Revista Ciencias Técnicas Agropecuarias Vol. 32, No. 4, October-December, 2023, ISSN: 2071-0054
Código QR
CU-ID: https://cu-id.com/2177/v32n4e01
ORIGINAL ARTICLE

Validation of Spectral Moisture Indexes Using Landsat 8 OLI/TIRS Images in a Vertisol

 

iDRoberto Alejandro García-ReyesIMinisterio e la Agricultura, Delegación Provincial de Holguín, Departamento de Suelos y Fertilizantes, Holguín, Cuba. *✉:ralejandro9409@gmail.com

iDJuan Alejandro Villazón-GómezIIUniversidad de Holguín, Facultad de Ciencias Naturales y Agropecuarias, Centro de Estudios para Agroecosistemas Áridos (CEAAR), Holguín, Cuba.

iDMaría Elena Ruíz-PérezIIIUniversidad Agraria de La Habana, Facultad de Ciencias Técnicas, San José de las Lajas, Mayabeque, Cuba.

iDMirna Cruz-PérezIIUniversidad de Holguín, Facultad de Ciencias Naturales y Agropecuarias, Centro de Estudios para Agroecosistemas Áridos (CEAAR), Holguín, Cuba.


IMinisterio e la Agricultura, Delegación Provincial de Holguín, Departamento de Suelos y Fertilizantes, Holguín, Cuba.

IIUniversidad de Holguín, Facultad de Ciencias Naturales y Agropecuarias, Centro de Estudios para Agroecosistemas Áridos (CEAAR), Holguín, Cuba.

IIIUniversidad Agraria de La Habana, Facultad de Ciencias Técnicas, San José de las Lajas, Mayabeque, Cuba.

 

*Author for correspondence: Roberto Alejandro García-Reyes, e-mail: ralejandro9409@gmail.com

ABSTRACT

Remote sensing is a geomatic tool that has been used to determine soil moisture, a very important physical property in studies related to agricultural production. Particularly, the Vertisol present distinctive characteristics to other groupings of soils in Cuba in relation to water retention and the change of their properties. The objective of the research was validating the use of spectral moisture indexes through Landsat 8 OLI/TIRS images in a Vertisol. An area under natural grass, sugarcane and secondary forest of the Provincial Sugarcane Research Station in Guaro, Holguín was chosen. Three georeferenced random sampling points were established for each land use up to a depth of 30.0 cm, for the determination of gravimetric moisture, which was related by means of linear regression analysis with the spectral indexes of moisture and the calculation of parameters for validation. The use of remote sensing showed in the thematic maps obtained from the estimation of moisture with the different spectral indexes, the presence of homogeneous zones and their spatial variability in the moisture state of the Vertisol under the three land uses. ENDWI, MSI and EMSI indexes indicated a better estimation in the statistics used for the validation of the values obtained by remote sensing and in situ sampling of moisture, according to research related to the subject.

Keywords: 
Gravimetric moisture, Remote Sensing, Soil

Received: 01/2/2023; Accepted: 01/9/2023

Roberto Alejandro García-Reyes, Ing., Inv., Ministerio de la Agricultura, Departamento Provincial de Suelos y Fertilizantes, provincia Holguín, Cuba, e-mail: ralejandro9409@gmail.com.

Juan Alejandro Villazón-Gómez, MSc., Profesor, Universidad de Holguín, Facultad de Ciencias Naturales y Agropecuarias, Centro de Estudios para Agroecosistemas Áridos (CEAAR). Ave. de los Libertadores, km 3½, No. 287, Holguín, Cuba, e-mail: villazon1975@gmail.com.

María Elena Ruiz-Pérez, Dr.C., Profesora Titular, Universidad Agraria de La Habana “Fructuoso Rodríguez Pérez”. Carretera Tapaste y Autopista Nacional km 231/2, San José de Las Lajas, Mayabeque, Cuba. CP 32700, e-mail: mruiz@unah.edu.cu.

Mirna Cruz-Pérez, MSc., Universidad de Holguín, Facultad de Ciencias Naturales y Agropecuarias, Centro de Estudios para Agroecosistemas Áridos (CEAAR). Ave. de los Libertadores, km 3½, No. 287, Holguín, Cuba, e-mail: mirntacp@gmail.com.

The authors of this work declare no conflict of interests.

AUTHOR CONTRIBUTIONS: Conceptualization: Roberto Alejandro García-Reyes. Data curation: Roberto Alejandro García-Reyes, Juan Alejandro Villazón-Gómez. Investigation: Roberto Alejandro García-Reyes, María Elena Ruíz-Pérez, Juan Alejandro Villazón Gómez, Mirna Cruz Pérez. Methodology: Roberto Alejandro García-Reyes. Supervision: María Elena Ruíz-Pérez. Validation: María Elena Ruíz-Pérez. Roles/Writing, original draft: Roberto Alejandro García-Reyes. Writing, review & editing: Roberto Alejandro García-Reyes, María Elena Ruíz Pérez.

CONTENT

INTRODUCTION

 

Soil moisture is crucial in the nexus that exists in the exchange of water, energy and carbon between the soil surface and the atmosphere. Several studies suggest the use of this physical property of the soil as an important factor to take into account when conducting studies on drought monitoring, evapotranspiration estimation, irrigation intervals, crop yield evaluation and forest management, among others (Qiu et al., 2019QIU, J.; CROW, W.T.; WAGNER, W.; ZHAO, T.: “Effect of vegetation index choice on soil moisture retrievals via the synergistic use of synthetic aperture radar and optical remote sensing”, International Journal of Applied Earth Observation and Geoinformation, 80: 47-57, 2019, ISSN: 1569-8432, Publisher: Elsevier, DOI: https://doi.org/10.1016/j.jag.2019.03.015.).

Vertisol are of great importance in our country and are mostly used in the production of sugar cane and natural pastures for livestock. This group of soils occupies an area of 9060 km2 divided into Chromic Vertisol (860 km2) and Pélico Vertisol (8200 km2), according to Hernández et al. (2015)HERNÁNDEZ, J.A.; PÉREZ, J.J.M.; MESA, N.A.; BOSCH, I.D.; RIVERO, L.; CAMACHO, E.: Nueva versión de la clasificación genética de los suelos de Cuba., Ed. AGRINFOR, La Habana, Cuba, ISBN: 959-246-022-1, Barcaz L L ed., vol. I, 93 p., 2015.; Hernández (2021)HERNÁNDEZ, J.A.: “Área que ocupan los agrupamientos y tipos genéticos de los suelos en Cuba”, Cultivos tropicales, 42(3), 2021, ISSN: 0258-5936, Publisher: Ediciones INCA.. They can also be very productive but with management restrictions when wet, with low infiltration rates and hydraulic conductivity, which can be susceptible to erosion and runoff. Their poor aeration make them very sticky and the excess of water in the soil makes tillage, sowing and harvesting operations difficult, as well as the traffic of agricultural implements. However, when they are dry they become very dense and hard, with high infiltration rates due to the presence of cracks that can be very large in width and depth (Wilson & Cerana, 2004WILSON, M.; CERANA, J.: “Mediciones físicas en suelos con características vérticas”, Revista Científica Agropecuaria, 8(1): 11-22, 2004, ISSN: 0329-3602.).

