Resumen de Análisis de técnicas de ¿aggregation¿/¿disaggregation¿ aplicadas a imágenes satélite para la estimación de parámetros térmicos superficiales a diferentes escalas
Las aplicaciones que implican la observación de la superficie terrestre desde plataformas satélites a escala inferior a la regional, como por ejemplo, el caso del seguimiento de cultivos, requieren de una mayor disponibilidad de información térmica, en particular de la temperatura de la superficie terrestre (LST), con resoluciones espaciales apropiadas para un alcance local.
Por ello, numerosos autores han propuesto y desarrollado métodos para extraer la LST a nivel ¿subpíxel¿, mediante el empleo de productos complementarios de teledetección, con resultados adecuados para su uso en resoluciones superiores. La mayoría de estos métodos se basan en la correlación entre índices de vegetación, como es el caso del Normalized Difference Vegetation Index (NDVI), y la temperatura superficial (Land Surface Temperature o LST), para coberturas de características concretas. Estos métodos parten de la implementación de modelos estadísticos "tradicionales", como es el caso de la regresión lineal o de la regresión cuadrática.
La disponibilidad de otros índices de vegetación o índices relacionados con la disponibilidad de agua, tiene enorme potencial, gracias al aporte ofrecido por posibles nuevos estimadores. Este hecho, unido al desarrollo de métodos avanzados de computación, basados en técnicas de aprendizaje automático (o machine learning), puede llevar a la creación de algoritmos de desagregación más robustos.
La presente tesis doctoral estudia el comportamiento y aporte de varios índices espectrales, así como de otras variables complementarias, para el desarrollo de modelos avanzados de estimación de LST, los cuales tienen su origen en el campo de la Inteligencia Artificial. Mediante estos modelos, se pretende llevar la resolución original, en escala regional, de la variable dependiente LST, a escala local. En particular, se pretende obtener la LST a alta resolución del sensor MSI (20 m), a bordo de las plataformas Sentinel 2, partiendo de la resolución moderada de las bandas térmicas del sensor MODIS (1000 m).
El objetivo final es mostrar una primera comparativa de los resultados obtenidos al aplicar estas metodologías de desagregación en la obtención de temperaturas superficiales de mayor resolución, a partir de diferentes variables tanto espectrales como de otra naturaleza. Se ha diseñado el proceso como un proceso comparativo entre modelos de desagregación con recorrido en la bibliografía, especialmente destinados al empleo de un índice de vegetación como estimador de la LST; con modelos más complejos basados en técnicas de aprendizaje automático y con capacidad de utilizar un mayor número de variables independientes en la estimación de la variable dependiente (LST).
Entrenados y valorados los resultados de los modelos, se puede afirmar que los modelos multivariable más avanzados ofrecen un cierto grado de mejora en las estimaciones de LST, tanto en comparativa con datos ¿in situ¿ como comparando con estimaciones LST procedentes de otras plataformas satelitales, en concreto, Landsat 7 ETM+. Por ejemplo, en el caso de la comparativa de datos ¿in situ¿, se ha observado una mejora en el RMSE robusto de la regresión multivariable con regularización Ridge (3.38ºC) frente a los modelos DisTrad (4.20ºC y 3.88ºC), entre otras. En el caso de la comparativa con los datos de LST extraídos de Landsat 7 ETM+, se mantiene esta tendencia: para la fecha del 9 de julio de 2018, los modelos DisTrad presentan RMSE robustos de 4.30ºC y 4.12ºC, frente a 3.31ºC ofrecido por la regresión Ridge.
