2. Seguimiento de la sequ\u00eda:<\/strong> Una disminuci\u00f3n sostenida de la evapotranspiraci\u00f3n real en relaci\u00f3n con la evapotranspiraci\u00f3n de referencia (la que se evaporar\u00eda con un suministro ilimitado de agua) indica la aparici\u00f3n de estr\u00e9s h\u00eddrico. La teledetecci\u00f3n capta esta se\u00f1al semanas antes de que la p\u00e9rdida de rendimiento sea visible a simple vista.<\/p>\n 3. Planificaci\u00f3n de los recursos h\u00eddricos:<\/strong> La contabilidad del agua a nivel de cuenca requiere datos de evapotranspiraci\u00f3n (ET) a escala de cuenca hidrogr\u00e1fica. El monitoreo satelital de la ET proporciona esta cobertura espacial a una fracci\u00f3n del costo de una red de estaciones terrestres.<\/p>\n 4. Evaluaci\u00f3n del cambio clim\u00e1tico:<\/strong> Las tendencias de ET a largo plazo revelan c\u00f3mo el aumento de las temperaturas y los cambios en los patrones de precipitaci\u00f3n est\u00e1n alterando el uso del agua por parte de los ecosistemas; datos que sirven de base para la planificaci\u00f3n de la adaptaci\u00f3n a nivel regional y nacional.<\/p>\n 5. Monitoreo de la salud del ecosistema:<\/strong> Las tasas de evapotranspiraci\u00f3n de los humedales, la transpiraci\u00f3n forestal y el consumo de agua de los pastizales responden con gran sensibilidad a las perturbaciones ecol\u00f3gicas. La teledetecci\u00f3n de la evapotranspiraci\u00f3n permite detectar estos cambios en paisajes extensos e inaccesibles.<\/p>\n La evapotranspiraci\u00f3n (ET) est\u00e1 determinada por una combinaci\u00f3n de condiciones clim\u00e1ticas, caracter\u00edsticas del paisaje y biolog\u00eda vegetal. A continuaci\u00f3n, se detallan los factores clave involucrados.<\/p>\n 1. Tipo de suelo.<\/strong> La composici\u00f3n del suelo influye significativamente en la retenci\u00f3n y evaporaci\u00f3n del agua. Los suelos arenosos o pedregosos tienden a retener menos agua y a liberar m\u00e1s por evaporaci\u00f3n, mientras que los suelos francos o arcillosos retienen mejor la humedad.<\/p>\n 2. Temperatura del aire.<\/strong> La temperatura influye directamente en las tasas de ET. El aire m\u00e1s c\u00e1lido tiene mayor capacidad para retener humedad, y el aumento del calor acelera la conversi\u00f3n del agua en vapor, incrementando as\u00ed la evapotranspiraci\u00f3n.<\/p>\n 3. Radiaci\u00f3n solar.<\/strong> M\u00e1s all\u00e1 de generar calor, la radiaci\u00f3n solar implica variaciones en los niveles de energ\u00eda, la frecuencia y el albedo, factores que influyen en la evapotranspiraci\u00f3n. Estos factores var\u00edan seg\u00fan la ubicaci\u00f3n y la \u00e9poca del a\u00f1o, y su medici\u00f3n precisa suele requerir tecnolog\u00eda avanzada.<\/p>\n 4. Humedad.<\/strong> La humedad relativa (HR) se refiere a la cantidad de vapor de agua presente en el aire en relaci\u00f3n con su capacidad m\u00e1xima. Cuando la humedad es alta, el aire absorbe menos humedad adicional, lo que reduce la evapotranspiraci\u00f3n (ET). Por el contrario, el aire m\u00e1s seco puede absorber m\u00e1s vapor, lo que conlleva mayores tasas de evapotranspiraci\u00f3n.<\/p>\n 5. Cubierta vegetal.<\/strong> Las distintas especies vegetales interact\u00faan con el agua de maneras diferentes. Algunas almacenan agua de forma eficiente durante los periodos secos, mientras que otras la pierden con mayor rapidez. La evapotranspiraci\u00f3n (ET) tambi\u00e9n se ve influenciada por la edad, la salud y la profundidad de las ra\u00edces de la planta: unas ra\u00edces m\u00e1s profundas permiten que los cultivos sobrevivan m\u00e1s tiempo sin riego. Estas diferencias fisiol\u00f3gicas implican que la ET puede variar considerablemente entre los distintos tipos de cultivos, lo que requiere estrategias de riego espec\u00edficas.<\/p>\n 6. Velocidad del viento.<\/strong> El viento es un factor determinante tanto de la evaporaci\u00f3n como de la transpiraci\u00f3n. Dispersa la capa de aire h\u00famedo que se acumula sobre la vegetaci\u00f3n, aumentando la ET. Tambi\u00e9n facilita la difusi\u00f3n del vapor a trav\u00e9s de los poros de las plantas, lo que incrementa la transpiraci\u00f3n. Sin embargo, los vientos secos y extremadamente fuertes a veces pueden dificultar la difusi\u00f3n del vapor, reduciendo ligeramente la ET en ciertas condiciones.<\/p>\n ET(0) refleja la capacidad de la atm\u00f3sfera para provocar la p\u00e9rdida de agua y se basa exclusivamente en el clima. ET(c) mide el agua perdida por cultivos sanos y bien irrigados que crecen en condiciones ideales a su m\u00e1ximo potencial de rendimiento. Cuando los cultivos se enfrentan a un manejo sub\u00f3ptimo o a desaf\u00edos ambientales, ET(c) debe modificarse para obtener ET(c adj). La evapotranspiraci\u00f3n de los cultivos se comprende a trav\u00e9s de tres conceptos distintos:<\/p>\n ET(0) representa la tasa a la que el agua se evapora de una superficie de referencia bien regada, que normalmente se modela como una cubierta de c\u00e9sped idealizada que cumple con criterios espec\u00edficos.<\/p>\n Esta medida capta la demanda evaporativa de la atm\u00f3sfera independientemente del tipo de cultivo, la etapa de crecimiento o las pr\u00e1cticas agr\u00edcolas. Dado que se supone que la superficie de referencia est\u00e1 completamente humedecida, las condiciones del suelo se excluyen del c\u00e1lculo, lo que elimina la necesidad de definir umbrales de ET separados para cada cultivo en cada etapa de crecimiento.<\/p>\n La ET(0) est\u00e1 determinada enteramente por variables clim\u00e1ticas, y los valores t\u00edpicos var\u00edan entre las zonas agroclim\u00e1ticas, aunque estas cifras sirven solo como puntos de referencia generales.