Cid et al. (2016)CID, L.G.; HERRERA, P.J.; LÓPEZ, S.T.; GONZÁLEZ, R.F.: “Resultados de algunas investigaciones en suelos Vérticos de Cuba”, Revista Ingeniería Agrícola, 6(2): 51-56, 2016, ISSN: 2227-8761. state that the nature of the water-soil relationship in Vertisol has a notable effect on their water management, particularly when they are irrigated. The effect of cracks on infiltration and aeration and changes in apparent density with water content are characteristic of this type of soil that must be assessed together for proper water management.

The moisture present in the soil can be determined by point estimates, remote sensing or by simulation models. Each of these methods has some drawbacks, either in terms of the accuracy and precision of the estimates or in terms of their space-time scale, elements that are hardly reconcilable (Hernández-Pereira and Medina-González, 2012HERNÁNDEZ-PEREIRA, Y.; MEDINA-GONZÁLEZ, H.: “Estimación de la humedad del suelo mediante técnicas de asimilación de datos”, Revista Ciencias Técnicas Agropecuarias, 21(4): 30-35, 2012, ISSN: 2071-0054, Publisher: Universidad Agraria de La Habana.). Remote sensing methods for soil moisture estimation rely primarily on the relationship between soil moisture, dielectric characteristics of a specific target and radar receivers; which have the ability to acquire data under almost any weather condition and without an external source of lighting (Bao et al., 2018BAO, Y.; LIN, L.; WU, S.; DENG, K.A.K.; PETROPOULOS, G.P.: “Surface soil moisture retrievals over partially vegetated areas from the synergy of Sentinel-1 and Landsat 8 data using a modified water-cloud model”, International journal of applied earth observation and geoinformation, 72: 76-85, 2018, ISSN: 1569-8432, Publisher: Elsevier, DOI: https://doi.org/10.1016/j.jag.2018.05.026.). There are mainly three groups of models that apply remote sensing data to estimate soil moisture: backscatter models, statistical analysis techniques, and application of neural networks; which can be affected by vegetated surfaces, since active microwaves are strongly affected by surface roughness and vegetation (Zhan et al., 2007ZHAN, Z.; QIN, Q.; GHULAN, A.; WANG, D.: “NIR-red spectral space based new method for soil moisture monitoring”, Science in China Series D: Earth Sciences, 50(2): 283-289, 2007, ISSN: 1006-9313, Publisher: Springer, DOI: https://doi.org/10.1007/s11430-007-2004-6.; Zhang et al., 2014ZHANG, J.; ZHOU, Z.; YAO, F.; YANG, L.; HAO, C.: “Validating the modified perpendicular drought index in the North China region using in situ soil moisture measurement”, IEEE Geoscience and Remote Sensing Letters, 12(3): 542-546, 2014, ISSN: 1545-598X, Publisher: IEEE, DOI: http://dx.doi.org/10.1109/LGRS.2014.2349957.; Champagne et al., 2016CHAMPAGNE, C.; ROWLANDSON, T.; BERG, A.; BURNS, T.; L’HEUREUX, J.; TETLOCK, E.; ADAMS, J.R.; AHMADI, H.; TOTH, B.; ITENFISU, D.: “Satellite surface soil moisture from SMOS and Aquarius: Assessment for applications in agricultural landscapes”, International journal of applied earth observation and geoinformation, 45: 143-154, 2016, ISSN: 1569-8432, Publisher: Elsevier, DOI: https://doi.org/10.1016/j.jag.2015.09.004.).

The Landsat 8 OLI/TIRS satellite of the United States Geological Survey presents 11 bands. Due to its cumulus and time, the Landsat images have a spatial resolution of 30 m, a temporal resolution of 16 days and a land coverage of 185 km. For the reasons stated above, the objective of the research was validating the use of spectral moisture index in a Vertisol with the use of Landsat 8 OLI/TIRS images.

MATERIALS AND METHODS

 

Soil moisture sampling was carried out in areas of Guaro Experimental Block, belonging to the Provincial Sugarcane Research Station (EPICA) of Holguín, in a moderately washed calcic and gleyic Chromic Vertisol (Hernández et al., 2015HERNÁNDEZ, J.A.; PÉREZ, J.J.M.; MESA, N.A.; BOSCH, I.D.; RIVERO, L.; CAMACHO, E.: Nueva versión de la clasificación genética de los suelos de Cuba., Ed. AGRINFOR, La Habana, Cuba, ISBN: 959-246-022-1, Barcaz L L ed., vol. I, 93 p., 2015.). An area under three land uses (natural pasture, sugar cane and secondary forest) was chosen and three random sampling points were established by land use, which were georeferenced (Figure 1).

FIGURE 1.  Location of the Guaro Experimental Block, belonging to the Provincial Sugarcane Research Station in Holguín taken from SAS Planet (SAS.Planet.Nightly.200718.10081/geojamal.com).

At each sampling point, a pit 30 cm deep was opened and undisturbed soil samples were taken with a 105.35 cm3 cylinder, placed in weighing filters, the mass of moist soil was determined and they were placed in an oven at 105°, until they reached a constant weight (mass of dry soil). The gravimetric moisture was determined from the equation:

θ g = m s h - m s s m s s  (1)

Where θg is the gravimetric moisture; msh is the moist soil mass and mss is the dry soil mass.

To match as closely as possible to the date of sampling, an image (LC08_L1TP_011046_20190613_20190619_01_T1.tar) was downloaded from the www.usgs.gov site of the commercial Landsat 8 OLI/TIRS satellite in the WGS 84 UTM system, Zone 18 North, 011/046 Grid. Radiometric correction and the calculation of the following spectral moisture indexes were performed on said image in the QGis 3.10 A Coruña software (Table 1).

TABLE 1.  Calculated spectral moisture indexes
Moisture spectral index Reference Equation
LSWI (Index of Normalized Difference of Moisture in Vegetation and Soil) Mohammadi et al. (2017)MOHAMMADI, A.; COSTELLOE, J.F.; RYU, D.: “Application of time series of remotely sensed normalized difference water, vegetation and moisture indices in characterizing flood dynamics of large-scale arid zone floodplains”, Remote sensing of environment, 190: 70-82, 2017, ISSN: 0034-4257, Publisher: Elsevier, DOI: http://dx.doi.org/10.1016/j.rse.2016.12.003.
L S W I = N I R - S W I R 1 N I R + S W I R 1  (2)
ENDWI (Improved Water Index) Chen et al. (2005)CHEN, D.; HUANG, J.; JACKSON, T.J.: “Vegetation water content estimation for corn and soybeans using spectral indices derived from MODIS near-and short-wave infrared bands”, Remote Sensing of Environment, 98(2-3): 225-236, 2005, ISSN: 0034-4257, Publisher: Elsevier.
E N D W I = N I R - S W I R 2 N I R + S W I R 2  (3)
MSI (Moisture Deficiency Index) Domínguez et al. (2017)DOMÍNGUEZ, J.; KUMHÁLOVÁ, J.; NOVÁK, P.: “Assessment of the relationship between spectral indices from satellite remote sensing and winter oilseed rape yield”, Agron. Res, 15(1): 55-68, 2017.
M S I = S W R 1 N I R  (4)
EMSI (Improved Moisture Deficiency Index) Domínguez et al. (2017)DOMÍNGUEZ, J.; KUMHÁLOVÁ, J.; NOVÁK, P.: “Assessment of the relationship between spectral indices from satellite remote sensing and winter oilseed rape yield”, Agron. Res, 15(1): 55-68, 2017.
E M S I = ( S W I R 2 N I R )  (5)

NIR: Near Infrared; SWIR1: Short wave infrared; SWIR2: Short wave infrared.

