Método de Estimación de Sólidos Suspendidos Totales como...

Método de Estimación de Sólidos Suspendidos Totales como Indicador

de la Calidad del Agua Mediante Imágenes Satelitales

Doris Carmiña Ruiz Ramírez

Universidad Nacional de Colombia

Facultad de Ciencias Agrarias, Escuela de posgrado

Bogotá, Colombia

2017

Método de Estimación de Sólidos Suspendidos Totales como Indicador

de la Calidad del Agua Mediante Imágenes Satelitales

Doris Carmiña Ruiz Ramírez

Tesis de investigación presentada como requisito parcial para optar al título de:

Magister en Geomática

Directora:

M.Sc. ELENA POSADA

Línea de Investigación:

Geoinformación para el uso sostenible de los recursos naturales

Universidad Nacional de Colombia

Facultad de Ciencias Agrarias, Escuela de posgrado

Bogotá, Colombia

2017

A mis padres.

Agradecimientos

A dos valiosas mujeres que sin ellas no me hubiera sostenido en pie para culminar esta

etapa de mi vida: Profesora Elena Posada funcionaria del IGAC y Profesora Carmen Rosa

Bonilla Correa de la Universidad Nacional de Colombia, por su apoyo incondicional en el

todo el proceso de la tesis.

Al Centro de Investigación y Extensión Rural – CIER de la Facultad de ciencias Agrarias

de la Universidad Nacional de Colombia, por el financiamiento para la toma y análisis de

las muestras de agua.

Al Centro de Investigación y Desarrollo en Información Geográfica – CIAF del IGAC en

especial a sus funcionarios Alexander Ariza, Mauricio Ramírez, Pedro Karin, Osman Roa,

Yesenia Vargas por su asesoramiento y acompañamiento en las mediciones realizadas en

el laboratorio de Espectroradimetría.

Resumen y Abstract I

Resumen

Monitorear sólidos suspendidos totales (SST) es importante para analizar problemas de

erosión y contaminación en aguas continentales. En este estudio, se explora el uso de

datos de imágenes satelitales multiespectrales Landsat 8 OLI para determinar sólidos

suspendidos totales en un cuerpo de agua lentico. Las imágenes fueron corregidas

radiométrica y atmosféricamente mediante el modelo de transferencia radiativa de

MODTRAN 4, posteriormente se llevó a cabo el enmascaramiento del agua y se

establecieron relaciones empíricas entre las concentraciones de SST y los datos de

reflectancia en una sola banda o la combinación matemática de bandas del visible e

infrarroja cercano. Los algoritmos fueron calibrados y validados por conjuntos de datos en

campo. La relación de las bandas GREEN/INR mostró fuerte y significativa relación

polinómica de orden tres con la concentración de SST (R2 Ajustado = 0,9643) en el

Embalse de Prado.

Palabras clave: Sólidos suspendidos totales, imágenes satelitales, Landsat 8 OLI.

II Método de Estimación de Sólidos Suspendidos Totales como Indicador de la

Calidad del Agua Mediante Imágenes Satelitales

Abstract

Monitoring Total Suspended Solids (TSS) is important for analyzing problems of erosion

and pollution in inland waters. In this study, we explore the use of Landsat 8 OLI

multispectral satellite imagery data to determine total suspended solids in a lentic water

body. The images were radiometrically and atmospherically corrected using the

MODTRAN 4 radiative transfer model, the water masking was subsequently carried out

and empirical relationships were established between the SST concentrations and the

reflectance data in a single band or the mathematical combination of Visible and near

infrared bands. The algorithms were calibrated and validated by data sets in the field. The

ratio of the GREEN / INR bands showed strong and significant polynomial relation of order

three with the concentration of SST (R2 Adjusted = 0.9643) in the Prado Reservoir.

Keywords: Total suspended solids, Satellite imagery, Landsat 8 OLI.

Contenido III

Contenido

Pág.

Resumen ........................................................................................................................... I

Lista de figuras .............................................................................................................. IV

Lista de tablas ................................................................................................................ V

Introducción .................................................................................................................... 1

1. Detección de material óptico en el agua por medio de la percepción remota ..... 5 1.1 Sólidos Suspendidos Totales ........................................................................... 5 1.2 Uso de la percepción remota en la detección de SST en el agua. ................... 6 1.3 Calibración radiométrica .................................................................................. 8 1.4 Corrección Atmosférica .................................................................................... 8 1.5 Algoritmos para identificar SST por medio de imágenes satelitales ................. 9 1.6 Características de Landsat 8 ......................................................................... 12

2. Materiales y métodos ............................................................................................. 14 2.1 Área de estudio.............................................................................................. 15 2.2 Datos en Campo ............................................................................................ 16

2.2.1 Análisis de laboratorio ......................................................................... 16 2.2.2 Protocolo de medición en laboratorio de radiometría .......................... 17

2.3 Adquisición y pre-procesamiento de las imágenes satelitales ........................ 18 2.3.1 Selección y descarga de imágenes ..................................................... 18 2.3.2 Calibración radiométrica y Corrección Atmosférica ............................. 18

2.4 Algoritmo para Estimar Sólidos Suspendidos ................................................ 21

3. Resultados y análisis ............................................................................................. 22 3.1 Caracterización de la concentración de SST ................................................. 22 3.2 Características espectrales ............................................................................ 22 3.3 Evaluación de modelos para estimación de SST ........................................... 23

4. Conclusiones y recomendaciones ........................................................................ 27 4.1 Conclusiones ................................................................................................. 27 4.2 Recomendaciones ......................................................................................... 28

A. Anexo: Procedimiento Espectroradiometría en Laboratorio .............................. 29

Bibliografía .................................................................................................................... 31

Contenido IV

Lista de figuras

Pág.

Figura 1-1: Firma Espectral de diferentes elementos de la naturaleza. ............................ 7

Figura 2-1: Metodología de Estudio. .............................................................................. 14

Figura 2-2: Área de Estudio Embalse del Prado. ............................................................ 15

Figura 2-3: Monitoreo de agua en el embalse de Prado. ................................................ 16

Figura 2-4: Laboratorio de espectroradiometría. Cámara Negra .................................... 17

Figura 3-1: Firmas espectrales de la campaña en Septiembre N=20 y las captadas en

Octubre N=25. ................................................................................................................ 22

Figura 3-2: La relación de la respuesta espectral relativa del agua con bandas

espectrales de Landsat 8 OLI. ........................................................................................ 23

Figura 3-3: Estimación de SST sin ajuste de las características espectrales del agua del

Embalse del Prado. ......................................................................................................... 24

Figura 3-4: Estimación de SST en el Embalse de Prado. ............................................... 26

Contenido V

Lista de tablas

Pág.

Tabla 1-1: Algoritmos e imágenes satelitales usados para estimar sólidos suspendidos

en el agua. (n=número de muestreo).............................................................................. 10

Tabla 1-2: Algoritmos e imágenes satelitales usados para estimar sólidos suspendidos y

turbidez en el agua. ........................................................................................................ 11

Tabla 1-3: Características de las imágenes Landsat 8 ................................................... 12

Tabla 3-1: Relaciones Empíricas entre SST y Reflectancia. .......................................... 25

Introducción

El embalse de Prado, está siendo afectado por el aumento en la concentración de

nutrientes y materia orgánica, que está conduciendo a dicho cuerpo de agua a un estado

de eutrofización; identificándose como posibles causas, la proliferación de buchón de

agua, sedimentos por lavado y arrastre de materiales producto de los procesos erosivos

que se presentan especialmente en las orillas del embalse. Lo cual es preocupante ya que

el embalse de Prado es la reserva hídrica con mayor capacidad y disponibilidad en el

departamento del Tolima.

Por lo anterior, es importante monitorear sólidos suspendidos totales en el Embalse de

Prado, teniendo en cuenta que la calidad del agua se estudia por medio principalmente de

parámetros físicos químicos, siendo considerado el valor de los SST en el cálculo del índice

de calidad del agua en corrientes superficiales (IDEAM, 2014). Puesto que, los SST en

concentraciones considerables, disminuye la cantidad de luz que penetra en la columna

de agua, con lo que se suprime la actividad fotosintética del fitoplancton, las algas y las

macrófitas (Noe, Harvey, & Saiers, 2007). Además, es un indicador de problemas de

erosión en las cuencas hidrográficas (Jerry & R., 1986).