<\/p>\n ET(c) cuantifica el agua liberada por un cultivo sano y bien nutrido, cultivado en campos grandes y adecuadamente irrigados bajo condiciones clim\u00e1ticas favorables, operando a su m\u00e1xima productividad. Se obtiene multiplicando la ET de referencia por el coeficiente de cultivo K(c):<\/p>\n ET(c) = ET(0) \u00d7 K(c)<\/em><\/p>\n ET(c adj) tiene en cuenta las desviaciones reales respecto a las condiciones de cultivo ideales. Factores como la presi\u00f3n de plagas y enfermedades, el d\u00e9ficit o exceso de agua, la salinidad del suelo y la baja fertilidad del suelo pueden provocar que el consumo real de agua del cultivo difiera significativamente de ET(c). Se introduce un coeficiente de estr\u00e9s h\u00eddrico K(s) junto con el coeficiente de cultivo para capturar estos efectos:<\/p>\n ET(c adj) = ET(0) \u00d7 K(c) \u00d7 K(s)<\/em><\/p>\n Antes de la teledetecci\u00f3n, los cient\u00edficos med\u00edan la evapotranspiraci\u00f3n (ET) mediante instrumentaci\u00f3n f\u00edsica directa. Cada m\u00e9todo funciona bien a una escala espec\u00edfica, pero presenta importantes inconvenientes que limitan su aplicaci\u00f3n agr\u00edcola generalizada. Algunas de las mejores t\u00e9cnicas de medici\u00f3n de ET terrestres son:<\/p>\n 1. Lis\u00edmetro: <\/strong>Un lis\u00edmetro (un gran recipiente lleno de tierra y cultivo en crecimiento, instalado a ras del suelo) mide la evapotranspiraci\u00f3n (ET) pesando el bloque de tierra a lo largo del tiempo. Cuando se controla la precipitaci\u00f3n y se recoge el drenaje, la diferencia de masa entre intervalos de tiempo equivale a la ET real.<\/p>\n Los lis\u00edmetros proporcionan las mediciones de evapotranspiraci\u00f3n m\u00e1s precisas disponibles, pero cuestan cientos de miles de d\u00f3lares por unidad, cubren solo unos pocos metros cuadrados y no pueden representar la variabilidad espacial de un campo real.<\/p>\n 2. Sistema de covarianza de remolinos: <\/strong>El sistema de covarianza de remolinos mide la evapotranspiraci\u00f3n calculando la covarianza entre la velocidad vertical del viento y la concentraci\u00f3n de vapor de agua sobre la vegetaci\u00f3n mediante sensores de respuesta r\u00e1pida. Su \u00e1rea de cobertura abarca desde varios cientos de metros hasta unos pocos kil\u00f3metros, lo que lo hace mucho m\u00e1s representativo que un lis\u00edmetro.<\/p>\n Sin embargo, la instalaci\u00f3n y el mantenimiento de las torres de medici\u00f3n de flujo cuestan entre 50.000 y 300.000 d\u00f3lares estadounidenses, y la red global FLUXNET solo cuenta con unos 900 sitios activos, una cifra demasiado escasa para monitorizar la evapotranspiraci\u00f3n agr\u00edcola a escala nacional.<\/p>\n 3. M\u00e9todo de la relaci\u00f3n de Bowen: <\/strong>El m\u00e9todo de la relaci\u00f3n de Bowen estima la evapotranspiraci\u00f3n (ET) midiendo la relaci\u00f3n entre el flujo de calor sensible (que calienta el aire) y el flujo de calor latente (ET) mediante gradientes de temperatura y humedad por encima del dosel arb\u00f3reo. Es m\u00e1s sencillo que el m\u00e9todo de covarianza de remolinos, pero requiere condiciones de alcance homog\u00e9neas y no puede utilizarse en terrenos complejos.<\/p>\n 4. C\u00e1lculos de ET basados en estaciones meteorol\u00f3gicas<\/strong> Utilizando la ecuaci\u00f3n de Penman-Monteith de la FAO, se calcula la evapotranspiraci\u00f3n de referencia (ET0) a partir de datos de temperatura del aire, humedad, velocidad del viento y radiaci\u00f3n. Este m\u00e9todo se utiliza ampliamente para la programaci\u00f3n del riego, pero produce una evapotranspiraci\u00f3n de referencia, no una evapotranspiraci\u00f3n real, ya que presupone un cultivo de referencia bien regado en lugar del cultivo real en el campo.<\/p>\n El principal problema de todos los m\u00e9todos terrestres es la escala. Un solo lis\u00edmetro representa unos pocos metros cuadrados. Una torre de flujo cubre, en el mejor de los casos, unos cientos de hect\u00e1reas. Pero la gesti\u00f3n moderna del agua en la agricultura requiere datos de evapotranspiraci\u00f3n a nivel de campo en cuencas fluviales enteras, un desaf\u00edo espacial que solo la teledetecci\u00f3n puede abordar.<\/p>\n La teledetecci\u00f3n, en el contexto de la monitorizaci\u00f3n de la evapotranspiraci\u00f3n, consiste en la adquisici\u00f3n y el an\u00e1lisis de datos obtenidos por sat\u00e9lite o aeronave para estimar el flujo de agua que abandona la superficie terrestre sin tocar f\u00edsicamente dicha superficie.<\/p>\n Este m\u00e9todo funciona porque las plantas y los suelos intercambian energ\u00eda con la atm\u00f3sfera de maneras detectables desde el espacio, especialmente mediante la emisi\u00f3n de radiaci\u00f3n infrarroja t\u00e9rmica. Cuando una planta transpira eficientemente, utiliza la energ\u00eda solar incidente para evaporar el agua en lugar de calentarse. Un dosel con la humedad adecuada en el suelo se mantiene relativamente fresco.<\/p>\n Por el contrario, una cubierta vegetal con estr\u00e9s h\u00eddrico cierra sus estomas para conservar agua, y dado que se absorbe menos calor latente (ET) de la energ\u00eda entrante, la temperatura de la superficie de la cubierta aumenta. Esta es la se\u00f1al f\u00edsica fundamental que capta la teledetecci\u00f3n t\u00e9rmica.<\/p>\n En balance energ\u00e9tico<\/strong> es el marco rector. En cualquier superficie terrestre, la radiaci\u00f3n neta (Rn) proveniente del sol y la atm\u00f3sfera debe ser igual a la suma de tres sumideros de energ\u00eda: el flujo de calor del suelo (G), el flujo de calor sensible (H, que calienta el aire) y el flujo de calor latente (LE, que impulsa la ET). Escrito como una ecuaci\u00f3n: Rn = G + H + LE. Al estimar Rn, G y H a partir de datos satelitales, el modelo obtiene LE \u2014y, por lo tanto, ET\u2014 como el residuo.<\/p>\n 1. Temperatura de la superficie terrestre<\/strong> La temperatura superficial terrestre (LST), medida en la banda infrarroja t\u00e9rmica, es la principal variable observable que se utiliza para estimar el flujo de calor sensible H. Una superficie m\u00e1s caliente transfiere m\u00e1s calor al aire (H alto), dejando menos energ\u00eda para la evapotranspiraci\u00f3n (ET) (LE bajo). Una superficie m\u00e1s fr\u00eda y bien irrigada tiene un H menor y un LE mayor.<\/p>\n 2. \u00cdndices de vegetaci\u00f3n<\/strong> El \u00edndice NDVI, por ejemplo, mide la cantidad de materia vegetal verde y fotosint\u00e9ticamente activa que cubre la superficie, lo que controla las tasas de transpiraci\u00f3n. Una cubierta vegetal densa y verde transpira m\u00e1s que un suelo desnudo o una vegetaci\u00f3n escasa.<\/p>\n 3. Radiaci\u00f3n neta<\/strong> se calcula a partir de los flujos de radiaci\u00f3n de onda corta y onda larga, que la teledetecci\u00f3n estima a partir del albedo de la superficie, la cobertura vegetal y los datos de emisi\u00f3n t\u00e9rmica.