For the validation of the spectral moisture indexes, a linear regression analysis was performed between the gravimetric moisture values and those estimated by the index using the Statgraphics Plus 5.0 software. For the validation of the mathematical models obtained, the methodology proposed by Singh et al. (2019)SINGH, K.; KUMAR, S.; KUMAR, R.: “Synergetic methodology for estimation of soil moisture over agricultural area using Landsat-8 and Sentinel-1 satellite data”, Remote Sensing Applications: Society and Environment, 15: 1-8, 2019, ISSN: 2352-9385, Publisher: Elsevier, DOI: http://dx.doi.org/10.1016/j.rsase.2019.100250. was taken into account with the use of the Landsat 8 OLI/TIRS satellite, which reduces the effects of vegetation cover on the reflected values of moisture by this sensor.

RESULTS AND DISCUSSION

 

Figure 2 shows the thematic maps obtained from the estimation of soil moisture for each spectral index and how this parameter varies in the area studied from the colors that the areas of highest, medium and low soil moisture values take. There are homogeneous areas in each thematic map, in addition to showing significant differences in the colors that the pixels take in each of the images obtained.

FIGURE 2.  Thematic maps obtained from the estimation of soil moisture content from spectral indexes in the study area.

Silva et al. (2016)SILVA, R.F.; ALBUQUERQUE, J.A.; DA COSTA, A.; FONTOURA, S.M.; BAYER, C.; WARMLING, M.I.C.: “Physical properties of a Hapludox after three decades under different soil management systems”, Revista Brasileira de Ciência do Solo, 40: 1-14, 2016, ISSN: 1806-9657, Publisher: SciELO Brasil, DOI: https://doi.org/10.1590/18069657rbcs20140331. state that the land use in a production system is influenced by hydrophysical properties, hence the management of this soil must take into account water retention, because this characteristic modifies its structure and can be used in research to determine the impact of management on soil properties.

Investigations carried out on the state of humidity in Vertisol, refer to the need of carrying out studies at different depths where geostatistical tools are applied. That is because those carried out on this variable are fundamentally based on determining the moisture content of soil samples in two points of the territory to a depth of 60 cm with an auger, with a ten-year period, so an idea of how the values are distributed throughout the area is not offered (Cumbrera-González et al., 2015CUMBRERA-GONZÁLEZ, R.A.; ROMAGOSA, W.; MILLÁN, H.; SORIA, A.; GASKIN, B.: “Estimación de la dependencia espacial del contenido de humedad de un vertisol”, Revista Ingeniería Agrícola, 5(2): 16-22, 2015, ISSN: 2227-8761.).

Figure 3 shows the models of linear regression of the gravimetric moisture values respect to spectral moisture indexes where a linear distribution adjust was shown. The models describe a high positive association between the variables measured with a strong linear dependence between the dependent and the independent variables.

FIGURE 3.  Linear regression analysis between gravimetric moisture and spectral moisture indexes

The use of remote sensing applied to soil moisture studies shows the relationship between the Near Infrared (NIR) and the Red (Red) electromagnetic bands, according to studies carried out by Amani et al. (2016)AMANI, M.; PARSIAN, S.; MIRMAZLOUMI, S.M.; AIENEH, O.: “Two new soil moisture indices based on the NIR-red triangle space of Landsat-8 data”, International Journal of Applied Earth Observation and Geoinformation, 50: 176-186, 2016, ISSN: 0303-2434, Publisher: Elsevier, DOI: http://dx.doi.org/10.1016/j.jag.2016.03.018.. In their study, they validated two spectral indexes TSMI and MTSMI (Triangle Soil Moisture Index and Modified TSMI) with images from the Landsat 8 OLI/TIRS. They refer to a high relationship of 64% to 74% between the humidity determined by remote sensing with that sampled using the traditional method at a depth of 0 to 5 cm.

Based on multispectral images from the Sentinel-1 and Landsat 8 satellites, Alexakis et al. (2017)ALEXAKIS, D.D.; MEXIS, F.D.K.; VOZINAKI, A.E.K.; DALIAKOPOULOS, I.N.; TSANIS, I.K.: “Soil moisture content estimation based on Sentinel-1 and auxiliary earth observation products. A hydrological approach”, Sensors, 17(6): 1-16, 2017, ISSN: 1424-8220, Publisher: MDPI, DOI: https://doi.org/10.3390/s17061455. estimated soil moisture and obtained determination coefficients between 70% and 90%, which demonstrated the validation of this method in their research.

Table 2 shows the result of linear regression analysis of gravimetric moisture and spectral moisture indexes. A high determination is shown with values close to 100% as well as those of the positive correlation coefficient with values close to one, which is explained by the significance with Durbin Watson statistics less than a 95% confidence level in the mathematical models obtained. This statistical test also reflects that in the case of the gravimetric moisture models with the spectral indexes LSWI, MSI and ENDWI, the residuals present a positive interrelation with values close to zero; while the EMSI a value close to two, the residuals are uncorrelated.

TABLE 2.  Statistics of the linear regression analysis between gravimetric moisture and spectral moisture indexes
Statistics Moisture spectral index
LSWI ENDWI MSI EMSI
r2 0,8402 0,9344 0,9814 0,9756
R2 70,5933 87,318 96,3151 95,1765
EE 2569,6411 0,0299 0,0304 0,0253
EAM 1885,4722 0,0253 0,0250 0,0188
Durbin-Watson 0,2166 (P=0,0000) 0,3409 (P=0,0000) 0,8240 (P=0,0001) 1,2241 (P=0,0094)
RMSE 209,3115 1,6186 0,8476 0,6318
R-RMSE 0,9999 0,7794 0,6219 0,6910
%RMSE 48,3957 59,5995 78,8613 69,9638
NS 0,4312 0,6824 0,7185 0,8963
A.r 0,7031 0,7870 0,8816 0,8427
Equation of the model LSWI = 15788,6 + 66790,8* θ g ENDWI = -0,2046 + 1,3181* θ g MSI = 0,0340 + 2,6103* θ g EMSI = -0,0209 + 1,8818* θ g

R2: Coefficient of determination; r2: Correlation coefficient; SE: standard error; EAM: Mean Absolute Error; RMSE: Root Mean Square Error; R-RMSE: Root Mean Square Error Relative; % RMSE: Root Mean Percentage Square Error; NS: Efficiency of the model.

