TELEDETECCIÓN

Sistemas Operacionales de Observación de la Tierra

Editores:
Alix Fernández-Renau González-Anleo
Eduardo de Miguel Llanes
 XV Congreso de la Asociación Española de Teledetección
INTA, Torrejón de Ardoz (Madrid). 22-24 octubre, 2013

ESTIMACIÓN DIARIA DE LA PRESIÓN SUPERFICIAL DE VAPOR DE AGUA Y DE LA

TEMPERATURA Y HUMEDAD DEL AIRE PARA LA ESPAÑA PENINSULAR USANDO
MODIS Y VARIABLES ESPACIO-TEMPORALES
C. Recondo(1,2), J.J. Peón( 2), E. Zapico (1) y E. Pendás (2)
(1)
INDUROT. Universidad de Oviedo. Campus de Mieres. C/ Gonzalo Gutiérrez Quirós, s/n. 33600 Mieres
(Asturias, España). Correo electrónico: mdrecondo@uniovi.es
(2)
Área de Ingeniería Cartográfica, Geodésica y Fotogrametría. Dpto. de Explotación y Prospección de Minas.
Universidad de Oviedo. Campus de Mieres. C/ Gonzalo Gutiérrez Quirós, s/n. 33600 Mieres (Asturias, España).

RESUMEN
En este trabajo hemos obtenido modelos empíricos para la estimación diaria de la presión superficial del vapor de agua
(e0), de la temperatura del aire (Ta) y de la humedad relativa del aire (HR), sobre áreas libres de nubes, usando MODIS
y variables espacio-temporales. Datos in situ de estaciones meteorológicas españolas han sido comparados con datos
diurnos Terra-MODIS o bien con sus productos de contenido en vapor de agua total (W), temperatura superficial
terrestre (LST), NDVI, etc. Los modelos obtenidos de los productos generados en tiempo real por IMAPP dan R2=0.8 y
R2=0.91 para los valores medios y máximos de e0 y Ta, respectivamente. Los resultados son peores para HR (R2<0.5).
Palabras clave: presión superficial de vapor de agua, temperatura del aire, humedad relativa, W, LST, NDVI, MODIS.

ABSTRACT
In this article, we present empirical models for estimating the daily surface water vapour pressure (e0), air temperature
(Ta) and relative humidity (RH) over cloud-free land areas using MODIS and spatiotemporal variables. In situ data
from Spanish ground-level meteorological stations were compared to diurnal Terra-MODIS data or its products of total
water vapour content (W), land surface temperature (LST), NDVI, etc. The models obtained from the products
generated in real time by IMAPP give R2=0.8 y R2=0.91 for the mean and maximum values of e0 y Ta, respectively.
Worse results are obtained for RH (R2<0.5).
Keywords: surface water vapour pressure, air temperature, relative humidity, W, LST, NDVI, MODIS.

1. INTRODUCCIÓN mínimos de las tres variables, para que puedan ser

utilizados en otros modelos de riesgo medioambientales.
En la mayoría de los modelos de riesgo medio-
La Teledetección no estima directamente las variables
ambientales son fundamentales dos variables
meteorológicas que necesitamos. Sí lo hace, en cambio,
meteorológicas: la temperatura del aire (Ta) y la
con el contenido total de vapor de agua en la atmósfera
humedad relativa (HR) (o bien la presión superficial de
o agua precipitable total (W) y con la temperatura
vapor de agua, e0, como alternativa a la variable de
superficial terrestre (Land Surface Temperature o LST).
humedad). Así, por ejemplo, en el proyecto FireGlobe:
En concreto, para el sensor MODIS son varios los
“Análisis de los escenarios de riesgo de incendios a
productos de W y LST generados a nivel global por
escala nacional y global”, necesitamos un método
medio de distintos algoritmos y en este trabajo usaremos
operativo para obtener mapas diarios de estas variables
varios de ellos. La estimación de las variables que
para la Península Ibérica a una resolución espacial de
necesitamos se hace, entonces, a través de estas
1 km2. La Teledetección tendría la ventaja de poder
variables obtenidas por Teledetección, además de otras
generar estos datos a una resolución espacial regular y
como el NDVI, variables espacio-temporales, etc. Así,
en espacios cortos de tiempo (en este caso diariamente).
son múltiples los trabajos que tratan la relación Ta -LST
Por lo tanto, éste será el objetivo de este trabajo, en
y podemos dar ejemplos en algunas regiones españolas
concreto, obtener estas variables de los datos MODIS
(Vogt et al. (1997) en Andalucía usando datos NOAA;
recibidos en tiempo real por la antena de la Universidad
Recondo y Pérez-Morandeira (2002) en Asturias con
de Oviedo. Aunque para el caso de los modelos de
NOAA; Cristóbal et al. (2008) en Cataluña con Landsat,
riesgo de incendios sólo necesitaríamos los valores
NOAA y MODIS). La relación RH-W ha sido menos
máximos de Ta y los mínimos de HR o e0, en este
estudiada (Han et al. 2003, Peng et al. 2006), da peores
trabajo intentaremos obtener modelos para estimar tanto
resultados que la Ta -LST y necesita involucrar muchas
los valores diarios medios como los máximos y
más variables para obtener resultados aceptables. La