<\/p>\n La monitorizaci\u00f3n de la evapotranspiraci\u00f3n mediante sat\u00e9lites no sustituye a la informaci\u00f3n de campo; es la \u00fanica herramienta capaz de proporcionar datos de uso del agua espacialmente continuos a la escala en la que se toman realmente las decisiones agr\u00edcolas e hidrol\u00f3gicas.<\/p><\/blockquote>\n La ventaja de la teledetecci\u00f3n sobre los m\u00e9todos terrestres no reside \u00fanicamente en la cobertura espacial. Los datos satelitales proporcionan mediciones sin\u00f3pticas y repetibles en paisajes altamente heterog\u00e9neos, algo que ninguna red terrestre podr\u00eda replicar a un costo comparable.<\/p>\n La estimaci\u00f3n de la evapotranspiraci\u00f3n desde el espacio requiere la combinaci\u00f3n de datos de m\u00faltiples tipos de sensores. Ning\u00fan sat\u00e9lite por s\u00ed solo proporciona todos los datos necesarios para un modelo completo de evapotranspiraci\u00f3n, por lo que los productos operativos de evapotranspiraci\u00f3n suelen fusionar datos de varias plataformas.<\/p>\n i. Landsat<\/strong> El Servicio Geol\u00f3gico de Estados Unidos (USGS) y la NASA operan de forma continua desde 1972 y proporcionan im\u00e1genes multiespectrales y t\u00e9rmicas con una resoluci\u00f3n espacial de 30 metros y un ciclo de revisita de 16 d\u00edas. Su extenso archivo lo hace indispensable para el an\u00e1lisis hist\u00f3rico de la evapotranspiraci\u00f3n y el monitoreo de cultivos. La mayor\u00eda de los modelos de evapotranspiraci\u00f3n basados en el balance energ\u00e9tico, incluidos SEBAL y METRIC, se dise\u00f1aron originalmente a partir de datos Landsat.<\/p>\n ii. Sentinel-2<\/strong> La ESA ofrece im\u00e1genes multiespectrales de 10 metros con un tiempo de revisita de 5 d\u00edas para el c\u00e1lculo de \u00edndices de vegetaci\u00f3n de alta resoluci\u00f3n. Si bien no incluye una banda t\u00e9rmica, complementa a Landsat al proporcionar datos NDVI, EVI y LAI m\u00e1s frecuentes y de mayor resoluci\u00f3n para modelos de ET basados en la vegetaci\u00f3n.<\/p>\n iii. MODIS<\/strong> El espectrorradi\u00f3metro de im\u00e1genes de resoluci\u00f3n moderada (MOD16, NASA) proporciona cobertura global diaria con una resoluci\u00f3n de entre 250 m y 1 km. Su menor resoluci\u00f3n espacial limita su aplicaci\u00f3n a escala de campo, pero lo hace ideal para el monitoreo de la evapotranspiraci\u00f3n continental y global mediante productos como MOD16.<\/p>\n iv. ESTR\u00c9S ECOl\u00f3gico<\/strong> El sat\u00e9lite ECOSTRESS (de la NASA) est\u00e1 instalado en la Estaci\u00f3n Espacial Internacional y proporciona datos infrarrojos t\u00e9rmicos con una resoluci\u00f3n de 70 metros y un ciclo de revisita de 1 a 5 d\u00edas. ECOSTRESS fue dise\u00f1ado espec\u00edficamente para medir el estr\u00e9s h\u00eddrico de los cultivos y la evapotranspiraci\u00f3n a escala de campo cercano, una capacidad que MODIS y los sat\u00e9lites anteriores no pod\u00edan cubrir.<\/p>\n v. VIIRS<\/strong> El conjunto de radi\u00f3metros de im\u00e1genes visibles e infrarrojas (Visible Infrared Imaging Radiometer Suite, NOAA\/NASA) en los sat\u00e9lites Suomi NPP y JPSS contin\u00faa el legado de cobertura diaria global de MODIS con una calibraci\u00f3n de sensores mejorada, lo que permite la producci\u00f3n operativa de ET a escalas regionales y globales.<\/p>\n Los veh\u00edculos a\u00e9reos no tripulados (VANT o drones) equipados con c\u00e1maras t\u00e9rmicas y sensores multiespectrales pueden mapear la evapotranspiraci\u00f3n (ET) con una resoluci\u00f3n espacial inferior al metro en campos individuales. Una c\u00e1mara t\u00e9rmica montada en un dron mide directamente la temperatura del dosel vegetal y, al combinarse con datos meteorol\u00f3gicos terrestres, produce mapas de ET con una resoluci\u00f3n que ning\u00fan sat\u00e9lite puede igualar.<\/p>\n Cada variable extra\u00edda de los datos satelitales aporta una pieza espec\u00edfica al rompecabezas de la estimaci\u00f3n de la evapotranspiraci\u00f3n. Comprender qu\u00e9 mide cada variable y por qu\u00e9 es importante ayuda a los profesionales a seleccionar el modelo adecuado e interpretar correctamente los resultados.<\/p>\n 1. \u00cdndice de Vegetaci\u00f3n de Diferencia Normalizada<\/strong> El NDVI se calcula como (NIR \u2013 Rojo) \/ (NIR + Rojo) utilizando la reflectancia de las bandas infrarroja cercana y roja. Su valor oscila entre -1 y +1, y la vegetaci\u00f3n densa suele obtener una puntuaci\u00f3n entre 0,6 y 0,9. El NDVI refleja la densidad y el verdor del dosel vegetal, lo que se correlaciona directamente con el \u00e1rea foliar y la capacidad de transpiraci\u00f3n.<\/p>\n 2, \u00cdndice de Vegetaci\u00f3n Mejorado<\/strong> El \u00edndice EVI a\u00f1ade una banda azul para reducir la interferencia atmosf\u00e9rica y los efectos del suelo que degradan el NDVI en regiones con vegetaci\u00f3n densa o frecuentemente nubosas. El EVI es m\u00e1s sensible que el NDVI en \u00e1reas con alta biomasa y se utiliza en el algoritmo MOD16 ET.<\/p>\n 3. \u00cdndice de \u00e1rea foliar<\/strong> El \u00edndice de \u00e1rea foliar (LAI, por sus siglas en ingl\u00e9s) cuantifica la superficie foliar total unilateral por unidad de superficie terrestre. Controla directamente la transpiraci\u00f3n al determinar cu\u00e1nta superficie foliar intercambia vapor de agua con la atm\u00f3sfera. El LAI derivado de sat\u00e9lites es un dato clave en muchos modelos de evapotranspiraci\u00f3n basados en principios f\u00edsicos.<\/p>\n 4. Albedo superficial<\/strong> es la fracci\u00f3n de la radiaci\u00f3n solar incidente que refleja la superficie. Controla cu\u00e1nta energ\u00eda solar absorbe la superficie, lo que a su vez determina cu\u00e1nta energ\u00eda est\u00e1 disponible para impulsar la evapotranspiraci\u00f3n (ET). Un suelo oscuro y h\u00famedo tiene un albedo bajo (absorbe m\u00e1s energ\u00eda); una superficie de arena desnuda tiene un albedo alto (refleja m\u00e1s).<\/p>\n 5. Humedad del suelo<\/strong> Los datos de los sensores de microondas limitan los modelos de ET al indicar si hay suficiente agua disponible en la zona radicular para satisfacer la demanda de transpiraci\u00f3n. Cuando la humedad del suelo cae por debajo de un umbral cr\u00edtico, la ET real disminuye por debajo de la tasa potencial, incluso si hay energ\u00eda disponible.