Por consiguiente, una de las necesidades identificadas por el Ministerio de Ambiente es

disponer de información con mayor cobertura, continuidad y resolución para hacer un

diagnóstico más focalizado en el tiempo y en el espacio, planteando para esto fortalecer

las redes de monitoreo de la calidad e integrar más información generada por otras

entidades (MAVDT, 2010). Los países como China, Brasil, Estados Unidos se han

concentrado en monitorear sólidos suspendidos totales en el agua por medio de imágenes

satelitales hiperespectrales MODIS1; las cuales se caracterizan por su alta resolución

1 En sus siglas en inglés: Moderate Resolution Imaging Spectroradiometer.

2 Introducción

temporal (diaria), buena resolución espectral (0.405 - 14.385 µm), pero baja resolución

espacial (250m, 500m, y 1000m). Lo cual, no ha sido un inconveniente ya que sus áreas

de estudio son en plumas o penachos de descarga de ríos al océano y en lagos de grandes

dimensiones. A diferencia, de estudiar aguas interiores con áreas de cubrimiento medianas

a pequeñas, se hace necesario usar imágenes con alta resolución espacial para analizar

la dinámica espacial y la variabilidad de las propiedades ópticas del agua; existen estudios;

donde se han utilizado imágenes Landsat TM, Landsat MSS, SPOT e IKONOS con buenos

resultados en la estimación de SST en el agua. Aunque, pocas investigaciones se han

desarrollado en Colombia, entre éstas, el estudio para determinar concentraciones de SST

en la cuenca media del Río Bogotá mediante el uso de imágenes satelitales GeoEye

(Gómez, 2014). Por lo tanto, es urgente la necesidad de demostrar la capacidad de las

recientes imágenes satelitales multiespectrales para estimar la concentración de sólidos

suspendidos en las aguas continentales; siendo interesante evaluar las características

radiométricas, espaciales y espectrales de las imágenes satelitales de Landsat 8 OLI

(Zheng et al., 2016) (Li, Chen, Tian, Huang, & Feng, 2015). En cuanto a los algoritmos,

fueron desarrollados sobre la base de las relaciones estadísticas entre Las

concentraciones de SST y de un solo canal o de múltiples canales reflectancia en las

regiones verde-rojo-NIR podrían aplicarse de manera efectiva para recuperar la

concentración de SST a partir de imágenes satelitales.

Por lo argumentado anteriormente, es necesario desarrollar un método de estimación de

sólidos suspendidos totales por medio de imágenes satelitales multiespectrales con el fin

de visualizar espacial y temporalmente la variabilidad de este parámetro. Es de resaltar,

que los SST han sido monitoreado mediante técnicas convencionales de muestreos de

aguas y análisis en laboratorio, los cuales son métodos costosos en dinero y tiempo, con

dificultades para muestrear en áreas extensas; falta de representatividad de las muestras

debido a la dinámica de la masa de agua. Siendo importante complementar los muestreos

puntuales con las técnicas de percepción remota, que permiten no solo estimar la

concentración de sólidos suspendidos totales en el agua, sino también visualizar y modelar

su distribución; obteniendo así información con una mayor área de observación, mejor

representación y en menor tiempo; brindando información y elementos de juicios a

planeadores y tomadores de decisiones sobre el manejo integral de las fuentes hídricas.

Los objetivos específicos del estudio son los siguientes: a) Determinar las características

espectrales de los sólidos suspendidos totales en el agua mediante espectroradiometría

Introducción 3

en condiciones controladas de laboratorio. b) Evaluar la potencialidad de las imágenes

satelitales multiespectrales y algoritmos para la estimación de sólidos suspendidos en el

agua. c) Validar el método desarrollado a través de resultados en campo.

1. Detección de material óptico en el agua por medio de la percepción remota

1.1 Sólidos Suspendidos Totales

Los sólidos suspendidos totales (SST)2 incluyen al plancton, minerales de arcilla, arena,

limo, coloides agregados, materia orgánica e inorgánica finamente dividida y otros

microorganismos en el agua. Pueden originarse en fuentes alóctonas3 o autóctonas, de

levantamiento de tierra o resuspensión (Håkanson, 2004). Para la determinación de este

parámetro en laboratorio, los sólidos suspendidos totales son el residuo no filtrable de una

muestra de agua natural o residual industrial o doméstica, se define como la porción de

sólidos retenidos por un filtro de fibra de vidrio que posteriormente son secados a 103 -105

grados Celsius (ºC) hasta llegar a un peso constate (Orjuela L. C, 2013). Los SST se

asocian a la turbidez, color del agua, obedece también a la dinámica de los ríos, en cuanto

al tipo de material del cauce y el clima de la región (precipitación). Valores altos de SST

(>1000 mg L-1) afectan la entrada de luz, limitando el desarrollo de la vida acuática, así

como es posible que transporte sustancias tóxicas o nocivas cuando existe partículas

pequeñas (< 63 μm) (Kulkarni, 2011). En escenarios con menor intensidad de turbulencia,

como lagos, embalses, ciénagas, los sólidos suspendidos encuentran condiciones

propicias para la deposición y de esta manera el lecho de estas zonas son el depósito final

de los sólidos. Este depósito puede impedir la transferencia de oxígeno y resultar en la

muerte de los organismos enterrados bajo esta capa.

En el caso colombiano, los sólidos suspendidos totales se interpretan de acuerdo a las

2 También llamado total partículas en suspensión o materia suspendida en sus siglas en ingles (TSM y SPM) 3 Alóctonas: Que se origina en un lugar distinto al de su yacimiento primitivo y que ha sido transportado por

algún agente geológico.

6 Método de Estimación de Sólidos Suspendidos Totales como Indicador de la Calidad del Agua Mediante Imágenes Satelitales

normas establecidas para vertimientos de residuos líquidos, ya que no se ha reglamentado

la valoración de la calidad de agua de las aguas continentales. Sin embargo, establecen

un valor límite de 150 mg/L de SST que al ser sobrepasado se consideraría un cuerpo de

agua contaminado (RAMIREZ & VIÑA, 1998). Pero según la clasificación por usos del agua

de la cuenca del río Bogotá que elaboró la Corporación Autónoma Regional de

Cundinamarca – CAR, estableció el valor máximo permisible de SST es de 20 mg/L para

embalses (CAR, 2006).

1.2 Uso de la percepción remota en la detección de SST en el agua.

La percepción remota se basa en la observación de la superficie terrestre mediante la

radiación electromagnética captada por el sensor, el cual, puede alojarse en una

plataforma satelital, aerotransportada o terrestre. El resultado es una imagen satelital, que

es una matriz numérica de datos que nos permite hacer operaciones matemáticas para la

estimación de variables de interés. Estas imágenes se someten a un análisis digital en el

que se analiza el comportamiento espectral de cada píxel en las distintas regiones del

espectro electromagnético en el que se ha registrado información. La base de la

percepción remota radica en que cada cuerpo presenta un patrón de energía

reflejada/emitida propio y diferente que lo distingue del resto de los materiales cuando

sobre él incide energía electromagnética (Chuvieco, 2009).

Los sensores pueden ser de tipo pasivo (imágenes ópticas) o activo (imágenes radar),

siendo la primera de interés para este estudio. Los pasivos miden la energía electro-

magnética reflejada por la superficie a partir del sol en el espectro visible, infrarrojo

cercano, medio y térmico. Por otra parte, los activos son capaces de emitir ondas en la

región del espectro de las microondas y recibir el scatter o señal que rebota en un objeto.

Por lo anterior, la percepción remota es aplicable a diferentes áreas del conocimiento y ha

tomado fuerza para lograr ser una ciencia que permite monitorear los fenómenos naturales

y el uso de los recursos naturales; permitiendo tomar decisiones desde una perspectiva

más amplia e involucrando más factores para llegar a la raíz del problema.

Los diferentes tipos de cobertura de la superficie de la Tierra tienen diferentes propiedades

de reflectancia. En otras palabras, cada componente de la superficie de la Tierra tiene una

Detección de material óptico en el agua por medio de la percepción remota 7

firma espectral. Por lo tanto, para caracterizar espectralmente los sólidos suspendidos

totales se debe tener en cuenta la reflectancia del componente agua. De acuerdo a la

literatura el agua refleja en el rango del visible (400 nm - 700 nm) pero su pico de

reflectancia se da en el rango del azul (400 nm - 500 nm), de igual manera el agua absorbe

en el rango del infrarrojo y a medida que aumenta la longitud de onda en el espectro

desciende rápidamente (Figura 1-1). Pero el agua en su mayoría de veces se encuentra

mezclada con otras sustancias, sólidos y materia orgánica; alterando su firma espectral.

Lo cual resalta la importancia de la espectroradiometría que permite conocer las

características fisicoquímicas del agua por medio de firmas espectrales.

Fuente: (Chuvieco, 1995).

