Modelo de distribución espacial del desequilibrio de radiación terrestre medido por medio de radiómetros puestos en órbita

dc.contributorOspina Noreña, Jesús Efrén
dc.creatorGarcía Pedreros, Julián Guillermo
dc.date.accessioned2021-09-02T14:58:50Z
dc.date.available2021-09-02T14:58:50Z
dc.date.created2021-09-02T14:58:50Z
dc.date.issued2021-08
dc.identifierhttps://repositorio.unal.edu.co/handle/unal/80077
dc.identifierUniversidad Nacional de Colombia
dc.identifierRepositorio Institucional Universidad Nacional de Colombia
dc.identifierhttps://repositorio.unal.edu.co/
dc.description.abstractThis research focused on the implementation of a spatial distribution model that is based on the application of geostatistical interpolation techniques. This procedure allowed a more exact analysis of the variables influencing the spatial patterns of the earth radiation imbalance in central Colombia. The input used in this model is called FlashFlux TISA, coming from the observations of the Terra and Aqua satellites of the CERES (Clouds and the Earths Radiant Energy System) and MODIS (Moderate-Resolution Imaging Spectroradiometer) projects [1]. In summary, the way in which this research was carried out was initially with an image quality evaluation, to analyze the potential and statistical characteristics of the FlashFlux TISA data; Subsequently, a kriging interpolation method was applied that adapted the radiometric data for a correct analysis and the patterns of earth radiation imbalance in the center of the country were analyzed, trying to explore variables that influence these spatial dynamics. Finally, an evaluation of the spatial distribution model of the earth radiation imbalance was established, where the virtues, relevance and limitations of the techniques used within it were validated. This research managed to implement statistical methods of spatial interpolation, specifically the Ordinary Kriging technique, allowing to model the recent situation of the earth radiation imbalance in the center of Colombia and managing to identify some processes and factors that are closely related to this atmospheric phenomenon responsible for the regional warming effects.
dc.description.abstractEsta investigación se centró en la implementación de un modelo de distribución espacial que se basa en la aplicación de técnicas de interpolación geoestadística. Este procedimiento permitió un análisis más exacto de las variables que influyen en los patrones espaciales del desequilibrio de la radiación terrestre en el centro de Colombia. Los datos de entrada utilizados en este modelo se llaman FlashFlux TISA, y provienen de las observaciones de los satélites Terra y Aqua de los proyectos CERES (Clouds and the Earths Radiant Energy System) y MODIS (Moderate-Resolution Imaging Spectroradiometer) (NASA, 2020). En síntesis, la forma en que se llevó a cabo esta investigación fue inicialmente con una evaluación de la calidad de la imagen, para analizar las características potenciales y estadísticas de los datos de FlashFlux TISA; Posteriormente, se aplicó un método de interpolación kriging que adaptó los datos radiométricos para un correcto análisis y se analizaron los patrones de desequilibrio de radiación terrestre en el centro del país, tratando de explorar variables que influyen en estas dinámicas espaciales. Finalmente, se estableció una evaluación del modelo de distribución espacial del desequilibrio de radiación terrestre, donde se validaron las virtudes, relevancia y limitaciones de las técnicas empleadas en él. Esta investigación logró implementar métodos estadísticos de interpolación espacial, específicamente la técnica Kriging Ordinario, permitiendo modelar la situación reciente del desequilibrio de radiación terrestre en el centro de Colombia y logrando identificar algunos procesos y factores que están estrechamente relacionados con este fenómeno atmosférico responsable de los efectos del calentamiento regional. (Texto tomado de la fuente).
dc.languagespa
dc.publisherUniversidad Nacional de Colombia
dc.publisherBogotá - Ciencias Agrarias - Maestría en Geomática
dc.publisherDepartamento de Agronomía
dc.publisherFacultad de Ciencias Agrarias
dc.publisherBogotá, Colombia
dc.publisherUniversidad Nacional de Colombia - Sede Bogotá
dc.relationAlarcón, J. & Pabón, J. (2013). El cambio climático y la distribución espacial de las formaciones vegetales en Colombia. Colombia Forestal, 16(2), 171-185.
