Search

© 2021 by the authors., The prediction of spatial and temporal variation of soil water content brings numerous benefits in the studies of soil. However, it requires a considerable number of covariates to be included in the study, complicating the analysis. Integrated nested Laplace approximations (INLA) with stochastic partial differential equation (SPDE) methodology is a possible approach that allows the inclusion of covariates in an easy way. The current study has been conducted using INLA-SPDE to study soil moisture in the area of the Valencia Anchor Station (VAS), soil moisture validation site for the European Space Agency SMOS (Soil Moisture and Ocean Salinity). The data used were collected in a typical ecosystem of the semiarid Mediterranean conditions, subdivided into physio-hydrological units (SMOS units) which presents a certain degree of internal uniformity with respect to hydrological parameters and capture the spatial and temporal variation of soil moisture at the local fine scale. The paper advances the knowledge of the influence of hydrodynamic properties on VAS soil moisture (texture, porosity/bulk density and soil organic matter and land use). With the goal of understanding the factors that affect the variability of soil moisture in the SMOS pixel (50 km × 50 km), five states of soil moisture are proposed. We observed that the model with all covariates and spatial effect has the lowest DIC value. In addition, the correlation coefficient was close to 1 for the relationship between observed and predicted values. The methodology applied presents the possibility to analyze the significance of different covariates having spatial and temporal effects. This process is substantially faster and more effective than traditional kriging. The findings of this study demonstrate an advancement in that framework, demonstrating that it is faster than previous methodologies, provides significance of individual covariates, is reproducible, and is easy to compare with models.

In this paper, the SOMOSTA (Soil Moisture Monitoring Station) experiment on the intercomparison of soil moisture monitoring from Global Navigation Satellite System Reflectometry (GNSS-R) signals and passive L-band microwave radiometer observations at the Valencia Anchor Station is introduced. The GNSS-R instrument has an up-looking antenna for receiving direct signals from satellites, and a dual-pol down-looking antenna for receiving LHCP (left-hand circular polarization) and RHCP (right-hand circular polarization) reflected signals from the soil surface. Data were collected from the three different antennas through the two channels of Oceanpal GNSS-R receiver and, in addition, calibration was performed to reduce the impact from the differing channels. Reflectivity was thus measured, and soil moisture could be retrieved. The ESA (European Space Agency)-funded ELBARA-II (ESA L Band Radiometer II) is an L-band radiometer with two channels with 11 MHz bandwidth and respective center frequencies of 1407.5 MHz and 1419.5 MHz. The ELBARAII antenna is a large dual-mode Picket horn that is 1.4 m wide, with a length of 2.7 m with −3 dB full beam width of 12° (±6° around the antenna main direction) and a gain of 23.5 dB. By comparing GNSS-R and ELBARA-II radiometer data, a high correlation was found between the LHCP reflectivity measured by GNSS-R and the horizontal/vertical reflectivity from the radiometer (with correlation coefficients ranging from 0.83 to 0.91). Neural net fitting was used for GNSS-R soil moisture inversion, and the RMSE (Root Mean Square Error) was 0.014 m3/m3. The determination coefficient between the retrieved soil moisture and in situ measurements was R2 = 0.90 for Oceanpal and R2 = 0.65 for Elbara II, and the ubRMSE (Unbiased RMSE) were 0.0128 and 0.0734 respectively. The soil moisture retrievals by both L-band remote sensing methods show good agreement with each other, and their mutual correspondence with in-situ measurements and with rainfall was also good.