A continuación, se describe algunas de las sustancias ópticamente activas en el agua. En

la comunidad científica se conocen estas propiedades como SIOPs, propiedades ópticas

inherentes específicas (del inglés Specific Inherent Optical Properties) (Ferral, 2013).

a. Coeficiente de Absorción (aCDOM): debido a la presencia de materia orgánica

coloreada o también llamada materia amarilla.

b. Coeficiente de absorción debido a la presencia de restos de flora y fauna acuática,

denominados en inglés tripton (aTR).

c. Coeficiente de absorción debido a la presencia de fitoplancton (a∅), el cual abarca

Figura 1-1: Firma Espectral de diferentes elementos de la naturaleza.


clorofila a, ficocianina, carotenos entre otros.

d. Coeficiente de dispersión (bbp): causado principalmente por la materia en

suspensión o también denominado material particulado.

Los sólidos suspendidos también afectan las propiedades ópticas del agua. En la mayoría

de los casos, un aumento de los SST constituye un cambio en el color del agua hacia tonos

marrones. Esto se debe a la gran dispersión de las partículas en las regiones roja e

infrarroja del espectro electromagnético, y su gran absorción en la región azul. Actualmente

los SST es uno de los parámetros más exitosamente medidos por medio de la percepción

remota (Ekercin, 2007).

1.3 Calibración radiométrica

Los valores de los píxeles en las imágenes satelitales expresan la cantidad de energía

radiante recibida por el sensor en la forma de valores relativos no calibrados llamados

Niveles Digitales (ND). La calibración radiométrica implica convertir los valores de ND de

la imagen a radiancia TOA (Top of Atmosphere) y luego a reflectancia.

Por consiguiente, la resolución radiométrica de un sensor es la capacidad para detectar

variaciones en la radiancia espectral que recibe (Chuvieco, 2009). Es decir, está

relacionada con el cambio de intensidad más pequeño que puede registrar el sensor, que

está condicionada por la relación entre señal y ruido del detector. El número de bits define

la resolución radiométrica de la imagen. Por lo tanto, el número de niveles discretos en que

se puede dividir una señal.

Por ejemplo:

8 bit = 28 = 256 ⇒ 0 - 255 (256 tonos de gris)

12 bit = 212 = 4096 ⇒ 0 - 4095 (4096 tonos de gris).

1.4 Corrección Atmosférica

Es conveniente que las imágenes además de calibradas, sean corregidas por la presencia

de atmósfera. La medida de esta señal por el sensor, que está en la superficie de la


atmosfera (TOA), ha sufrido una perturbación por absorción y dispersión al atravesar la

atmosfera. Esta perturbación debe ser corregida y convertir la señal TOA en una señal de

reflectividad en superficie TOC. Este proceso se llama corrección atmosférica. A causa de

la anisotropía natural de la superficie terrestre, ya que remueve el efecto de los diferentes

ángulos cenitales provocados por diferencias entre tiempo de adquisición de los datos y

asumiendo una superficie Lambertiana bajo condiciones libre de nubes sin considerar

efectos atmosféricos.

1.5 Algoritmos para identificar SST por medio de imágenes satelitales

El uso de la percepción remota, ha conllevado el desarrollo de algoritmos que transformen

los datos obtenidos de las imágenes de satélite a valores de concentración del SST.

Usualmente, este proceso envuelve el establecimiento de relaciones empíricas entre los

datos derivados de las imágenes de satélite y los datos de campo (Rodríguez & Gilbes,

2009). Por otra parte, han intentado desarrollar algoritmos que puedan ser aplicados a

nuevos archivos de datos sin la necesidad de adquirir datos de campo simultáneamente.

Numerosos trabajos han demostrado que los datos de teledetección se puede utilizar para

recuperar la concentración SST en aguas costeras y continentales (Miller & McKee, 2004;

Nechad, Ruddick, & Park, 2010; Ouillon et al., 2008). Muchos modelos de SST son

basados en métodos empíricos, desarrollados sobre la base de las relaciones estadísticas

entre Las concentraciones de SST y de un solo canal o de múltiples canales de reflectancia

Por ejemplo, las bandas en las regiones verde-rojo-infrarrojo cercano han sido utilizadas

solas o combinaciones entre bandas que intentan enfatizar la variable de interés:

Diferencia simple, Cociente simple, Cociente normalizado. Con diferentes grados de éxito

en diferentes zonas del mundo. Sin embargo, la forma exacta de la relación entre SST y

reflectancia depende también de la mineralogía, color, propiedades de las partículas de

dispersión, tamaño de partícula e índices de refracción.

Entre los sensores que han sido usados para el estudio de sólidos suspendidos se

encuentran Landsat TM, Landsat MSS, SPOT, GeoEye e IKONOS. Es así como, existen

diferentes algoritmos que han sido adaptados para cada tipo de imagen como se describe

a continuación en las tablas 1-1, 1-2:

1

0

Método de Estimación de Sólidos Suspendidos Totales como Indicador de la Calidad del Agua Mediante Imágenes Satelitales

Tabla 1-1: Algoritmos e imágenes satelitales usados para estimar sólidos suspendidos en el agua.

(n=número de muestreo).

Autor (s) and resolución

Bandas(nm)

Modelo R2 n

rango Localización

Jiang and Liu (2011) (MODIS 1000-m)

Rrs(470), Rrs(555)

𝑇𝑆𝑆 = 1365.5(𝑅𝑟𝑠(470) + 𝑅𝑟𝑠(555))2 − 369.08(𝑅𝑟𝑠(470)+ 𝑅𝑟𝑠(555)) + 27.216

0.81 27 0–40 Poyang Lake, China

Zhang et al. (2010a,b) MODIS 1000-m

Rrs(488), Rrs(555), Rrs(645)

𝑙𝑜𝑔10𝑇𝑆𝑆 = 0.6311 + 22.2158 (𝑅𝑟𝑠(555) + 𝑅𝑟𝑠 (645))

− 0.5239(𝑅𝑟𝑠(488)/𝑅𝑟𝑠(555))

0.87 81 0.68–27.2

Yellow and East China Seas

Wang et al. (2010b) MODIS1000-m

Rrs(859), Rrs(1240)

𝑙𝑛(𝑇𝑆𝑆) = 0.262(𝑅𝑟𝑠(859) − 𝑅𝑟𝑠(1240)) + 4.117 0.78 35 74–881 Lower Yangtze River, China

Villar et al., 2013 MODIS 250-m

Rrs(645), Rrs(859)

𝑇𝑆𝑆 = 1020 ∗ 𝑅𝑎𝑡𝑖𝑜2.94 𝑅𝑎𝑡𝑖𝑜 = 𝑅𝑟𝑠(859)/𝑅𝑟𝑠(645)

0.62 282

25–622 Maderia Rviver, Brazil

Ondrusek et al. (2012) MODIS 250-m

Lw(645) 𝑇𝑆𝑆 = 3.8813𝐿𝑤(645)3 − 13.822𝐿𝑤(645)2 19.61𝐿𝑤(645) 0.79 35 4.5–14.9

Chesapeake Bay, United States

Chen et al. (2011a) MODIS 250-m

Rrs(645) Rrs(859), Rrs(645)

𝑇𝑆𝑆 = 78.764𝑅𝑟𝑠(645)^3.6279 𝐿𝑜𝑔10(𝑅𝑟𝑠(859))/𝐿𝑜𝑔10(𝑅𝑟𝑠(645))

= − 0.1325 𝐿𝑜𝑔10(𝑇𝑆𝑆)^2 + 0.7429𝐿𝑜𝑔10(𝑇𝑆𝑆) + 0.6768

0.81 18 0–210 Apalachicola Bay, United States

Chen et al. (2011b) MODIS 250-m

Rrs(859), Rrs(645)

𝐿𝑜𝑔10(𝑅𝑟𝑠(859))/𝐿𝑜𝑔10(𝑅𝑟𝑠(645)) = 0.4339 𝐿𝑜𝑔10(𝑇𝑆𝑆) + 0.8288

0.86 32 1.29–208

Apalachicola Bay, United States

Zhao et al. (2011) MODIS 250-m

Rrs(645) 𝑇𝑆𝑆 = 2.12 𝐸𝑥𝑝(45.92𝑅𝑟𝑠(645)) 0.8 25 0–87.8 Mobile Bay estuary, Alabama

Tarrant et al. (2010) MODIS 250-m

Rrs(859), Rrs(645)

𝑇𝑆𝑆 = 0.0213(𝑅𝑟𝑠(645) − 𝑅𝑟𝑠(859)) + 0.232 0.78 63 0.30–13.4

Roosevelt, Bartlett Pleasant Lake,United States

Wang et al. (2010b) MODIS 1000-m

Rrs(859), Rrs(1240)

