Recuperación de Variables para el Balance de Agua en Zonas con Datos Escasos

En regiones con escasez de datos, la combinación de observaciones satelitales y fuentes de datos globales permite estimar variables clave para el balance de agua, como la evapotranspiración, la precipitación y la humedad del suelo. Los productos satelitales, como MOD16 para evapotranspiración o CHIRPS para precipitación, junto con datos de reanálisis como ERA5, brindan información continua y de cobertura global. Integrar estas fuentes permite monitorear el ciclo hidrológico, mejorar la gestión del agua y optimizar el uso del recurso en sectores como la agricultura. 

En esta entrada exploraremos qué fuentes de datos globales pueden utilizar para realizar un balance de agua en zonas con datos escasos, empleando observaciones satelitales y datos globales. Es importante verificar si estos datos han sido calibrados en su área de interés y, de ser así, dar prioridad a los calibrados para mayor precisión.

Introducción

El manejo sustentable del agua en la agricultura de riego requiere una planificación eficiente basada en información confiable. Para ello, es crucial conocer con anticipación los volúmenes de agua disponibles en la cuenca de aporte, lo que permite programar su distribución de manera oportuna y en cantidad adecuada.

Sin embargo, en muchas regiones, la falta de datos confiables y la ausencia de equipos de medición dificultan la estimación precisa del balance hídrico. Tradicionalmente, se han empleado modelos hidrológicos y atmosféricos sofisticados para suplir esta carencia (e.g. Trenberth et al., 2007; Meza-Prieto & Aparicio, 2018). No obstante, estos modelos enfrentan desafíos debido a la variabilidad espacial y temporal de los procesos hidrológicos (Lorenz et al., 2014), lo que resalta la necesidad de enfoques alternativos.

En este sentido diversos autores han generado metodologías con el apoyo de sensores remotos para determinar los diferentes parámetros del balance de agua (e.g. Lorenz et al., 2014; Martin et al., 2016); en la cual hacen uso de imágenes satélites especializados para medir humedad del suelo (Soil Moisture Active Passive Mission [SMAP], Soil Moisture and Ocean Salinity [SMOS]), evapotranspiración (Interim European Centre for Medium-Range Weather Forecasts [ECMWF], Global Land Surface Evaporation [GLE] ), precipitación (Tropical Rainfall Measuring Mission [TRMM] que dejo de operar hasta el 2014, Global Precipitation Measurement [GPM]), etc. tomando datos en campo para calibrar y validar los modelo (Figura 1). Algunos de estos se muestran en el cuadro 1.

Cuadro 1. Resumen de sensores y modelos que permiten determinar precipitación (P), evapotranspiración real (ETa), cambios en el almacenamiento de agua (dM / dt) y escurrimiento (Lorenz et al., 2014).

Muchos modelos aún están en desarrollo y en etapas de calibración, por lo que su capacidad y alcance en la estimación de parámetros clave del ciclo hidrológico siguen en evaluación. Sin embargo, el potencial de los sensores remotos en este campo es enorme, especialmente en México, donde aún hay mucho por explorar.

El Big Data se ha consolidado como una herramienta clave en diversas disciplinas, incluida la agricultura, donde la gestión eficiente del agua depende de múltiples factores. La integración de sensores remotos con tecnologías emergentes como el Big Data y el Internet de las Cosas (IoT) puede mejorar significativamente el monitoreo y la toma de decisiones en la agricultura de riego.

Evapotranspiración

Diversas investigaciones han utilizado sensores remotos para estimar la evapotranspiración a partir de la temperatura de la superficie y los índices de vegetación (Miralles et al., 2011; Jung et al., 2009, 2010; Mu et al., 2007, 2011). Entre las bases de datos más empleadas para este propósito se encuentra el producto MOD16 (Figura 1).

Figura 1. Mapa de Evapotranspiración promedio anual (2010-2023) con el producto MOD16A2 (Running et, al., 2021).

El producto MOD16A2 versión 6.1 ofrece estimaciones de evapotranspiración y flujo de calor latente con una resolución de 500 metros en intervalos de 8 días. Su algoritmo se basa en la ecuación de Penman-Monteith, combinando datos de reanálisis meteorológico diario con productos MODIS de detección remota, como dinámica de la vegetación, albedo y cobertura terrestre.

Evapotranspiración de referencia (ETo)

Diversas bases de datos de reanálisis han sido utilizadas para estimar la ETo en distintos sitios. Algunas permiten obtener valores individuales de variables climáticas, mientras que otras ofrecen la ETo calculada directamente en escalas diarias o mensuales. En entradas anteriores, hemos explorado la estimación de la ETo utilizando datos de reanálisis. Te invitamos a revisar estos sitios para profundizar en el tema:

• Descargar datos climáticos de reanálisis para estimar Evapotranspiración de referencia
• codigo: Descargar datos de reanálisis en Excel desde GEE para estimar la Evapotranspiración de referencia.

La mayoría de estos conjuntos están disponibles gratuitamente en plataformas web y se publican en formatos de cuadrículas o mallas regulares. Dependiendo de la fuente, los datos pueden tener un retraso de días o meses respecto al presente, lo que permite su uso en estudios retrospectivos y en la actualización de modelos en tiempo casi real.

