Sensores remotos y bases de datos meteorológicas para seguros

Transcripción

Sensores remotos y bases de datos
meteorológicas para seguros climáticos
paramétricos
Evaluación para América Latina
Reporte Final
Agosto 2015
Preparado para el Climate Insurance Fund
Preparado por eLEAF Competence Center
Sensores remotos y bases de datos meteorológicas para seguros climáticos paramétricos
Este estudio fue realizado por eLEAF para the Climate Insurance Fund
Los autores son Ernesto Bastidas-Obando, Rutger Kassies, Steven Wonink y Maurits Voogt.
Todos los derechos reservados, Agosto 2015.
Por favor, enviar preguntas o comentarios a [email protected]
2
Tabla de Contenido
Lista de tablas ......................................................................................................................................... 4
Lista de apéndices ................................................................................................................................... 5
Resumen ................................................................................................................................................. 6
1.
Introducción .................................................................................................................................... 7
2.
Sensores remotos y datos climáticos .............................................................................................. 8
2.1
Sensor único .......................................................................................................................... 11
2.2
Productos multisensores ...................................................................................................... 31
2.3
Proyectos asimilación de datos............................................................................................. 38
2.4
Estaciones terrestres............................................................................................................. 43
3.
Evaluación de proyectos y casos en LATAM ................................................................................. 46
4.
Conclusiones y recomendaciones ................................................................................................. 57
5.
Bibliografía .................................................................................................................................... 58
Apéndice 1 Selección de base de datos WMO ..................................................................................... 61
Apéndice 2 Agencias nacionales para datos meteorológicos ............................................................... 71
Apéndice 3 Diseminación de los datos ................................................................................................. 83
3
Lista de tablas
Tabla 2-1: Sinopsis de los datos disponibles ......................................................................................... 10
Tabla 2-2: Dual-frequency Precipitation Radar..................................................................................... 12
Tabla 2-3: GPM Microwave Imager ...................................................................................................... 13
Tabla 2-4: Precipitation Radar .............................................................................................................. 15
Tabla 2-5: TRMM Microwave Imager ................................................................................................... 16
Tabla 2-6: Végétation ............................................................................................................................ 17
Tabla 2-7: Enhanced Thematic Mapper + ............................................................................................. 18
Tabla 2-8: Operational Land Imager ..................................................................................................... 20
Tabla 2-9: Visible/Infrared Imager Radiometer Suite ........................................................................... 22
Tabla 2-10: Moderate Resolution Imaging Spectroradiometer ............................................................ 24
Tabla 2-11: Multi-angle Imaging Spectro-Radiometer.......................................................................... 26
Tabla 2-12: Advanced Scatterometer ................................................................................................... 28
Tabla 2-13: Advanced Space borne Thermal Emission and Reflection radiometer .............................. 29
Tabla 2-14: Integrated Multi-satellitE Retrievals for GPM.................................................................... 32
Tabla 2-15: Tropical Rainfall Measuring Mission .................................................................................. 34
Tabla 2-16: Near-real-time Ice and Snow Extent .................................................................................. 35
Tabla 2-17: Global Multi-sensor Automated Snow/Ice ........................................................................ 36
Tabla 2-18: Climate Hazards Group InfraRed Precipitation with Station data (CHIRPS) ...................... 37
Tabla 2-19: Goddard Earth Observing System Model .......................................................................... 39
Tabla 2-20: Modern-Era Retrospective analysis for Research and Applications .................................. 40
Tabla 2-21: European Centre for Medium-Range Weather Forecasts ................................................. 41
Tabla 2-22: Global Data Assimilation System (GDAS) ........................................................................... 42
