A simple method for the estimation of minimum and maximum air temperature monthly mean maps using MODIS images in the region of Murcia, Spain

• Galdón-Ruíz, Alfonso ^[1] ; Fuentes-Jaque, Guillermo ^[2] ; Soto, Jesús ^[1] ; Morales-Salinas, Luis ^[2]
  1. [1] Universidad Católica San Antonio

     Universidad Católica San Antonio

     Murcia, España

     
  2. [2] Universidad de Chile

     Universidad de Chile

     Santiago, Chile

     
• Localización: Revista de teledetección: Revista de la Asociación Española de Teledetección, ISSN 1133-0953, Nº. 61, 2023, págs. 59-71
• Idioma: inglés
• Títulos paralelos:
  • Un método simple para la estimación de los mapas medios mensuales de temperaturas mínimas y máximas del aire utilizando imágenes MODIS en la región de Murcia, España
• Enlaces
  • Texto completo
• Resumen
  • español

    Los registros de temperatura del aire son adquiridos por redes de estaciones meteorológicas las cuales podrían estar alejadas varios kilómetros entre sí. En topografías complejas la representatividad de una estación meteorológica podría verse disminuida en relación con un valle más plano, y la estación más cercana no tener relación con un lugar ubicado cerca de ella. El presente estudio, muestra un método simple para estimar la distribución espacial de las temperaturas mínimas y máximas del aire a partir de imágenes MODIS de temperatura de la superficie terrestre (LST) y el índice de vegetación de diferencia normalizada (NDVI). En efecto, existe una fuerte correlación entre los productos LST día y noche MODIS y los registros de temperatura del aire de las estaciones meteorológicas, lo que se obtiene al usar ecuaciones de regresión ponderadas geográficamente, encontrándose resultados confiables. Luego, los resultados permiten interpolar espacialmente los coeficientes de las regresiones locales usando como variable descriptora la altitud y el NDVI, para obtener mapas de la región completa para la temperatura del aire mínima y máxima. La mayoría de las estaciones meteorológicas muestran estimaciones de temperatura del aire que no tienen diferencias significativas en comparación con los valores medidos. Los resultados mostraron que los coeficientes de regresión para las ubicaciones seleccionadas son fuertes para las correlaciones entre temperatura mínima con LSTnoche (R2 = 0,69–0,82) y temperatura máxima con LSTdía (R2 = 0,70–0,87) en las 47 estaciones. Los errores cuadráticos medios (RMSE) de los modelos estadísticos son 1,0 °C y 0,80 °C para las temperaturas nocturna y diurna, respectivamente. Además, la asociación entre cada par de datos es significativa al nivel del 95% (p<0,01).

  • English

    Air temperature records are acquired by networks of weather stations which may be several kilometres apart. In complex topographies the representativeness of a meteorological station may be diminished in relation to a flatter valley, and the nearest station may have no relation to a place located near it. The present study shows a simple method to estimate the spatial distribution of minimum and maximum air temperatures from MODIS land surface temperature (LST) and normalized difference vegetation index (NDVI) images. Indeed, there is a strong correlation between MODIS day and night LST products and air temperature records from meteorological stations, which is obtained by using geographically weighted regression equations, and reliable results are found. Then, the results allow to spatially interpolate the coefficients of the local regressions using altitude and NDVI as descriptor variables, to obtain maps of the whole region for minimum and maximum air temperature. Most of the meteorological stations show air temperature estimates that do not have significant differences compared to the measured values. The results showed that the regression coefficients for the selected locations are strong for the correlations between minimum temperature with LSTnight (R2 = 0.69–0.82) and maximum temperature with LSTday (R2 = 0.70–0.87) at the 47 stations. The root mean square errors (RMSE) of the statistical models are 1.0 °C and 0.8 °C for night and daytime temperatures, respectively. Furthermore, the association between each pair of data is significant at the 95% level (p<0.01).