Una de las ventajas de estos conjuntos de datos es su accesibilidad y facilidad de integración en entornos de análisis geoespacial. Muchos de ellos pueden descargarse automáticamente mediante scripts en Python y utilizarse en plataformas de procesamiento como ArcMAP o bibliotecas de Python especializadas en análisis geoespacial, como Google Earth Engine y Google Earth Engine Python API (Allen et al., 2021).

Cuadro 2. Resoluciones y cobertura de algunos conjuntos de datos de reanálisis.

Algunas de estas cuadrículas, como las incluidas en el Cuadro 2, están disponibles casi en tiempo real en Google Earth Engine, lo que facilita su visualización, procesamiento y análisis sin la necesidad de descargar grandes volúmenes de información. Esta disponibilidad y flexibilidad en el acceso a los datos fortalece el uso de sensores remotos y modelos de reanálisis en la gestión del agua en la agricultura, permitiendo estimaciones más precisas y actualizadas de la evapotranspiración de referencia (ET0) y otros parámetros hidrológicos clave.

Figura 2. Evapotranspiración de referencia para la Región Hidrológica 036

Precipitación

Entre los conjuntos de datos de precipitación en cuadrícula se encuentran diversas fuentes que proporcionan información global con diferentes resoluciones espaciales y temporales. Estos datos provienen de mediciones de estaciones terrestres, radares y satélites, combinados mediante técnicas de interpolación y modelos de reanálisis.

• Basado en satélite casi en tiempo real: GPM/IMERG, GPM/GsMaP
• Reanálisis ECMWF v5 (ERA5)
• Satélite + estaciones terrestres: CHIRPS (Climate Hazards Group InfraRed Precipitation with Station Data)
• Estaciones terrestres: SMN, INIFAP

Estos conjuntos de datos son ampliamente utilizados en estudios hidrológicos y en el cálculo del balance hídrico, permitiendo una mejor comprensión de la disponibilidad de agua en diferentes regiones, especialmente en zonas con escasez de estaciones meteorológicas. Además, su acceso a través de plataformas como Google Earth Engine y su compatibilidad con herramientas de procesamiento geoespacial facilitan su integración en modelos de gestión del agua en la agricultura.

Algunos de los más utilizados incluyen:

1. GPM (Global Precipitation Measurement): Conjunto de datos satelitales que ofrece estimaciones globales de precipitación casi en tiempo real, con una resolución espacial de 0.1° y una temporalidad diaria.

2. CHIRPS (Climate Hazards Group InfraRed Precipitation with Station Data): Combina datos satelitales y estaciones terrestres, proporcionando estimaciones de precipitación a escala global con alta resolución espacial y temporal, especialmente útil para regiones con pocos datos de estaciones (Figura 3).

3. MSWEP (Multi-Source Weighted-Ensemble Precipitation): Un producto global que combina observaciones satelitales y de estaciones terrestres para mejorar la precisión en áreas donde los datos son escasos.

4. ERA5 (ECMWF Reanalysis 5th Generation): Ofrece reanálisis global con una resolución temporal de hora a hora y espacial de 31 km. Es ampliamente utilizado en estudios hidrológicos y climáticos.

5. TRMM (Tropical Rainfall Measuring Mission): Datos satelitales históricos, útiles especialmente para estudiar la precipitación en las regiones tropicales, que dejan de ser operativos en 2014 pero todavía se usan en modelos de predicción.

Figura 3. Precipitación anual del 2023 para el estado de sonora

Evapotranspiracion - precipitacion 

La evapotranspiración (ET) menos la precipitación (P) es una de las variables más importantes en el cálculo del déficit o saldo hídrico de una región. Esta diferencia nos da una estimación de la cantidad de agua que se está perdiendo por evaporación y transpiración en comparación con el agua que se está recibiendo a través de la precipitación.

La ecuación básica sería:

Déficit hídrico=Evapotranspiración (ET)−Precipitación(P)

Este valor puede indicar un exceso de evaporación respecto a la precipitación, lo que resultaría en un déficit de agua, o por el contrario, si la precipitación supera la evapotranspiración, podría indicar un área de riego. Esta medición es fundamental para la gestión de recursos hídricos, especialmente en áreas agrícolas donde la disponibilidad de agua influye directamente en la productividad y la planificación del riego.

En la Figura 4, podemos ver el mapa de Evapotranspiración calculada con MOD16A2 y restando datos de precipitación podemos ver en la Figura 5 como la diferencia entre estas dos variables nos pueden indicar o señalar las zonas de riego. Sí queremos información detallada tenemos que incluir mas variables y detallar mas. 

Figura 3. ET anual del 2023 para el estado de sonora

Figura 4. ET anual del 2023 para el estado de sonora

Cambios en el Almacenamiento de Agua

La misión satelital "Gravity Recovery and Climate Experiment" (GRACE) permite estimar y modelar los movimientos de masa de agua, proporcionando valiosa información sobre el almacenamiento hídrico, incluyendo agua subterránea. Esta misión es una colaboración entre la NASA de los Estados Unidos y el German Research Centre for Geosciences (GFZ) de Alemania, con el objetivo de estudiar el comportamiento del agua desde observaciones espaciales (JPL, 2024).

