Big Data geoespacial para la determinación de la humedad del suelo

Abstract

[ES] Este Trabajo Fin de Máster plantea una metodología basada en el uso de Big Data geoespacial para la estimación de la humedad del suelo, un factor clave en la gestión ambiental, agricultura de precisión y estudios climáticos, utilizando técnicas de teledetección satelital. La teledetección se presenta como una alternativa eficaz a las mediciones in situ, ya que permite ofrecer una mayor cobertura geográfica y una monitorización temporal continua. La metodología desarrollada integra índices espectrales derivados de imágenes multiespectrales del satélite Sentinel-2, normalizados por la temperatura superficial obtenida a partir de datos del satélite Sentinel-3. Además, se han incorporado datos in situ de humedad de la red REMEDHUS, que sirven tanto para el entrenamiento como para la validación de los modelos. Para la estimación de la humedad del suelo, se han implementado modelos de regresión basados en el algoritmo Random Forest, aprovechando su capacidad para capturar relaciones no lineales. El rendimiento de los modelos se ha evaluado mediante métricas estadísticas estándar: el coeficiente de correlación de Pearson (ρ), el coeficiente de determinación (R²) y el error cuadrático medio (RMSD). Los resultados obtenidos evidencian que los índices espectrales normalizados por temperatura superficial, particularmente el NDVI/LST y GCI/LST, alcanzan valores de ρ ≈ 0,7 y R² ≈ 0,50, con RMSD promedios de 0,06 m³/m³. Estos valores son comparables o superiores a los reportados en estudios previos que emplearon metodologías más complejas. Asimismo, se ha comprobado que la normalización térmica mejora significativamente el ajuste de los modelos, con un incremento promedio de ΔR² ≈ +0,13 y una reducción del RMSD de aproximadamente un 9 %. La metodología propuesta se consolida como una herramienta eficiente y de bajo coste para el monitoreo de la humedad del suelo a escala local. Además, la disponibilidad de datos de alta resolución espacial y la automatización mediante algoritmos de aprendizaje automático facilitarían su aplicación en la gestión de recursos hídricos, el seguimiento de sequías y la toma de decisiones en la agricultura.