Search

Frente a un número cada vez mayor de sistemas de observación de la Tierra, la teledetección se ha convertido en un medio muy importante y eficaz para el seguimiento de la cobertura terrestre, gracias a su capacidad de proporcionar rápidamente, información amplia, precisa e imparcial y fácilmente consultable sobre la variabilidad espacial de la superficie terrestre. De este modo, nuestro interés centra en los sensores térmicos los cuales nos permiten estimar los parámetros de emisividad (ESS) y temperatura (TSS). La ESS es una propiedad intrínseca de los materiales es muy fuertemente indicativa de la composición, incluso de diagnóstico, especialmente para los minerales que componen gran parte de la superficie terrestre. Esta varía con la longitud de onda, ángulo de observación, humedad del suelo y rugosidad de la superficie. Generalmente, es difícil de estimarla desde el espacio, debido a los efectos combinados entre la ESS y la TSS y la contaminación atmosférica, además se suman los problemas de calibración radiométrica y detección de nubes dentro de la imagen. El algoritmo que relaciona el índice de vegetación NDVI (Normalized Difference Vegetation Index) llamado el método de umbrales de NDVI es uno de los más usados para estimar la ESS. La TSS no es una propiedad intrínseca de los materiales, pero es el más importante y principal parámetro en el proceso físico de interacción de la energía de la superficie y balance de agua a escalas locales y globales. Por lo tanto, hablar de su vinculación con los datos térmicos obtenidos con satélite, se tiene que pensar en la ecuación de transferencia radiativa (ETR), por el solo hecho de que depende del efecto de emisividad y los efectos atmosféricos. La TSS es independiente de la longitud de onda y se estima de la radiancia de la banda térmica, para eso necesita que el usuario proporcione adicionalmente los factores atmosféricos y la ESS. Los algoritmos más representativos son los algoritmos monocanales llamados así porque requiere una banda térmica para su desarrollo, caso de la constelación de satélites Landsat. El método usa la radiancia medida por un sensor en un canal elegido dentro de una ventana atmosférica y corrige la radiancia por efectos atmosféricos, requiriéndose para ello perfiles atmosféricos y ESS conocida. La exactitud de este método se encuentra en la estimación de la transmisividad y radiancias (ascendentes y descendentes) limitados por el modelo de transferencia radiativa usado, el perfil atmosférico y en una correcta consideración de los efectos topográficos. De igual manera, se tiene los algoritmos Split window o bicanales. El objetivo de la presente tesis es la validación de la emisividad y temperatura de la superficie para parcelas agrícolas de Argentina y Perú usando datos del satélite Landsat 8. Para lograrlo se ha construido instrumento casero para estimar la ESS “caja de emisividad” para obtener la información en campo, se ha estimado a partir de librerías espectrales las constantes de emisividad de vegetación y suelo que permite obtener la ecuación general de emisividad con el satelite Landsat 8 con el método de umbrales NDVI. La validación se realiza con los datos medidos con la caja de emisividad y por Intercomparación con el sensor MODIS banda 31. Para TSS se ha utilizado la información obtenida por el grupo de Teledetección del Instituto de Hidrología de Llanuras (IHLLA) e información de áreas de prueba adicionales con temperatura de ruido mínimas (aprox. 0.5 K) según lo requerido 12 por el instrumento Landsat 8. Los resultados para ESS mostraron una correlación de 0.88 entre la banda 31 MODIS y banda 10 TIRS y debido a la falta de información con la caja de emisividad se estimó solo diferencias, lográndose tener desvío para vegetación de 0.0291±0.01456, suelo mixto 0.0691±0.0086 y suelo 0.1439±0.0075. Para TSS la correlación de la información en campo con el algoritmo de la inversa de la ecuación de transferencia radiativa da un valor de 0.73, con el algoritmo generalizado de Jiménez-Muñoz una correlación de 0.73 (usando la función filtro de 1 µm de espesor) y 0.77 (usando la función filtro de la banda 10 TIRS). Cuando se prueba el algoritmo Split window presentado por Jiménez-Muñoz et al. 2014 se tiene una correlación de 0.88.