Protocolo para automatizar la descarga de datos climáticos desde la nube y generar indicadores biometeorológicos para el monitoreo epidemiológico de cultivos

Contenido principal del artículo

Pablo Paccioretti
Franca Giannini-Kurina
Franco Suarez
Marcelo Scavuzzo
Mónica Balzarini
Vanina Alemandri
Brenda E. Gómez Montenegro

Resumen

Los datos climáticos derivados de imágenes o productos satelitales disponibles en la nube tienen gran cobertura en espacio y tiempo, buena precisión y, en general, son de libre acceso. Sin embargo, la obtención y descarga de variables climáticas a diferentes escalas se encuentra limitada por la falta de procedimientos computacionales estandarizados. El objetivo de este estudio fue desarrollar un código computacional que facilite el manejo de imágenes satelitales para obtención de variables climáticas en un dominio espaciotemporal. El producto ERA5 del servicio de Cambio Climático Copernicus fue usado como fuente de datos climáticos. El protocolo incluye la descarga desde la plataforma Google Earth Engine, con un código desarrollado en lenguaje R. Adiciona el preprocesamiento estadístico de los datos climáticos a escala quincenal y/o mensual. Combinando productos derivados de satélites con conocimiento agronómico sobre un cultivo, los datos climáticos pueden convertirse en variables biometeorológicas y usarse para el monitoreo espaciotemporal de cultivos. El proceso generado se validó superponiendo datos de variables biometeorológicas, en cada sitio de un estudio epidemiológico, sobre dos virus monitoreados por 15 años. El procedimiento puede aplicarse a otros productos satelitales que generan datos espaciales.

Detalles del artículo

Cómo citar
Protocolo para automatizar la descarga de datos climáticos desde la nube y generar indicadores biometeorológicos para el monitoreo epidemiológico de cultivos. (2023). AgriScientia, 40(1). https://doi.org/10.31047/1668.298x.v40.n1.39619
Sección
Comunicaciones

Cómo citar

Protocolo para automatizar la descarga de datos climáticos desde la nube y generar indicadores biometeorológicos para el monitoreo epidemiológico de cultivos. (2023). AgriScientia, 40(1). https://doi.org/10.31047/1668.298x.v40.n1.39619

Referencias

Aybar, C., Wu, Q., Bautista, L., Yali, R. y Barja, A. (2020). rgee: An R package for interacting with Google Earth Engine. Journal of Open Source Software, 5(51), 2272. https://doi.org/10.21105/joss.02272

Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D. y Moore, R. (2017). Google Earth Engine: Planetary- scale geospatial analysis for everyone. Remote Sensing of Environment, 202, 18–27. https://doi.org/10.1016/j.rse.2017.06.031

Gosling, S. N., Bryce, E. K., Dixon, P. G., Gabriel, K. M. A., Gosling, E. Y., Hanes, J. M., Hondula, D. M., Liang, L., Bustos Mac Lean, P. A., Muthers, S., Nascimento, S. T., Petralli, M., Vanos, J. K. y Wanka, E. R. (2014). A glossary for biometeorology. International Journal of Biometeorology, 58(2), 277–308. https://doi.org/10.1007/s00484-013-0729-9

Hu, Z., Hu, Q., Zhang, C., Chen, X. y Li, Q. (2016). Evaluation of reanalysis, spatially interpolated and satellite remotely sensed precipitation data sets in central Asia. Journal of Geophysical Research: Atmospheres, 121(10), 5648–5663. https://doi.org/10.1002/2016JD024781

Muñoz-Sabater, J., Dutra, E., Agustí-Panareda, A., Albergel, C., Arduini, G., Balsamo, G., Boussetta, S., Choulga, M., Harrigan, S., Hersbach, H., Martens, B., Miralles, D. G., Piles, M., Rodríguez-Fernández, N. J., Zsoter, E., Buontempo, C. y Thépaut, J.-N. (2021). ERA5-Land: a state-of-the-art global reanalysis dataset for land applications. Earth System Science Data, 13(9), 4349–4383. https://doi.org/10.5194/essd-13-4349-2021

Noce, S., Caporaso, L. y Santini, M. (2020). A new global dataset of bioclimatic indicators. Scientific Data, 7(1), 398. https://doi.org/10.1038/s41597-020-00726-5

Pebesma, E. (2022). stars: Spatiotemporal Arrays, Raster and Vector Data Cubes.

R Core Team. (2021). R: A Language and Environment for Statistical Computing (4.1.2). https://www.r-project.org/

Tennekes, M. (2018). tmap : Thematic Maps in R. Journal of Statistical Software, 84(6). https://doi.org/10.18637/jss.v084.i06

Ushey, K., Allaire, J. J. y Tang, Y. (2022). reticulate: Interface to “Python”.

Wickham, H. (2016). ggplot2: Elegant Graphics for Data Analysis. Springer-Verlag New York.

Wosula, E. N., Tatineni, S., Wegulo, S. N. y Hein, G. L. (2017). Effect of temperature on wheat streak mosaic disease development in winter wheat. Plant Disease, 101(2), 324–330. https://doi.org/10.1094/PDIS-07-16-1053-RE

Yim, Y. y Kira, T. (1975). Distribution of forest vegetation and climate in the Korean peninsula: I. distribution of some indices of thermal climate. Japanese Journal of Ecology, 25(2), 77–88. https://doi.org/10.18960/seitai.25.2_77