Estimación de la humedad superficial del suelo por medición indirecta y enfoque geométrico y estadístico con imágenes satelitales en una cuenca hidrográfica andina tropical colombiana
Portada
PDF 
FLIP Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Autores
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor/Compilador
Editores
Tipo de Material
Fecha
Cita bibliográfica
Título de serie/ reporte/ volumen/ colección
Es Parte de
Resumen en español
Esta investigación tuvo por objetivo, estimar y modelar la humedad superficial del suelo (HS) por medición indirecta, e incorporar tecnología satelital con información geo-ambiental. Para ello, se planteó un método indirecto, un método geométrico y un método por asimilación de datos. El estudio se llevó a cabo en 10 unidades de muestreo localizadas en la cuenca hidrográfica del río Quindío (Colombia). Se realizaron 2211 mediciones gravimétricas en la capa del suelo (0-5 cm), durante siete períodos de evaluación, entre 2017 y 2018. En las unidades de muestreo, se evaluaron las siguientes variables edafológicas: densidad aparente por el método del cilindro, distribución de tamaño de partículas por el método del hidrómetro, porosidad del suelo por el método de la mesa de tensión, curvas de retención de humedad del suelo, en seis puntos de presión utilizando las ollas de Richards y se midió la humedad relativa y la temperatura del suelo, mediante 47 sensores iButton DS1923. El análisis estadístico se realizó a través de un enfoque descriptivo e inferencial usando métodos multivariantes: Para el método indirecto, se agregaron las mediciones gravimétricas usando el promedio heroniano, con el cual se obtuvo igual dimensión de datos por las dos metodologías. Se realizó un ajuste mediante la técnica de splines cúbicos. El efecto del tiempo se analizó con el análisis de varianza no paramétrico longitudinal. Se realizó un análisis de conglomerados, conformándose cinco estratos, que fueron evaluados con el estadístico Q. Finalmente, se determinó un modelo no lineal (curva S), entre las mediciones y las estimaciones, con un ajuste R2 de 68%. Para el método geométrico, se conformaron los contornos convexos y se determinó la HS de imágenes satelitales SMAP de cuatro resoluciones espaciales. Las humedades por los dos métodos, fueron ponderadas usando por analogía un límite trascendental, en el que se consideraron seis parámetros geométricos. Se realizó la clasificación de las humedades con una red neuronal probabilística Bayesiana y se encontró que la tasa de cambio de área, presentó mayor cantidad de casos clasificados correctamente, con un R2 de 74%, para 1 km de resolución espacial. Se estimó una unidad espacial de cambio (downscaling), de 0,485 km, correspondiente a una reducción del 53%. Para el método por asimilación de datos, se diseñó un modelo de regresión lineal para predecir la HS con la incorporación de factores geo-ambientales y humedades del satélite SMAP. Se determinaron coeficientes R2 de 62%, 69%, 63% y 70%, para los modelos de predicción de 1,3, 9 y 36 km respectivamente. Se evaluó la exactitud de los promedios heronianos con las estimaciones, encontrándose un RMSE menor de 0.0614, para 9 km de resolución espacial. Los resultados de esta investigación constituyen información inédita en el país, encaminada al monitoreo de la humedad superficial del suelo, mediante el uso de las nuevas tecnologías geoespaciales, para mejorar, entre otros aspectos, el monitoreo y gestión del riesgo de desastres como las sequías e inundaciones, la producción agrícola, y en general la planificación y uso de los recursos en las cuencas hidrográficas. Palabras claves: Humedad del suelo, potencial matricial, imágenes satelitales, downscaling geométrico, asimilación de datos.
Resumen en español
The objective of this research was to estimate and model the surface moisture of the soil (SM) by indirect measurement, and to incorporate satellite technology with geo-environmental information. For this achievement, an indirect method, a geometric method and a method by data assimilation were proposed. The study was carried out in 10 sampling units located in the Quindío River watershed (Colombia). A total of 2211 gravimetric measurements were made in the soil layer (0-5 cm), during seven evaluation periods, between 2017 and 2018. In the sampling units, the following soil variables were evaluated: bulk density by the cylinder method, particle size distribution by the hydrometer method, soil porosity by the stress table method, soil moisture retention curves, at six pressure points using Richards' pans, and relative moisture and soil temperature were measured, using 47 iButton DS1923 sensors. The statistical analysis was performed through a descriptive and inferential approach using multivariate methods: For the indirect method, gravimetric measurements were added using the heronian average, with which the same dimension of data was obtained by the two methodologies. An adjustment was made using the cubic spline technique. The effect of time was analyzed with the analysis of longitudinal nonparametric variance. A cluster analysis was performed, forming five strata, which were evaluated with the Q statistic. Finally, a non-linear model (S curve) was determined, between measurements and estimates, with an R2 adjustment of 68%. For the geometric method, convex contours were formed and the SM of SMAP satellite images of four spatial resolutions was determined. The moisture content for both methods was weighted using a transcendental limit by analogy, in which six geometric parameters were considered. The moistures were classified using a Bayesian probabilistic neural network and it was found that the rate of change of area, presented a greater number of correctly classified cases, with an R2 of 74%, for 1 km of spatial resolution. A spatial unit of change (downscaling) of 0.485 km was estimated, corresponding to a reduction of 53%. For the data assimilation method, a linear regression model was designed to predict SM with the incorporation of geo-environmental factors and SMAP satellite moisture. R2 coefficients of 62%, 69%, 63% and 70% were determined for the prediction models of 1.3, 9 and 36 km respectively. The accuracy of the heronian averages was evaluated with the estimates, finding an RMSE of less than 0.0614, for 9 km of spatial resolution. The results of this research constitute unprecedented information in the country, aimed at monitoring soil surface moisture, through the use of new geospatial technologies, to improve, among other aspects, the monitoring and management of disaster risks such as droughts and floods, agricultural production, and in general the planning and use of resources in watersheds. Keywords: Soil moisture, matrix potential, satellite images, geometric downscaling, data assimilation.
