Embed Size (px)
Citation preview
Tema B: Hidrología y Gestión del Agua
Aplicación de las técnicas de teledetección para la
estimación de las necesidades netas de riego de los cultivos
Alfredo Romo
Director de la División de Aplicaciones y Producciones de Deimos Imaging, Grupo
ELECNOR, miembro de Asagua.
Raquel Iniesta, Lic. Ciencias Ambientales; Ing. Proyecto, DEIMOS Imaging SL;
Susana Villanueva, Lic. Físicas; Ing. Proyecto, DEIMOS Imaging SL;
Juan José Fernández, Lic. Geografía; Ing. Proyecto, DEIMOS Imaging SL
Resumen
Una adecuada gestión del agua resulta fundamental para avanzar en la modernización de los sistemas de riego basados en tecnologías que nos permiten cuantificar las necesidades de riego de los cultivos y, como consecuencia, conocer sus correspondientes dotaciones de riego.
En este trabajo Deimos Imaging presenta una aplicación web a través de la cual los usuarios pueden acceder de forma personalizada a las recomendaciones de riego de sus cultivos de forma diaria. Para ello se ha empleado la metodología sugerida por Allen et al. (1998), basada en el método de Penman-Monteith para calcular la evapotranspiración a escala regional a partir de datos meteorológicos y datos de satélite que facilitan conocer el estado exacto del cultivo en el momento de la medida.
El coeficiente de cultivo se estima a 32 m de resolución espacial a partir de datos DMC y una serie histórica de datos TERRA-MODIS con la que cuenta Deimos Imaging. El empleo de datos provenientes de dos plataformas diferentes hizo necesario llevar a cabo una intercalibración previa de datos.
Palabras clave: teledetección, evapotranspiración, coeficiente de cultivo, necesidades de riego.
1 Introducción En cualquier región, en particular las áridas y semiáridas, el agua constituye el primer factor limitante del desarrollo agrícola y el riego constituye sin duda la práctica más importante mediante la que se satisfacen las necesidades totales de agua de los cultivos. Los cultivos en regadío consumen en España cerca del 75% de los recursos de agua disponibles por lo que se hace indispensable una adecuada gestión de su uso a través de la modernización de las estructuras e incorporando sistemas de riego más eficientes. En el riego por goteo el ajuste de las cantidades de agua a aplicar, el tiempo de riego apropiado, las pérdidas mínimas por drenaje, la facilidad de las labores de cultivo y otras de tipo medio-ambiental, constituyen las características más importantes que deben ser optimizadas. Para determinar la cantidad de agua necesaria que tiene que ser aplicada en el riego, es esencial conocer los requerimientos del cultivo (por medio del proceso llamado evapotranspiración) así como la cantidad de agua de lluvia aportada durante el periodo de crecimiento.
La evapotranspiración es definida como la combinación de dos procesos físicos muy similares a través de los cuales el agua se pierde a la atmósfera, por un lado, desde la superficie del suelo por evaporación y, por otro, desde el cultivo por el proceso de transpiración (Allen et al., 1998). Un buen conocimiento de la evapotranspiración resulta esencial tanto para estudios agronómicos como para estudios de Hidrología o Climatología.
Tema B: Hidrología y Gestión del Agua
Durante las últimas décadas se han propuesto una gran variedad de métodos para la estimación de la evapotranspiración, desde métodos tradicionales que permiten su cálculo a escala local a través de medidas de campo, hasta los más recientes modelos basados en técnicas de teledetección. La gran ventaja que proporciona la teledetección con respecto a los métodos tradicionales, es la posibilidad de llevar a cabo estudios a escala regional.
Las nuevas tecnologías, por tanto, han introducido en el campo del riego enfoques que hace unos años se consideraban impensables. La teledetección se presenta como una herramienta de gran interés para la planificación y gestión del regadío, permitiendo realizar un seguimiento de la superficie regada y la estimación el consumo de agua en las zonas regables. Desde el punto de vista de la programación del riego, la evapotranspiración es primordial, tanto en lo que se refiere a la frecuencia de la aplicación, como la cantidad de agua a aplicar. Por otro lado, estimaciones adecuadas de evapotranspiración de un cultivo permiten cuantificar la disponibilidad del recurso y determinar el dimensionamiento de obras hidráulicas de alto costo (Jensen et al., 1990).
