Resumen
La humedad del suelo constituye una variable de gran relevancia en campos como la producción agrícola, el monitoreo de condiciones de sequía, la planificación del riego y la modelación climática. Si bien los sensores satelitales permiten obtener información a escala global, su resolución espacial resulta insuficiente para abordar problemáticas de carácter local. En este contexto, la presente investigación propuso un modelo estadístico multivariado capaz de vincular las mediciones de humedad superficial del suelo obtenidas en campo —en la cuenca del río Quindío, Colombia— con factores del entorno como la cobertura vegetal y las propiedades físicas del suelo. Los resultados indicaron que el índice de vegetación normalizado (NDVI), la temperatura del suelo y la fracción de arena constituyeron los predictores con mayor capacidad explicativa. Al integrar estos factores con imágenes SMAP_L2 de distintas resoluciones espaciales (1, 3, 9 y 36 km), se lograron estimaciones con mayor resolución que las disponibles únicamente a partir de los productos satelitales. Los coeficientes de regresión se obtuvieron mediante el método de mínimos cuadrados parciales (PLS), y el análisis de varianza confirmó la significancia estadística de todos los modelos ajustados (p = 0.0). El modelo construido con datos SMAP de 1 km alcanzó el mayor coeficiente de determinación (R² = 73%), seguido por el de 3 km (R² = 65%). Estos hallazgos respaldan la viabilidad de la técnica propuesta para estimar la humedad superficial del suelo a escala local, incorporando su variabilidad espacial y temporal.
Abstract
Soil moisture is a key variable in agricultural production, drought monitoring, irrigation planning, and climate modeling. Although satellite sensors provide global-scale information, their spatial resolution is often insufficient for local-scale analysis. In this study, a multivariate statistical model was developed to relate field-measured surface soil moisture in the Quindío River basin (Colombia) with environmental factors such as vegetation cover and soil physical properties. Results showed that the Normalized Difference Vegetation Index (NDVI), soil temperature, and sand fraction were the most explanatory predictors. By integrating these factors with SMAP_L2 satellite imagery at different spatial resolutions (1, 3, 9, and 36 km), predictions with higher spatial resolution than those available from satellite products alone were obtained. Regression coefficients were estimated using the Partial Least Squares (PLS) method, and analysis of variance confirmed statistical significance for all fitted models (p = 0.0). The model built with 1 km SMAP data achieved the highest coefficient of determination (R² = 73%), followed by the 3 km model (R² = 65%). These findings support the viability of the proposed technique for estimating surface soil moisture at the local scale, capturing its spatial and temporal variability.
31-39