30x30 píxeles de Sentinel-3. Una vez entrenados, se calcula el sesgo entre ambos conjuntos de entrenamiento y sus resultados se combinan para generar una LST0 de mayor resolución. Esta LST0 resultante de la predicción es corregida con respecto a la LST original, añadiendo un offset a todos los píxeles de 20 metros que caen en un píxel de la imagen original (1 km). Finalmente se obtiene una LST con un tamaño de píxel de 20 metros.
En una entrada próxima veremos cómo toda esta información permite obtener un producto ET.