La problemática que presenta esta técnica es el hecho de que los satélites solamente miden radiación recibida en ciertos intervalos de longitudes de onda, después de haber cruzado la atmósfera. Estas medidas no están directamente relacionadas de forma simple con el flujo de evapotranspiración en el suelo por lo que debe de ser obtenido de un modo indirecto a través de otras medidas.
2 Metodología
Las soluciones que se han planteado hasta ahora para el cálculo de las necesidades teóricas de riego mediante teledetección se han basado en el desarrollo de algoritmos empíricos o semiempíricos que utilizan datos de estaciones meteorológicas para su calibración (Caselles et al. 1998; Rivas et al. 2004; Consoli et al., 2006; Rossi et al. 2006; Cleugh et al. 2007). Estos métodos permiten parametrizar las necesidades hídricas para una región geográfica pero no funcionan globalmente. En este trabajo se determina la evapotranspiración a partir de la combinación de información meteorológica convencional con datos de satélite que cumple con el objetivo de funcionamiento global. Con este propósito, Deimos Imaging ha empleado la metodología sugerida por Allen et al. (1998), basada en el método de Penman-Monteith, para calcular la evapotranspiración real a escala regional. De acuerdo a este modelo la evapotranspiración es calculada a partir de un coeficiente de cultivo (Kc) y una estimación previa de la evapotranspiración de referencia (ETo), de acuerdo a la siguiente relación:
ETc = ETo * Kc
La Figura 1 resume el procedimiento de cálculo que acabamos de presentar.
Figura 1 Procedimiento que sigue el algoritmo para obtener la evapotranspiración
Tema B: Hidrología y Gestión del Agua
2.1 Cálculo de la evapotranspiración de referencia
El algoritmo que se presenta para la estimación de la evapotranspiración de referencia se basa en la utilización de la ecuación de Penman-Monteith, recomendada por la Organización de las Naciones Unidas para la agricultura y la Alimentación (FAO). Esta ecuación estima por medio de un modelo físico la evapotranspiración de referencia mediante la combinación de un término de radiación y de un término aerodinámico. La evapotranspiración de referencia, según Penman-Monteith corresponde a un cultivo hipotético que tiene una altura de 12 cm, una resistencia de cubierta de 69 s/m, una resistencia aerodinámica de 208/U2 s/m, donde U2 es la velocidad del viento a dos metros de altura, y un albedo de 0,23.
La expresión de la ecuación de forma simplificada, es:
( ) ( )
( )2
2
34.01273
900408.0
u
eeuT
GR
ETasn
o⋅+⋅+∆
−⋅⋅+
⋅+−∆⋅
=γ
γ
Donde “ETo “ es la evapotranspiración de referencia [mm día-1], “Rn” es la radiación neta en la superficie del cultivo [MJ m-2 día-1], “G” es la densidad de flujo de calor del suelo [MJ m-2 día-1], “T” es la temperatura media del aire diaria a 2 m de altura [°C], “u2” la velocidad del viendo a 2 metros de altura [m s-1], “es” la presión de saturación del vapor [kPa], “ea” la presión de vapor real [kPa], “es - ea” el déficit de presión de saturación del vapor [kPa], “D” la pendiente de la curva de presión de vapor [kPa °C-1] y por último “g” la constante psicrométrica [kPa °C-1].
Uno de los aspectos más importantes en el cálculo de la evapotranspiración de referencia son los datos meteorológicos ya que éstos afectan enormemente al valor estimado de evapotranspiración para su cálculo.
Estas variables climáticas son registradas a través del uso de estaciones meteorológicas automáticas y posteriormente interpoladas a través de diferentes métodos de interpolación.
2.2 Cálculo del coeficiente de cultivo
El coeficiente de cultivo (Kc) se define como el ratio entre la evapotranspiración real (ETc) y la evapotranspiración de referencia (ETo) y es determinado y tabulado en estudios de campo. Este coeficiente integra los efectos de aquellas características que distinguen a los cultivos de campo del cultivo de referencia (alfalafa o pasto) y, por tanto, puede ser usado para estimar ETc. El coeficiente de cultivo engloba los efectos tanto de la transpiración del cultivo como de la evaporación del suelo y es conocido como “método de coeficiente simple”.