dc.relationÁlvarez Villa, O. D. (2007). Cuantificación de la incertidumbre en la estimación de campos hidrológicos. Aplicación al balance hídrico de largo plazo. Universidad Nacional de Colombia Sede Medellín.
dc.relationAlzate-Velásquez, D.F., Araujo-Carrilo, G.A., Rojas-Barbosa, E.O., Gómez-Latorre, D.A., & Martínez-Maldonado, F.E. (2018). Interpolacion Regnie para lluvia y temperatura en las regiones Andina, Caribe y Pacífica de Colombia. Colombia Forestal, 21(1), 102-118
dc.relationBanco Mundial; CIAT; CATIE. (2015). Agricultura climáticamente inteligente en Colombia. Serie de perfiles nacionales de agricultura climáticamente inteligente para América Latina. 2da. ed. Washington D.C.: Grupo del Banco Mundial.
dc.relationBenavides-Balleteros, H. O., Simbaqueva-Fonseca, O., & Zapata-Lesmes, H. J. (2017). Atlas de Radiación Solar, Ultravioleta y Ozono de Colombia. Bogotá D.C.
dc.relationCepeda Quintero, R. E. (2016). Evaluación de un periodo espaciotemporal para identificar variaciones en el comportamiento de la heliofonía en el Departamento del Valle del Cauca. Bogotá D.C.
dc.relationChirinos, L. & Mallqui, C. (2016). Comparación entre Interpoladores Espaciales en el Estudio de Distribución de Partículas Sedimentables Insolubles en la Cuenca Atmosférica de Lima y Callao. Información tecnológica, 27(4), 111-120. https://dx.doi.org/10.4067/S0718-07642016000400012
dc.relationChow, V. T; Maidment, D; Mays, L. (1994). Hidrología aplicada, McGraw Hill, Santafé de Bogotá, Colombia.
dc.relationCórdova, J & Iturbe, I. (2015). El ciclo hidrológico y su significación ecológica. (en la web: https://www.researchgate.net/publication/309203780. acceso: 08 de mayo, 2020)
dc.relationDominguez, A. (1973). La formación de la tierra. Barcelona, España. Editorial: Salvat Editores.
dc.relationESRI. (2017a). Cómo funciona Kriging. https://desktop.arcgis.com/es/arcmap/10.3/tools/3d-analyst-toolbox/how-kriging-works.htm (Consultado el 16 de junio de 2021).
dc.relationGallardo, A. (2007). Geostadística. Ecosistemas, 15(3). Recuperado a partir de https://www.revistaecosistemas.net/index.php/ecosistemas/article/view/161
dc.relationGuerrero, R & Sánchez Calle, J & Serpa, D & Bacuilima, A & Penarreta, L. (2017). CORRELACIÓN ENTRE IMÁGENES SATELITALES DE NUBOSIDAD Y PRECIPITACIÓN. GALILEO. 26. 67-74.
dc.relationIDEAM. (2005). Atlas de Radiación Solar de Colombia. Disponible en http://documentacion.ideam.gov.co/cgi-bin/koha/opac detail.pl?biblionumber=1398&shelfbrowse_itemnumber=1493#holdings.
dc.relationIDEAM. (2007). Información técnica sobre gases de efecto invernadero y el cambio climático. Subdirección De Meteorología. Bogotá, Colombia.
dc.relationIDEAM. (2015). Atlas de viento de Colombia. Disponible en: http://www.andi.com.co/Uploads/VIENTO.compressed.pdf
dc.relationIDEAM, PNUD, MADS, DNP, CANCILLERÍA. (2016). Inventario nacional y departamental de Gases Efecto Invernadero – Colombia. Tercera Comunicación Nacional de Cambio Climático. Bogotá D.C., Colombia.
