3-Fernández - CALCULO DE TEMPERATURA DE SUPERFICIE A PARTIR DE IMÁGENES NOAA, LANDSAT Y SENTINEL-3
3-Fernández - CALCULO DE TEMPERATURA DE SUPERFICIE A PARTIR DE IMÁGENES NOAA, LANDSAT Y SENTINEL-3
3-Fernández - CALCULO DE TEMPERATURA DE SUPERFICIE A PARTIR DE IMÁGENES NOAA, LANDSAT Y SENTINEL-3
2 Introducción
El cálculo de la temperatura de superficie es un proceso clave en la física de
procesos que tiene lugar tanto en la superficie terrestre como oceánica a escalas
regional y global. Los resultados de todas las interacciones entre los flujos de
energía de la superficie y de la atmósfera afectan a la temperatura.
Debido a la gran heterogeneidad de superficies terrestres como vegetación,
topografía, áreas urbanas, masas de agua, cultivos, ... con propiedades físicas
diferentes, su temperatura cambia rápidamente en el espacio y en el tiempo. Un
estudio adecuado de su distribución y su evolución temporal, por lo tanto, requiere
mediciones con frecuencias espaciales y temporales detalladas.
Al igual que en el caso de las reflectividades, el procedimiento de cálculo de
temperaturas parte de los niveles digitales (ND) detectados en el sensor. Tal y
como ocurre en el espectro óptico, esos ND codifican un valor de energía
(radiancia), pero en este caso correspondiente al infrarrojo térmico. A diferencia
de la reflectividades (relación entre energía reflejada por el suelo y la incidente en
él), se trata de determinar la relación entre la energía emitida por el suelo (Lsu) y la
recibida por el sensor (Lsat) (figura 1). Entre ambas magnitudes vuelven a
interponerse los efectos de los componentes atmosféricos, que también emiten su
propia energía (La), distorsionando la radiancia recibida por el sensor.
Página 2 de 10
La radiación térmica se transmite con una longitud de onda, comparada con la
del visible, relativamente larga por lo que la dispersión atmosférica producida es
mínima. Los gases atmosféricos, sin embargo, producen una absorción importante
que limita la teledetección térmica a dos regiones, de 3 a 5μm y de 8 a 14μm.
Puesto que la energía de una onda disminuye al aumentar su longitud de onda, los
sensores térmicos tienen campos de visión instantáneos mayores para asegurar
que llega suficiente energía a los sensores. Esto explica que la resolución espacial
de estos sensores sea menor a la del visible e infrarrojo reflejado.
3 Objetivos
Una vez que hayas leído y trabajado este documento, será capaz de:
Explicar adecuadamente el concepto de temperatura de superficie.
Comprender la diferencia entre temperatura de brillo y temperatura de
superficie.
Identificar las diferencias existentes en cada uno de los sensores
presentados dada sus diferencias técnicas de diseño.
Acceder a productos de temperatura existentes y descargables desde
servidores como los de la ESA (proyecto Copernicus).
Página 3 de 10
L = a0 + a1 · ND
Ecuación 1. Transformación de ND a radiancias.
Página 4 de 10
4.2 Sensores térmicos de LANDSAT
Las bandas del infrarrojo térmico de los últimos sensores de Landsat (TM, ETM+ y
TIRS) se transforman en valores de temperatura de brillo mediante la inversión de la
ecuación de Planck (Riaño et al., 2000):
K
T
K
ln 1
L
Ecuación 2. Temperatura de brillo para sensores Landsat.
-2 -1 -1
siendo K1 (en W m sr μm ) y K2 (en grados K) las constantes de calibración en
función de la configuración de la banda térmica de Landsat (tabla 1), y L es la
-2 -1 -1
radiancia espectral (W m sr μm ) calculada previamente.
Satélite K1 K2
TB es la temperatura de brillo.
λ es la longitud de onda de la radiancia emitida en cada banda.
ρ = h · c/σ = 14380 m K.
σ es la constante de Boltzmann (1,38·10−23 J/K).
h es la constante de Planck (6,26·10−34 Js).
c es la velocidad de la luz (2,998·108 m/s).
