Trabajo de grado - Maestría
Estimación de la temperatura mensual del aire usando imágenes satelitales en una zona de topografía muy variable en los Andes del sur del Ecuador
Fecha
2020-12-04Registro en:
Universidad Nacional de Colombia
Repositorio Institucional Universidad Nacional de Colombia
Autor
Orellana Samaniego, Maria Lorena
Institución
Resumen
El monitoreo de la temperatura del aire (Ta) tiene implicaciones en una amplia gama de aplicaciones ambientales. La Ta se mide comúnmente con estaciones meteorológicas, que proporcionan una alta precisión y una alta resolución temporal en un sitio específico. Sin embargo, estos datos in situ proporcionan información limitada sobre patrones espaciales. Dicha limitación se magnifica en regiones con topografía muy variable y con una red de monitoreo escasa, como es el caso de los Andes del sur del Ecuador. Es por eso que, debido a la continuidad espacial de la información, los datos de teledetección tienen un gran potencial para estimar la distribución espacial de las variables climatológicas. Esta investigación tiene como objetivo estimar la distribución espacial de la Ta mensual en la cuenca del río Paute utilizando métodos estadísticos y geoestadísticos como: regresión lineal LR (por sus siglas en inglés), regresión de bosques aleatorios (RF, por sus siglas en inglés) y regresión Kriging (RK); además se evalúa el uso de la altitud y otras variables auxiliares (temperatura de la superficie terrestre -LST- por sus siglas en inglés, latitud y longitud) en los modelos de regresión. Los resultados mostraron que la altitud y LST fueron las variables auxiliares más efectivas para estimar la temperatura del aire. La validación cruzada mostró que la RF tuvo un mejor desempeño que la LR, así como el uso de variables auxiliares en relación al uso solo de la altitud (basados en la mediana, LR-altitud: RMSE= 1.325°C, P-Bias= -0.150%, r= 0.775; LR-variables auxiliares: RMSE= 1.265°C, P-Bias= 0.000% r=0.795; RF-altitud: RMSE= 1.235°C, P-Bias=0.200%, r= 0.810; RF-variables auxiliares RMSE= 1.205°C, P-Bias=0.2%, r=0.820). La aplicación de RK fue limitada debido a que en menos del 50% de los meses de estudio existió autocorrelación espacial en los residuos de los modelos de regresión lineal y de bosques aleatorios. Sin embargo, en estos meses, RK aumentó ligeramente el rendimiento de las estimaciones. Estos resultados permiten obtener mapas mensuales de la Ta en la cuenca del rio Paute con exactitudes aceptables, siendo esencial en la aplicación de modelos y en actividades que requieren del uso de la Ta como variable de entrada. (Texto tomado de la fuente). Monitoring of air temperature (Ta) has implications in a wide range of environmental applications. Ta is commonly measured with weather stations, which provide a high accuracy and high temporal resolution for the specific monitoring sites. However, these in-situ data provide limited information about spatial patterns. Such limitation is magnified in regions with highly variable topography ad scarce monitoring, such as the case of the southern Ecuadorian Andes. Thus, remote sensing data has a great potential to estimate the spatial distribution of climatological variables due to the spatial continuity of the information. This research aims to estimate the spatial distribution of the monthly Ta in the Paute river basin using statistical and geostatistical methods, such as linear regression (LR), random forest regression (RF) and regression Kriging (RK); while evaluating the use of altitude and other auxiliary variables (land surface temperature (LST), latitude, and longitude). The results showed that altitude and LST were the most effective auxiliary variables. Cross-validation showed that RF performed better than linear regression, as well as when using auxiliary variables compared to only the altitude (LR-altitude: RMSE= 1.325°C, P-Bias= -0.150%, r= 0.775; LR-auxiliary variables: RMSE= 1.265°C, P-Bias= 0.000% r=0.795; RF-altitude: RMSE= 1.235°C, P-Bias=0.200%, r= 0.810; RF-auxiliary variables RMSE= ±1.205°C, P-Bias=0.2%, r=0.820). The application of RK was limited since less than 50% of the study months had spatial autocorrelation in the regression model residuals. Nevertheless, in these months RK increased the estimation performance.