𝑙𝑛(𝑇𝑆𝑆) = 0.262(𝑅𝑟𝑠(859) − 𝑅𝑟𝑠(1240)) + 4.117 0.82 105

74–881 Lower Yangtze River, China

Wang et al. (2010) MODIS 250-m

Rrs(859), Rrs(645) Rrs(859), Rrs(645)

𝐿𝑜𝑔10(𝑇𝑆𝑆) = 1.5144 𝐿𝑜𝑔10(𝑅𝑟𝑠(859))/ 𝐿𝑜𝑔10(𝑅𝑟𝑠(645)) − 0.5755

𝐿𝑜𝑔10(𝑇𝑆𝑆) = 0.1497 𝐸𝑥𝑝(1.5859) 𝐿𝑜𝑔10(𝑅𝑟𝑠(859))/𝐿𝑜𝑔10(𝑅𝑟𝑠(645)))

0.78 0.72 0.61

35 16 11

1–64 Apalachicola Bay, United States

Chen et al. (2009a,b) MODIS 250-m

Rrs(859), Rrs(645)

𝐿𝑜𝑔10(𝑅𝑟𝑠(859))/𝐿𝑜𝑔10(𝑅𝑟𝑠(645)) = − 0.1356 𝐿𝑜𝑔10(𝑇𝑆𝑆)2 + 0.7402𝐿𝑜𝑔10(𝑇𝑆𝑆) + 0.6836

0.85 25 1.29–208

Apalachicola Bay, United States

Jiang et al. (2009) MODIS 250-m

Rrs(859) 𝐿𝑜𝑔10(𝑇𝑆𝑆) = 0.3568 𝐿𝑛(𝑅𝑟𝑠(859)) + 3.3431 0.81 56 0–170 Taihu Lake, China

Wu and Cui (2008) MODIS 250-m

Rrs(645) 𝑇𝑆𝑆 = 86, 236.23𝑅𝑟𝑠(645)3 − 15, 858.70𝑅𝑟𝑠(645)2 + 1005.29𝑅𝑟𝑠(645) − 15.67

0.92 42 0–142 Poyang Lake, China

Liu and Rossiter (2008) MODIS 250-m

Rrs(645) 𝑇𝑆𝑆 = 7167𝑅𝑟𝑠(645) − 42 0.91 25 15.6–518.8

Poyang Lake, China

Kutser et al. (2007) MODIS 250-m

Rrs(645) 𝑇𝑆𝑆 = 349.83𝑅𝑟𝑠(645) + 2.9663 0.86 11 2–8 Muuga and Sillamäe Port, Estonia

Liu et al. (2006) MODIS 250-m

Rrs(645), Rrs(859)

𝑙𝑛(𝑇𝑆𝑆) = 2.495(𝑅𝑟𝑠(645) − 𝑅𝑟𝑠(859))/ (𝑅𝑟𝑠(645) + 𝑅𝑟𝑠(859)) + 1.810

0.72 41 23.4–61.2

Middle Yangtze River, China

Sipelgas et al. (2006) Rrs(645) 𝑇𝑆𝑆 = 110.3𝑅𝑟𝑠(645) + 2 0.58 48 3–10 Pakri Bay, Finland

Hu et al. (2004) MODIS 250-m

Rrs(645), Rrs(859)

𝑇𝑆𝑆 = 0.00522 𝐸𝑥𝑝(1002(𝑅𝑟𝑠(645) − 𝑅𝑟𝑠(859))) 0.9 31 2–11 Tampa Bay, United States

Miller and McKee (2004) MODIS 250-m

Rrs(645) 𝑇𝑆𝑆 = − 1.91 + 1140.25𝑅𝑟𝑠(645) 0.89 52 0–60 Lake Pontchartrain, Mississippi

Fuente. (S. Chen et al., 2015)


Tabla 1-2: Algoritmos e imágenes satelitales usados para estimar sólidos suspendidos y turbidez

en el agua.

Data products/bands Wavelengths Empirical relationship between suspended sediment (or turbidity) and reflectance

Max SSC (mg/L)

or Turbidity

(NTU)

Spearman's

ρ

Reference

Landsat TM 2 and 4 R1=520–600 R2=760–900

SPM = 29.022 ∗ 𝑒0.0335∗

𝑅2𝑅1

~2500 0.97 Doxaran et al., 2003

Sea WiFS R1=545–565 R2=845–885

SPM = 26.083 ∗ 𝑒0.0366∗

𝑅1𝑅2

~2500 0.96 Doxaran et al., 2003

SPOT XS3 and XS1 R1=510–590 R2=790–890

SPM = 18.895 ∗ 𝑒0.0322∗

𝑅2𝑅1

~2500 -0.96 Doxaran et al., 2003

SPOT XS3 and XS1 R1=510–590 R2=790–890

SPM = 27.424 ∗ 𝑒0.0279 ∗

𝑅2𝑅1

~2500 -0.96 Doxaran et al., 2003

Landsat MSS 5 and 6 R1=600–700 R2=700–800

ln(SSC) = −6.2 ∗𝑅1

𝑅2+ 1.4 ∗

𝑅1

𝑅2 2 + 10.8 1000 0.96 Topliss et al., 1990

MODIS 1 and 2 R1=620–670 R2=841–876

SPM = 12.996 ∗ 𝑒𝑅2𝑅1

/0.189

~2250 0.95 Doxaran et al., 2009

Landsat TM 1, 3, 4 R1=450–520 R2=630–690 R3=760–900

𝑇𝑢𝑟𝑏𝑖𝑑𝑖𝑡𝑦 = 11.31 ∗ 𝑅1

𝑅2 – 2.03 ∗ 𝑅2 − 16.42 ~12 0.87 Song et al., 2011

Landsat TM 4 790–900 𝑇𝑢𝑟𝑏𝑖𝑑𝑖𝑡𝑦 = 16.1 ∗ 𝑅 − 12.7 ~5 0.76 Fraser, 1998

MODIS 2 841–876 𝑙𝑛(𝑆𝑆𝐶) = (43.233 ∗ 𝑅) + 1.396 2500 0.75 Wang et al., 2008

spectrometer Field 782 𝑇𝑢𝑟𝑏𝑖𝑑𝑖𝑡𝑦 = (1181 ∗ 𝑅2) + (4062 ∗ 𝑅) − 0.0 ~2.5 0.72 Holyer, 1978

spectrometer Field R1=652 R2=782

𝑇𝑢𝑟𝑏𝑖𝑑𝑖𝑡𝑦 = (233.7 ∗ 𝑅2) – (1384 ∗ 𝑅2) + (1120 ∗ 𝑅) + 4853 ∗ 𝑅) – 5.08

50 0.67 Holyer, 1978

CASI Channel 11 755.5–780.8 (rounded to 755–781)

𝑆𝑆𝐶 = 529 ∗ 𝑅 2000 0.65 Wass et al., 1997

AHS Advanced Hyperspectral Sensor

R1=819–847 R2=989–1019

𝑙𝑛(𝑇𝑆𝑀) = 34.18 ∗ (𝑅1 − 𝑅2) + 3.16 336 0.60 Sterckx et al., 2007

Sea WiFS R1=660–680 R2=545–565

𝑆𝑃𝑀 = 17.783 ∗ 𝑅1

𝑅2 1.11

~20 0.47 D'Sa et al., 2007

IKONOS red 632–698 𝑇𝑢𝑟𝑏𝑖𝑑𝑖𝑡𝑦 = 0.078 ∗ 𝑅 − 8.7 ~1 0.44 Hellweger et al., 2007



Field spectrometer 652 𝑇𝑢𝑟𝑏𝑖𝑑𝑖𝑡𝑦 = (33.96 ∗ 𝑅2) + (5352 ∗ 𝑅) − 4.38 ~2.5 0.42 Holyer, 1978

MODIS 1 620–670 𝑇𝑢𝑟𝑏𝑖𝑑𝑖𝑡𝑦 = 1203.9 ∗ 𝑅1.087 ~1 0.43 Chen et al., 2007


CMODIS R1=540–560 R2=660–680

𝑙𝑜𝑔10𝑆 = 0.892 + 6.2244 ∗ (𝑅1+𝑅2𝑅1

𝑅2⁄)