<\/p>\n Bastiaanssen et al. (como se revisa en Frontiers in Remote Sensing, 2026) encontraron que SEBAL, validado en m\u00e1s de 30 pa\u00edses<\/strong>, logra Precisi\u00f3n de 85% para estimaciones diarias de ET y precisi\u00f3n de 95% para estimaciones estacionales de ET.<\/strong> a escala de campo.<\/p>\n Una precisi\u00f3n estacional de 95% significa que la contabilidad del agua de cultivo en todo un distrito de riego se puede realizar de forma fiable utilizando \u00fanicamente datos satelitales, eliminando la necesidad de densas redes de estaciones terrestres.<\/p>\n Los modelos de balance energ\u00e9tico calculan la evapotranspiraci\u00f3n (ET) como el residuo del balance energ\u00e9tico de la superficie: ET = Rn \u2013 G \u2013 H. Cada modelo difiere en la forma en que estima el flujo de calor sensible H, que es el componente m\u00e1s exigente desde el punto de vista computacional y m\u00e1s propenso a errores.<\/p>\n i. Algoritmo de balance de energ\u00eda superficial para la tierra<\/strong> (SEBAL) fue desarrollado por Bastiaanssen en 1998 y sigue siendo uno de los modelos de ET satelitales m\u00e1s utilizados a nivel mundial. SEBAL utiliza tres par\u00e1metros principales derivados de sat\u00e9lites: temperatura de la superficie terrestre (T0), reflectancia hemisf\u00e9rica de la superficie (albedo r0) e NDVI.<\/p>\n Para estimar el flujo de calor sensible, SEBAL identifica dos p\u00edxeles de referencia: el "p\u00edxel caliente" (suelo seco y desnudo, donde la ET es cercana a cero) y el "p\u00edxel fr\u00edo" (cultivo bien regado, donde la ET es m\u00e1xima). Posteriormente, interpola H en toda la escena en relaci\u00f3n con estos extremos. Esta funci\u00f3n de autocalibraci\u00f3n reduce la sensibilidad de SEBAL a los errores de calibraci\u00f3n absolutos en los datos meteorol\u00f3gicos.<\/p>\n ii. Mapeo de la evapotranspiraci\u00f3n a alta resoluci\u00f3n con calibraci\u00f3n internalizada<\/strong> El modelo METRIC se basa en SEBAL, pero incorpora una calibraci\u00f3n automatizada con respecto a una evapotranspiraci\u00f3n de referencia calculada a partir de una estaci\u00f3n meteorol\u00f3gica. METRIC es m\u00e1s adecuado para regiones con redes completas de datos meteorol\u00f3gicos y se ha adoptado ampliamente para la gesti\u00f3n operativa del riego en el oeste de Estados Unidos.<\/p>\n iii. Sistema de balance energ\u00e9tico superficial<\/strong> (SEBS) utiliza la teor\u00eda del flujo turbulento para estimar el flujo de calor sensible a partir de la temperatura superficial terrestre (LST), la rugosidad de la superficie y la velocidad del viento, obtenidas mediante sat\u00e9lite. SEBS es f\u00edsicamente m\u00e1s riguroso que SEBAL, pero requiere datos de entrada adicionales, por lo que resulta m\u00e1s adecuado para la investigaci\u00f3n que para la gesti\u00f3n operativa de explotaciones agr\u00edcolas.<\/p>\n La elecci\u00f3n de un modelo de evapotranspiraci\u00f3n no es simplemente una decisi\u00f3n t\u00e9cnica, sino una decisi\u00f3n sobre la pregunta que se intenta responder. Un an\u00e1lisis de contabilidad h\u00eddrica a nivel de cuenca y una herramienta de programaci\u00f3n de riego a nivel de campo requieren niveles de resoluci\u00f3n espacial y frecuencia temporal fundamentalmente diferentes.<\/p><\/blockquote>\n iv. Balance energ\u00e9tico de dos fuentes<\/strong> El modelo (TSEB) trata el suelo y la cubierta vegetal como dos fuentes de ET separadas, cada una con su propio balance de temperatura y energ\u00eda. Este enfoque es m\u00e1s preciso para vegetaci\u00f3n escasa o coberturas vegetales mixtas, donde un modelo de fuente \u00fanica podr\u00eda confundir la evaporaci\u00f3n del suelo con la transpiraci\u00f3n de las plantas.<\/p>\n No todos los modelos de ET requieren im\u00e1genes t\u00e9rmicas. Los modelos basados en \u00edndices de vegetaci\u00f3n estiman la ET a trav\u00e9s de la enfoque del coeficiente de cultivo<\/strong> (Kc x ET0), donde el coeficiente de cultivo Kc se deriva del NDVI o el EVI, y la evapotranspiraci\u00f3n de referencia (ET0) proviene de una estaci\u00f3n meteorol\u00f3gica. La metodolog\u00eda FAO-56 formaliza este enfoque y se utiliza ampliamente para la programaci\u00f3n del riego porque no requiere datos de bandas t\u00e9rmicas.<\/p>\n Modelos de aprendizaje autom\u00e1tico, incluidos Bosque aleatorio<\/strong>, Redes neuronales artificiales (RNA)<\/strong>, Las arquitecturas de aprendizaje profundo se aplican cada vez m\u00e1s a la estimaci\u00f3n de la evapotranspiraci\u00f3n (ET) mediante el aprendizaje de relaciones no lineales complejas entre las entradas derivadas de sat\u00e9lites (LST, NDVI, albedo, LAI) y las mediciones de ET de las torres de flujo.<\/p>\n Un estudio de 2023 publicado en Remote Sensing of Environment descubri\u00f3 que un modelo de Bosque Aleatorio entrenado con datos MODIS y meteorol\u00f3gicos predijo la evapotranspiraci\u00f3n diaria con un R2 de 0,87 y un RMSE de 0,51 mm\/d\u00eda en diversos biomas, lo que resulta competitivo con los modelos tradicionales de balance energ\u00e9tico, pero requiere mucho menos esfuerzo de parametrizaci\u00f3n.<\/p>\n Un estudio publicado en Taylor and Francis Open (2021) encontr\u00f3 que el algoritmo SEBAL, aplicado a im\u00e1genes Landsat 8 sobre una regi\u00f3n de cultivo de ma\u00edz en Adana, Turqu\u00eda, produjo estimaciones de ET con una Coeficiente de correlaci\u00f3n R = 0,91<\/strong> frente al m\u00e9todo Penman-Monteith de la FAO y un RMSE de solo 1,14 mm\/d\u00eda<\/strong>.<\/p>\n La precisi\u00f3n de SEBAL a escala de campo significa que la evapotranspiraci\u00f3n derivada de sat\u00e9lites puede reemplazar o reducir sustancialmente la necesidad de costosas instalaciones de lis\u00edmetros en los sistemas operativos de gesti\u00f3n del riego.<\/p>\n Actualmente, varios productos de ET globales y regionales transforman los datos de teledetecci\u00f3n en capas de datos de ET listas para usar. Los profesionales ya no necesitan ejecutar sus propios modelos de balance energ\u00e9tico; pueden acceder directamente a estos conjuntos de datos precalculados.<\/p>\n 1. Producto MOD16 ET<\/strong> La NASA utiliza datos MODIS con un algoritmo Penman-Monteith basado en datos de cobertura terrestre, LAI, EVI y datos meteorol\u00f3gicos de rean\u00e1lisis globales de MODIS. Proporciona compuestos de ET mensuales y de 8 d\u00edas con una resoluci\u00f3n global de 500 metros. MOD16 es adecuado para estudios a escala de paisaje, pero su resoluci\u00f3n es demasiado baja para la gesti\u00f3n de campos individuales.