The autocorrelation of the residuals is represented with values that vary from -1 to 1, which allows inferring that the structure of the models is correctly represented. The mean absolute error of the prediction explains that the dependent variables (spectral moisture indexes) explained were correctly chosen in each case, with values greater than zero, which indicates that the values were overestimated and adjust to the magnitude of the dependent variables.

The MSI and EMSI indexes showed better behavior in terms of the efficiency index with values closer to one, while the rest of the indexes have intermediate values for their estimation, which is consistent with what was stated by Hwan et al. (2012)HWAN, S.; HEON, D.; HOON, J.: “A new measure for assessing the efficiency of hydrological data-driven forecasting models”, Hydrological Sciences Journal, 57(7): 1257-1274, 2012, DOI: https://doi.org/10.1080/02626667.2012.710335. for the validation of hydrological models through the use of efficiency indexes.

Qiu et al. (2019)QIU, J.; CROW, W.T.; WAGNER, W.; ZHAO, T.: “Effect of vegetation index choice on soil moisture retrievals via the synergistic use of synthetic aperture radar and optical remote sensing”, International Journal of Applied Earth Observation and Geoinformation, 80: 47-57, 2019, ISSN: 1569-8432, Publisher: Elsevier, DOI: https://doi.org/10.1016/j.jag.2019.03.015., when evaluating soil moisture under different land uses with the Landsat 8 OLI/TIRS satellite, found a correlation between this measurement and the moisture present in the soil, validated through the RMSE and r2 statistics. From the use of remote sensing, Jalilvand et al. (2019)JALILVAND, E.; TAJRISHY, M.; HASHEMI, S.A.; BROCCA, L.: “Quantification of irrigation water using remote sensing of soil moisture in a semi-arid region”, Remote Sensing of Environment, 231: 111226, 2019, ISSN: 0034-4257, Publisher: Elsevier. quantified the irrigated areas in Urmia Lake, Iran for which they validated the use of remote sensing in this study through the use of mathematical algorithms with a determination coefficient of 86%.

CONCLUSIONS

 

The use of remote sensing for the estimation of moisture in a Vertisol through spectral indexes related to this physical property and images from the Landsat 8 OLI/TIRS satellite, showed homogeneous areas with high, medium and low values in soil water content and its spatial variability in the thematic maps obtained. Based on the methodology used, the ENDWI, MSI and EMSI indexes indicated a better estimate in the statistics used for the validation of the values obtained by remote sensing and in situ moisture sampling.

REFERENCES

 

ALEXAKIS, D.D.; MEXIS, F.D.K.; VOZINAKI, A.E.K.; DALIAKOPOULOS, I.N.; TSANIS, I.K.: “Soil moisture content estimation based on Sentinel-1 and auxiliary earth observation products. A hydrological approach”, Sensors, 17(6): 1-16, 2017, ISSN: 1424-8220, Publisher: MDPI, DOI: https://doi.org/10.3390/s17061455.

AMANI, M.; PARSIAN, S.; MIRMAZLOUMI, S.M.; AIENEH, O.: “Two new soil moisture indices based on the NIR-red triangle space of Landsat-8 data”, International Journal of Applied Earth Observation and Geoinformation, 50: 176-186, 2016, ISSN: 0303-2434, Publisher: Elsevier, DOI: http://dx.doi.org/10.1016/j.jag.2016.03.018.

BAO, Y.; LIN, L.; WU, S.; DENG, K.A.K.; PETROPOULOS, G.P.: “Surface soil moisture retrievals over partially vegetated areas from the synergy of Sentinel-1 and Landsat 8 data using a modified water-cloud model”, International journal of applied earth observation and geoinformation, 72: 76-85, 2018, ISSN: 1569-8432, Publisher: Elsevier, DOI: https://doi.org/10.1016/j.jag.2018.05.026.

CHAMPAGNE, C.; ROWLANDSON, T.; BERG, A.; BURNS, T.; L’HEUREUX, J.; TETLOCK, E.; ADAMS, J.R.; AHMADI, H.; TOTH, B.; ITENFISU, D.: “Satellite surface soil moisture from SMOS and Aquarius: Assessment for applications in agricultural landscapes”, International journal of applied earth observation and geoinformation, 45: 143-154, 2016, ISSN: 1569-8432, Publisher: Elsevier, DOI: https://doi.org/10.1016/j.jag.2015.09.004.

CHEN, D.; HUANG, J.; JACKSON, T.J.: “Vegetation water content estimation for corn and soybeans using spectral indices derived from MODIS near-and short-wave infrared bands”, Remote Sensing of Environment, 98(2-3): 225-236, 2005, ISSN: 0034-4257, Publisher: Elsevier.

CID, L.G.; HERRERA, P.J.; LÓPEZ, S.T.; GONZÁLEZ, R.F.: “Resultados de algunas investigaciones en suelos Vérticos de Cuba”, Revista Ingeniería Agrícola, 6(2): 51-56, 2016, ISSN: 2227-8761.

CUMBRERA-GONZÁLEZ, R.A.; ROMAGOSA, W.; MILLÁN, H.; SORIA, A.; GASKIN, B.: “Estimación de la dependencia espacial del contenido de humedad de un vertisol”, Revista Ingeniería Agrícola, 5(2): 16-22, 2015, ISSN: 2227-8761.

DOMÍNGUEZ, J.; KUMHÁLOVÁ, J.; NOVÁK, P.: “Assessment of the relationship between spectral indices from satellite remote sensing and winter oilseed rape yield”, Agron. Res, 15(1): 55-68, 2017.

HERNÁNDEZ, J.A.: “Área que ocupan los agrupamientos y tipos genéticos de los suelos en Cuba”, Cultivos tropicales, 42(3), 2021, ISSN: 0258-5936, Publisher: Ediciones INCA.

HERNÁNDEZ, J.A.; PÉREZ, J.J.M.; MESA, N.A.; BOSCH, I.D.; RIVERO, L.; CAMACHO, E.: Nueva versión de la clasificación genética de los suelos de Cuba., Ed. AGRINFOR, La Habana, Cuba, ISBN: 959-246-022-1, Barcaz L L ed., vol. I, 93 p., 2015.

HERNÁNDEZ-PEREIRA, Y.; MEDINA-GONZÁLEZ, H.: “Estimación de la humedad del suelo mediante técnicas de asimilación de datos”, Revista Ciencias Técnicas Agropecuarias, 21(4): 30-35, 2012, ISSN: 2071-0054, Publisher: Universidad Agraria de La Habana.

HWAN, S.; HEON, D.; HOON, J.: “A new measure for assessing the efficiency of hydrological data-driven forecasting models”, Hydrological Sciences Journal, 57(7): 1257-1274, 2012, DOI: https://doi.org/10.1080/02626667.2012.710335.