Tabla 2-23: Global Historical Climatology Network – daily (GHCN-Daily) ............................................ 44
Tabla 2-24: Latin American Climate Assessment & Dataset (LACA&D) ................................................ 45
Tabla 3-1: Argentina – Precipitación para la industria lechera ............................................................. 47
Tabla 3-2: Argentina – NDVI para forraje.............................................................................................. 48
Tabla 3-3: Argentina – Precipitación para algodón............................................................................... 49
Tabla 3-4: Honduras – Nicaragua – Precipitación para café ................................................................. 50
Tabla 3-5: México – NDVI para pasturas ............................................................................................... 51
Tabla 3-6: México – Precipitación para cultivos y pasturas .................................................................. 52
Tabla 3-7: Perú – Precipitación para cultivos........................................................................................ 53
Tabla 3-8: Uruguay – Temperatura del aire para arroz ........................................................................ 54
Tabla 3-9: Uruguay – Precipitación para cultivos ................................................................................. 55
Tabla 3-10: Uruguay – NDVI para pasturas ........................................................................................... 56
4
Lista de apéndices
Tabla A- 1: Selección de base de datos ................................................................................................. 61
Tabla A- 2: Argentina – Servicio Meteorológico Nacional .................................................................... 71
Tabla A- 3: Bolivia – Servicio Nacional de Meteorología e Hidrología .................................................. 71
Tabla A- 4: Brasil – Instituto Nacional de Meteorología ....................................................................... 72
Tabla A- 5: Chile-Dirección Meteorológica de Chile ............................................................................. 73
Tabla A- 6: Colombia- Instituto de Hidrología, Meteorología y Estudios Ambientales ........................ 74
Tabla A- 7: Costa Rica – Instituto Meteorológico Nacional .................................................................. 75
Tabla A- 8: República Dominicana - Oficina Nacional de Meteorología ............................................... 75
Tabla A- 9: Ecuador- Instituto Nacional de Meteorología e Hidrología ................................................ 76
Tabla A- 10: Guatemala – Instituto Nacional de Sismología, Vulcanología, Meteorología e Hidrología
.............................................................................................................................................................. 77
Tabla A- 11: Honduras - Servicio Meteorológico Nacional de Honduras.............................................. 77
Tabla A- 12: México - Comisión Nacional del Agua Servicio Meteorológico Nacional ......................... 78
Tabla A- 13: Nicaragua – Instituto Nicaragüense de Estudios Territoriales.......................................... 78
Tabla A- 14: Panamá - HIDROMET ........................................................................................................ 79
Tabla A- 15: Paraguay – Dirección de Meteorología e Hidrología ........................................................ 80
Tabla A- 16: Perú-Servicio Nacional de Meteorología e Hidrología...................................................... 81
Tabla A- 17: Salvador-Ministerio de Medio Ambiente y Recursos Naturales ....................................... 81
Tabla A- 18: Uruguay – Dirección Nacional de Meteorología ............................................................... 82
Tabla A- 19: Venezuela – Servicio de Meteorología de la aviación Militar Bolivariana ........................ 82
Tabla A- 20: Diseminación de los datos ................................................................................................ 83
5
Resumen
Este reporte presenta un inventario de las bases de datos meteorológicas y de sensores remotos
disponibles para América Latina. Para cada uno de los datos los criterios fueron definidos y
tabulados, lo que resultó en una descripción de 24 datos disponibles para generar información
paramétrica. Las tablas facilitan la comparación entre los datos e indican la información
meteorológica disponible por país. También se han incluido una descripción de los proyectos y casos
de uso de sensores remotos y datos meteorológicos para seguros climáticos en la región.
Sensores remotos y datos meteorológicos están jugado un rol importante en el desarrollo de
productos climáticos paramétricos para América Latina. La abundante información de estaciones
meteorológicas difiere por país y por este motivo dificulta su implementación. Datos provenientes
de sensores remotos y asimilación de datos ofrecen la oportunidad de generar una continuidad en
los datos en tiempo real que puede reducir las limitaciones de estaciones meteorológicas. La
correspondencia de datos provenientes de sensores remotos y asimilación de datos con parámetros
definidos necesitan de mayor investigación. Proyectos en la región se encuentran en el momento de
forma operacional y otros están en evaluación. La replicación de estos casos de éxito necesita de
mayor exposición en la región.