<\/p>\n 2. SSEBop<\/strong> El modelo SSEBop (Simplified Surface Energy Balance Operating), desarrollado por el USGS, simplifica el desaf\u00edo de calibraci\u00f3n de p\u00edxeles calientes\/fr\u00edos de SEBAL mediante el uso de l\u00edmites de temperatura predefinidos derivados de datos climatol\u00f3gicos a largo plazo. SSEBop opera con una resoluci\u00f3n de 30 metros utilizando datos Landsat y es uno de los seis modelos del conjunto OpenET.<\/p>\n 3. Plataforma OpenET<\/strong>, Lanzado en 2021 y operado como una colaboraci\u00f3n p\u00fablico-privada liderada por la NASA, el USGS, la Universidad Estatal de California en Monterey Bay, el Fondo de Defensa Ambiental y el Instituto de Investigaci\u00f3n del Desierto, proporciona datos de evapotranspiraci\u00f3n a escala de campo con una resoluci\u00f3n de 30 metros en todo el oeste de Estados Unidos.<\/p>\n Un estudio hist\u00f3rico publicado en Nature Water en enero de 2024, que compar\u00f3 las estimaciones de OpenET con las mediciones de 152 estaciones de medici\u00f3n de flujo terrestres, confirm\u00f3 que OpenET logra una alta precisi\u00f3n para cultivos anuales como el trigo, el ma\u00edz, la soja y el arroz, especialmente en regiones \u00e1ridas donde la escasez de agua hace que la precisi\u00f3n del riego sea fundamental.<\/p>\n 4. Portal WaPOR<\/strong> La FAO proporciona datos de evapotranspiraci\u00f3n para \u00c1frica y el Cercano Oriente con resoluciones de 30, 100 y 250 metros, dise\u00f1ados espec\u00edficamente para apoyar el an\u00e1lisis de la productividad del agua agr\u00edcola en regiones en desarrollo con escasez de datos.<\/p>\n 5. GLEAM<\/strong> El modelo global de evaporaci\u00f3n terrestre de \u00c1msterdam (Global Land Evaporation Amsterdam Model) separa la evapotranspiraci\u00f3n (ET) en componentes de transpiraci\u00f3n, evaporaci\u00f3n del suelo desnudo, p\u00e9rdida por intercepci\u00f3n y evaporaci\u00f3n en aguas abiertas, bas\u00e1ndose en datos de humedad del suelo obtenidos mediante microondas y productos de vegetaci\u00f3n satelitales. Destaca por su capacidad para dividir la se\u00f1al de ET en componentes biol\u00f3gicos y f\u00edsicos.<\/p>\n La aplicaci\u00f3n m\u00e1s inmediata de los datos de evapotranspiraci\u00f3n satelital es la planificaci\u00f3n del riego. Cuando un agricultor accede a mapas semanales de evapotranspiraci\u00f3n a escala de campo, puede calcular el d\u00e9ficit de riego \u2014la diferencia entre la evapotranspiraci\u00f3n real y la precipitaci\u00f3n efectiva\u2014 y aplicar exactamente ese volumen de agua. Esto elimina el h\u00e1bito cr\u00f3nico de riego excesivo que desperdicia agua sin aumentar la producci\u00f3n.<\/p>\n En el delta del Sacramento-San Joaqu\u00edn, en California, los gestores de recursos h\u00eddricos est\u00e1n utilizando OpenET para ayudar a los agricultores a cumplir con las regulaciones estatales que exigen informes precisos sobre el uso del agua.<\/p>\n La alta precisi\u00f3n de los datos de evapotranspiraci\u00f3n satelital para cultivos anuales proporciona una base legalmente defendible para la contabilidad del agua que ning\u00fan m\u00e9todo terrestre podr\u00eda ofrecer con tal cobertura espacial.<\/p>\n Un estudio de 2024 publicado en Agricultural Water Management (Ott et al., 2024; Desert Research Institute) evalu\u00f3 OpenET compar\u00e1ndolo con datos de riego medido en cuencas de aguas subterr\u00e1neas de Nevada.<\/p>\n En Diamond Valley, las estimaciones de OpenET mostraron solo un Diferencia de 7% con respecto a los datos de uso de agua medidos<\/strong>, demostrando la fiabilidad operativa para la gesti\u00f3n regulatoria de las aguas subterr\u00e1neas.<\/p>\n Un margen de error de 7% a escala de cuenca significa que los datos de ET satelitales pueden sustituir la costosa infraestructura de medici\u00f3n en regiones donde el agua subterr\u00e1nea est\u00e1 cr\u00edticamente agotada.<\/p>\n El monitoreo de la sequ\u00eda es otra aplicaci\u00f3n de alto impacto. \u00cdndice de estr\u00e9s evaporativo<\/strong> (ESI), derivado de datos t\u00e9rmicos de ECOSTRESS y MODIS, mide la relaci\u00f3n entre la ET real y la ET potencial.<\/p>\n Cuando el ESI cae significativamente por debajo de 1,0, indica que las plantas est\u00e1n experimentando estr\u00e9s h\u00eddrico, un indicador temprano y fiable de sequ\u00eda agr\u00edcola, que a menudo se puede detectar entre 4 y 8 semanas antes de que la p\u00e9rdida de rendimiento de los cultivos sea cuantificable.<\/p>\n El Centro Nacional de Mitigaci\u00f3n de la Sequ\u00eda del USDA integra \u00edndices de sequ\u00eda basados en la evapotranspiraci\u00f3n satelital en mapas operativos de monitoreo de sequ\u00eda utilizados por gobiernos estatales, agencias de seguros agr\u00edcolas y autoridades de gesti\u00f3n de emergencias. Esta integraci\u00f3n permite una respuesta a la sequ\u00eda m\u00e1s r\u00e1pida y eficaz que los enfoques basados \u00fanicamente en el calendario o en la precipitaci\u00f3n.<\/p>\n La contabilidad del agua a escala de cuenca requiere saber cu\u00e1nta agua abandona la superficie terrestre como evapotranspiraci\u00f3n (ET) en millones de hect\u00e1reas. Esto es precisamente lo que proporcionan a escala global los productos de ET satelitales como MOD16, GLEAM y WaPOR.<\/p>\n El monitoreo de la evapotranspiraci\u00f3n en humedales mediante datos satelitales cuantifica el uso del agua en ecosistemas de marismas, turberas y estuarios inaccesibles, donde no es posible instalar sensores terrestres. El monitoreo de la evapotranspiraci\u00f3n forestal revela c\u00f3mo la deforestaci\u00f3n, la reforestaci\u00f3n y los incendios forestales alteran el balance h\u00eddrico de cuencas hidrogr\u00e1ficas enteras, datos cruciales para la contabilidad del carbono forestal y la planificaci\u00f3n del suministro de agua.<\/p>\n La evapotranspiraci\u00f3n es el hilo invisible que conecta a todas las plantas de la Tierra con el ciclo global del agua. La teledetecci\u00f3n es la \u00fanica herramienta de la que disponemos para observarla a la escala necesaria para la gesti\u00f3n del agua.