JALILVAND, E.; TAJRISHY, M.; HASHEMI, S.A.; BROCCA, L.: “Quantification of irrigation water using remote sensing of soil moisture in a semi-arid region”, Remote Sensing of Environment, 231: 111226, 2019, ISSN: 0034-4257, Publisher: Elsevier.

MOHAMMADI, A.; COSTELLOE, J.F.; RYU, D.: “Application of time series of remotely sensed normalized difference water, vegetation and moisture indices in characterizing flood dynamics of large-scale arid zone floodplains”, Remote sensing of environment, 190: 70-82, 2017, ISSN: 0034-4257, Publisher: Elsevier, DOI: http://dx.doi.org/10.1016/j.rse.2016.12.003.

QIU, J.; CROW, W.T.; WAGNER, W.; ZHAO, T.: “Effect of vegetation index choice on soil moisture retrievals via the synergistic use of synthetic aperture radar and optical remote sensing”, International Journal of Applied Earth Observation and Geoinformation, 80: 47-57, 2019, ISSN: 1569-8432, Publisher: Elsevier, DOI: https://doi.org/10.1016/j.jag.2019.03.015.

SILVA, R.F.; ALBUQUERQUE, J.A.; DA COSTA, A.; FONTOURA, S.M.; BAYER, C.; WARMLING, M.I.C.: “Physical properties of a Hapludox after three decades under different soil management systems”, Revista Brasileira de Ciência do Solo, 40: 1-14, 2016, ISSN: 1806-9657, Publisher: SciELO Brasil, DOI: https://doi.org/10.1590/18069657rbcs20140331.

SINGH, K.; KUMAR, S.; KUMAR, R.: “Synergetic methodology for estimation of soil moisture over agricultural area using Landsat-8 and Sentinel-1 satellite data”, Remote Sensing Applications: Society and Environment, 15: 1-8, 2019, ISSN: 2352-9385, Publisher: Elsevier, DOI: http://dx.doi.org/10.1016/j.rsase.2019.100250.

WILSON, M.; CERANA, J.: “Mediciones físicas en suelos con características vérticas”, Revista Científica Agropecuaria, 8(1): 11-22, 2004, ISSN: 0329-3602.

ZHAN, Z.; QIN, Q.; GHULAN, A.; WANG, D.: “NIR-red spectral space based new method for soil moisture monitoring”, Science in China Series D: Earth Sciences, 50(2): 283-289, 2007, ISSN: 1006-9313, Publisher: Springer, DOI: https://doi.org/10.1007/s11430-007-2004-6.

ZHANG, J.; ZHOU, Z.; YAO, F.; YANG, L.; HAO, C.: “Validating the modified perpendicular drought index in the North China region using in situ soil moisture measurement”, IEEE Geoscience and Remote Sensing Letters, 12(3): 542-546, 2014, ISSN: 1545-598X, Publisher: IEEE, DOI: http://dx.doi.org/10.1109/LGRS.2014.2349957.

Revista Ciencias Técnicas Agropecuarias Vol. 32, No. 4, October-December, 2023, ISSN: 2071-0054
 
ARTÍCULO ORIGINAL

Validación de índices espectrales de humedad mediante imágenes del Landsat 8 OLI/TIRS en un Vertisol

 

iDRoberto Alejandro García-ReyesIMinisterio e la Agricultura, Delegación Provincial de Holguín, Departamento de Suelos y Fertilizantes, Holguín, Cuba. *✉:ralejandro9409@gmail.com

iDJuan Alejandro Villazón-GómezIIUniversidad de Holguín, Facultad de Ciencias Naturales y Agropecuarias, Centro de Estudios para Agroecosistemas Áridos (CEAAR), Holguín, Cuba.

iDMaría Elena Ruíz-PérezIIIUniversidad Agraria de La Habana, Facultad de Ciencias Técnicas, San José de las Lajas, Mayabeque, Cuba.

iDMirna Cruz-PérezIIUniversidad de Holguín, Facultad de Ciencias Naturales y Agropecuarias, Centro de Estudios para Agroecosistemas Áridos (CEAAR), Holguín, Cuba.


IMinisterio e la Agricultura, Delegación Provincial de Holguín, Departamento de Suelos y Fertilizantes, Holguín, Cuba.

IIUniversidad de Holguín, Facultad de Ciencias Naturales y Agropecuarias, Centro de Estudios para Agroecosistemas Áridos (CEAAR), Holguín, Cuba.

IIIUniversidad Agraria de La Habana, Facultad de Ciencias Técnicas, San José de las Lajas, Mayabeque, Cuba.

 

*Author for correspondence: Roberto Alejandro García-Reyes, e-mail: ralejandro9409@gmail.com

RESUMEN

La teledetección es una herramienta geomática que ha sido utilizada para determinar la humedad del suelo, propiedad física muy importante en estudios relacionados con la producción agropecuaria. Particularmente, los Vertisoles presentan características distintivas a otros agrupamientos de suelos en Cuba con relación a la retención de agua y el cambio de sus propiedades. El objetivo de la investigación se basó en validar el uso de índices espectrales de humedad mediante imágenes del Landsat 8 OLI/TIRS en un Vertisol. Se escogió un área bajo pasto natural, caña de azúcar y bosque secundario de la Estación Provincial de Investigaciones de la Caña de Azúcar en Guaro, Holguín. Se establecieron tres puntos de muestreo aleatorios georreferenciados por cada uso de la tierra hasta una profundidad de 30,0 cm, para la determinación de la humedad gravimétrica la cual, se relacionó mediante análisis de regresión lineal con los índices espectrales de humedad y el cálculo de parámetros para su validación. El uso de la teledetección mostró en los mapas temáticos obtenidos de la estimación de la humedad con los diferentes índices espectrales la presencia de zonas homogéneas y su variabilidad espacial en el estado de humedad del Vertisol bajo los tres usos de la tierra. Los índices ENDWI, MSI y EMSI indicaron una mejor estimación en los estadígrafos utilizados para la validación de los valores obtenidos por teledetección y muestreos in situ de la humedad, de acuerdo a investigaciones relacionadas con la temática.

Palabras clave: 
humedad gravimétrica, suelo, teledetección, índice espectral

INTRODUCCIÓN

 

La humedad de los suelos es crucial en el nexo que existe en el intercambio de agua, energía y carbono entre la superficie del suelo y la atmósfera. Diversos estudios plantean el uso de esta propiedad física del suelo como un importante factor a tener en cuenta al realizar estudios acerca del monitoreo de la sequía, estimación de la evapotranspiración, intervalos de riego, evaluación del rendimiento de los cultivos, manejo forestal, entre otros (Qiu et al., 2019QIU, J.; CROW, W.T.; WAGNER, W.; ZHAO, T.: “Effect of vegetation index choice on soil moisture retrievals via the synergistic use of synthetic aperture radar and optical remote sensing”, International Journal of Applied Earth Observation and Geoinformation, 80: 47-57, 2019, ISSN: 1569-8432, Publisher: Elsevier, DOI: https://doi.org/10.1016/j.jag.2019.03.015.).