Muchos trabajos encontrados en la bibliografía, Choudhury et al. (1994), Heilman et al. (1982), Bausch y Neale (1989), Neale et al. (1989) y Bausch (1993, 1995), muestran como se puede estimar el coeficiente de cultivo a partir de una relación empírica con el Índice de Vegetación de Diferencias Normalizadas - NDVI para cada tipo de cultivo, sin tener en cuenta factores como las características del suelo, su humedad, etc. Sin embargo, estas tareas de investigación bibliográfica han puesto de manifiesto en numerosos estudios, la influencia que tienen algunos de estos parámetros sobre los índices de vegetación pudiendo ocasionar un problema cuando la cantidad de vegetación dada en un pixel no cubre éste al 100% o, lo que es lo mismo, que su fracción de cubierta vegetal no es del 100%. Por ejemplo, dependiendo del color de los suelos, algunos índices de vegetación pueden verse sesgados. Así, cuando se usa el NDVI como medida de la vegetación con un sustrato más oscuro los valores proporcionados serán mayores (Huete, 1987). Otro ejemplo es lo ocurrido con el Índice de Vegetación Perpendicular, el cual obtiene una influencia opuesta al NDVI con el brillo del suelo (sustratos más claros proporcionan valores más elevados del índice para una cantidad de cobertura dada).
En zonas donde existan variaciones considerables en el brillo del suelo como resultado de diferencias en el contenido del agua, variaciones en la rugosidad, sombras o diferencias en materia orgánica, existirán también influencias inducidas por el suelo en los valores del índices de vegetación y, por tanto, será necesaria hacer una buena elección de aquel índice espectral de vegetación mejor para su uso sobre la zona.
Como consecuencia de la influencia que estos parámetros del suelo pueden tener sobre el NDVI, Deimos Imaging propone determinar el coeficiente de cultivo a partir de relaciones empíricas establecidas por tipo de cultivo entre dicho coeficiente y el Índice de Verdor. Este Índice fue propuesto en 1990 por Eidenshink et al. y
Tema B: Hidrología y Gestión del Agua
es indicativo del estado de la vegetación referido individualmente a cada píxel (Burgan and Hartford, 1993) con respecto al NDVI máximo-minino histórico ocurrido en la misma ubicación.
El Índice de Verdor tiene una escala que varía entre 0 y 100 % y se define, como se menciono, a partir los valores de NDVI escalado respecto a sus valores máximo y mínimo históricos, para cada píxel, de acuerdo a la siguiente ecuación:
minmax
min
NDVINDVI
NDVINDVIIV
−
−=
donde, NDVImin y NDVImax son los valores mínimo y máximo históricos del NDVI para el píxel analizado.
Fenológicamente, el estado de un cultivo puede ser el mismo en Sevilla que en Palencia aunque se de en distinto momento en el tiempo. Sin embargo, el valor del índice de vegetación no es el mismo por los motivos anteriormente expuestos, junto a la calidad de estación. Así, al referir para cada pixel su NDVI con respecto a sus valores históricos, implica que el valor del Índice de Verdor sea un valor tipificado e idéntico tanto en Sevilla como en Palencia. Es decir, se ha normalizado a escala global de forma que su relación empirica con el coeficiente de cultivo es aplicable en cualquier parte del globo.
El índice de verdor se estima a 32m de resolución espacial, a partir de datos de la Constelación de satélites DMC, Disaster Monitoring Constellation y estos serán sustituidos en un futuro muy próximo por datos a 20m del DEIMOS-1. El hecho de no disponer de un archivo histórico para este tipo de datos, 32m o 20m, hace no disponer de un máximo y un mínimo histórico en valores de NDVI que permiten obtener la conversión del NDVI a índice de verdor y por tanto, a coeficiente de cultivo. Sin embargo, DEIMOS Imaging sí dispone de datos de media resolución a 250m tomados desde otros satélites. El archivo de éstos corresponde al periodo de años 2000-hasta la actualidad.
La necesidad de trabajar con dos fuentes de datos diferentes, 250m y 32m o 20m, supone un nuevo problema que ha de ser solucionado, debido a que ambas fuentes de datos no son directamente comparables, es decir, es necesario intercalibrarlos (ver apartado 2.2.1).
Una vez intercalibrados los datos, se deriva el coeficiente de cultivo Kc desde la aproximación más simple, es decir, mediante una relación linear entre el Índice de Verdor y Kc. Véase Figura 2.