relación e0-W también ha sido estudiada, incluso
Recondo et al. (2013) han obtenido un algoritmo,
aplicado a Asturias, para estimar e0 directamente de los
canales NIR de MODIS relacionados con W.
En este trabajo, por lo tanto, hemos investigado la
posibilidad de obtener, por este orden: 1) e0 desde 3
algoritmos globales MODIS para la estimación de W,
así como por medio de una simple combinación lineal
de las radiancias en los canales NIR de MODIS, como
se hizo en Recondo et al. (2013) para Asturias. 2) Ta
desde 5 algoritmos globales MODIS para la estimación
de LST. Y, finalmente, 3) HR, que será derivada de las
estimaciones de e0 y Ta o bien de modelos similares a los
usados para la estimación de estas variables. En todos
los casos se han añadido variables espacio-temporales a
los modelos usando regresiones lineales múltiples para
mejorar los resultados.
2. DATOS Y METODOLOGÍA
Hemos usado datos para 29 días del año 2010,
seleccionados como los de menor nubosidad sobre la
Península Ibérica y con la condición de que todos los
meses estuvieran representados. Estos datos son:
ƒ Datos de 331 estaciones meteorológicas españolas
repartidas por toda la Península (Figura 1), con
información disponible a través de páginas web. Las
variables obtenidas de cada estación para las fechas
seleccionadas son Ta y la HR (valores medios,
máximos y mínimos diarios).
Figura 1. Localización de las 331 estaciones
meteorológicas españolas usadas en este estudio.
ƒ Los datos de e0 han sido derivados de Ta y HR
siguiendo las fórmulas (Ecuaciones 1-5):
e0
HR = ⇒ e0 = HR ⋅ e0 SAT
e0 SAT
donde e0 SAT es e0 en saturación, que se calcula por la
conocida fórmula:
7.5 ⋅ t (º C )
237.3 + t (º C )
e0 SAT (hPa) = 6.11 ⋅ 10
XV Congreso de la Asociación Española de Teledetección
INTA, Torrejón de Ardoz (Madrid). 22-24 octubre, 2013
Así, se calcula el valor medio, máximo y mínimo de e0
(e0media, e0max y e0min, respectivamente), particularizando
las Ecuaciones 1 y 2:
e0 media = HRmedia ⋅ e0 SAT (Tmedia ) (3)
e0 max = RH max ⋅ e0 SAT (Tmin ) (4)
e0 min = RH min ⋅ e0 SAT (Tmax ) (5)
ƒ Datos diurnos Terra-MODIS y productos derivados de
W y LST (y NDVI). Se prefieren los datos de Terra a
los de Aqua por su paso más temprano sobre la
Península Ibérica (entre las 10 y las 12 UTC), lo que
permitirá generar antes la previsión diaria de riesgo.
Los datos fueron tomados por la antena de la
Universidad de Oviedo y algunos productos se han
elaborado en tiempo real por medio del software
gratuito IMAPP (International MODIS/AIRS
Processing Package; Huang et al. (2004); ver
http://cimss.ssec.wisc.edu/imapp/) o bien por nosotros
siguiendo algoritmos conocidos. Otros productos han
sido descargados de la página de la NASA:
http://ladsweb.nascom.nasa.gov. Todos los
datos/productos están libres de nubes y tienen una
resolución espacial de 1 km. Éstos son:
¾ MOD021km: producto que contiene las radiancias
calibradas y geolocalizadas (WGS84) de las 36
bandas espectrales. Generado por IMAPP.
¾ WSobrino: W calculada según el algoritmo de Sobrino
et al. (2003). Se elabora a partir de MOD021km, de
forma que puede generarse en tiempo real.
¾ MOD05: producto W estándar de la NASA (Gao and
Kaufman, 2003). No podemos elaborarlo en la
actualidad en tiempo real. Ha sido descargado.
¾ W-IMAPP: producto W generado por IMAPP. El
algoritmo de cálculo (Albert et al., 2005) es diferente
al utilizado en el producto MOD05.
¾ LST1, LST2 y LST3: LST calculados en tiempo real
según tres algoritmos de Sobrino et al. (2003).
¾ MOD11: producto LST (y emisividad) estándar de la
NASA (Wan, 2008). Ha sido descargado.
¾ LST-IMAPP: producto LST generado por IMAPP.
Producto similar al MOD11 pero que, a diferencia de
éste, podemos generarlo en tiempo real.
¾ NDVI: generado a partir del MOD021km. Necesario
para mejorar los modelos de Ta.
(1)
ƒ Datos espacio-temporales. Hemos usado el día juliano
(DJ) y la hora MODIS (hora UTC) de cada imagen.
De las estaciones, su latitud (ϕ), longitud (λ) y
distancia a la costa (dcosta). De un Modelo Digital de
Elevaciones (MDE) de 1 km de resolución se
(2) obtuvieron las variables de altura (h), pendiente (p) y
curvatura del MDE (c) para cada estación.
 XV Congreso de la Asociación Española de Teledetección
INTA, Torrejón de Ardoz (Madrid). 22-24 octubre, 2013