dc.relationIDEAM – UNAL. (2018). Variabilidad Climática y Cambio Climático en Colombia, Bogotá, D.C.
dc.relationLondoño LA, Restrepo C, Marulanda E. (2014). Distribución espacial del dengue basado en herramientas del Sistema de Información Geográfica, Valle de Aburrá, Colombia. Rev. Fac. Nac. Salud Pública; 32(1): 7-15.
dc.relationMarin, L., Jimenez, J., Moreno, H., Velez, J., Guzman, J., Poveda, G. (2005). Distribución espacial y ciclo diurno de la temperatura ambiente y punto de rocio en una región de los Andes Tropicales de Colombia. Avances en Recursos Hidráulicos (12). pp. 149-158. ISSN 0121-5701
dc.relationMateo, R. G., Felicísimo, Á. M., & Muñoz, J. (2011). Modelos de distribución de especies: Una revisión sintética. Revista Chilena de Historia Natural. https://doi.org/10.4067/S0716-078X2011000200008
dc.relationMejía, F., Mesa, O., Poveda, P., Vélez, J., Hoyos, C., Mantilla, R., Barco, J., Cuartas, A., Montoya, M., y Botero, B. (1999). Distribución espacial y ciclos anual y semianual de la precipitación en Colombia. DYNA, 127, pp. 7-24.
dc.relationMolina, MJ, y Molina, LT (2004). Megaciudades y contaminación atmosférica. Revista de la Asociación de Administración de Aire y Desechos, 54 (6), 644-680. https://doi.org/10.1080/10473289.2004.10470936
dc.relationMontoya, G., J. Eslava, A. Calderón & H. Vega. (2000): Implementación del método de Gandin para interpolar datos de precipitación en Colombia. Meteorol. Colomb. 1:25-30. ISSN 0124-6984. Santa Fe de Bogotá, D.C. – Colombia.
dc.relationPabón J.D., (2012). Cambio climático en Colombia: Tendencias en la segunda mitad del siglo XX y escenarios posibles para el siglo XXI. Revista de la Academia Colombiana de Ciencias Exactas, Físicas y Naturales. 36. 261-278.
dc.relationPabón, N & Alzate, M. (2015). Problemática del agotamiento de la capa de ozono. Boletín Ozono. UTO, MINAMBIENTE & PNUD. Pg 16
dc.relationPabón, J. D; Montealegre, J. E. (2017). Los fenómenos de El Niño y de La Niña, su efecto climático e impactos socioeconómicos. Bogotá: Academia Colombiana de Ciencias Exactas, Físicas y Naturales, 168 p.
dc.relationParamá, R. 2006. Heterogeneidad Espacial de Nutrientes del Suelo en Ecosistemas Terrestres. Tesis Doctoral. Universidad de Vigo.
dc.relationPrimo Salazar, A. (2015). Variabilidad de la temperatura y de la precipitación en la Ciudad de Toluca, Estado de México, periodo 1970 – 2013. (Tesis de maestría). Universidad Autónoma del Estado de México. Toluca.
dc.relationRodríguez, M.J., Zambrana, A. & Bernabé, M.A., (2009). Diseño de herramientas de análisis espaciotemporal para el estudio de bases de datos históricas. VI Jornadas Técnicas de la IDE de España.
dc.relationSaavedra, M., Calvo, M. and Jiménez, C. (2011). “Caracterización climática de la circulación atmosférica en América del Sur”. Recuperado el 10 de noviembre de 2015
dc.relationValdés, J; Londoño, L. (2016). Análisis y Modelamiento Espacial. Colombia. Ed: Editorial Bonaventuriana. ISBN: 978-958-8474-51-9 v. pags.
