Resumen de Mejoras en la modelización de la temperatura del aire mediante el uso de la teledetección y de los sistemas de información geográfica

Jordi Cristóbal Rosselló, Miquel Ninyerola i Casals, Xavier Pons , M. Pla Montferrer

• español

  La temperatura del aire es un descriptor primario de las condiciones medioambientales terrestres y está implicada en muchos procesos ambientales tales como la evapotranspiración real y potencial, la radiación neta o la distribución de especies. Aunque las estaciones meteorológicas proporcionan datos puntuales de temperatura del aire, en muchos casos (especialmente para áreas extensas y heterogéneas) es necesario disponer de una superficie continua. En este artículo se presenta una metodología híbrida entre la Teledetección y los Sistemas de Información Geográfica para la obtención de superficies continuas de temperatura (mínima, media y máxima) con una resolución temporal diaria, mensual y anual para el periodo 2000- 2005. Las superficies se han desarrollado para el ámbito geográfico de Cataluña utilizando un análisis de regresión múltiple combinado con técnicas de interpolación espacial. Para realizar el análisis de regresión múltiple se han utilizado como predictores un conjunto de variables multiresolución obtenidas mediante técnicas de Teledetección (albedo, temperatura de la superficie terrestre, temperatura aparente de brillo y NDVI) a partir de los satélites Landsat-5 TM, Landsat-7 ETM +, NOAA AVHRR y TERRA MODIS. Estos predictores se han combinado con un conjunto de variables geográficas (altitud, latitud, continentalidad y radiación solar global). La selección de los mejores modelos (best subsets) se ha llevado a cabo mediante la CP de Mallow que permite escoger el conjunto de predictores que mejor modelizan la temperatura del aire minimizando los efectos provocados por el hecho de que existen modelos con distinto número de muestras y predictores. Los resultados indican que los mejores modelos de temperatura del aire se obtienen cuando se combinan variables de Teledetección con variables geográficas. La validación con datos independientes y promediando todos los casos revela valores de R2=0.62 y de RMSE=1.22 °C para las temperaturas diarias y de R2=0.90 y de RMSE= 0.84 °C para las temperaturas mensuales y anuales.

• English

  Air temperature is a primary descriptor of terrestrial environment conditions across the earth and is involved in many environmental processes such as the actual and potential evapotranspiration, net radiation or species distribution. Ground meteorological stations provide important local data of air temperature, but a continuous surface for large and heterogeneous areas is also needed. In this article we present a hybrid methodology between Remote Sensing and Geographical Information Systems to retrieve instantaneous, mean, maximum and minimum air temperatures for daily, monthly and annual periods during 2000-2005 at a regional scale (Catalonia, North-West of Spain) by means of multiple regression analysis and spatial interpolation techniques. To perform multiple regression analysis we have used geographical and multi resolution remotely sensed variables as predictors. As geographical variables we have included altitude, latitude, continentality and global solar radiation which have been useful when obtaining monthly temperature and precipitation maps. As Remote Sensing predictors, we have selected those variables that could be related with air temperature such as albedo, land surface temperature, apparent brightness temperature and NDVI. These variables have been obtained from Landsat-5 TM, Landsat-7 ETM+, NOAA AVHRR and TERRA MODIS satellites. Model selection has been carried out by means of Mallows’ Cp best subsets to select which multiple regression model best describes the data so which variables are introduced in the analysis. In order to detect map accuracy we have averaged the R2 and the RMS error of the evaluation set (40% of the meteorological stations corresponding to the different days and months). Best air temperature models are obtained when remote sensing variables are combined with geographical variables: averaged test R2=0.67 and averaged RMS error=1.22 °C CUfor daily temperatures and averaged test R2=0.90 and averaged RMS error =0.84 °C for monthly and annual temperatures.