6
1. Introducción
Por algunas décadas los satélites se han utilizado para generar información sobre la superficie
terrestre. Esta información se ha utilizado en diferentes sectores e industrias y su tendencia va en
aumento en la medida que aumenta el número de satélites colocados en órbita. Por ejemplo, en
corto tiempo ESA Sentinel 2 entregara información detallada de la superficie con intervalos
periódicos cortos. Un sector que puede estar beneficiado con esta información es el sector de los
seguros. Seguros contra daños relacionados con el clima y pérdidas agrícolas representan un
componente significativo del mercado de las aseguradoras. Datos de variables climáticas y de
sensores remotos pueden tener un rol significativo en el desarrollo de productos climáticos
paramétricos. En este tipo de seguros se estructuran los pagos con base en un disparador del
evento; por ejemplo cuantificando como puede ser la magnitud de la reducción de la precipitación al
contrario del daño producido por esta variable. En este caso la cantidad de precipitación es un
estimativo del daño generado por la sequía. Esto ofrece la posibilidad de disminuir los costos de
transacción en el diligenciamiento de pólizas y la verificación del daño para efectuar el pago. Sin
embargo, la implementación de información proveniente de sensores remotos es limitada.
Actualmente se han desarrollado un buen número de proyectos piloto pero pocos se encuentran a
nivel comercial en el sector de los seguros.
El Climate Insurance Fund, iniciado por el gobierno alemán, se ha enfocado a mejorar el acceso y uso
de los seguros en los países en desarrollo. El objetivo específico del fondo es recudir la
vulnerabilidad de pequeñas empresas y familias con bajos recursos a condiciones climáticas
extremas. Seguros paramétricos climáticos pueden jugar un papel importante en logar estos
objetivos. Para poder conocer la disponibilidad de los datos meteorológicos y de sensores remotos,
el Climate Insurance Fund ha solicitado los servicios de eLEAF para desarrollar una evaluación de los
datos disponibles para América Latina. El objetivo de esta evaluación es realizar un inventario de los
datos disponibles provenientes de estaciones meteorológicas y de sensores remotos. Este inventario
es complementado con un listado de los proyectos y casos donde este tipo de información se ha
utilizado como parte de un producto de seguro climático paramétrico.
Una primera conclusión de esta evaluación es la existencia de un amplio número de datos climáticos
y sensores remotos para América Latina. Un buen número de satélites se encuentran orbitando la
tierra y en cada país existe un instituto midiendo, administrando y usando los datos climáticos. Sin
embargo, de estos datos no todos son relevantes o están disponibles. Por este motivo para
presentar un listado manejable dentro de la estructura de este reporte, se realizó una selección de
estos datos. Para los datos provenientes de sensores remotos nos enfocamos en los datos
comúnmente usados en estudios científicos o comercialmente. Para las bases de datos
meteorológicas el parámetro fue la accesibilidad a la información. No se ha evaluado la capacidad de
expresar el daño actual por condiciones climáticas. La pertinencia de estas bases de datos para el
desarrollo de seguros climáticos paramétricos está fuera del alcance de este proyecto. En práctica la
implementación de datos climáticos o de sensores remotos es escaza debido al reto de cuantificar el
daño con este método. En esta evaluación se lista un número de estudios que han tratado de utilizar
estas bases de datos en América Latina. Sin embargo, el número es limitado.
7
En el capítulo 2 se lista los datos seleccionados. El capítulo presenta una corta descripción de los
datos que se han incluido y sus características. Esta información esta descrita en formato similar. En
el capítulo 3 se describen proyectos y casos que ha incluido datos climáticos o de sensores remotos
para estructurar productos de seguros climáticos. Este componente se ha estructurado de la misma
forma del capítulo anterior, describiendo cada uso de los casos en la misma forma. El capítulo final
presenta las recomendaciones para la continuación del desarrollo de productos paramétricos en
seguro climáticos para América Latina con base en datos climáticos y de sensores remotos.
2. Sensores remotos y datos climáticos
En este capítulo se presentan los resultados del inventario de sensores remotos y datos climáticos
relevantes para productos de seguros climáticos en América Latina. El inventario de datos de
sensores remotos está enfocado en sensores que cuantifican y monitorean parámetros climáticos
como son la temperatura de la superficie terrestre y la precipitación. Adicionalmente, se han
incluido sensores que generan información para nieve y contenido de humedad en el suelo. Además
de los parámetros relacionados con el clima. Medidas directas del estado de la vegetación generan
información útil, por ejemplo para el desarrollo del cultivo y su productividad. Estas características
usualmente están relacionadas con la condiciones climáticas y puede ser un indicador directo del
estado (daño) actual de los cultivos. La respuesta de la vegetación puede ser monitoreada a través
de señores remotos con el Normalized Vegetation Index (NDVI - Índice de vegetación por diferencia
normalizada) y Leaf Area Index (LAI - Índice de Área Foliar). El NDVI es una medida del vigor de la
vegetación. LAI es una variable de la características del follaje. Por este motivo incluimos datos de
sensores remotos que pueden ser utilizados para estimar estas dos variables.