~1000 0.36 Han et al., 2006

Landsat TM 3 630–690 𝑆𝑆𝐶 = 69.39 ∗ 𝑅 − 201 1150 0.36 Islam et al., 2001

Landsat MSS 1 and 2 R1=500–600 R2=600–700

𝑙𝑛(𝑆𝑆𝐶) = −9.21 𝑅1

𝑅2 + 2.71 (

𝑅1

𝑅2 )2 + 8.45 ~150 0.34 Ritchie & Cooper,

1991

MOS/MESSR R1=510–590 R2=610–690

𝑙𝑛(𝑆𝑆𝐶) = −4.8 𝑅1

𝑅2 + 0.9 (

𝑅1

𝑅2)2 + 10.4 1000 0.33 Topliss et al., 1990

Landsat TM 3 630–690 𝑙𝑜𝑔10𝑆 = 0.334 + 0.098 ∗ 𝑅 30 0.32 Keiner & Yan, 1998

Landsat MSS 5 600–700 𝑅 = 0.16 + 0.03 ∗ 𝑙𝑛(𝑆) 0.32 Aranuvachapun & Walling, 1988

MODIS 1 620–670 𝑙𝑛(𝑆𝑆𝐶) = 50.171 ∗ 𝑅 − 1.523 ~2500 0.31 Wang et al., 2008

MODIS 1 620–670 𝑇𝑆𝑀 = −1.91 + 1140.25 ∗ 𝑅 60 0.31 Miller & McKee, 2004

MODIS 1 620–670 𝑅 = 7.5 ∗ 𝑙𝑜𝑔(𝑆𝑆𝐶) + 1.6 500 0.31 Chu et al., 2009

Landsat TM 2 and 3 R1=520–600 R2=630–690

TSM = 0.7581 ∗ 𝑒61.683 ∗ 𝑅1+𝑅2

2 50 0.30 Dekker et al., 2001

Landsat TM 1 and 3 R1=450–520 R2=630–690

TSS = 0.0167 ∗ 𝑒12.3∗

𝑅2𝑅1

35 −0.05 Lathrop et al., 1991

Landsat 8 OLI R1=660 𝑆𝑃𝑀 = −20.1 + 2.4 ∗ exp (63.2 ∗ 𝑅𝑟𝑠(660)) (Lian Feng, 2015)

Fuente. (Long & Pavelsky, 2013)

1

2


1.6 Características de Landsat 8

La plataforma Landsat 8 LDCM (Misión de Continuidad de la Información Landsat), puesto

en órbita en febrero de 2013 posee una órbita descendente, es decir tiene un movimiento

orbital de norte a sur sobre el lado iluminado de la superficie terrestre. Esta última

plataforma satelital orbita a una altitud de 705 kilómetros (438 millas); esta configuración

le permite completar una órbita aproximadamente de 98,9 minutos, 14 órbitas diarias, lo

que se traduce en una resolución temporal de 16 días (Ariza Alexander, 2013).

Landsat 8 lleva consigo dos instrumentos, el primero de ellos es el conocido por las siglas

OLI (Cámara Terrestre Operanacional), y posee tres nuevas bandas; la banda azul

profundo (0,433 -0,453µm), que está principalmente destinada a estudios costeros y

aerosoles, una banda infrarroja de onda corta (1,36-1,38 µm) para la detección de cirros,

y una tercera banda que evalúa la calidad de la información (Quality Assessment band). El

segundo instrumento es el TIRS (Sensor Térmico Infrarrojo), que proporciona dos bandas

térmicas. Para ambos instrumentos el proceso de escaneo es por línea (pushbroom), es

decir, se elimina el proceso mecánico de escáner de tipo whiskbroom (Tabla 1-3).

Una de las características más destacables de estos nuevos sensores es la mejor relación

señal – ruido (SNR) con un rango dinámico de 12 bits, lo cual se traduce en 4.096 posibles

niveles de grises en una imagen. Básicamente, la mejora del rendimiento de señal – ruido

permite, por ejemplo, el lograr una mejor diferencia y caracterizar el estado de la cubierta

vegetal. Los productos finalmente se distribuyen de manera gratuita en formato Geo Tiff

metadata compuestos por un paquete de 11 bandas que son reescaladas un rango

dinámico de 16 bits, que se traduce en una escala de 65.535 niveles de grises.

Tabla 1-3: Características de las imágenes Landsat 8

Características Landsat 8

Periodo operacional 2013 en funcionamiento

Resolución temporal 16 días


Resolución radiométrica 12 bits

Información espectral Longitud de onda Resolución

B1:433-453 30 m

B2:450-515 30 m

B3:525-600 30 m

B4:630-680 30 m

B5:845-885 30 m

B6:1560-1660 30 m

B7:2100-2300 30 m

B8:500-680 15 m

B9:1360-1390 30 m

B10:10.06-11.02 100 m

B11:11.05-12.05 100 m

2. Materiales y métodos

A continuación se detalla la metodología a seguir para cumplir con el objetivo del estudio

(Figura 2-1).

Figura 2-1: Metodología de Estudio.

Materiales y métodos 15

2.1 Área de estudio

El Embalse de Prado (3°42`0”N - 3°52`0”N, 74°46`0”W - 73°54`0”W) se localiza en el

piedemonte de la cordillera oriental del valle del río Magdalena en el departamento del

Tolima, en los municipios de Purificación y Prado a una altitud de 361 m.s.n.m (Figura 2-

2). En 1973 el embalse entró en operación, el cual hace parte de la cuenca mayor rio

Prado, sus principales afluentes son el rio negro y cunday, sus efluentes Rio cuinde negro

y cuinde blanco. Cuenta con un área superficial de 1.254 Ha, Volumen útil de 500 Mm3,

volumen total de 1.010 Mm3. Pertenece a la jurisdicción de CORTOLIMA.

La principal actividad económica que se lleva en el embalse es la pesquería, se realizan

periódicamente repoblaciones con mojarra plateada, bocachico, cachama, y nicuro. A

través de los años se ha notado un cambio drástico en la composición de la fauna del

embalse y también una disminución en la producción pesquera. Presentado cambios en la

calidad del agua, tendiendo a la degradación, al presentar problemas de eutrofización

debido a la proliferación de buchón de agua.

Figura 2-2: Área de Estudio Embalse del Prado.

1

6


2.2 Datos en Campo

Dos campañas de campo se llevaron a cabo el 07 de septiembre y 22 de octubre de 2016

con el fin de recoger muestras simultáneas de agua a partir de una profundidad de 15 cm

y a una distancia de la orilla (0.5 a 1 metro) utilizando botellas de polietileno que fueron

conservadas a - 4 °C, para análisis en laboratorio para determinar SST y establecer las

características espectrales del agua del Embalse de Prado. En la primera campaña se

recogieron 20 muestras y en la segunda se tomaron 25 datos de calibración y 15 de

validación (Figura 2-3). La ubicación de cada punto de monitoreo se obtuvieron utilizando

un receptor de sistema de posicionamiento global.

2.2.1 Análisis de laboratorio

Figura 2-3: Monitoreo de agua en el embalse de Prado.


Se determinó la concentración de SST en las muestras de agua por el método Gravimétrico

- Secado a 103ºC – 105 ºC, SM 2540 D. En donde la muestra bien mezclada se pasa a

través de un filtro estándar de fibra de vidrio, previamente pesado y el residuo retenido se

seca a 103-105ºC hasta peso constante. El incremento de peso del filtro representa el total

de sólidos suspendidos totales.

2.2.2 Protocolo de medición en laboratorio de radiometría

El laboratorio de espectroradiometría del instituto Geográfico Agustín Codazzi (IGAC)

permite hacer mediciones en condiciones controladas al contar con una cámara negra

(1m3) que esta forrada por dentro y por fuera con papel carbón tipo mate que permite

controlar la reflectividad de otros objetos (Figura 2-4). El espectroradiómetro portátil de

campo Fieldspec 4 (350 - 2500 nm) es ubicado por fuera de la cámara y solo existe un

orificio por donde ingresa la fibra óptica. Adentro, la lámpara halógena de 1000W apunta

al FOV en un ángulo que se obtiene del metadato de la imagen. Para la primera campaña

en septiembre un ángulo de 64° y la segunda campaña en noviembre un ángulo de 63°.

Altura de observación de 13 cm para un FOV de 26,8°.

Las muestras son agitadas y vertidas sobre la probeta hasta un volumen de 1.205 L, el

espectroradiómetro es calibrado usando un blanco de referencia. Luego, se coloca la

muestra a medir debajo del espectroradiómetro para captar mediciones interpoladas a 1

nm recogiendo diez firmas espectrales por cada muestra.

Suavizado de la firma espectral

Figura 2-4: Laboratorio de espectroradiometría. Cámara Negra

1

8


Se hace necesario suavizar las firmas espectrales para disminuir las variaciones en las

medidas provocadas por ruido. Para ello, se utilizó el filtro Saviztky-Golay en el programa

estadístico R studio utilizando la librería signal donde la función sgolayfilt que utiliza un

suavizado ajustado a una función polinomial, aun cierto número de segmentos hasta un

nivel de suavizado sin atenuación de las funciones de datos.