3. ANÁLISIS Y RESULTADOS K para Tmedia, Tmax y Tmin, respectivamente (ver Figura 2

para el caso de Tmax).
Los modelos para estimar e0, Ta y HR de los diferentes
datos/productos MODIS y de variables espacio-
Como se observa en ambos casos, los valores R2 y RSE
temporales se obtuvieron por medio de regresiones
obtenidos en la validación son similares a los obtenidos
lineales múltiples. En todos los casos la inclusión de
en la generación de los modelos, la pendiente es cercana
variables espacio-temporales mejoraba los modelos y
o igual a 1, el RMS Diff. es sólo ligeramente superior al
serán éstos los que resumamos a continuación. El 50%
RSE y el bias es pequeño. Todo ello demuestra la
de los datos fueron usados para la obtención de los
validez de los modelos propuestos para e0 y Ta.
modelos y el otro 50% para la validación de los mismos.
Los resultados de la validación de los modelos de HR
Los mejores modelos de e0 fueron los obtenidos a partir
son similares para ambos métodos. La validación de los
de MOD05 o de W-IMAPP (ambos igual de buenos) y
modelos que usan una regresión lineal basada en los
de las variables espacio-temporales: λ, dcosta y DJ. Los datos IMAPP da R2=0.46-0.39, RSE=7.50-9.80%,
mejores resultados son para e0media, seguida de e0max y pendiente=0.98-0.99, RMS Diff.=8.66-10.05% y
e0min, siendo los obtenidos por IMAPP: R2=0.83-0.79- bias=0.28-(-0.36)% para HRmin y HRmedia,
0.70 y RSE=1.62-1.59-1.76 hPa, respectivamente. Los respectivamente (para HRmax no hay correlación).
obtenidos con el algoritmo e0-Recondo o W-Sobrino son
peores (R2≤0.73 y R2≤0.70, respectivamente).

Los mejores modelos de Ta se obtuvieron con MOD11

(R2=0.93-0.81), seguidos de los de LST-IMAPP
(R2=0.91-0.80) y el LST1-Sobrino (R2=0.91-0.75). Los
mejores resultados son para Tmedia, seguida de Tmax y, por
último, Tmin. El modelo con MOD11 es ligeramente
mejor que el de LST-IMAPP, pero la ventaja de este
último es que puede generarse en tiempo real, por lo que
es el elegido. Las otras variables son: W, NDVI y las
espacio-temporales: λ, DJ y h. Los resultados para
IMAPP son: R2=0.91-0.91-0.80 y RSE=1.96-2.25-
3.00 K para Tmedia, Tmax y Tmin, respectivamente.

Para la estimación de la HR se probaron dos métodos:

por una parte, derivar esta variable de las estimaciones
obtenidas para e0 y Ta usando las Ecuaciones 3, 4 y 5.
Por otra parte, utilizar modelos lineales para estimar la
HR similares a los empleados para obtener e0 y Ta. Los
resultados de estos modelos, sin embargo, son mucho
peores que los de e0 y Ta. Los generados con IMAPP
dan: R2=0.49-0.39-0.13 y RSE=7.21-9.75-10.05%, para
HRmin, HRmedia y HRmax, respectivamente.

4. VALIDACIÓN
La validación de los modelos obtenidos, como ya hemos
dicho, se hizo con el 50% de la muestra no usada para la
generación de los mismos.

La validación de los modelos de e0 obtenidos con

IMAPP y demás variables dan R2=0.83-0.80-0.67,
RSE=1.57-1.64-1.78 hPa, pendiente=1.00-1.01-0.93,
RMS Diff.=1.86-1.99-2.21 hPa y bias=0.09-0.17-0.03
hPa para e0media, e0max y e0min, respectivamente (ver
Figura 2 para el caso de e0min).
La validación de los modelos de Ta obtenidos con
IMAPP y demás variables dan R2=0.92-0.92-0.81,
RSE=1.93-2.26-2.90 K, pendiente=1.01-1.01-1.00,
RMS Diff.=2.05-2.40-2.95 K y bias=0.05-(-0.01)-0.11
Figura 2. De arriba a abajo: Datos diarios de e0min y
Tmax extraídos de las estaciones meteorológicas frente a
los valores estimados de los modelos con IMAPP.
5. CONCLUSIONES
En este trabajo hemos propuesto modelos para estimar
diariamente e0, Ta y RH sobre la España peninsular
(libre de nubes) usando datos MODIS y variables
espacio-temporales. El disponer de una antena MODIS