ε es la emisividad de la superficie, dependiente de cada sensor y banda
espectral. Por ejemplo, para la banda 6 de Landsat TM y suponiendo un píxel que
pueda contener vegetación, se calcula como:
ε = 0,004· Pv + 0,986
Página 5 de 10
siendo Pv la proporción de vegetación en cada pixel analizado y obtenido a partir
del cálculo previo del NDVI. Por tanto, se trata de aplicar una pequeña corrección
al valor tabulado de emisividad media para vegetación en esa banda de ese
sensor (0,986).
Para las bandas 10 y 11 de Landsat 8 se han estimado valores de emisividad
medios (tabla 2), a los cuales ha de ser aplicada la misma corrección anterior en
función de la proporción de vegetación existente en cada píxel.
Página 6 de 10
Figura 2: Flujo de procesamiento de datos Sentinel para la obtención del producto LST
(de Sobrino et al., 2012).
Tal y como se detalla en Sobrino et al., 2012 (figura 2), se parte de datos de varios
sensores:
MSI de Sentinel-2: aporta alta resolución espacial (hasta 10 m por píxel) e
información en las bandas del infrarrojo próximo (VNIR, Very Near InfraRed).
Contribuye a estimar el contenido de vapor de agua en la atmósfera, así
como el espesor óptico de aerosoles (cantidad de aerosoles o partículas en
suspensión en la columna atmosférica).
OLCI de Sentinel-3: aporta datos en la banda VNIR, con 300 m por píxel,
contribuyendo a caracterizar la atmósfera.
SLSTR de Sentinel-3: registra información en la banda VNIR a 500 m y en el
térmico a 1 km (bandas 7, 8 y 9, con 3,7m, 10.85m y 12m,
respectivamente). Contribuye, junto a los anteriores, a modelizar el
comportamiento atmosférico y a obtener la temperatura de brillo.
Tras modelizar la atmósfera, se realiza el cálculo de reflectividad, de emisividad
superficial de cada cubierta (para eso se emplean datos de usos de suelo,
producto Land Cover) y, finalmente, la temperatura de superficie terrestre (LST).
La estimación de las emisividades superficiales puede ser realizada siguiendo el
método de análisis de mezclas espectrales (SMA, Spectral Mixture Analysis),
métodos basados en clasificaciones de usos de suelo o bien el método de
umbrales de NDVI (Sobrino et al., 2013).
En cuanto a la última fase, cálculo de la temperatura de superficie (Ts o LST), son
tres los posibles algoritmos a aplicar (Sobrino et al., 2013): (i) banda única (usando
solo una banda térmica); (ii) ángulo doble (empleando una banda térmica en dos
ángulos de visión diferentes); (iii) ventana partida, o más conocido por su nombre
en inglés, split-window, emplea 2 bandas térmicas. La formulación matemática
para éste último es la siguiente:
Ts=Ti+c1(Ti-Tj)+c2(Ti-Tj)2+c0+(c3+c4W)(1-ε)+(c5+c6W)Δε
Página 7 de 10
donde T es la temperatura de brillo en el sensor en las bandas ‘i’ y ‘j’, W e s
e l v a p o r de a g u a a t m o s fé r i c o t ot a l , ε y Δε son respectivamente la
emisividad media y la diferencia de emisividad en las dos bandas. Los coeficientes
del algoritmo (c0=-0.268, c1=1.084, c2=0.277, c3=45.11, c4=-0.73, c5=-125.00, c6=16.70)
son obtenidos mediante simulaciones dependientes del sensor y realizadas
mediante el código de transferencia radiativa MODTRAN. Algunos resultados
publicados con los dos últimos algoritmos muestran errores de entre 0,8 y 1,5 K.