Los datos usualmente no provienen de una sola fuente y esta infromacion puede ser derivada de
más de un sensor (productos multisensores). Otros datos combinan medidas capturadas por medio
de satélites con datos capturados por métodos convencionales como son estaciones terrestres.
Adicionalmente, es posible que los datos resulten de modelos climáticos. Por este motivo en este
capítulo se hace una distinción en cuatro categorías de datos derivados de:




Sensores remotos captura sensor único;
Productos multisensores;
Modelos de asimilación;
Estaciones terrestres.
Modelos de asimilación describen procesos físicos de la atmosfera, superficie terrestre y marítima
con mediciones concretas. Estaciones terrestres miden información meteorológica puntual.
Usualmente, estas estaciones meteorológicos están distribuidas espacialmente dentro del país y son
administradas por los institutos de meteorología nacional.
La mayoría de datos considerados en este inventario no son medidas directas. Su resultado es
producto de una reinterpretación de las medidas de los sensores. Solo mediciones de temperatura o
8
la cantidad de precipitación pueden ser interpretadas directamente pero estas mediciones necesitan
ser recalculadas para áreas distantes de la estación terrestre. Los datos obtenidos a través de
sensores remotos siempre tienen que ser reinterpretados para obtener información relevante.
Generalmente se necesitan diferentes etapas de procesamiento para obtener el dato esperado.
La cantidad del procesamiento requerido para generar los datos usualmente tiene consecuencias en
la prontitud de disponibilidad de los datos. La mayoría de la información primaria es disponible a
pocos días después de ser medida. La reinterpretación de esta información toma mayor tiempo
antes de estar disponible. Productos multisensores y modelos de asimilación generalmente toman el
mayor número etapas de procesamiento con la consecuencia en el para la disponibilidad de los
datos.
Adicionalmente, operadores de satélite difieren de los procedimientos utilizados para la producción
de los datos. Algunos ofrecen productos desarrollados, como es el caso de Modos NDVI. Pero la
mayoría de los operadores de satélites solo ofrecen información primaria. De este modo son
necesarios especialistas para reinterpretar y calcular los datos deseados.
En las siguientes secciones de este capítulo, se genera un listado de datos de sensores remotos y
clima. Un resumen de estos datos es presentado en Tabla 2-1. En esta tabla un número de atributos
como son: inicio - final de los datos y número de tabla en el reporte son indicados para facilitar la
comparación y evaluación da la información. En apéndice 3 se presenta el medio de diseminación
para los datos de los datos.
9
Tabla 2-1: Sinopsis de los datos disponibles
Nombre
Sensor único
Dual-frequency Precipitation Radar (DPR)
GPM Microwave Imager (GMI)
Precipitation Radar (PR)
TRMM Microwave Imager (TMI)
Végétation (1 & 2)
Enhanced Thematic Mapper + (ETM+)
Operational Land Imager (OLI)
Visible/Infrared Imager Radiometer Suite
(VIIRS)
Moderate Resolution Imaging
Spectroradiometer (MODIS)
Multi-angle Imaging Spectro-Radiometer
(MISR)
Advanced Scatterometer (ASCAT)
Advanced Space borne Thermal Emission
and Reflection radiometer (ASTER)
Productos multisensores
Integrated Multi-satellitE Retrievals for
GPM (IMERG)
Tropical Rainfall Measuring Mission
(TRMM)
Near-real-time Ice and Snow Extent
(NISE)
Global Multi-sensor Automated Snow/Ice
(GMASI)
Climate Hazards Group InfraRed
Precipitation with Station data (CHIRPS)
Asimilación de datos
Goddard Earth Observing System Model,
Version 5 (GEOS-5)