<\/p><\/blockquote>\n Ning\u00fan producto de ET es \u00fatil sin una validaci\u00f3n rigurosa. El m\u00e9todo est\u00e1ndar compara las estimaciones de ET obtenidas por sat\u00e9lite con las mediciones de las torres de flujo de covarianza de remolinos, que constituyen la referencia m\u00e1s precisa disponible para la ET a escala de paisaje.<\/p>\n El global FLUXNET<\/strong> La red proporciona datos de torres de flujo de acceso abierto de cientos de sitios en diversos biomas. Los desarrolladores de productos ET comparan los resultados de sus modelos con las mediciones de FLUXNET para calcular m\u00e9tricas de rendimiento estad\u00edstico, incluyendo<\/p>\n La validaci\u00f3n se realiza por separado para los diferentes tipos de cobertura terrestre, zonas clim\u00e1ticas y estaciones del a\u00f1o, ya que la precisi\u00f3n del modelo de ET var\u00eda sustancialmente en funci\u00f3n de estas condiciones.<\/p>\n Los modelos de balance energ\u00e9tico como SEBAL y METRIC suelen funcionar mejor en paisajes agr\u00edcolas semi\u00e1ridos con cielos despejados. Su rendimiento disminuye en bosques tropicales h\u00famedos, terrenos monta\u00f1osos complejos y zonas con nubosidad frecuente.<\/p>\n El estudio de precisi\u00f3n de OpenET publicado en Nature Water compar\u00f3 seis modelos de ET con mediciones de 152 emplazamientos de torres de medici\u00f3n de flujo<\/strong> En todo Estados Unidos, se constat\u00f3 que el conjunto de modelos OpenET logr\u00f3 el mejor rendimiento espec\u00edficamente para los cultivos anuales en las regiones \u00e1ridas del oeste, las \u00e1reas donde la gesti\u00f3n del riego es m\u00e1s importante desde el punto de vista econ\u00f3mico y ecol\u00f3gico.<\/p>\n Los gestores del agua en las regiones \u00e1ridas pueden utilizar los datos de OpenET con gran fiabilidad para el cumplimiento de las normas de riego y el seguimiento del presupuesto h\u00eddrico, sustituyendo as\u00ed las costosas infraestructuras de medici\u00f3n.<\/p>\n A pesar de los r\u00e1pidos avances, varios desaf\u00edos t\u00e9cnicos y operativos limitan la precisi\u00f3n y la aplicabilidad del monitoreo de la evapotranspiraci\u00f3n basado en sat\u00e9lites.<\/p>\n 1. Limitaciones de la nubosidad:<\/strong> La teledetecci\u00f3n \u00f3ptica y t\u00e9rmica requiere condiciones libres de nubes. En regiones tropicales h\u00famedas o durante las temporadas de monzones, la nubosidad persistente puede generar lagunas de datos de semanas a meses, interrumpiendo la continuidad temporal que requiere la gesti\u00f3n del riego.<\/p>\n 2. Restricciones de resoluci\u00f3n espacial:<\/strong> MODIS, el sat\u00e9lite con mayor frecuencia de observaci\u00f3n, proporciona datos de evapotranspiraci\u00f3n con una resoluci\u00f3n de 500 metros, demasiado baja para campos de menos de 25 hect\u00e1reas. La resoluci\u00f3n de 30 metros de Landsat es adecuada para la mayor\u00eda de los campos agr\u00edcolas, pero tiene un ciclo de revisita de 16 d\u00edas, lo que impide detectar cambios r\u00e1pidos en el estr\u00e9s h\u00eddrico.<\/p>\n 3. Compromisos en cuanto a la resoluci\u00f3n temporal:<\/strong> La alta resoluci\u00f3n espacial (Landsat, Sentinel-2, ECOSTRESS) y la alta resoluci\u00f3n temporal (MODIS, VIIRS) presentan una relaci\u00f3n inversa. Para superar esta brecha se requieren t\u00e9cnicas de fusi\u00f3n de datos.<\/p>\n 4. Supuestos del modelo en paisajes heterog\u00e9neos:<\/strong> Los modelos de balance energ\u00e9tico de fuente \u00fanica presuponen una cubierta vegetal uniforme, lo cual se desmorona en zonas de vegetaci\u00f3n escasa, sistemas de cultivo mixtos o interfaces urbano-agr\u00edcolas donde las temperaturas del suelo y de las plantas divergen bruscamente.<\/p>\n 5. Disponibilidad de datos en las regiones en desarrollo:<\/strong> Los datos de las estaciones meteorol\u00f3gicas terrestres necesarios para ajustar los modelos de evapotranspiraci\u00f3n son escasos en gran parte del \u00c1frica subsahariana, el sur de Asia y Asia central, precisamente las regiones donde se necesita con mayor urgencia una mejor gesti\u00f3n del agua.<\/p>\n Diversos avances tecnol\u00f3gicos convergentes est\u00e1n a punto de ampliar dr\u00e1sticamente la precisi\u00f3n, la cobertura y la accesibilidad de la monitorizaci\u00f3n de la evapotranspiraci\u00f3n mediante teledetecci\u00f3n en los pr\u00f3ximos cinco a diez a\u00f1os.<\/p>\n Los modelos de aprendizaje profundo entrenados con grandes conjuntos de datos multisensor est\u00e1n empezando a superar a los modelos cl\u00e1sicos de balance energ\u00e9tico en ciertos paisajes. Las redes neuronales convolucionales pueden integrar simult\u00e1neamente datos de Landsat, Sentinel-2, MODIS y rean\u00e1lisis meteorol\u00f3gico, aprendiendo patrones de evapotranspiraci\u00f3n espacio-temporales que ning\u00fan modelo de un solo sensor puede capturar.<\/p>\n Mientras tanto, los algoritmos de fusi\u00f3n de datos \u2014entre los que destaca el enfoque STARFM (Modelo de Fusi\u00f3n de Reflectancia Adaptativa Espacial y Temporal)\u2014 combinan im\u00e1genes Landsat de alta resoluci\u00f3n con datos MODIS diarios para producir mapas sint\u00e9ticos diarios de ET con una resoluci\u00f3n de 30 metros, resolviendo as\u00ed la disyuntiva espacio-temporal que actualmente limita las aplicaciones de la agricultura de precisi\u00f3n.<\/p>\n La pr\u00f3xima generaci\u00f3n de sat\u00e9lites t\u00e9rmicos dedicados a la observaci\u00f3n de la Tierra proporcionar\u00e1 im\u00e1genes t\u00e9rmicas con una resoluci\u00f3n inferior a 30 metros y una frecuencia de revisita diaria.<\/p>\n Las misiones planificadas, incluido el sucesor del Landsat Next y las constelaciones t\u00e9rmicas comerciales CubeSat, eliminar\u00e1n la disyuntiva hist\u00f3rica entre detalle espacial y frecuencia temporal que ha limitado la monitorizaci\u00f3n de la evapotranspiraci\u00f3n a escala de campo.<\/p>\n Tal y como se indica en el informe Future Market Insights (2025), se prev\u00e9 que el mercado de servicios de teledetecci\u00f3n, valorado en 22.870 millones de d\u00f3lares en 2025, alcance los 84.280 millones de d\u00f3lares en 2035, impulsado significativamente por la expansi\u00f3n de las constelaciones de sat\u00e9lites LEO.