Los Vertisoles son de gran importancia en nuestro país y mayormente son utilizados en la producción de caña de azúcar y pastos naturales para la ganadería, ocupando este agrupamiento de suelos un área de 9060 km2 divididos en Vertisol Crómico (860 km2) y Vertisol Pélico (8200 km2) según Hernández et al. (2015)HERNÁNDEZ, J.A.; PÉREZ, J.J.M.; MESA, N.A.; BOSCH, I.D.; RIVERO, L.; CAMACHO, E.: Nueva versión de la clasificación genética de los suelos de Cuba., Ed. AGRINFOR, La Habana, Cuba, ISBN: 959-246-022-1, Barcaz L L ed., vol. I, 93 p., 2015.; Hernández, (2021)HERNÁNDEZ, J.A.: “Área que ocupan los agrupamientos y tipos genéticos de los suelos en Cuba”, Cultivos tropicales, 42(3), 2021, ISSN: 0258-5936, Publisher: Ediciones INCA.. También pueden ser muy productivos pero con restricciones para el manejo cuando están húmedos, con bajas tasas de infiltración y conductividad hidráulica, lo cuales pueden ser susceptibles a la erosión y al escurrimiento. Presentan pobre aeración, se vuelven muy adhesivos y el exceso de agua en el suelo dificulta las operaciones de labranza, siembra y cosecha, como así también el tráfico de implementos agrícolas. Sin embargo, cuando están secos se vuelven muy densos y duros, con altas tasas de infiltración debido a la presencia de grietas que pueden ser muy importantes en ancho y profundidad (Wilson y Cerana, 2004WILSON, M.; CERANA, J.: “Mediciones físicas en suelos con características vérticas”, Revista Científica Agropecuaria, 8(1): 11-22, 2004, ISSN: 0329-3602.).

Cid et al. (2016)CID, L.G.; HERRERA, P.J.; LÓPEZ, S.T.; GONZÁLEZ, R.F.: “Resultados de algunas investigaciones en suelos Vérticos de Cuba”, Revista Ingeniería Agrícola, 6(2): 51-56, 2016, ISSN: 2227-8761. plantea que la naturaleza de la relación agua-suelo en los Vertisoles tiene un efecto notable en el manejo del agua en los mismos, particularmente cuando son irrigados. El efecto de las grietas en la infiltración y la aireación y los cambios en la densidad aparente con el contenido de agua son característicos de este tipo de suelo que deben valorarse de conjunto para una adecuada gestión del agua.

La humedad presente en el suelo puede determinarse mediante estimaciones puntuales, sensoramiento remoto o mediante modelos de simulación. Cada uno de estos métodos tiene aparejados algunos inconvenientes, ya sea en cuanto a la exactitud y precisión de las estimaciones o en cuanto a la escala en espacio-tiempo de las mismas, elementos estos poco conciliables (Hernández-Pereira y Medina-González, 2012HERNÁNDEZ-PEREIRA, Y.; MEDINA-GONZÁLEZ, H.: “Estimación de la humedad del suelo mediante técnicas de asimilación de datos”, Revista Ciencias Técnicas Agropecuarias, 21(4): 30-35, 2012, ISSN: 2071-0054, Publisher: Universidad Agraria de La Habana.). Los métodos de teledetección para la estimación de la humedad del suelo dependen principalmente de la relación entre la humedad del suelo, las características dieléctricas de un objetivo específico y los receptores de radar; los cuales tienen la capacidad de adquirir datos bajo casi cualquier condición meteorológica y sin una fuente externa de iluminación (Bao et al., 2018BAO, Y.; LIN, L.; WU, S.; DENG, K.A.K.; PETROPOULOS, G.P.: “Surface soil moisture retrievals over partially vegetated areas from the synergy of Sentinel-1 and Landsat 8 data using a modified water-cloud model”, International journal of applied earth observation and geoinformation, 72: 76-85, 2018, ISSN: 1569-8432, Publisher: Elsevier, DOI: https://doi.org/10.1016/j.jag.2018.05.026.).

Existen principalmente tres grupos de modelos que aplican datos sensoramiento remoto para la estimación de la humedad del suelo: modelos de retrodispersión, técnicas de análisis estadístico y aplicación de redes neuronales; los cuales pueden verse afectados por la superficies con vegetación, debido a que las microondas activas se ven fuertemente afectadas por la rugosidad de la superficie y la vegetación (Zhan et al., 2007ZHAN, Z.; QIN, Q.; GHULAN, A.; WANG, D.: “NIR-red spectral space based new method for soil moisture monitoring”, Science in China Series D: Earth Sciences, 50(2): 283-289, 2007, ISSN: 1006-9313, Publisher: Springer, DOI: https://doi.org/10.1007/s11430-007-2004-6.; Zhang et al., 2014ZHANG, J.; ZHOU, Z.; YAO, F.; YANG, L.; HAO, C.: “Validating the modified perpendicular drought index in the North China region using in situ soil moisture measurement”, IEEE Geoscience and Remote Sensing Letters, 12(3): 542-546, 2014, ISSN: 1545-598X, Publisher: IEEE, DOI: http://dx.doi.org/10.1109/LGRS.2014.2349957.; Champagne et al., 2016CHAMPAGNE, C.; ROWLANDSON, T.; BERG, A.; BURNS, T.; L’HEUREUX, J.; TETLOCK, E.; ADAMS, J.R.; AHMADI, H.; TOTH, B.; ITENFISU, D.: “Satellite surface soil moisture from SMOS and Aquarius: Assessment for applications in agricultural landscapes”, International journal of applied earth observation and geoinformation, 45: 143-154, 2016, ISSN: 1569-8432, Publisher: Elsevier, DOI: https://doi.org/10.1016/j.jag.2015.09.004.).

El satélite Landsat 8 OLI/TIRS del Servicio Geológico de los Estados Unidos, presenta un total de 11 bandas. Por su cúmulo y el tiempo, las imágenes Landsat tienen una resolución espacial de 30 m, resolución temporal de 16 días y una cobertura del terreno de 185 km. Por las razones antes expuestas el objetivo de la investigación se basó en validar el uso de índices espectrales de humedad en un Vertisol con el uso de imágenes del Landsat 8 OLI/TIRS.

MATERIALES Y MÉTODOS

 

El muestreo de la humedad del suelo se desarrolló en áreas del Bloque Experimental de Guaro, perteneciente a la Estación Provincial de Investigaciones de la Caña de Azúcar (EPICA) de Holguín, en un Vertisol Crómico cálcico y gléyico, medianamente lavado (Hernández et al., 2015HERNÁNDEZ, J.A.; PÉREZ, J.J.M.; MESA, N.A.; BOSCH, I.D.; RIVERO, L.; CAMACHO, E.: Nueva versión de la clasificación genética de los suelos de Cuba., Ed. AGRINFOR, La Habana, Cuba, ISBN: 959-246-022-1, Barcaz L L ed., vol. I, 93 p., 2015.). Se escogió un área bajo tres usos de la tierra (pasto natural, caña de azúcar y bosque secundario) y se establecieron tres puntos de muestreo aleatorios por uso de la tierra los cuales fueron georreferenciados (Figura 1).