y del software IMAPP nos permite generar en tiempo
real los valores medios, máximos y mínimos de estas
variables meteorológicas tras el primer paso del satélite
Terra sobre la Península, entre las 10 y las 12 UTC. La
generación de estas variables en tiempo real es esencial
en muchos modelos de riesgo medioambientales, como
el de riesgo de incendios. Por ejemplo, en el caso de
incendios, usando los modelos propuestos, podemos
elaborar mapas de e0min y Tmax con una resolución
espacial de 1 km2 (Figura 3). Además, como los
resultados son mucho mejores para e0 que para RH,
proponemos sustituir la primera por la segunda como
variable que caracteriza la humedad en estos modelos.
Figura 3. De arriba a abajo: Mapas de e0min (hPa) y
Tmax (K) obtenidos para la Península de la imagen Terra-
MODIS del 7 de agosto de 2010 (11:25 UTC) aplicando
los modelos con IMAPP.
6. BIBLIOGRAFÍA
ALBERT, P., BENNARTZ, R., PREUSKER, R.,
LEINWEBER, R., & FISCHER, J., 2005. Remote
sensing of atmospheric water vapor using the Moderate
Resolution Imaging Spectroradiometer. Journal of
Atmospheric and Oceanic Technology, 22, 309–314.
CRISTÓBAL, J., NINYEROLA, M., & PONS, X.,
2008. Modeling air temperature through a combination
XV Congreso de la Asociación Española de Teledetección
INTA, Torrejón de Ardoz (Madrid). 22-24 octubre, 2013
of remote sensing and GIS data. Journal of Geophysical
Research, 113, D13106, doi:10.1029/2007JD009318.
GAO, B.-C., & KAUFMAN, Y. J., 2003. Water vapor
retrievals using Moderate Resolution Imaging
Spectroradiometer (MODIS) near-infrared channels.
Journal of Geophysical Research, 108, 4389–4398.
HAN, K.-S., VIAU, A. A., & ANCTIL, F., 2003. High-
resolution forest fire weather index computations using
satellite remote sensing. Canadian Journal of Forest
Research, 33, 1134–1143.
HUANG, H.-L., GUMLEY, L. E., STRABALA, K., LI,
J., WEISZ, E., RINK, T., BAGGETT, K. C., DAVIES,
J. E., SMITH, W. L., and DODGE, J. C., 2004.
International MODIS and AIRS processing package
(IMAPP): A direct broadcast software package for the
NASA earth observing system. Bulletin of the American
Meteorological Society, 85, 159–161.
PENG, G., LI, J., CHEN, Y., NORIZAN, A. P., &
TAY, L., 2006, High-resolution Surface Relative
Humidity Computation Using MODIS Image in
Peninsular Malaysia. Chinese Geographical Science,
16, 260–264.
RECONDO, C., PENDÁS, E., MORENO, S., Gª DE
VICUÑA, C., GARCÍA-MARTÍNEZ, A., ABAJO, A.,
& ZAPICO, E., 2013. A simple empirical method for
estimating surface water vapour pressure using MODIS
near-infrared channels. Applications to Northern
Spain’s Asturias Region. International Journal of
Remote Sensing, 34: 9-10, 3248–3273.
RECONDO, C., & PÉREZ-MORANDEIRA, C. S.,
2002. Obtención de la temperatura del aire en Asturias
a partir de la temperatura de la superficie terrestre
calculada con imágenes NOAA-AVHRR. Revista de
Teledetección (AET), 17, 5–12.
SOBRINO, J. A., EL KHARRAZ, J., & LI, Z.-L., 2003.
Surface temperature and water vapor retrieval from
MODIS data. International Journal of Remote Sensing,
20, 5161–5182.
VOGT, J. V., VIAU, A. A., & PAQUET, F., 1997,
Mapping regional air temperature fields using satellite-
derived surface skin temperatures. International Journal
of Climatology, 17, 1559–1579.
WAN, Z. (2008). New refinements and validation of the
MODIS Land-Surface Temperature/ Emissivity
products. Remote Sensing of Environment, 112, 59-74.
AGRADECIMIENTOS
Este trabajo se enmarca dentro del proyecto FireGlobe,
financiado por el Ministerio de Ciencia e Innovación
entre 2009-2011 (CGL2008-01083; IP: Emilio
Chuvieco). Eva Zapico fue Personal Técnico de Apoyo
de este proyecto (PTA2009-02281-P).