<\/p>\n Los sistemas de gemelos digitales \u2014r\u00e9plicas virtuales din\u00e1micas de paisajes agr\u00edcolas que se actualizan casi en tiempo real a partir de datos satelitales y de sensores IoT\u2014 integran la teledetecci\u00f3n de la evapotranspiraci\u00f3n (ET) como flujo de datos principal. Estos sistemas sincronizan mapas satelitales de ET, datos de sensores de humedad del suelo, pron\u00f3sticos meteorol\u00f3gicos y modelos de crecimiento de cultivos para simular el estado h\u00eddrico futuro del campo y prescribir el riego autom\u00e1ticamente.<\/p>\n Actualmente, un amplio conjunto de plataformas hace que el an\u00e1lisis de ET mediante teledetecci\u00f3n sea accesible a profesionales sin necesidad de tener amplios conocimientos de programaci\u00f3n.<\/p>\n 1. Google Earth Engine (GEE)<\/strong> GEE es una plataforma de computaci\u00f3n geoespacial en la nube que alberga los archivos completos de Landsat, MODIS, Sentinel y ECOSTRESS, junto con algoritmos de evapotranspiraci\u00f3n (ET) predefinidos. Los analistas pueden realizar c\u00e1lculos de ET con datos de varios a\u00f1os para regiones enteras sin necesidad de descargar im\u00e1genes localmente. GEE se ha convertido en la plataforma de investigaci\u00f3n dominante para el mapeo de ET en grandes \u00e1reas.<\/p>\n 2. Plataforma OpenET<\/strong> Proporciona una interfaz web donde cualquier usuario registrado puede acceder a datos de evapotranspiraci\u00f3n (ET) a escala de campo para tierras agr\u00edcolas en todo el oeste de Estados Unidos. Los usuarios pueden exportar res\u00famenes diarios, mensuales o estacionales de ET para campos individuales o distritos completos de gesti\u00f3n del agua, sin necesidad de conocimientos de programaci\u00f3n.<\/p>\n 3. Portal WaPOR<\/strong> La FAO proporciona una interfaz de descarga de ET similar, que permite usar un sistema de apuntar y hacer clic, para \u00c1frica y el Cercano Oriente, con enlaces directos a los indicadores de productividad del agua en la agricultura.<\/p>\n 4. Flujos de trabajo con Python y R<\/strong> El uso de bibliotecas como rasterio, xarray, geopandas (Python) o terra, raster (R) permite a los investigadores crear flujos de trabajo personalizados para el procesamiento de la evapotranspiraci\u00f3n que integran datos satelitales con registros meteorol\u00f3gicos locales, modelos de cultivos y bases de datos de riego.<\/p>\n En la regi\u00f3n del acu\u00edfero de las Grandes Llanuras de Estados Unidos, una de las zonas agr\u00edcolas con mayor volumen de riego del planeta, investigadores del Instituto de Investigaci\u00f3n del Desierto demostraron que los datos de OpenET integrados con conjuntos de datos clim\u00e1ticos pod\u00edan estimar los vol\u00famenes de bombeo de agua subterr\u00e1nea con la precisi\u00f3n suficiente para respaldar la gesti\u00f3n regulatoria del descenso de los niveles de los acu\u00edferos.<\/p>\n El estudio compar\u00f3 las estimaciones de ET satelitales con los registros de bombeo medidos, encontrando una desviaci\u00f3n inferior a 17% en la mayor\u00eda de las cuencas estudiadas, un nivel de precisi\u00f3n suficiente para la administraci\u00f3n de los derechos de agua.<\/p>\n Se ha implementado la monitorizaci\u00f3n de la evapotranspiraci\u00f3n mediante teledetecci\u00f3n para la programaci\u00f3n del riego del algod\u00f3n, utilizando los modelos SEBAL y METRIC para mapear la evapotranspiraci\u00f3n real en campos individuales durante la temporada de cultivo.<\/p>\n Estudios publicados en el Astrophysics Data System (2020) demostraron que ambos modelos detectaron una evapotranspiraci\u00f3n real superior a la esperada durante las primeras etapas del cultivo debido a la alta evaporaci\u00f3n del suelo desnudo, un hallazgo que el enfoque est\u00e1ndar del coeficiente de cultivo pas\u00f3 por alto sistem\u00e1ticamente, lo que provoc\u00f3 un riego excesivo en ese per\u00edodo cr\u00edtico.<\/p>\n La plataforma WaPOR de la FAO se ha utilizado para realizar an\u00e1lisis de productividad del agua en sistemas de riego en Etiop\u00eda, Egipto y Jordania, cuantificando la evapotranspiraci\u00f3n por unidad de biomasa de cultivo producida.<\/p>\n Estos an\u00e1lisis identificaron campos con una productividad h\u00eddrica inferior a la media de la cuenca, lo que proporciona la base de datos espacial para programas de extensi\u00f3n espec\u00edficos destinados a mejorar la eficiencia del riego en zonas con bajo rendimiento.<\/p>\n La elecci\u00f3n de la combinaci\u00f3n adecuada de datos satelitales, modelo de evapotranspiraci\u00f3n y estrategia de validaci\u00f3n depende de la pregunta espec\u00edfica que se pretende responder, los recursos disponibles y el nivel de incertidumbre aceptable.<\/p>\n 1. Defina primero la escala espacial y temporal.<\/strong> La contabilidad mensual del agua a escala de cuenca requiere una herramienta diferente a la de la programaci\u00f3n diaria del riego a escala de campo. Antes de seleccionar cualquier modelo, ajuste la resoluci\u00f3n y la frecuencia de revisita de la plataforma satelital a las necesidades de gesti\u00f3n.<\/p>\n 2. Haga coincidir el modelo con el tipo de paisaje.<\/strong> Los modelos de balance energ\u00e9tico como SEBAL y METRIC funcionan mejor en paisajes semi\u00e1ridos, dominados por cultivos y con cielos despejados. Los modelos basados en \u00edndices de vegetaci\u00f3n funcionan mejor en regiones con disponibilidad limitada de datos t\u00e9rmicos. Los modelos de aprendizaje autom\u00e1tico funcionan mejor cuando se dispone de grandes conjuntos de datos de entrenamiento validados localmente.<\/p>\n 3. Validar siempre localmente.<\/strong> Incluso el producto de evapotranspiraci\u00f3n global m\u00e1s preciso debe validarse con al menos un conjunto de datos de torres de flujo o lis\u00edmetros locales antes de su implementaci\u00f3n operativa. Las m\u00e9tricas de rendimiento de los estudios publicados rara vez se transfieren con exactitud a nuevas ubicaciones y tipos de cultivos.<\/p>\n 4. Planifique para los periodos sin nubosidad.<\/strong> En regiones h\u00famedas o tropicales, planifique estrategias de fusi\u00f3n de datos o de relleno de lagunas desde el principio. Depender de un solo sat\u00e9lite t\u00e9rmico con un ciclo de revisita de 16 d\u00edas generar\u00e1 lagunas de datos inaceptables durante los per\u00edodos cr\u00edticos del crecimiento de los cultivos.<\/p>\n 5. Utilice plataformas abiertas siempre que sea posible.