Las regiones áridas o semiáridas se caracterizan por una distribución irregular de los recursos hídricos, lo que muchas veces constituye una limitación para el desarrollo de una determinada región. La variabilidad hidrológica de estas regiones se debe a la mala distribución espacial y temporal de la lluvia, a la topografía heterogénea y a los cambios de origen antropogénicos que muchas veces conducen a procesos de degradación y de desertificación. Como en estas regiones la evapotranspiración explica una parte significativa de la pérdida de agua hacia la atmósfera, el estudio y modelización de la radiación neta en superficie (Rn), es de suma importancia, una vez que las estimaciones o mediciones de Rn se utilizan, por ejemplo, para el cálculo de la evapotranspiración que, a su vez, se usa para optimizar la calidad y el rendimiento de los cultivos, la planificación de los recursos hídricos y previsiones climáticas. Por tanto, este proyecto tiene como objetivo principal el estudio de la radiación neta en regiones semiáridas utilizando modelos lineales y neuronales y la sinergia entre los sensores GERB (Geostationary Earth Radiation Budget) y SEVIRI (Spinning Enhanced Visible and InfraRed Imager). Como R_n es una medida de la energía radiativa disponible en la superficie y es la fuerza motriz en muchos procesos físicos y biofísicos requeridos por los sistemas suelo-vegetación-atmósfera, para alcanzar los objetivos propuestos y descritos a seguir, su estudio se realiza sobre diferentes superficies: suelo desnudo, matorral y viñas y en diferentes condiciones considerando días con cielo despejado, días nubosos y días con nubosidad variable. También se ha modelizado Rn y se ha estimado el flujo de calor en suelo (G) a partir de observaciones de Rn. Los diagramas de dispersión entre las variables Rn y G indicaron que la relación entre ambas variables presentaba una tendencia lineal creciente, lo que llevó a aplicar un modelo de regresión lineal simple para obtener G a partir de Rn. Los modelos obtenidos presentan un alto coeficiente de correlación (R2 = 0,78 y 0,89) y, en promedio, el componente G, obtenido partir de los modelos lineales, representaba aproximadamente un 18% de Rn. Durante el desarrollo del trabajo se identificó que los modelos neuronales son herramientas muy útiles para estimar Rn en superficie a partir de parámetros meteorológicos, principalmente en zonas donde los flujos relacionados con la radiación no se miden de manera rutinaria. Los análisis del modelo neuronal propuesto han demostrado que es posible estimar Rn a partir de datos meteorológicos medidos en estaciones meteorológicas convencionales, con errores entre ± 5 y 30 W m2. Además, los modelos lineales más utilizados para estimar Rn en superficie utilizan para su desarrollo la radiación solar incidente y el albedo, lo que conlleva a una limitación para su uso durante los períodos nocturnos. Para estimar G/Rn a escala regional se ha demostrado que es posible hacerlo a partir de datos de satélite una vez que la temperatura de la superficie (LST) se obtiene por ejemplo, a partir de SEVIRI a bordo del satélite METEOSAT. Los coeficientes de correlación entre la temperatura estimada por SEVIRI y la medida en campañas de campo sobre matorral y viñas tienen valores altamente significativos (R2 ≥ 0,94). Los modelos utilizados para seleccionar los datos de entrada para el modelo neuronal propuesto para estimar Rn se describen en detalle, así como la metodología utilizada para estimar el flujo de calor en superficie y a partir de Rn. Para la modelización y estimación de Rn también se utilizaron modelos lineales multivariantes y modelos neuronales (Perceptrón Multicapa), que utilizan como datos de entrada los datos de alta resolución temporal y espacial de los flujos radiativos en el TOA (techo de la atmósfera), obtenidos a partir de la sinergia entre los sensores GERB y SEVIRI. Los parámetros de entrada utilizados en el modelo neuronal (ángulo solar cenital, flujo de radiación de onda corta y onda larga), son los proporcionados por GERB, un instrumento diseñado exclusivamente para hacer mediciones del balance de radiación de la Tierra en TOA. Los resultados obtenidos demuestran que los modelos neuronales son una poderosa herramienta para la modelización de procesos climáticos.

Ponencia presentada en: III Congreso de la Asociación Española de Climatología “El agua y el clima”, celebrado en Palma de Mallorca del 16 al 19 de junio de 2002. [ES]El sistema climático es un sistema altamente no lineal, y presenta una dinámica caótica, de donde se deduce que la mayor parte de las series temporales de las variables climáticas no son estacionarias. Mediante el análisis wavelet podemos descomponer una serie temporal simultáneamente en el dominio del tiempo y la frecuencia, lo que le convierte en una herramienta muy útil a la hora de analizar series climáticas. Como ejemplo, y a modo de introducción en el tema, se muestra su aplicación sobre una serie temporal de medidas de humedad atmosférica relativa obtenidas en la estación meteorológica de referencia para datos y productos de teledetección VALENCIA Anchor Station. Por el hecho de utilizar simultáneamente la información en ambos dominios, se puede conocer con mayor profundidad la estructura de la serie climática, a diferencia de otros tipos de análisis espectrales. La gran ventaja del análisis wavelet es que el comportamiento en el dominio de la frecuencia se manifiesta dinámicamente a lo largo del tiempo. [EN]The climate system is highly non-linear and with chaotic dynamics, and this why we may say that time series of most climatic parameters are non-stationary. wavelets can analyse a data series simultaneously in time and frequency which makes it a powerful tool for the analysis of climatic series. As an example, and as introduction to the topic, we show its application on a time series of relative atmospheric humidity measurements obtained from the VALENCIA Anchor Station, a reference meteorological station for remote sensing data and products. By simultaneously using information from both domains the climatic series structure may be known in more detail, differently from other spectral analysis techniques. The big advantage of the wavelet analysis is that the behaviour in the frequency domain is shown y a dynamic way along the time.