dc.relationZuluaga Pulgarín, D.P. (2018). Evaluación de metodologías de interpolación de radiación solar en Colombia (Trabajo de grado). Recuperado de: http://repository.eia.edu.co/handle/11190/2241
dc.relationAlmorox, J. (2011). Estimating global solar radiation Fromm common meteorological data in Aranjuez, Spain. Turkish Journal of Physics, 35, 53–64.
dc.relationAlmorox, J., Benito, M., & Hontoria, C. (2008). Estimation of global solar radiation in Venezuela. Interciencia, 33, 280–283.
dc.relationAlmorox, J., Benito, M., & Hontoria, C. (2005). Estimation of monthly Angström-Prescott equation coefficients from measured daily data in Toledo, Spain. Renewable Energy, 30, 931–936.
dc.relationBachour, D., & Perez-Astudillo, D. (2014). Ground-measurement GHI map for Qatar. Energy Procedia, 49, 2297–2302.
dc.relationBarnes, William & Pagano, Thomas & Salomonson, Vincent. (1998). Prelaunch characteristics of the Moderate Resolution Imaging Spectroradiometer (MODIS) on EOS-AM1. Geoscience and Remote Sensing, IEEE Transactions on. 36. 1088 - 1100. 10.1109/36.700993.
dc.relationÁrpad Barsi, Zsófia Kugler, Attila Juhász, György Szabó, Carlo Batini, Hussein Abdulmuttalib, Guoman Huang & Huanfeng Shen (2019): Remote sensing data quality model: from data sources to lifecycle phases, International Journal of Image and Data Fusion, DOI: 10.1080/19479832.2019.1625977
dc.relationBerndt, C., & Haberlandt, U. (2018). Spatial interpolation of climate variables in Northern Germany Influence of temporal resolution and network density. Journal of Hydrology: Regional Studies, 15, 184–202.
dc.relationBroecker W.S., and T.H. Peng. (1982). Tracers in the Sea. Palisades, NY: Lamont-Doherty Geological Observatory, Columbia University.
dc.relationChilds, C. (2004). Interpolating Surfaces in ArcGis Spatial Analyst, (en la web: https://www.esri.com/news/arcuser/0704/files/interpolating.pdf, acceso: 05 de mayo, 2020)
dc.relationColwell, R. N. (Ed.), (1983). Manual of Remote Sensing, 2nd Ed., Falls Church: ASPRS.
dc.relationCrespo, C., Meizoso, M. del C., Sánchez, F., Rodríguez, B. A., Calvo, J. L., & de Cos, F. J. (2014). Missing Data Imputation of Solar Radiation Data under Different Atmospheric Conditions. Sensors, 14, 20382–20399.
dc.relationCressman, G.P. (1959). An operational objective analysis system. Month Wea. Rev. 87, No 10
dc.relationGao, B., et al., (2015). MODIS Atmosphere L2 Water Vapor Product. NASA MODIS Adaptive Processing System, Goddard Space Flight Center, USA: http://dx.doi.org/10.5067/MODIS/MYD05_L2.
dc.relationHall, Dorothy & Salomonson, Vincent & Riggs, George & Klein, Andrew. (2003). Snow and Ice Products from the Moderate Resolution Imaging Spectroradiometer. American Society of Photogrammetry and remote sensing. Anchorage, AK. United states.
dc.relationHegglin, M.I; Fahey, D.W; McFarland, M; Montzka, S and Nash, E. (2014). Twenty Questions and Answers About the Ozone Layer: Update, Scientific Assessment of Ozone Depletion. World Meteorological Organization, Geneva, Switzerland. 84 pp.
dc.relationHegglin, M.I; Fahey, D.W; McFarland, M; Montzka, S and Nash, E. (2014). Twenty Questions and Answers About the Ozone Layer: Update, Scientific Assessment of Ozone Depletion. World Meteorological Organization, Geneva, Switzerland. 84 pp.
dc.relationIsaaks, E.H. and Srivastava, R.M., (1989). Applied Geostatistics. Oxford University Press, New York, 561 pp.