<\/strong> Google Earth Engine, OpenET y WaPOR ofrecen acceso gratuito a productos de evapotranspiraci\u00f3n (ET) validados y bien documentados. Crear un modelo de ET personalizado desde cero rara vez se justifica, a menos que las condiciones locales espec\u00edficas as\u00ed lo requieran.<\/p>\n 6. Integrar los datos de ET con los sistemas de gesti\u00f3n agr\u00edcola existentes.<\/strong> Los datos de ET son m\u00e1s valiosos cuando se integran directamente en el software de programaci\u00f3n de riego, las herramientas de apoyo a la toma de decisiones o las bases de datos de contabilidad del agua, en lugar de existir como un dato satelital independiente.<\/p>\n La monitorizaci\u00f3n de la evapotranspiraci\u00f3n mediante teledetecci\u00f3n ha evolucionado de una disciplina de investigaci\u00f3n experimental a una herramienta operativa fundamental para la gesti\u00f3n del agua en la agricultura. La combinaci\u00f3n de productos satelitales de ET cada vez m\u00e1s precisos, plataformas de acceso abierto como OpenET y WaPOR, y la fusi\u00f3n de datos mediante inteligencia artificial est\u00e1 eliminando las barreras que antes limitaban la monitorizaci\u00f3n satelital de la ET a instituciones de investigaci\u00f3n con amplios recursos.<\/p>\n Las capacidades actuales son sustanciales: modelos de balance energ\u00e9tico validados en m\u00e1s de 30 pa\u00edses, productos de evapotranspiraci\u00f3n satelital con una precisi\u00f3n estacional superior al 90% para los principales cultivos anuales, y plataformas en la nube que proporcionan datos de evapotranspiraci\u00f3n a escala de campo a cualquier agricultor o gestor de recursos h\u00eddricos con conexi\u00f3n a internet. Estas capacidades ya se utilizan para gestionar el cumplimiento de las normas de riego en el r\u00edo Colorado, para monitorear el agotamiento de las aguas subterr\u00e1neas en el acu\u00edfero de las Grandes Llanuras y para mejorar la productividad del agua agr\u00edcola en \u00c1frica a trav\u00e9s del sistema WaPOR de la FAO.<\/p>","protected":false},"excerpt":{"rendered":" El monitoreo de la evapotranspiraci\u00f3n mediante teledetecci\u00f3n representa uno de los avances m\u00e1s importantes en la ciencia del agua agr\u00edcola de las \u00faltimas dos d\u00e9cadas. Al combinar datos t\u00e9rmicos derivados de sat\u00e9lites\u2026<\/p>","protected":false},"author":210249433,"featured_media":13807,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_coblocks_attr":"","_coblocks_dimensions":"","_coblocks_responsive_height":"","_coblocks_accordion_ie_support":"","_eb_attr":"","content-type":"","_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_jetpack_feature_clip_id":0,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_publicize_message":"{title}\n\n{excerpt}\n\n{url}","jetpack_publicize_feature_enabled":true,"jetpack_social_post_already_shared":true,"jetpack_social_options":{"image_generator_settings":{"template":"highway","default_image_id":0,"font":"","enabled":false},"version":2},"_wpas_customize_per_network":false,"jetpack_post_was_ever_published":false},"categories":[1378],"tags":[],"class_list":["post-13804","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-remote-sensing"],"acf":[],"yoast_head":"\n\u00bfQu\u00e9 factores influyen en la evapotranspiraci\u00f3n?<\/h2>\n
![\"\u00bfQu\u00e9](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/06\/What-Factors-Influence-Evapotranspirationn.png?resize=720%2C720&ssl=1\")
<\/p>\nConceptos clave de la evapotranspiraci\u00f3n<\/h2>\n
\n
1. Evapotranspiraci\u00f3n de referencia \u2014 ET(0)<\/h3>\n
2. Evapotranspiraci\u00f3n en condiciones est\u00e1ndar \u2014 ET(c)<\/h3>\n
3. Evapotranspiraci\u00f3n en condiciones no est\u00e1ndar \u2014 ET(c adj)<\/h3>\n
M\u00e9todos tradicionales para medir la evapotranspiraci\u00f3n<\/h2>\n
![\"M\u00e9todos](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/06\/Traditional-Methods-of-Measuring-Evapotranspiration.png?resize=754%2C754&ssl=1\")
<\/p>\nFundamentos de la teledetecci\u00f3n para el monitoreo de ET<\/h2>\n
Principios f\u00edsicos clave que sustentan la estimaci\u00f3n de la evapotranspiraci\u00f3n mediante sat\u00e9lites<\/h3>\n
Fuentes de datos de teledetecci\u00f3n para la estimaci\u00f3n de la evapotranspiraci\u00f3n<\/h2>\n
1. Plataformas satelitales para la estimaci\u00f3n de ET<\/h3>\n
2. Observaciones de ET mediante UAV y drones<\/h3>\n
\n
Variables clave de teledetecci\u00f3n utilizadas en la monitorizaci\u00f3n de ET<\/h2>\n
![\"Variables](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/06\/Key-Remote-Sensing-Variables-Used-in-ET-Monitoring.png?resize=676%2C676&ssl=1\")
<\/p>\nModelos de estimaci\u00f3n de la evapotranspiraci\u00f3n<\/h2>\n
1. Modelos de balance energ\u00e9tico<\/h3>\n
2. Modelos de ET basados en \u00edndices de vegetaci\u00f3n<\/h3>\n
Productos ET basados en sat\u00e9lites disponibles para uso operativo<\/h2>\n
![\"Productos](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/06\/Satellite-Based-ET-Products-Available-for-Operational-Use.png?resize=751%2C751&ssl=1\")
<\/p>\nAplicaciones de la teledetecci\u00f3n<\/h2>\n
1. Riego de precisi\u00f3n y gesti\u00f3n del agua en los cultivos<\/h3>\n
2. Sistemas de evaluaci\u00f3n y alerta temprana de sequ\u00edas<\/h3>\n
3. Gesti\u00f3n de los recursos h\u00eddricos a escala de cuenca<\/h3>\n
\n
4. Aplicaciones ambientales y ecol\u00f3gicas<\/h3>\n
Evaluaci\u00f3n de la precisi\u00f3n y validaci\u00f3n de productos de ET satelitales<\/h2>\n
\n
Desaf\u00edos en la monitorizaci\u00f3n de ET mediante teledetecci\u00f3n<\/h2>\n
Tecnolog\u00edas emergentes y futuro en la monitorizaci\u00f3n de ET<\/h2>\n
1. Inteligencia artificial, aprendizaje autom\u00e1tico y fusi\u00f3n de datos<\/h3>\n
2. Sat\u00e9lites t\u00e9rmicos de alta resoluci\u00f3n y constelaciones de CubeSat<\/h3>\n
3. Gemelos digitales para la gesti\u00f3n del agua<\/h3>\n
Software y herramientas para el monitoreo de ET<\/h2>\n
Estudios de caso para el monitoreo de ET mediante teledetecci\u00f3n<\/h2>\n
1. Gesti\u00f3n del riego en regiones \u00e1ridas<\/h3>\n
2. Agricultura de precisi\u00f3n en diferentes tipos de cultivos<\/h3>\n
3. Contabilidad del agua a escala de cuenca hidrogr\u00e1fica<\/h3>\n
Mejores pr\u00e1cticas para seleccionar un m\u00e9todo de monitoreo de ET<\/h2>\n
Conclusi\u00f3n<\/h2>\n