2.3 Adquisición y pre-procesamiento de las imágenes satelitales

2.3.1 Selección y descarga de imágenes

Se seleccionó la imagen satelital Landsat 8 OLI debido a su resolución espectral, espacial,

radiométrica y accesibilidad para adquirir las imágenes gratuitamente. Además, de los

buenos resultados que se han obtenido en otros estudios para estimar este parámetro de

calidad de agua(Zheng et al., 2016)(Li et al., 2015).

Por consiguiente, la descarga de las imágenes satelitales de Landsat 8 se realizó por

medio del servidor gratuito de USGS Earth explorer http://earthexplorer.usgs.gov/.

Las imágenes Landsat 8, fueron descargadas con productos del nivel L1T lo que indica

que tienen un pre-procesamiento para corregir los errores derivados de la curvatura de la

tierra y la topología del terreno; que consiste en la corrección de la superficie terrestre de

acuerdo a la corrección geométrica por medio de uso de puntos de control sobre el terreno,

los cuales provienen del conjunto de datos de GLS2000, SRTM, NED, CDED,DTED y

GTOPO 30. También, se encuentran referenciadas al sistema de proyección geográfica

UTM (Universal Transverse Mercator), WGS (World Geodetic System) 84(Ariza Alexander,

2013).

2.3.2 Calibración radiométrica y Corrección Atmosférica

Para poder usar una imagen cuantitativamente, se debe convertir los valores de ND de la

imagen a radiancia y luego a reflectancia. Por lo tanto las imágenes de Landsat 8 OLI

fueron calibradas por radiometría utilizando los coeficientes de calibración proporcionados

en los metadatos asociados. Las imágenes con valores de radiancia TOA fueron

http://earthexplorer.usgs.gov/


guardadas con resolución radiométrica de 32 bit con el fin de evitar la pérdida de

información. Debido a que las bandas originales del LDCM Landsat 8 están contenidas a

una resolución radiométrica de 16 bit no signados.

El dato radiométrico contiene información acerca de la superficie terrestre y de su

atmósfera. De esta forma, para trabajar con datos de la superficie, fue necesario minimizar

el efecto por dispersión y absorción debido a gases de la atmósfera, vapor de agua,

aerosoles y se busca remover el efecto de los diferentes ángulos de incidencia de la

energía solar y de la distancia Tierra – Sol. Por lo tanto, corregir atmosféricamente las

imágenes Landsat 8 para convertir los valores de reflectividad TOA (Top of Atmosphere)

en valores de reflectividad en superficie TOC (Top of Canopy). Esta corrección se llevó a

cabo mediante el programa PCI 2015, Herramienta ATCOR, con el modelo de

transferencia radiativa de MODTRAN 4. Este modelo de transferencia radiativa, simula de

manera rigurosa los efectos de absorción y dispersión que afectan a la señal en su camino

a través de la atmósfera, incluso en condiciones de fuerte absorción atmosférica (Guanter

et al., 2009).

Los parámetros de entrada fueron:

Tipo de sensor. Este campo se rellenó automáticamente con etiqueta de

metadatos.

Datos de fecha de adquisición de la imagen. Este campo se rellenó

automáticamente con etiqueta de metadatos.

Para el cálculo de los ángulo solar zenith y solar azimuth: Se requiere de datos de:

Tiempo de adquisición de la imagen en el formato hh: mm: ss (GMT).

Coordenadas de latitud y longitud de escena, en grados decimales.

El ángulo solar Azimut y Solar Zenith expresan la posición del sol. El azimut es el

ángulo de la dirección del sol medido en sentido horario desde el norte a lo largo del

horizonte. El Zenith Solar es el ángulo medido entre el zenit local y la línea de visión

del sol.

2

0


Coeficientes de calibración y configuración de banda: MinWavelength,

MaxWavelength, Unidades de longitud de onda, RadiometricTransOffset,

RadiometricTransGrain, RadiometricTransUnits, todos a nivel de canal. las

unidades son mW.cm-2.sr-1.um-1.

La cal \ carpeta ATCOR \ en el directorio de instalación de Geomática contiene

archivos de calibración estándar de la muestra para cada sensor con el apoyo de

los flujos de trabajo de corrección atmosférica. Se utilizó información del metadato

para calcular los coeficientes de calibración (valores de ganancia y polarización) y

remplazarlos en los archivos de calibración estándar.

Tipo de aerosol: Rural. El modelo rural está destinado a representar las condiciones

de aerosol que se encuentran en las áreas continentales que no están directamente

influenciadas por las fuentes de aerosoles urbanos y / o industriales. Esto, fondo

aerosol rural continental es en parte el producto de las reacciones entre los diversos

gases en la atmósfera (70%) y en parte debido a partículas de polvo recogido desde

la superficie (30%).

La atmósfera estándar: Tropical. Un ambiente tropical tiene un contenido total de

vapor de agua de 4.11 (g cm-2)

Visibilidad del mapa, de 30 km. Visibilidad, o la profundidad óptica, es una

estadística meteorológico que calcula la opacidad de la atmósfera en un

determinado momento y lugar. Mide la distancia más larga que una persona puede

ver un objeto prominente. En Focus, el rango es de entre 5 y 180 kilómetros. La

visibilidad se utiliza para especificar con mayor precisión las condiciones

atmosféricas en el momento en que se tomó la imagen.

Se utilizó ATCOR en el programa PCI Geomática 2015 porque el asistente rellena

automáticamente la mayoría de los campos de flujo de trabajo utilizando datos del

metadato; evitando así errores en introducir manualmente la información requerida.


2.4 Algoritmo para Estimar Sólidos Suspendidos

Para la estimación de sólidos suspendidos totales en el agua mediante imágenes Landsat

8 OLI en el Embalse de Prado se realizaron relaciones empíricas entre las concentraciones

de SST y los datos de reflectancia en una sola banda o la combinación matemática de

bandas del visible e infrarroja cercano. En el programa R studio se desarrollaron

ecuaciones lineales y no lineales para predecir los parámetros de calidad del agua a partir

de índices espectrales. El cual permitió, realizar estimaciones para modelos de regresión

ajustando a funciones logarítmica, inversa, cuadrática, cúbica, potencia, exponencial,

lineal, compuesto, crecimiento y curva-S. Los criterios considerados para seleccionar el

mejor modelo fue aquel que tenga el mayor coeficiente de determinación ajustado R2

dentro del rango de datos medidos para calibración y validación. Además, al evaluar el

rendimiento del algoritmo con los datos de validación en campo, el porcentaje del error

absoluto medio (MAPE) y la raíz del error medio cuadrático (RMSE) se calcularon para

indicar la exactitud de los modelos de SST. Estos criterios de exactitud se calculan como:

𝑅𝑀𝑆𝐸 = √1

𝑛 ∑(𝑦𝑖 − 𝑦′𝑖)2

𝑛

𝑖=1

( 2-1)

𝑀𝐴𝑃𝐸 = 1

𝑛 ∑ |

𝑦𝑖

− 𝑦′𝑖

𝑦𝑖

| ∗ 100

𝑛

𝑖=1

( 2-2)

Donde 𝑛 es el número de muestras, 𝑦𝑖 resultados de laboratorio 𝑦′𝑖 los valores de

predicción. Así mismo, se utilizó sin modificación el algoritmo desarrollado y aplicado en el

estudio de Lian Feng, 2015 para determinar su eficacia en la estimación de sólidos

suspendidos en las aguas del Embalse de Prado: 𝑆𝑃𝑀 = − 20.1 + 2.4 ∗ 𝑒𝑥𝑝 (63.2 ∗ 𝑅𝑟𝑠(660)

3. Resultados y análisis

3.1 Caracterización de la concentración de SST

Las mediciones de campo utilizados en este estudio abarcan diferentes condiciones

ópticas e incluye una gama de concentraciones de SST, variando en la primera campaña

de 5 a 93 mg/L y en la segunda campaña de 3 – 579 mg/L.

3.2 Características espectrales

Como se muestra en la Figura 3-1, las curvas espectrales para los dos conjuntos de datos

son similares en la tendencia de la firma. La reflectancia en el rango azul (400-500 nm) es

baja debido a la fuerte absorción de todos los componentes ópticamente activos. Un pico

distintivo se encuentra entre 700 nm que es el resultado de alta retrodispersión y un mínimo

en la absorción de todos los componentes ópticamente activos. En el infrarrojo cercano

(NIR) en el rango 800 nm para ambos conjuntos de datos la variación de la reflectancia es

muy notoria debido a la presencia de SST, sin embargo, los valores de reflectancia de este

pico son generalmente más bajos que los de alrededor de 570 y 700 nm, debido a la alta

absorción por agua pura (J. Chen, Cui, Qiu, & Lin, 2014).