Figura 2 Representación gráfica de la ecuación matemática para obtener los valores escalados de Kc
La Figura 2 representa la relación lineal entre Kc y el Índice de Verdor, siendo los valores de la pendiente y la ordenada en el origen calculadas:
minmax
minmax
IVIV
KKm
cc
−
−=
minminIVmKb c ⋅−=
En la Figura 3 se muestran algunos ejemplos de la evolución de Kc obtenidos para diferentes cultivos (línea azul) para el año 2008 y su comparación respecto a la evolución teórica establecida por FAO (línea rosa). En casi todos los casos se observaron muy buenos ajustes entre ambas curvas, salvo en algunas zonas en las que se detectaron pequeños desplazamientos de la curva estimada con respecto a la teórica. Estas variaciones se
Tema B: Hidrología y Gestión del Agua
producen como consecuencia de oscilaciones reales que sufren los ciclos vegetativos en función de las condiciones meteorológicas que se produzcan durante el año de estudio.
Figura 3 Evolución del coeficiente de cultivo en función de la fenología de cuatro cultivos
2.2.1 Intercalibración de datos
La intercalibración se realiza a través de emplazamientos pseudo-invariantes en el tiempo y estables en el espacio, en cuanto al estado de cultivo se refiere. Por tanto, la premisa obligada del método de intercalibración es que sea cual sea el satélite que observa la zona, todos ellos deben de observar el emplazamiento del cultivo en el mismo instante.
Un blanco pseudo-invariante se define como una ubicación en la superficie de la Tierra que es muy estable, temporal y espacialmente durante largos períodos de tiempo y el alcance espacial en el estado de la vegetación contenida en el mismo. Estos sitios están ubicados generalmente en las regiones donde los patrones espaciales son homogéneos en distribución. DMI utiliza los emplazamientos pseudo-invariantes para controlar la estabilidad de los sensores portados en distintas plataformas durante un largo período de tiempo, para sensores embarcados y que no son calibrados a bordo, así como para intercalibraciones entre satélites. Estos sitios proporcionan una excelente fuente de información para estudiar el comportamiento del sensor en función del tiempo así como para asegurar que dos sensores diferentes devuelven medidas iguales de una misma cosa.
La Figura 4 muestra el resultado de intercalibración entre MODIS y UK-DMC en las ubicaciones pseudo-invariantes definidas por DMI sobre España.
Figura 4 Recta con puntos de NDVI bajo y alto
Tema B: Hidrología y Gestión del Agua
En la Figura 5 se presenta un ejemplo de intercalibración entre una imagen MODIS y una DMC.
Figura 5 Ratio de NDVI actual de MODIS y de DMC respecto el NDVI medio de MODIS de la serie 2000-2006
Los sitios localizados se caracterizan por tener:
1. Una amplitud máxima, en el periodo 2000-2008, en valores de NDVI: a. NDVI <0.35 � Amplitud intervalo <0.02. b. NDVI>0.35 � Amplitud intervalo <0.04.
2. En adyacencia, verifican que la ubicación de referencia está rodeada por un buffer igualmente pseudo-invariantes, con el mismo uso de suelo y por tanto, con un valor de NDVI semejante. Esto supone que se verídica que la varianza entre la ubicación de referencia y los valores de NDVI del buffer, poseen una varianza que tiende a cero. Un ejemplo de una de las ubicaciones es 0.00013.
3. El análisis realizado con datos de satélite a varias resoluciones más altas muestra que los valores de NDVI son del orden de 0.0015.
2.3 Cálculo de las necesidades de riego
Además de la “ETc”, la precipitación efectiva “Pe” debe ser tenida en cuenta en el cómputo de las necesidades de agua para el riego. La precipitación efectiva es aquella parte de lluvia que se almacena en el volumen de suelo a profundidad radicular y es consumida por la planta en procesos de evapotranspiración. Las necesidades netas vienen dadas por la expresión:
ecn PETN −=
Además de las necesidades netas de agua (Nn), otras cantidades adicionales de agua deben ser añadidas en el riego para compensar las pérdidas por otros factores externos como es el método de riego empleado. Las cantidades adicionales de agua que se deben añadir para compensar todas las pérdidas, se cuantifican como porcentajes de la ETc en un término denominado eficiencia de aplicación (Ef), expresándose las necesidades totales (brutas) de agua por la relación entre la ETc y Ef, de forma que:
f
nt
E
NN =
El valor de la Ef se obtiene en función del método de riego seleccionado, aunque puede ser introducido directamente por el usuario. Los valores tomados por defecto son los establecidos en la siguiente tabla:
Tema B: Hidrología y Gestión del Agua
Tabla 1 Valores de eficiencia de riego
Método de riego Ef
Inundación 0,65
Aspersión 0,8
Surcos cama estrecha 0,7
Surcos cama ancha 0,7
Surcos alternos 0,7
Goteo 0,9
3 Implementación de productos Una vez desarrollada la metodología, Deimos Imaging ha puesto en práctica operativa una aplicación web a través de la cual el usuario podrá consultar las necesidades de riego de su parcela de forma diaria. Para ello cada usuario dispone de una cuenta cliente y una contraseña (Figura 6).