dc.relationJamaly, M., & Kleissl, J. (2017). Spatiotemporal interpolation and forecast of irradiance data using Kriging. Solar Energy, 158, 407–423.
dc.relationJandaghian, Z.; Akbari, H. (2018). The Effect of Increasing Surface Albedo on Urban Climate and Air Quality: A Detailed Study for Sacramento, Houston, and Chicago. Climate, 6, 19. https://doi.org/10.3390/cli6020019
dc.relationJensen, J R., (2015). Introductory digital image processing: a remote sensing perspective. Pearson series in geographic information science. 4th edition. University of South Carolina. 623 pages.
dc.relationJensen, J R., (2015). Introductory digital image processing: a remote sensing perspective. Pearson series in geographic information science. 4th edition. University of South Carolina. 623 pages.
dc.relationJustice, C.O. & Townshend, J. & Vermote, E. & Ed, Masuoka & Wolfe, Robert & Saleous, Nazmi & Roy, David & Morisette, Jeffrey. (2002). An overview of MODIS Land data processing and product status. Remote Sensing of Environment. 83. 3-15. 10.1016/S0034-4257(02)00084-6.
dc.relationKratz, D.P., P.W. Stackhouse, S.K. Gupta, A.C. Wilber, P. Sawaengphokhai, and G.R. McGarragh. (2014). The Fast Longwave and Shortwave Flux (FLASHFlux) Data Product: Single-Scanner Footprint Fluxes. J. Appl. Meteor. Climatol., 53, 1059–1079, https://doi.org/10.1175/JAMC-D-13-061.1
dc.relationLaib, M., & Kanevski, M. (2016). Spatial Modelling of Extreme Wind Speed Distributions in Switzerland. Energy Procedia, 97, 100–107. https://doi.org/10.1016/J.EGYPRO.2016.10.029
dc.relationLi, J. y Heap, A. (2008). A review of spatial interpolation methods for environmental scientists, (en la web: http://www.ga.gov.au/webtemp/image_cache/GA12526.pdf, acceso: 20 de octubre, 2015), Australian Government, Australia.
dc.relationLoeb, N. G., Lyman, J. M., Johnson, G. C., Allan, R. P., Doelling, D. R., Wong, T., … Stephens, G. L. (2012). Observed changes in top-of-the-atmosphere radiation and upper-ocean heating consistent within uncertainty. Nature Geoscience. https://doi.org/10.1038/ngeo1375
dc.relationLoeb, N. (2017). What is Earth’s Energy Budget? Five Questions with a Guy Who Knows. https://www.nasa.gov/feature/langley/what-is-earth-s-energy-budget-five-questions-with-a-guy-who-knows
dc.relationLoeb, N.G.; Thorsen, T.J.; Norris, J.R.; Wang, H.; Su, W. (2018). Changes in Earth’s Energy Budget during and after the “Pause” in Global Warming: An Observational Perspective. Climate. 6, 62.
dc.relationLoghmari, I., Timoumi, Y., & Messadi, A. (2018). Performance comparison of two global solar radiation models for spatial interpolation parpases. Renewable and Sustainable Energy Reviews, 82, 837–844
dc.relationLloyd, C. D. (2010). Spatial data analysis: an introduction for GIS users. Oxford University Press.
dc.relationMarzo, A., Trigo-Gonzalez, M., Alonso-Montesinos, J., Martínez-Durbán, M., López, G., Ferrada, P., … Batlles, F. J. (2017). Daily global solar radiation estimation in desert areas using daily extreme temperatures and extraterrestrial radiation. Renewable Energy, 113, 303–311.