FIGURA 1.  Ubicación del Bloque Experimental de Guaro, perteneciente a la Estación Provincial de Investigaciones de la Caña de Azúcar en Holguín tomada del SAS Planet (SAS.Planet.Nightly.200718.10081/geojamal.com).

En cada punto de muestreo se abrió una calicata de 30 cm de profundidad y se tomaron muestras inalteradas de suelo con un cilindro de 105,35 cm3, colocadas en pesafiltros, se les determinó la masa de suelo húmedo y se pusieron en una estufa a 105°C, hasta que alcanzaron un peso constante (masa de suelo seco). La humedad gravimétrica, se determinó a partir de la ecuación:

θ g = m s h - m s s m s s  (1)

Donde θg es la humedad gravimétrica; msh es la masa del suelo húmedo y mss es la masa del suelo seco.

Para hacer coincidir lo más próximo a la fecha en que se realizó el muestreo, se descargó del sitio www.usgs.gov una imagen (LC08_L1TP_011046_20190613_20190619_01_T1.tar) del satélite comercial Landsat 8 OLI/TIRS en el sistema WGS 84 UTM Zona 18 Norte cuadrícula 011/046. A dicha imagen se le realizó la corrección radiométrica y el cálculo de los siguientes índices espectrales de humedad en el software QGis 3.10 A Coruña (Tabla 1).

TABLA 1.  Índices espectrales de humedad calculados
Índices espectrales de humedad Referencias Ecuación
LSWI (Índice de Diferencia Normalizada de Humedad en Vegetación y Suelo) Mohammadi et al. (2017)MOHAMMADI, A.; COSTELLOE, J.F.; RYU, D.: “Application of time series of remotely sensed normalized difference water, vegetation and moisture indices in characterizing flood dynamics of large-scale arid zone floodplains”, Remote sensing of environment, 190: 70-82, 2017, ISSN: 0034-4257, Publisher: Elsevier, DOI: http://dx.doi.org/10.1016/j.rse.2016.12.003.
L S W I = N I R - S W I R 1 N I R + S W I R 1  (2)
ENDWI (Índice mejorado de agua) Chen et al. (2005)CHEN, D.; HUANG, J.; JACKSON, T.J.: “Vegetation water content estimation for corn and soybeans using spectral indices derived from MODIS near-and short-wave infrared bands”, Remote Sensing of Environment, 98(2-3): 225-236, 2005, ISSN: 0034-4257, Publisher: Elsevier.
E N D W I = N I R - S W I R 2 N I R + S W I R 2  (3)
MSI (Índices de deficiencia de humedad) Domínguez et al. (2017)DOMÍNGUEZ, J.; KUMHÁLOVÁ, J.; NOVÁK, P.: “Assessment of the relationship between spectral indices from satellite remote sensing and winter oilseed rape yield”, Agron. Res, 15(1): 55-68, 2017.
M S I = S W R 1 N I R  (4)
EMSI (Índice mejorado de deficiencia de humedad) Domínguez et al. (2017)DOMÍNGUEZ, J.; KUMHÁLOVÁ, J.; NOVÁK, P.: “Assessment of the relationship between spectral indices from satellite remote sensing and winter oilseed rape yield”, Agron. Res, 15(1): 55-68, 2017.
E M S I = ( S W I R 2 N I R )  (5)

NIR:. Infrarrojo cercano; SWIR1: Infrarrojo de onda corta; SWIR2:. Infrarrojo de onda corta.

Para la validación de los índices espectrales de humedad se realizó un análisis de regresión lineal entre los valores de humedad gravimétrica y los estimados por los índices con la utilización del software Statgraphics Plus 5.0. Se tuvo en cuanta para la validación de los modelos matemáticos obtenidos, la metodología propuesta por Singh et al. (2019)SINGH, K.; KUMAR, S.; KUMAR, R.: “Synergetic methodology for estimation of soil moisture over agricultural area using Landsat-8 and Sentinel-1 satellite data”, Remote Sensing Applications: Society and Environment, 15: 1-8, 2019, ISSN: 2352-9385, Publisher: Elsevier, DOI: http://dx.doi.org/10.1016/j.rsase.2019.100250. con el uso del satélite Landsat 8 OLI/TIRS, el cual reduce los efectos de la cobertura vegetal sobre los valores reflejados de humedad por este sensor.

RESULTADOS Y DISCUSIÓN

 

La Figura 2 muestra los mapas temáticos obtenidos de la estimación de la humedad del suelo por cada índice espectral y cómo este parámetro varía en el área estudiada a partir de los colores que toman las zonas de mayor, media y bajo valores de humedad en el suelo. Existen zonas homogéneas en cada mapa temático, además de mostrar diferencias significativas en los colores que toman los píxeles en cada una de las imágenes obtenidas.

FIGURA 2.  Mapas temáticos obtenidos de la estimación del contenido de humedad del suelo a partir de los índices espectrales en el área de estudio.

Silva et al. (2016)SILVA, R.F.; ALBUQUERQUE, J.A.; DA COSTA, A.; FONTOURA, S.M.; BAYER, C.; WARMLING, M.I.C.: “Physical properties of a Hapludox after three decades under different soil management systems”, Revista Brasileira de Ciência do Solo, 40: 1-14, 2016, ISSN: 1806-9657, Publisher: SciELO Brasil, DOI: https://doi.org/10.1590/18069657rbcs20140331. plantean que el uso del uso del suelo en un sistema de producción se encuentra influenciado por las propiedades hidrofísicas de ahí que el manejo de este suelo debe de tener en cuenta, la retención del agua, debido a que esta característica modifica su estructura y puede ser utilizada en investigaciones para determinar el impacto del manejo en las propiedades del suelo.

Investigaciones realizadas sobre el estado de humedad en Vertisoles, refieren la necesidad de realizar estudios a diferentes profundidades donde se apliquen herramientas geoestadísticas, pues los realizados de esta variable se basan fundamentalmente en determinar el contenido de humedad del suelo de muestras en dos puntos del territorio a una profundidad de 60 cm con una barrena, con período decenal por lo que no se ofrece una idea de cómo se distribuyen los valores en toda el área (Cumbrera-González et al., 2015CUMBRERA-GONZÁLEZ, R.A.; ROMAGOSA, W.; MILLÁN, H.; SORIA, A.; GASKIN, B.: “Estimación de la dependencia espacial del contenido de humedad de un vertisol”, Revista Ingeniería Agrícola, 5(2): 16-22, 2015, ISSN: 2227-8761.).

La Figura 3 ilustra los modelos de regresión lineal de los valores de humedad gravimétrica con respecto a los índices espectrales de humedad, en los que de forma general se mostró un ajuste a una distribución lineal. Los modelos describen una alta asociación positiva entre las variables medidas con una marcada dependencia lineal entre la variable dependiente y la independiente.