GRACE se lleva a cabo en dos fases: la fase inicial (2002-2017) y la fase de seguimiento, GRACE Follow-On (2018 - presente), las cuales cubren un período de medición desde 2002 hasta la actualidad. A través de mediciones mensuales del campo gravitacional promedio de la Tierra, GRACE genera mapas que muestran cómo cambian las masas de agua en la superficie terrestre. Estos cambios, principalmente debidos al movimiento del agua, permiten analizar variaciones en el almacenamiento de agua en grandes escalas, lo que es crucial para la gestión de recursos hídricos, especialmente en zonas con información limitada.

Escurrimiento

Para calcular el escurrimiento usando sensores remotos se han propuesto diversos modelos, el enfoque hidrológico se describe en la ecuación 1 (Lorenz et al., 2014) y depende únicamente de variables hidrológicas:

R=P-ET-dS/dT

(1)

Dónde: R= Escurrimiento, P=Precipitación, ET= Evapotranspiración,  = cambio de almacenamiento del agua en el suelo

Se puede realizar el balance para una cuenca usando datos satelitales y de reanálisis, posteriormente estos valores se pueden compararan con los valores tomados directamente en campo y se generara un modelo de regresión que servirá para calibrar valores de escurrimiento estimados.

Referencias

Becerra Moreno, A. (1998). Conservación de suelos y desarrollo sustentable, ¿utopía o posibilidad en México? Terra Latinoamericana, 16(2).

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 IEEE. https://doi.org/10.1109/JPROC.2010.2043918

Estrella, M., & González, A. (2017). Desarrollo sustentable: Un nuevo mañana (Segunda ed.). Grupo Editorial Patria: México.

International Food Policy Research Institute (IFPRI). (2009). Cambio Climático: El impacto en la agricultura y los costos de adaptación. Washington, DC. Obtenido de http://www.fao.org/fileadmin/user_upload/AGRO_Noticias/docs/costo%20adaptacion.pdf

Jung, M., M. Reichstein, and A. Bondeau, 2009: Towards global empirical upscaling of FLUXNET eddy covariance observations: Validation of a model tree ensemble approach using a biosphere model. Biogeosciences, 6, 2001–2013, doi:10.5194/bg-6-2001-2009

Martin, E., Gascoin, S., Grusson, Y., Murgue, C., Bardeau, M., Anctil, F., … Therond, O. (2016). On the Use of Hydrological Models and Satellite Data to Study the Water Budget of River Basins Affected by Human Activities: Examples from the Garonne Basin of France. Surveys in Geophysics. https://doi.org/10.1007/s10712-016-9366-2

Meza-Prieto, B., & Aparicio, J. (2018). Evaluación del potencial hidroenergético a pequeña escala en cuencas hidrológicas con un modelo lluvia-escurrimiento. Tecnologia y Ciencias Del Agua. https://doi.org/10.24850/j-tyca-2018-01-05

Miralles, D. G., R. A. M. de Jeu, J. H. Gash, T. R. H. Holmes, and A. J. Dolman, 2011: An application of GLEAM to estimating global evaporation. Hydrol. Earth Syst. Sci. Discuss., 8, 1–27, doi:10.5194/hessd-8-1-2011.

Mu, Q., F. A. Heinsch, M. Zhao, and S. W. Running, 2007: Development of a global evapotranspiration algorithm based on MODIS and global meteorology data. Remote Sens. Environ., 111, 519–536, doi:10.1016/j.rse.2007.04.015

NASA. (2014). SMAP Handbook. National Aeronautics and Space Administration.

NASA. (2018). Soil Moisture Active Passive (SMAP) Mission Level 4 Surface and Root Zone Soil Moisture (L4_SM) Product Specification Document. Maryland.

Sánchez-Núñez, J. M., Serrano Flores, M. E., Sangermán Jarquín2, D. M., Navarro Bravo, A., Vera Alejandre, G. R., Cuevas Sánchez, J. A., & Macías Vázquez, J. L. (2011). Eventos hidrometeorológicos extremos y desastres en comunidades rurales y urbanas en Motozintla, Chiapas. Revista Mexicana de Ciencias Agrícolas.

Tilman D, Cassman K.G, Matson P.A, Naylor R, Polasky S. Agricultural sustainability and intensive production practices. Nature. 2002;418:671–677. doi:10.1038/nature01014 [PubMed] [Google Scholar]

Trenberth, K. E., and J. T. Fasullo, 2013: Regional energy and water cycles: Transports from ocean to land. J. Climate, 26, 7837–7851, doi:10.1175/JCLI-D-13-00008.1.

United Nations [UN) (01 de Agosto de 2019). Población. Obtenido de https://www.un.org/es/sections/issues-depth/population/index.html

United Nations [UN) (2017). Noticias. Obtenido de: https://www.un.org/development/desa/es/news/population/world-population-prospects-2017.html