Modern-Era Retrospective analysis for
Research and Applications (MERRA)
ECMWF Re-analysis (ERA-Interim)
Global Data Assimilation System (GDAS)
Estaciones terrestres
Global Historical Climatology Network –
Daily (GHCN-daily)
Latin American Climate Assessment &
Dataset (LACA&D)
Inicio
Final
Tabla reporte
2014
2014
1997
1997
1998
Tabla 2-2
Tabla 2-3
2014
2017
2017
2015 (Finaliza)
2015 (Finaliza)
2015 (Finaliza)
2015 (en
desarrollo)
2018
2012
2038
1999
1999
1999
2006
1999
2015 (en
desarrollo)
2015 (en
desarrollo)
2024
2015 (en
desarrollo)
2014
en desarrollo
2000
en desarrollo
1995
en desarrollo
2006
en desarrollo
1981
en desarrollo
2012
en desarrollo
1979
en desarrollo
1979
2000
en desarrollo
en desarrollo
País
específico
País
específico
en desarrollo
en desarrollo
10
Tabla 2-4
Tabla 2-5
Tabla 2-6
Tabla 2-7
Tabla 2-8
Tabla 2-9
Tabla 2-10
Tabla 2-11
Tabla 2-12
Tabla 2-13
Tabla 2-14
Tabla 2-15
Tabla 2-16
Tabla 2-17
Tabla 2-18
Tabla 2-19
Tabla 2-20
Tabla 2-21
Tabla 2-22
Tabla 2-23
Tabla 2-24
2.1
Sensor único
En esta sección nos referimos a sensores en vez de satélites. El sensor es el instrumento que realiza
la medición que está montado en una plataforma (satélite) en órbita alrededor de la tierra.
Diferentes satélites pueden transportar el mismo sensor o múltiples sensores. El número de satélites
en órbita es elevado. La World Meteorological Organization (WMO) posee una base de datos
provenientes de satélites y sensores que están o han estado en órbita alrededor de la tierra (WMOOSCAR, 2015). Una primera selección de los sensores activos para este inventario fue basada en la
capacidad de transmitir datos relacionados con los parámetros climáticos y de vegetación. Esta
selección resulta en un listado de 171 sensores que puede ser encontrada en el apéndice 1. La
selección se basó en los siguientes parámetros:








Imagen óptica resolución media
Imagen óptica de alta resolución
Imágenes radiómetro, la exploración cónica
Radiómetro de resonancia, la exploración de ruta transversal
Escaneo espacial o no la exploración MW radiómetro
Radar de nubes y precipitación
Radar dispersometro
Radar imaging (SAR)
Una segunda selección consistió en los sensores mayormente citados en ámbito científico o utilizado
a nivel comercial. Esta selección se basó en la experiencia de eLEAF con su trabajo con datos
climáticos y de sensores remotos para fines agrícolas y el manejo del recurso hídrico. La descripción
de los sensores seleccionados puede encontrarse en las Tablas 2-2 a Tablas 2-13. En cada tabla se
describen los siguientes aspectos:










Nombre del sensor
Breve descripción
Satélite
Resolución temporal
Costo
Duración de misión
Tiempo de respuesta
Bandas medidas
Productos relevantes ofertados por el operador
Uso potencial del sensor para productos climáticos paramétricos
11
Tabla 2-2: Dual-frequency Precipitation Radar
Nombre:
Dual-frequency Precipitation Radar (DPR)
Breve descripción:
El DRP es un radar de precipitación capaz de generar información precisa de precipitación. Se espera que el DPR sea más
preciso que su predecesor TRMM, especialmente en la medida de llovizna y nieve en regiones de latitudes altas.
Agencia: NASA (DPR-PMM, 2015)
Satélites:
Sensor:
GPM Core Observatory
DPR
Resolución temporal:
Costos:
Aprox. 5 días
Sin costo
Duración de misión:
Tiempo de respuesta:
Marzo 2014 – 2017
1 día
Bandas medidas/canales medidos:
Frecuencia
Banda
Amplitud
Res. espacial
SNR /Sensitividad
13.6 Ghz
Ku
245
aprox 5 km
0.5 mm/h
35.5 Ghz
Ka
120
aprox 5 km
0.2 mm/h
Productos relevantes ofertados por el operador:
3-DPR: DPR Promedios de precipitación
Producto
Resolución espacial
Res. Temp.