FIGURA 3.  Análisis de regresión lineal entre la humedad gravimétrica y los índices espectrales de humedad.

El uso del sensoramiento remoto aplicado a estudios de humedad del suelo muestra la relación entre las bandas electromagnéticas Infrarroja cercana (Near Infrared; NIR) la Roja (Red), según estudios realizados por Amani et al. (2016)AMANI, M.; PARSIAN, S.; MIRMAZLOUMI, S.M.; AIENEH, O.: “Two new soil moisture indices based on the NIR-red triangle space of Landsat-8 data”, International Journal of Applied Earth Observation and Geoinformation, 50: 176-186, 2016, ISSN: 0303-2434, Publisher: Elsevier, DOI: http://dx.doi.org/10.1016/j.jag.2016.03.018.. En su estudio validaron dos índices espectrales TSMI y MTSMI (Triangle Soil Moisture Index y Modified TSMI) con imágenes del Landsat 8 OLI/TIRS, donde refieren una alta relación de 64 % a un 74 % entre la humedad determinada por teledetección con la muestreada mediante el método tradicional a una profundidad de 0 a 5 cm.

Basado en imágenes multiespectrales de los satélites Sentinel-1 y Landsat 8, Alexakis et al. (2017)ALEXAKIS, D.D.; MEXIS, F.D.K.; VOZINAKI, A.E.K.; DALIAKOPOULOS, I.N.; TSANIS, I.K.: “Soil moisture content estimation based on Sentinel-1 and auxiliary earth observation products. A hydrological approach”, Sensors, 17(6): 1-16, 2017, ISSN: 1424-8220, Publisher: MDPI, DOI: https://doi.org/10.3390/s17061455. estimaron la humedad del suelo y obtuvieron coeficientes de determinación entre 70 % y un 90 % lo cual demostró la validación de este método en su investigación.

La Tabla 2 muestra el resultado del análisis de regresión lineal de la humedad gravimétrica y los índices espectrales de humedad. Se muestra una alta determinación con valores cercanos al 100% al igual que los del coeficiente de correlación positiva con valores cercanos a 1, lo cual se explica en la significación con estadígrafos de Durbin Watson menores que un 95 % de nivel de confianza en los modelos matemáticos obtenidos. También esta prueba estadística refleja que en el caso de los modelos de la humedad gravimétrica con los índices espectrales LSWI, MSI y ENDWI los residuos presentan una interrelación positiva con valores cercanos a cero; mientras que el EMSI un valor cercano a dos los residuos se encuentran incorrelacionados.

TABLA 2.  Estadígrafos del análisis de regresión lineal entre la humedad gravimétrica y los índices espectrales de humedad.
Estadígrafos Índices espectrales de humedad
LSWI ENDWI MSI EMSI
r2 0,8402 0,9344 0,9814 0,9756
R2 70,5933 87,318 96,3151 95,1765
EE 2569,6411 0,0299 0,0304 0,0253
EAM 1885,4722 0,0253 0,0250 0,0188
Durbin-Watson 0,2166 (P=0,0000) 0,3409 (P=0,0000) 0,8240 (P=0,0001) 1,2241 (P=0,0094)
RMSE 209,3115 1,6186 0,8476 0,6318
R-RMSE 0,9999 0,7794 0,6219 0,6910
%RMSE 48,3957 59,5995 78,8613 69,9638
NS 0,4312 0,6824 0,7185 0,8963
A.r 0,7031 0,7870 0,8816 0,8427
Ecuación del modelo LSWI = 15788,6 + 66790,8* θ g ENDWI = -0,2046 + 1,3181* θ g MSI = 0,0340 + 2,6103* θ g EMSI = -0,0209 + 1,8818* θ g

R2: Coeficiente de determinación.; r2: Coeficiente de correlación.; EE: Error estándar.; EAM: Error Absoluto Medio.; RMSE: Raíz del Error Cuadrático Medio.; R-RMSE: Raíz del Error Cuadrático Medio Relativo.; %RMSE: Raíz del Error Cuadrático Medio Porcentual.; NS: Eficiencia del modelo.

La autocorrelación de los residuales se encuentra representada con valores que varían desde -1 a 1 lo cual infiere que la estructura de los modelos se encuentra correctamente representada. El error absoluto medio de la predicción explica que las variables dependientes (índices espectrales de humedad) que se explica, fue correctamente elegida en cada caso, con valores superiores a cero lo cual indica que los valores fueron sobreestimados los cuales se ajustan a la magnitud de las variables dependientes.

Los índices MSI y EMSI mostraron mejor comportamiento en cuanto al índice de eficiencia con valores más cercanos a uno, mientras que el resto de los índices se encuentran con valores intermedios para su estimación lo cual concuerda con lo planteado por Hwan et al. (2012)HWAN, S.; HEON, D.; HOON, J.: “A new measure for assessing the efficiency of hydrological data-driven forecasting models”, Hydrological Sciences Journal, 57(7): 1257-1274, 2012, DOI: https://doi.org/10.1080/02626667.2012.710335. para la validación de modelos hidrológicos mediante el uso de índices de eficiencia. Qiu et al. (2019)QIU, J.; CROW, W.T.; WAGNER, W.; ZHAO, T.: “Effect of vegetation index choice on soil moisture retrievals via the synergistic use of synthetic aperture radar and optical remote sensing”, International Journal of Applied Earth Observation and Geoinformation, 80: 47-57, 2019, ISSN: 1569-8432, Publisher: Elsevier, DOI: https://doi.org/10.1016/j.jag.2019.03.015. al evaluar con el satélite Landsat 8 OLI/TIRS la humedad de suelo bajo diferentes usos de la tierra encontró una correlación entre esta medida y la humedad presente en el suelo, validada a través de los estadígrafos RMSE y r2. A partir del uso de la teledetección, Jalilvand et al. (2019)JALILVAND, E.; TAJRISHY, M.; HASHEMI, S.A.; BROCCA, L.: “Quantification of irrigation water using remote sensing of soil moisture in a semi-arid region”, Remote Sensing of Environment, 231: 111226, 2019, ISSN: 0034-4257, Publisher: Elsevier. cuantificaron las zonas irrigadas en Urmia Lake, Irán, para lo cual validaron el uso de sensores remotos en este estudio a través del uso de algoritmos matemáticos con un coeficiente de determinación de 86 %.

CONCLUSIONES

 

El uso de la teledetección para la estimación de la humedad en un Vertisol mediante índices espectrales relacionados con esta propiedad física e imágenes del satélite Landsat 8 OLI/TIRS, mostró zonas homogéneas con valores altos, medios y bajos en el contenido de agua en el suelo y su variabilidad espacial en los mapas temáticos obtenidos. A partir de la metodología utilizada, los índices ENDWI, MSI y EMSI indicaron una mejor estimación en los estadígrafos utilizados para la validación de los valores obtenidos por teledetección y muestreos in situ de la humedad.