En cuanto a la fase de estimación de precisiones del producto SL_2_LST, en el
último informe de validación emitido por la ESA (21/03/2018), se muestran los
resultados de dos validaciones, una con datos reales tomados in situ, mostrando
una precisión absoluta media de 1,5 K para el día y de 1,0 K para la noche. La
segunda validación, realizada comparando con productos térmicos de otros
sensores como SEVIRI L2, muestra diferencias medias menores a 1,5 K tanto de día
como de noche. Las diferencias con respecto a las diferentes clases de coberturas
tienden a ser mayores durante el día en áreas de mayor heterogeneidad o con
mayor insolación. Estos resultados avalan la precisión y utilidad de los productos de
temperatura de Sentinel.
5 Aplicaciones
La observación térmica tiene gran interés para el seguimiento de fenómenos que
afectan a la vegetación. La temperatura de superficie está inversamente
relacionada con el vigor vegetal, ya que la evapotranspiración libera calor y, en
consecuencia, reduce la temperatura de la masa vegetal frente al suelo
descubierto. Por tanto, la evolución temporal de la temperatura de superficie nos
permite estimar las condiciones de vigor o estrés de la planta, de cara a estudios
de rendimiento agrícola (Caselles y Sobrino, 1989), de evapotranspiración o de
riesgo de incendios (Vidal et al., 1994). También es clara su aplicación en estudios
oceanográficos, en donde este parámetro es clave para estudiar aspectos
climáticos, así como en aplicaciones pesqueras (Barreto, 2000). En la figura 3 se
adjunta un fragmento de temperatura de superficie desde MODIS. El análisis de las
tendencias temporales de la temperatura resulta especialmente significativo en los
estudios de cambio climático, permitiendo la observación sistemática de grandes
extensiones (figura 4).
Página 8 de 10
Figura 4: Imagen obtenida con una combinación de los datos de los canales infrarrojos
del satélite NOAA-19, que informa de la temperatura en la superficie del mar.
6 Conclusiones
A lo largo de este documento se ha estudiado la variable temperatura de
superficie como una de las más importantes en muchos casos de estudio del
medio físico. Se ha detallado el proceso de obtención en algunos sensores y se ha
indicado cómo puede ser accesible a través del proyecto Copernicus. Si bien los
algoritmos de cálculo no son sencillos y requieren de integración con otros
datos/sensores, es importante destacar la utilidad de la variable en sí.
7 Bibliografía
Barreto M. M. (2000). Las imágenes NOAA y los recursos pesqueros en el litoral
peruano. IX Simposio Latinoamericano de Percepción Remota, Iguazú.
Página 9 de 10
Caselles V. y Sobrino J. A. 1989. Determination of frost in orange groves from
NOAA-9 AVHRR data. Remote Sensing of Environment, 29, pp.135-146.
Sobrino, J., Jiménez-Muñoz, J., Brockmann, C., Ruescas, A., Danne, O., North, P.,
Heckel, A., Davies, W., Berger, M., Merchant, C., Mitraka, Z. and Sòria, G. (2013)
Land surface temperature retrieval from Sentinel 2 and 3 Missions. In:
Ouwehand, L. (ed.) Proceedings of the Sentinel-3 OLCI/SLSTR and MERIS/(A)ATSR
Workshop 15–19 October 2013 Frascati, Italy. ESA Communications. ISBN
9789290922759 (SP-711).
Sobrino, J., Jiménez-Muñoz, J., Ruescas, A., Brockmann, C., Heckel, A., North, P.,
Remedios, J. J., Ghent, D., Merchant, C., Berger, M., Sòria, G. and Danne, O.
(2012) Land surface temperature retrieval from Sentinel 2 and 3 Missions: a
conceptual framework. Global Temperature User Consultation Meeting,
Edinburgh, 2012.
Vidal A., Inglo F., Durand H., Devaux-Ros, C. Maillet A. 1994. Evaluation of a
temporal fire risk index in Mediterranean forest from NOAA termal IR. Remote
Sensing of the Environment, 49, pp. 296-303.
https://worldview.earthdata.nasa.gov/
http://land.copernicus.eu/global/products/
http://earthexplorer.usgs.gov/
http://ceosspain.lpi.uv.es/home/products
https://youtu.be/7W4IwlvPLbQ
http://semiautomaticclassificationmanual-
v5.readthedocs.io/es/latest/thematic_tutorial_temperature.html
Página 10 de 10