Figura 3-1: Firmas espectrales de la campaña en Septiembre N=20 y las captadas en Octubre N=25.

Resultados y análisis 23

A continuación en la Figura 3-2, se detallan las bandas de la imagen Landsat 8 en el área

más significativa de la firma espectral del agua del Embalse de Prado. Observando que el

pico de reflectancia en los 570 nm es abarcada por la banda verde (B3), el pico 702 nm

no hay banda que cubra esta zona pero si la absorción. Las regiones del espectro a

longitudes de onda próximas a 525-600, 675-750 y 670-850 nm muestran cambios

particularmente grandes en la reflectancia y éstas son, por lo tanto, regiones espectrales

candidatas para la estimación de SST(AVALOS, 2012)(Rodríguez & Gilbes, 2009)(Gómez,

2014).

3.3 Evaluación de modelos para estimación de SST

Existen muchos modelos en la literatura sin embargo, hasta la fecha no ha habido un

modelo de estimación de SST universal en aguas continentales, debido a variaciones en

el tamaño de partícula, densidad y otras complejidades ópticas de diferentes cuerpos de

agua. Como se evidencia en la figura 3-3, se aplicó un modelo usado en el estudio (Lian

Feng, 2015) sin realizar ajuste con las características ópticas del agua del embalse, dando

como resultado valores de SST subestimados entre los 20 mg/L y sobreestimados a partir

de los 200 mg/L monitoreados en campo.

Figura 3-2: La relación de la respuesta espectral relativa del agua con bandas espectrales de Landsat 8 OLI.

2

4


Entre los diez tipos de funciones matemáticas (logarítmica, inversa, cuadrática, cúbica,

potencia, exponencial, lineal, compuesto, crecimiento y curva-S) la función polinómica de

orden tres o cúbico proporciona el mayor coeficiente de determinación para los datos

espectrales. Como se evidencia en la Tabla 3-1 La mayoría de los modelos estimados

presentaron alta correlación por lo que elegir el mejor modelo estuvo determinado por el

mayor coeficiente de determinación ajustado R2- Ajustado, un bajo RMSE y MAPE en

detectar concentraciones de SST en el embalse como en sus afluentes y efluente. Por lo

tanto, La mejor correlación es la función polinómica de orden tres del coeficiente de

relación del verde e infrarrojo cercano (GREEN/INR) con R2 Ajustado de 0.9643:

𝑆𝑆𝑇 = −229.34 (𝐺𝑅𝐸𝐸𝑁

𝐼𝑁𝑅)

3

+ 1001.65 (𝐺𝑅𝐸𝐸𝑁

𝐼𝑁𝑅)

2

− 1422.7 (𝐺𝑅𝐸𝐸𝑁

𝐼𝑁𝑅) + 665.17

Figura 3-3: Estimación de SST sin ajuste de las características espectrales del agua del Embalse del Prado.

Resultados y análisis 25

Tabla 3-1: Relaciones Empíricas entre SST y Reflectancia.

El modelo seleccionado se desempeñó bien en la validación de datos. El MAPE del modelo

SST para la validación de datos OLI fue de 22.9%, y RMSE= 0,287 mg/L. Los resultados

indican que el modelo propuesto puede ser utilizado con un rendimiento satisfactorio para

estimar SST en estas aguas interiores.

Utilizando este modelo polinómico de orden 3, se realizó un mapa de estimación de SST

en el embalse (Figura 3-4). En el Embalse de Prado la mayor concentración de sólidos

suspendidos (>40 mg/L) se evidencia en sus afluentes, efluentes y a las orillas debido al

transporte de sedimentos por escorrentía de suelos desnudos. En el interior de las aguas

del embalse los valores de SST no superan los 25 mg/L.

IMAGEN

SATELITAL

RANGO DE LAS

BANDAS

ESPESCTRALES

DATOS

ESPECTRALES

RELACIÓN EMPÍRICA ENTRE SST Y REFLECTANCIA R2

AJUSTADO

LANDSAT 8

OLI

GREEN=525-600

RED=630-680

INR=845-885

𝐼𝑁𝑅

𝑅𝐸𝐷 𝑆𝑆𝑇 = −161.98 (

𝐼𝑁𝑅

𝑅𝐸𝐷)

3

+ 713.47 (𝐼𝑁𝑅

𝑅𝐸𝐷)

2

− 811.43 (𝐼𝑁𝑅

𝑅𝐸𝐷) + 278.46

0.9827

𝑅𝐸𝐷 𝑆𝑆𝑇 = −439321.72 (𝑅𝐸𝐷)3 + 64614.46 (𝑅𝐸𝐷)2

− 163.01(𝑅𝐸𝐷) − 16.41

0.8585

𝑅𝐸𝐷 − 𝐼𝑁𝑅 𝑆𝑆𝑇 = −2364.9(𝑅𝐸𝐷 − 𝐼𝑁𝑅) + 20.373 0.9517

𝐼𝑁𝑅 𝑆𝑆𝑇 = −111957.39(𝐼𝑁𝑅)3 + 27838.07(𝐼𝑁𝑅)2

− 598.08(𝐼𝑁𝑅) + 10.52

0.9177

𝐺𝑅𝐸𝐸𝑁

𝐼𝑁𝑅 𝑆𝑆𝑇 = −229.34 (

𝐺𝑅𝐸𝐸𝑁

𝐼𝑁𝑅)

3

+ 1001.65 (𝐺𝑅𝐸𝐸𝑁

𝐼𝑁𝑅)

2

− 1422.7 (𝐺𝑅𝐸𝐸𝑁

𝐼𝑁𝑅) + 665.17

0.9643

2

6


Figura 3-4: Estimación de SST en el Embalse de Prado.

4. Conclusiones y recomendaciones

4.1 Conclusiones

Las características espectrales del agua del Embalse de Prado muestran cambios

particularmente grandes en la reflectancia en las longitudes de onda del verde, rojo e

infrarrojo cercano, siendo similares a las respuestas espectrales de otros estudios, por lo

tanto, son regiones espectrales candidatas para desarrollar índices espectrales para la

estimación de SST. Las imágenes multiespectrales Landsat 8 OLI, debido a sus

características de resolución espacial, radiométrica y espectral permitieron mapear la

distribución espacial de las concentraciones de SST en el Embalse de Prado, teniendo en

cuenta, que la dimensión de su área es mediana.

La relación de las bandas GREEN/INR mostró fuerte y significativa relación polinómica de

orden tres con la concentración de SST (R2 Ajustado = 0,9643) en el Embalse de Prado;

fue más eficaz estimando valores bajos que son las condiciones dominantes en este

cuerpo de agua y determinando valores altos en las orillas del embalse y sus afluntes.

Aunque estos modelos empíricos se pueden aplicar eficazmente a imágenes de satélite

concurrente con el conjunto de datos de calibración, su precisión puede ser reducida fuera

de las condiciones del conjunto de datos de calibración a causa de la base empírica. En

general, este estudio demuestra que el uso combinado de la vigilancia tradicional de la

calidad del agua con datos de imágenes multiespectrales contribuyó a la caracterización

en gran escala del Embalse de Prado. Con un mayor desarrollo, este método puede

utilizarse para caracterizar las condiciones de concentración de SST en otros embalses.


4.2 Recomendaciones

Se sugiere programar el muestreo con análisis geoespacial teniendo como variable la

profundidad del agua y/o distancia de ingreso de los afluentes.

Explorar las imágenes de radar para determinar SST evitando los problemas de

nubosidad que presenta las imágenes multiespesctrales.

Desarrollar un modelo que combine métodos físicos con métodos estadísticos que

puedan superar estas limitaciones de los modelos empíricos y por lo tanto puede llegar

a ser una técnica prometedora para estimar la concentración de SST en el agua.

A. Anexo: Procedimiento Espectroradiometría en Laboratorio

Preparación de los equipos:

Verificar exactitud de longitud de onda: Los espectrorradiómetros pueden desajustarse

con cierta facilidad si reciben golpes o similar. Una de las consecuencias de estos

desajustes es que las reflectividades que recoge no corresponden con las longitudes

de onda adecuadas. Para corregir este defecto existen materiales como el poliéster o

la kaolinita con cambios bruscos de reflectividad en longitudes de onda conocidas y

que sirven para llevar a cabo este tipo de comprobaciones.