Figura 6 Interface a través de la cual el usuario puede consultar las salidas del algoritmo
Una vez introducido el nombre de usuario y contraseña, el cliente accede a un segundo interface que se muestra en la Figura 7. En él debe de introducir datos como el nombre del municipio, provincia, polígono, parcela, fecha de la siembra, tipo de cultivo y el tipo de riego.
Figura 7 Interface a través de la cual el usuario introduce los datos
Tema B: Hidrología y Gestión del Agua
Finalmente, el usuario recibe a través de otra pantalla las recomendaciones de riego al igual que los datos utilizados para su cálculo (Figura 8). También puede observar el estado de su cultivo, a través de un mapa de índice de vegetación, permitiéndole definir espacialmente rodales de igual comportamiento.
Figura 8 Interface a través de la cual el usuario visualiza la salida del algoritmo
4 Bibliografía Allen, R.G., Pereira, S., D. Raes, D. and Smith, M. (1998). “Crop evapotranspiration”. FAO Irrigation and Drainage Paper 56. FAO. Roma.
Bausch,W.C. (1995). “Remote sensing of crop coefficients for improving the irrigation scheduling of corn”. Agricultural Water Management 27: 55-68.
Bausch, W.C. (1993). “Soil background effects on reflectance-based crop coefficients for corn”. Remote Sensing of Environment 46: pp 213-222.
Bausch, W.C. & Neale, C.M.U. (1989). “Spectral inputs improve corn crop coefficients and irrigation scheduling”. Transactions of the ASAE 32: pp 1901-1908.
Burgan, R. E., and R. A. Hartford. (1993). “Monitoring vegetation greenness with satellite data”. INT-297, USDA Forest Service. Intermountain Research Station.
Caselles, V., Artigao, M.M., Hurtado, E., Coll, C. and Brasa, A. (1998). “Mapping actual evapotranspiration by combining Landsat TM and NOAA-AVHRR images: Application to the Barrax area, Albacete, Spain”. Remote Sensing of Environment 63: pp 1-10.
Choudhury, B.J., Ahmed, N.U., Idso, S.B., Reginato, R.J. & Daughtry, C.S.T. (1994). “Relations between evaporation coefficients and vegetation indices studies by model simulations”. Remote Sensing of Environment 50: pp 1-17.
Cleugh, H.A., Leuning, R., Mu, Q. and Running S. W. (2007). “Regional evaporation estimates from flux tower and MODIS satellite data”. Remote Sensing of Environment 106: pp 285-304.
Consoli, S., D’Urso, G., Toscazo, A. (2006). “Remote sensing to estimate ET-fluxes and the performance of an irrigation district in southern Italy”. Agricultural Water Management 81: pp 295–314.
Eidenshink, J. C., Burgan, R.E. and Haas, R.H. (1990). “Monitoring fire fuels condition by using time series composites of Advanced Very High Resolution Radiometer (AVHRR) data”. P. Resource, Ed. Washington DC: pp 68-82.
Heilman, J.L., Heilman, W.E. & Moore, D.G. (1982). “Evaluating the crop coefficient using spectral reflectance”. Agricultural Journal 74: pp 967–971.
Huete, A.R., (1987). “Soil-dependent spectral response in a developing plant canopy”. Agronomy Journal, 79:61-68.
Jensen M. E., Burman R. D., Allen R. G., (1990). “Evapotranspiration and irrigation water requirements”. ASCE Manual N° 70, 332 pp.
Tema B: Hidrología y Gestión del Agua
Neale, C.M.U., Bausch, W.C. & Heerman, D.F. (1989). “Development of reflectancebased crop coefficients for corn”. Transactions of the ASAE 32: pp 1891–1899.
Rivas, R. and Caselles, V. (2004). “A simplified equation to estimate spatial reference evaporation from remote sensing-based surface temperature and local meteorological data”. Remote Sensing of Environment 93: pp 68-76.
Rossi, S., Gomarasca, M.A., Bocchi1, S., Rampini, A. (2006). “Monitoring crop evapotranspiration with time series of MODIS satellite data in Northern Italy”. 26th EARSeL Symposium, Warsaw (Poland).