Observaciones
Diaria
Tiempo de
respuesta
Diaria
Promedios de
precipitación
Promedios de
precipitación
Promedios de
precipitación
Promedios de
precipitación
0.25°
5°
Diaria
Diaria
Grilla, 70°N-70°S, Marzo 2014 a presente
0.25°
Mensual
Mensual
5°
Diaria
Mensual
Este sensor es utilizado en el producto multisensor IMERG.
Este tipo de sensor puede ser utilizado para:
Intensidad de precipitación en la superficie (liquida o solida)
Precipitación acumulada (durante 24 h)
12
Tabla 2-3: GPM Microwave Imager
Nombre:
Breve descripción:
El instrumento Global Precipitation Measurement (GPM) Microwave Imager (GMI) es un sensor multi-canal, de apertura
cónica con ondas radiométricas sirviendo un rol esencial en la cobertura y frecuencia global de los requerimientos de GPM.
La instrumentación permite al núcleo del satélite servir tanto como en modo de precipitación o como radiométrico para los
restantes instrumentos a bordo del GPM.
Agencia: NASA (GMI, 2015)
Satélites:
Sensor:
GPM Core Observatory
GMI
Costo:
Aprox. 2 días
Sin costo
Duración misión:
Marzo 2014 – 2017
Diaria
Frecuencia (GHz)
Long. banda (MHz)
Polarización
SR / Sensitividad
Res. espacial
10.65
100
V
0.96 K
12 x 13.4 km
10.65
100
H
0.96 K
12 x 13.4 km
18.7
200
V
0.84 K
6 x 13.4 km
18.7
200
H
0.84 K
6 x 13.4 km
23.8
400
V
1.05 K
6 x 13.4 km
36.5
1000
V
0.65 K
6 x 13.4 km
36.5
1000
H
0.65 K
6 x 13.4 km
89
6000
V
0.57 K
3 x 13.4 km
89
6000
H
0.57 K
3 x 13.4 km
166
4000
V
1.5 K
3 x 13.4 km
166
4000
H
1.5 K
3 x 13.4 km
183.31 ± 7
2000
V
1.5 K
3 x 13.4 km
183.31 ± 3
2000
V
1.5 K
3 x 13.4 km
Franja escaneada: 850 km
Este sensor es también utilizado en el multisensor IMERG.
3-GPROF: GMI promedio de precipitación
Producto
Res.
espacial
Promedio de
0.25°
precipitación
Promedio de
0.25°
precipitación
Res.
temporal
Diaria
Tiempo de
respuesta
Diaria
Mensual
Mensual
13
Observaciones
Grilla, 90°N-90°S, Marzo 2014 a
presente
Grilla, 90°N-90°S, Marzo 2014 a
presente
Cobertura de nieve
Intensidad de precipitación en la superficie (liquida y sólida)
Humedad del suelo en la superficie
14
Tabla 2-4: Precipitation Radar
Nombre:
Breve descripción:
El Precipitation Radar fue el primer instrumento espacial diseñado para generar mapas tridimensionales de la estructura de
las tormentas. Estas medidas generan una información invaluable de la intensidad y distribución de la precipitación, tipo de
precipitación, profundidad de la tormenta y la altura en la cual la nieve se derrite en lluvia.
Agencia: JAXA (PR-TRMM, 2015)
Satélites:
Sensor:
TRMM
PR
Costos:
Aprox. 1 o 2 días
Sin costo
1997 – 2015
1 Día
Frecuencia
13.8 Ghz
Amplitud
de escaneo
215
Res. espacial
SNR /Sensitividad
4.3 km
0.7 mm/h
Un producto combinado con el sensor TMI:
Producto
Res. espacial Res. temporal
Perfil combinado de precipitación (PR, TMI) 5 km
Orbital, 16 por
día
Orbital, 16 por
día
Orbital, 16 por
día
Este sensor es también utilizado en el producto multisensor TRMM.