Campo de visión Field of View (FOV): Aunque las instrucciones puedan asegurar un

campo de x grados (bien en forma de círculo o de elipse), a menudo hay que

comprobarlo, puesto que el FOV puede ser ligeramente superior al indicado, e incluso

puede haber mínimas desviaciones. Un método manual de comprobarlo consiste en

situar objetivos de reflectancia contrastada en los supuestos bordes del FOV y analizar

los resultados.

Las fuentes de iluminación. Tener en cuenta las distorsiones fuertes en la región del

azul de las lámparas con filamento de tungsteno incandescente, las distorsiones en el

rango espectral de 2200nm a 2500nm de las de corriente alterna. Para evitarlas se

suele recomendar una lámpara de cuarzo halógeno de 500W. Es necesario también

comprobar variaciones de reflectividad en un mismo objetivo dependiendo del tiempo

que lleve encendida la lámpara.

Obtener información del metadato de la imagen: para los aspectos más relevantes

relacionados con la iluminación a la hora de hacer mediciones. Ángulo de elevación

solar.


Tiempos de encendido del radiómetro: Se sugieren iniciar las mediciones entre 30 y 60

minutos desde su encendido, para que las mediciones sean uniformes (Salisbury

1999).

Tiempos de encendido de la lámpara: Encender treinta minutos antes de las

mediciones, con lo cual los filamentos de tungsteno este a su máximo nivel de

irradiación.

Temperatura ambiente dentro de la caja: Tomar mediciones sin el sistema de

ventilación, para comprobar en un estadio avanzado del análisis si una temperatura

excesiva afecta (y en qué medida) a las tendencias espectrales de las curvas.

Tiempo transcurrido entre mediciones tomando un mismo blanco de referencia: Antes

de cada medición es necesario calibrar el radiómetro con un panel de referencia que

puede ser un blanco Spectralon de los laboratorios Labsphere.

Mediciones

Preparar la muestra: Agite invirtiendo el recipiente de la muestra varias veces y

vierta sobre el recipiente a introducir a la cámara. Si la muestra fue preservada

mediante refrigeración, antes de iniciar el análisis, lleve la muestra a temperatura

ambiente.

Calibrar el radiómetro usando un blanco de referencia. Luego, se coloca la muestra

a medir debajo del radiómetro y se toma una medición. Si se quieren tomar varias

mediciones de una misma muestra, hay que alternar estas dos acciones

consecutivamente.

Registrar en un cuaderno las mediciones que se han llevado a cabo y en qué

condiciones (Iluminación, temperatura, tiempo de encendido del radiómetro,

variación de la profundidad del recipiente con la muestra).

¡Error! No se encuentra el origen de la referencia. 31

Bibliografía

Ariza Alexander. (2013). Descripción y Corrección de Productos Landsat 8 LDCM (Landsat

Data Continuity Mission). Centro de Investigación Y Desarrollo En Información

Geográfica Del IGAC -CIAF, 46. https://doi.org/10.5751/ES-06710-190329

AVALOS, K. (2012). PERCEPCIÓN REMOTA Y SUS APLICACIONES A LA EVALUACIÓN

DE LA CALIDAD DEL AGUA. UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO.

CAR. (2006). ACUERDO NÚMERO 43 DEL 17 DE OCTUBRE DE 2006 “Por el cual se

establecen los objetivos de calidad del agua para la cuenca del río Bogotá a lograr en

el año 2020,” 16.

Chen, J., Cui, T., Qiu, Z., & Lin, C. (2014). A three-band semi-analytical model for deriving

total suspended sediment concentration from HJ-1A/CCD data in turbid coastal waters.

ISPRS Journal of Photogrammetry and Remote Sensing, 93, 1–13.

https://doi.org/10.1016/j.isprsjprs.2014.02.011

Chen, S., Han, L., Chen, X., Li, D., Sun, L., & Li, Y. (2015). ISPRS Journal of

Photogrammetry and Remote Sensing Estimating wide range Total Suspended Solids

concentrations from MODIS 250-m imageries : An improved method. ISPRS Journal of

Photogrammetry and Remote Sensing, 99, 58–69.

https://doi.org/10.1016/j.isprsjprs.2014.10.006

Chuvieco, E. (2009). Fundamentals of Satellite Remote Sensing (Press, CRC).

Ekercin, S. (2007). Water Quality Retrievals from High Resolution Ikonos Multispectral

Imagery: A Case Study in Istanbul, Turkey. Water, Air, and Soil Pollution, 183(1), 239–

251.

Ferral, a. (2013). Análisis espacio-temporal del Efecto del Sistema de Aireación Artificial en

el Embalse San Roque: Integración de Datos de Campo y Técnicas Geoespaciales.

Gómez, J. (2014). Determinación del parámetro sólidos suspendidos totales mediante

imágenes de sensores ópticos en un tramo de la cuenca media del Río Bogotá

(Colombia). In XIV Simposio internacional SELPER, La geoinformación al servicio de


la sociedad. (p. 20).

Håkanson, L. (2004). Internal loading: A new solution to an old problem in aquatic sciences.

Lakes & Reservoirs. Research and Management, 9(1), 3–23.

IDEAM. (2014). Estudio Nacional del Agua.

Jerry, C., & R., F. S. (1986). Monitoring suspended sediments with remote sensing

techniques. Hydrologie Applications of Space Technolo, (160), 233–43.

Kulkarni, A. (2011). Water quality retrieval from landsat TM imagery. Procedia Computer

Science, 6, 475–480. https://doi.org/10.1016/j.procs.2011.08.088

Li, J., Chen, X., Tian, L., Huang, J., & Feng, L. (2015). ISPRS Journal of Photogrammetry

and Remote Sensing Improved capabilities of the Chinese high-resolution remote

sensing satellite GF-1 for monitoring suspended particulate matter ( SPM ) in inland

waters : Radiometric and spatial considerations. ISPRS Journal of Photogrammetry

and Remote Sensing, 106, 145–156. https://doi.org/10.1016/j.isprsjprs.2015.05.009

Long, C. M., & Pavelsky, T. M. (2013). Remote sensing of suspended sediment

concentration and hydrologic connectivity in a complex wetland environment. Remote

Sensing of Environment, 129, 197–209. https://doi.org/10.1016/j.rse.2012.10.019

MAVDT. (2010). Política Nacional para la Gestión Integral del Recurso Hídrico (p. 124).

Miller, R. L., & McKee, B. A. (2004). Using MODIS Terra 250 m imagery to map

concentrations of total suspended matter in coastal waters. Remote Sensing of

Environment, 93(1–2), 259–266. https://doi.org/10.1016/j.rse.2004.07.012

Nechad, B., Ruddick, K. G., & Park, Y. (2010). Calibration and validation of a generic

multisensor algorithm for mapping of total suspended matter in turbid waters. Remote

Sensing of Environment, 114(4), 854–866. https://doi.org/10.1016/j.rse.2009.11.022

Noe, G. B., Harvey, J. W., & Saiers, J. E. (2007). Characterization of suspended particles in

Everglades wetlands. Limnology and Oceanography, 52(3), 1166–1178.

https://doi.org/10.4319/lo.2007.52.3.1166

Orjuela L. C. (2013). Hoja metodológica del indicador Promedio del total de sólidos en

suspensión por estación (Versión 1,00). Sistema de Indicadores Ambientales de

Colombia. Colombia: Instituto de Hidrología, Meteorología y Estudios Ambientales -

IDEAM.

Ouillon, S., Douillet, P., Petrenko, A., Neveux, J., Dupouy, C., Froidefond, J. M., … Muñoz-

Caravaca, A. (2008). Optical algorithms at satellite wavelengths for total suspended

matter in tropical coastal waters. Sensors, 8(7), 4165–4185.

https://doi.org/10.3390/s8074165

¡Error! No se encuentra el origen de la referencia. 33

RAMIREZ, A., & VIÑA, G. (1998). Limnología Colombiana: aportes a su conocimiento y

estadísticas de análisis. Fundación Universidad de Bogotá Jorge Tadeo Lozano:

Bogotá.

Rodríguez, V., & Gilbes, F. (2009). Using MODIS 250 m Imagery to Estimate Total

Suspended Sediment in a Tropical Open Bay. International Journal of Systems

Application, Engineering & Development, 3(1), 36–44.

Zheng, Z., Ren, J., Li, Y., Huang, C., Liu, G., Du, C., & Lyu, H. (2016). Remote sensing of

diffuse attenuation coefficient patterns from Landsat 8 OLI imagery of turbid inland

waters: A case study of Dongting Lake. Science of the Total Environment, 573, 39–54.

https://doi.org/10.1016/j.scitotenv.2016.08.019

Método de Estimación de Sólidos Suspendidos Totales como...

Documents

Transcript of Método de Estimación de Sólidos Suspendidos Totales como...