dc.relationMendez, M., & Calvo-Valverde, L. (2016). Assessing the Performance of Several Rainfall Interpolation Methods as Evaluated by a Conceptual Hydrological Model. Procedia Engineering, 154, 1050–1057. https://doi.org/10.1016/J.PROENG.2016.07.595
dc.relationMing, T & Kiesgen de R, Renaud & Liu, W & Caillol. (2014). Fighting global warming by climate engineering: ¿Is the Earth radiation management and the solar radiation management any option for fighting climate change? Renewable and Sustainable Energy Reviews. 31. 792–834.
dc.relationNASA. (2019). Jet Propulsion Laboratory. Earth Science Communications Team. California Institute of Technology. Recuperado de: https://climate.nasa.gov/nasa_science/missions/?page=0&per_page=40&order=title+asc&search=
dc.relationNasa. (2020). Nasa Earth Observation. Science Office. Goddard Space Flight Center. Net Radiation. Maryland, United States. Recuperado de: https://neo.sci.gsfc.nasa.gov/view.php?datasetId=CERES_NETFLUX_M
dc.relationOyana, Tonny & Margai, F.M. (2015). Spatial Analysis: Statistics, Visualization, and Computational Methods. 10.1201/b18808.
dc.relationPan, T., Wu, S., Dai, E., & Liu, Y. (2013). Estimating the daily global solar radiation spatial distribution from diurnal temperature ranges over the Tibetan Plateau in China. Applied Energy, 107, 384–393. https://doi.org/10.1016/J.APENERGY.2013.02.053
dc.relationParkkari, M., Parviainen, M., Ojanen, P., & Tolvanen, A. (2017). Spatial modelling provides a novel tool for estimating the landscape level distribution of greenhouse gas balances. Ecological Indicators, 83, 380–389. https://doi.org/10.1016/J.ECOLIND.2017.08.014
dc.relationPetrescu, R & Aversa, R & Apicella, A & Petrescu, F. (2018). NASA Sees First in 2018 the Direct Proof of Ozone Hole Recovery. Journal of Aircraft and Spacecraft Technology. 2. 53-64. 10.3844/jastsp.2018.53.64.
dc.relationPlouffe, C. C. F., Robertson, C., & Chandrapala, L. (2015). Comparing interpolation techniques for monthly rainfall mapping using multiple evaluation criteria and auxiliary data sources: A case study of Sri Lanka. Environmental Modelling & Software, 67, 57–71.
dc.relationRodríguez-Amigo, M. C., Díez-Mediavilla, M., González-Peña, D., Pérez-Burgos, A., & Alonso-Tristán, C. (2017). Mathematical interpolation methods for spatial estimation of global horizontal irradiation in Castilla-León, Spain: A case study. Solar Energy, 151, 14–21.
dc.relationRose, L.S.; Akbari, H.; Taha, H. (2003). Characterizing the Fabric of the Urban Environment: A Case Study of Greater Houston, Texas; Report LBNL-51448; Lawrence Berkeley National Laboratory: Berkeley, CA, USA.
dc.relationStackhouse, P. W., D. P. Kratz, G. R. McGarragh, S. K. Gupta, and E. B. Geier, (2006). Fast Longwave and Shortwave Radiative Flux (FLASHFlux) Products from CERES and MODIS Measurements. 12th Conference on Atmospheric Radiation, American Meteorological Society, Madison, Wisconsin, 10-14.
dc.relationSebille, Q., Fougères, A.-L., & Mercadier, C. (2017). Modeling extreme rainfall A comparative study of spatial extreme value models. Spatial Statistics, 21, 187–208. https://doi.org/10.1016/J.SPASTA.2017.06.009
dc.relationSen, Z., & Sahin, A. D. (2001). Spatial interpolation and estimation of solar irradiation by cumulative semivariograms. Solar Energy, 71, 11–21.
dc.relationSmith, G.L. & Priestley, Kory & Loeb, Norman & Wielicki, Bruce & Charlock, T. & Minnis, Patrick & Doelling, D.R. & Rutan, D.A. (2011). Clouds and Earth Radiant Energy System (CERES), a review: Past, present and future. Advances in Space Research. 48. 254-263. 10.1016/j.asr.2011.03.009.