15
Tiempo de
respuesta
3 horas
2 días
5 días
Observaciones
Disponible pasados ~7 días
después de captura
Disponible pasados ~7 días
después de captura
Orbital (Lat 38°N-S, 7 dic
1997 a presente)
Tabla 2-5: TRMM Microwave Imager
Nombre:
Breve descripción:
El Tropical Rainfall Measuring Mission’s (TRMM) Microwave Imager (TMI) es un sensor de micro-ondas pasivo diseñado
para generar información cuantitativa de la precipitación para un extensa amplitud de escaneo en el satélite TRMM. Por
medio de medidas de la cantidad de energía emitida por la superficie terrestre y su atmosfera. TMI es capaz de
cuantificar la presión de vapor, el contenido de agua en las nubes y la intensidad de precipitación en la atmosfera.
Agencia: NASA (TMI-TRMM, 2015)
Satélites:
Sensor:
TRMM
TMI
Costo:
Aprox. 1 o 2 días
Sin costo
1997 – 2015
1 Day
Bandas medidas/ canales medidos:
Frecuencia (GHz)
Polarización
SR / Sensitividad
Res. espacial
10.65
Ancho de banda
(MHz)
100
V
0.6 K
9.2 x 13.7 km
10.65
100
H
0.6 K
9.2 x 13.7 km
19.35
500
V
0.7 K
9.2 x 13.7 km
19.35
500
H
0.7 K
9.2 x 13.7 km
21.3
200
V
0.9 K
9,2 x 13.7 km
37
2000
V
0.4 K
9.2 x 13.7 km
37
2000
H
0.4 K
9.2 x 13.7 km
85.5
3000
V
0.7 K
4.6 x 13.7 km
85.5
3000
H
0.7 K
4.6 x 13.7 km
Amplitud de barrido: 760 km
Producto
Res. espacial
Res. temporal
Tiempo de respuesta
Observaciones
Perfil combinado de
precipitación (PR, TMI)
Perfil combinado de
Perfil combinado de
5 km
Orbital, 16 por
día
Orbital, 16 por
día
Orbital, 16 por
día
3 horas
Disponibilidad pasados ~7 días
después de captura
Disponibilidad pasados ~7 días
después de captura
Lat 38°N-S, 7 dic 1997 a presente
5 km
5 km
2 días
5 días
Este sensor es también utilizado en el producto multisensor TRMM.
Este tipo de sensor puede ser utilizado parar:
Cobertura de nieve
16
Tabla 2-6: Végétation
Nombre:
Breve descripción:
El principal objetivo de los sistemas "VEGETATION" son generar medidas precisas de características básicas del follaje de
la vegetación a modo operacional (VEGETATION, 2015).
Satélites:
Sensor:
SPOT-4, SPOT-5
Végétation
Costo:
Aprox. 1 día
Ver tabla abajo
Duración misión:
1998 - 2015
Aprox. 1 semana
Longitud de onda
Amplitud de escaneo Res. espacial
SR / Sensitividad
0.430 - 0.470 µm
2200 km
1.15 km
0.003
0.610 - 0.680 µm
2200 km
1.15 km
0.001 - 0.003
0.780 - 0.890 µm
2200 km
1.15 km
0.003
1.580 - 1.750 µm
2200 km
1.15 km
0.003
Productos relevante ofertados por el operador:
Producto
Res.
espacial
1000
Res. temporal
10 días (decadal)
Tiempo de
respuesta
Aprox. 7 días
Global 1 Day Synthesis of SPOT
VEGETATION Images (VGT-S1)
1000
1 día
Aprox. 7 días
Physical products of SPOT
VEGETATION (VGT-P)
1000
Orbital
Aprox. 7 días
Free S10 VEGETATION Products
(FreeS10)
1000
10 días (decadal)
Global 10 Days Synthesis of SPOT
VEGETATION Images (VGT-S10)
Observaciones
Datos con más de tres
meses
Costo:
Cobertura
< 1 millón km2
1-4 millón km²
Adicional millón km²
P and S-NDVI
€ 120
€ 135
€ 35
S1-Total and S10-NDVI € 160
€ 200
€ 35
S10-Total
€ 300
€ 35
€ 260
“Precio: Estándar producto 10 días con más de tres meses de antigüedad está disponible sin costo para cualquier
usuario”
http://www.vgt.vito.be/pages/catalogue.html (VGT-VITO, 2015)
Normalised Difference Vegetation Index (NDVI) Índice de vegetación por diferencia normalizada
Leaf Area Index (LAI) Índice de Área Foliar
17
Tabla 2-7: Enhanced Thematic Mapper +
Nombre:
Breve descripción:
Landsat representa la mayor colección de imágenes continua sobre la superficie terrestre proveniente de sensores
remotos. Cuatro décadas de imágenes generan una única fuente de información para entidades o personas trabajando
con agricultura, geología, silvicultura, cartografía, educación e investigación global.
