Mapear cuerpos de agua y determinar la humedad del suelo con imágenes satelitales


1. Índice de Diferencia de Agua Normalizado (NDWI).

El NDIW es una variación del NDVI. Si en la ecuación invertimos el orden del NIR y cambiamos la banda roja por la verde, el resultado será contrario al NDVI, la vegetación será suprimida y los cuerpos de agua se realzaran (McFeeters, 1996).

(Xu) 2006 señaló que este índice es diseñado para:
  • Maximizar la reflectancia de las características acuáticas, al usar la longitud de onda correspondiente al verde.
  • Minimiza la baja reflectancia del NIR para las características acuáticas.
  • Maximiza la alta reflectancia del NIR para la vegetación terrestre y los suelos.

En 1988, Clevers modificó el índice, para medir la cantidad de agua que posee la vegetación o el nivel de saturación de humedad que posee el suelo (Muñoz Aguayo, 2015), la expresión es:

donde: 
SWIR: la banda del Infrarrojo Medio.

Figura 1. Índice de Agua Normalizado NDWI (Fuente: Ariza, García, Rojas, & Ramírez, 2014).


El NDWI es un indice que se ha empleado en diversos estudios para determinar la humedad del suelo y de la vegetación; Sánchez-Ruíz et al. (2014) demostraron que la viabilidad de los índices con la banda SWIR para desglosar observaciones humedad del suelo y vegetación es debido a los efectos de absorción de agua en esta banda por estas coberturas.

Un alto valor de NDWI es consecuencia de una mayor reflectancia en la banda NIR que en la banda SWIR, esto indica cantidades suficientes de agua en el dosel para la actividad fotosintética y, por lo tanto, vegetación verde y saludable. Por el contrario, un valor negativo indica estrés del cultivo, vegetación seca o suelo desnudo.

Sánchez et al, (2015) estimaron únicamente la humedad del suelo a partir de imagenes Landsat 8 y ademas del NDWI  probaron una modificación a dicho indice en el cual intercambiaron la banda del NIR por el RED, y encontraron correlaciones mas altas en el indice modificado (0.64) que en el NDWI (0.59) con respecto a datos de humedad medido in situ. Las correlaciones no son muy altas debido a que en el pixel no se separa el suelo de la vegetación ya que el NDWI es sensible a estas coberturas, esto se podría mejorar si se usan imagenes de mayor resolución espacial.    

2. Índice de Diferencia de Agua Normalizado Modificado (MNDWI).

Este índice surgió como respuesta a la incapacidad del índice de diferencia de agua normalizado (NDWI) para separar territorios cubiertos del agua. Por este motivo en 2006, Xu propuso modificar el NDWI reemplazando la banda del Infrarrojo Cercano (NIR) por la banda del Infrarrojo Medio (SWIR). Los valores de este índice varían entre -1 y 1, donde los valores superiores a cero corresponden a cuerpos de agua. (Ariza, Garcia J., Rojas B., & Ramírez D., 2014).

Figura 2. Índice de Agua Normalizado modificado MNDWI (Fuente: Ariza, Garcia , Rojas, & Ramírez, 2014).

3. Índice de Agua ICEDEX

El índice ICEDEX es utilizado por el Instituto Ambiental Español (CEDEX) para mapear aguas continentales y es uno de los que presenta valores más estables, siendo uno de los menos sensibles a la influencia de vegetación o a la presencia de material en suspensión (sedimentos, algas). Este índice se obtiene a partir de las relaciones entre las bandas del Rojo (R), Infrarrojo Cercano (NIR) e Infrarrojo Medio (SWIR), (Ariza, Garcia J., Rojas B., & Ramírez D., 2014).


Figura 3.  Índice de Agua ICEDEX (Fuente: Ariza, Garcia, Rojas, & Ramírez, 2014).

4. SMAP 

Actualmente, mediante diversos satélites pasivos y activos de detección remota es posible obtener información de la humedad del suelo desde el espacio, entre los más usados están el Soil Moisture and Ocean Salinity (SMOS), el SMAP (Soil Moisture Active Passive), y el Advanced SCATterometer (ASCAT). Muchos de estos sensores brindan imágenes en las cuales no es posible observar directamente la humedad del suelo, sino que es necesario realizar un tratamiento previo para obtener valores de pixel que muestren dicha humedad.

Las imágenes de SMAP (https://smap.jpl.nasa.gov/) tienen una resolución espacial de 9 km y temporal de 7 días y son gratis desde su lanzamiento en enero del 2015. El producto L4 del SMAP ya contiene valores de humedad del suelo por tanto no es necesario realizar un tratamiento previo.

A pesar de que estas imágenes permiten conocer la humedad del suelo y se ha usado de manera exitosa en diversos estudios (Al-Yaari et al. 2018) se debe calibrar y validar a nivel local. Esto se realiza con datos de humedad tomados directamente in situ. En la validación se debe calcular la Raíz del cuadrado medio del error (RCME) comparando datos medidos y estimados de humedad y sí este parámetro resulta con un valor mayor a 0.04 cm3/cm3 (NASA, SMAP Handbook, 2014) la imagen no permite describir con precisión la distribución de humedad en el suelo.
Figura 4.  Ejemplo de datos medidos y estimados con SMAP de humedad del suelo (Entekhabi et al., 2010)


¿Conoces algún otro indice?, déjanos tus comentarios 

4.-Literatura citada.

  • Ariza, A., García J., S., Rojas B., S., & Ramírez D., M. 2014. Desarrollo de un modelo de corrección de imágenes de satélite para inundaciones: (CAIN - Corrección Atmosférica e Índices de Inundación). UN-SPIDER, pp. 1-10.
  • Entekhabi, D., Njoku, E. G., O’Neill, P. E., Kellogg, K. H., Crow, W. T., Edelstein, W. N., … Van Zyl, J. (2010). The soil moisture active passive (SMAP) mission. Proceedings of the IEEEhttps://doi.org/10.1109/JPROC.2010.2043918
  • McFeeters, S. K., 1998. The use of normalized difference wáter index (NDWI) in the delineation of open water featuresInternational Journal Of Remote Sensing17, pp. 1425-1432.
  • Muñoz Aguayo, P. 2015. Índices de vegetación. Centro de Información de Recursos Naturales CIREN. Santiago: CIREN.
  • NASA. (2014). SMAP Handbook. National Aeronautics and Space Administration.
  • Sánchez, N., Alonso-Arroyo, A., Martínez-Fernández, J., Piles, M., González-Zamora, Á., Camps, A., & Vall-Llosera, M. (2015). On the synergy of airborne GNSS-R and landsat 8 for soil moisture estimation. Remote Sensing. https://doi.org/10.3390/rs70809954
  • Sánchez-Ruiz, S., Piles, M., Sánchez, N., Martínez-Fernández, J., Vall-llossera, M., & Camps, A. (2014). Combining SMOS with visible and near/shortwave/thermal infrared satellite data for high resolution soil moisture estimates. Journal of Hydrology. https://doi.org/10.1016/j.jhydrol.2013.12.047
  • Xu, H. 2006. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imageryInternational Journal Of Remote Sensing27(14), 3025-3033. doi:doi:10.1080/01431160600589179.

Entradas más populares de este blog

Pérdidas de carga localizadas o en accesorios

Clasificación de ríos según su edad

Combinación RGB con bandas del satélite Landsat 5 y 7

Factor de fricción de la ecuación de Colebrook-White, con métodos numéricos.

Granulometría-Método del hidrómetro: fundamentos teóricos, aplicaciones

Programas para diseñar sistemas de riego

Componentes de los sistemas de riego por goteo