dc.relationSolomon, S., D. Qin, M. Manning, Z. Chen, M. Marquis, K.B. Averyt, M. Tignor and H.L. Miller (eds.), (2007). The Physical Science Basis. Contribution of Working Group I to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA, 996 p.
dc.relationStephens, G. L., D. O’Brien, P. J. Webster, P. Pilewski, S. Kato, and J.-l. Li. (2015). The albedo of Earth, Rev. Geophys., 53, doi:10.1002/2014RG000449.
dc.relationStewart, R. (2008). Introduction To Physical Oceanography. A & M University. 344 pp.
dc.relationSwartz, W.; Lorentz, S. R.; Huang, P. M.; Smith, A. W.; Deglau, D.; Reynolds, E.; Carvo, J.; Papadakis, S.; Wu, D. L.; Wiscombe, W. J.; Dyrud, L. P. (2016). The RAVAN CubeSat Mission: A Pathfinder for a New Measurement of Earth's Radiation Budget. American Geophysical Union, Fall General Assembly, abstract id. A11I-0134.
dc.relationSwartz, W & Lorentz, S & Papadakis, S & Huang, P & Smith, A & Deglau, D & Yu, Y & Reilly, S & Reilly, N & Anderson, D. (2019). RAVAN: CubeSat Demonstration for Multi-Point Earth Radiation Budget Measurements. Remote Sensing. 11. 796. 10.3390/rs11070796.
dc.relationTait, A., & Liley, B. (2009). Interpolation of daily solar radiation for New Zealand using a satellite data-derived cloud cover surface. Weather and Climate, 29, 70–88.
dc.relationTrenberth, K. E., Fasullo, J. T., & Balmaseda, M. A. (2014). Earth’s energy imbalance. Journal of Climate. https://doi.org/10.1175/JCLI-D-13-00294.1
dc.relationVon Schuckmann, K.; Palmer, M. D.; Trenberth, K. E.; Cazenave, A.; Chambers, D.; Champollion, N.; Hansen, J.; Josey, S. A.; Loeb, N.; Mathieu, P.-P.; Meyssignac, B.; Wild, M. (2016). An imperative to monitor Earth's energy imbalance. Nature Climate Change, Volume 6, Issue 2, pp. 138-144. https://doi.org/10.1038/nclimate2876
dc.relationWagner, P. D., Fiener, P., Wilken, F., Kumar, S., & Schneider, K. (2012). Comparison and evaluation of spatial interpolation schemes for daily rainfall in data scarce regions. Journal of Hydrology, 464–465, 388–400. https://doi.org/10.1016/J.JHYDROL.2012.07.026
dc.relationWackernagel, H., (2003). Multivariate Geostatistics: An Introduction with Applications. Springer, Berlin, 387 pp
dc.relationYan, G., Wang, T., Jiao, Z., Mu, X., Zhao, J., & Chen, L. (2016). Topographic radiation modeling and spatial scaling of clear-sky land surface longwave radiation over rugged terrain. Remote Sensing of Environment, 172, 15–27. https://doi.org/10.1016/J.RSE.2015.10.026
dc.relationYang, Jun & Gong, Peng & Fu, Rong & Zhang, Minghua & Chen, Jing & Liang, Shunlin & Xu, Bing & Shi, Jiancheng & Dickinson, Robert. (2013). The role of satellite remote sensing in climate change studies. Nature Climate Change. 3. 875-883. 10.1038/nclimate2033.
dc.rightsAtribución-NoComercial-SinDerivadas 4.0 Internacional
dc.rightshttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rightsinfo:eu-repo/semantics/openAccess
dc.titleModelo de distribución espacial del desequilibrio de radiación terrestre medido por medio de radiómetros puestos en órbita
dc.typeTrabajo de grado - Maestría


Este ítem pertenece a la siguiente institución