Agencia USGS (Landsat, 2015)
Satélites:
Sensor:
Landsat-7
ETM+
Costo:
16 días
Sin costo
1999 - 2015
Aprox. 1 día
Longitud de onda
Intervalo
espectral
Res.
espacial
Amplitud SNR / sensitividad
de
escaneo
Low gain
High gain
0.48 µm
0.45 - 0.52 µm
30 m
180 km
36 @ 40 Wm2/sr/μm
130 @ 190 Wm2/sr/μm
0.56 µm
0.53 - 0.61 µm
30 m
180 km
37 @ 30 Wm2/sr/μm
167 @ 193.7 Wm2/sr/μm
0.66 µm
0.63 - 0.69 µm
30 m
180km
24 @ 21.7 Wm2/sr/μm 127 @ 149.6 Wm2/sr/μm
0.83 µm
0.78 - 0.90 µm
30 m
180 km
33 @ 13.6 Wm2/sr/μm 226 @ 149.6 Wm2/sr/μm
1.65 µm
1.55 - 1.75 µm
30 m
180 km
34 @ 4.0 Wm2/sr/μm
176 @ 31.5 Wm2/sr/μm
11.45 µm
10.4 - 12.5 µm
60 m
180 km
0.2 K @ 300 K
0.2 @ 320K
2.20 µm
2.09 - 2.35 µm
30 m
180 km
27 @ 1.7 Wm2/sr/μm
130 @ 11.1 Wm2/sr/μm
Panchromatic
0.50 - 0.90 µm
15 m
180 km
14 @ 22.9 Wm2/sr/μm 80 @ 156.3 Wm2/sr/μm
Tipo
Producto
Res. espacial
Res. temporal
Landsat Level 1 Standard
Data Products
L1T (corrección elevación
terreno)
Ver tabla arriba
16 días
Landsat Higher Level
Science Data Products
Reflectancia de la superficie
Ver tabla arriba
Índices espectrales*
30m
18
Tiempo de
respuesta
1 día
1 semana
16 días
1 semana
Índices disponibles:
- Normalized Difference Vegetation Index (NDVI) Índice de vegetación por diferencia normalizada
- Enhanced Vegetation Index (EVI) Índice de vegetación realzado
- Soil Adjusted Vegetation Index (SAVI) Índice de vegetación ajustado al suelo
- Modified Soil Adjusted Vegetation Index (MSAVI) Índice de vegetación ajustado al suelo modificado
- Normalized Difference Moisture Index (NDMI) Índice de humedad por diferencia normalizada
- Normalized Burn Ratio (NBR) Índice de quema normalizado
- Normalized Burn Ratio 2 (NBR2) Índice de quema normalizado 2
Desde Mayo 31 de 2003 son coleccionados y archivados como "SLC-off", debido a la falta de Scan Line Corrector. Esta
falta causa una perdida aproximada del 22% de la imagen. Las faltas son visibles en la mayoría de las imágenes.
Cobertura de nieve
Leaf Area Index (LAI) Índice de área foliar
Humedad del suelos en la superficie
Temperatura de la superficie
19
Tabla 2-8: Operational Land Imager
Nombre:
Breve descripción:
Landsat representa la mayor colección de imágenes continua sobre la superficie terrestre proveniente de sensores
remotos. Cuatro décadas de imágenes generan una única fuente de información para entidades o personas trabajando
con agricultura, geología, silvicultura, cartografía, educación e investigación global.
El 30 de Mayo de 2013 los datos del satélite Landsat 8 (lanzado como Landsat Data Continuity Mission - LDCM- en
Febrero 11, 2013) estuvieron disponibles. Como su antecesor, esta misión continua adquiriendo información de alta
cualidad que reúne los requerimientos científicos y operacionales de la NASA y USGS para observar los usos y cambios de
suelo en la superficie terrestre.
Agencia USGS (Landsat, 2015)
Satélites:
Sensor:
Landsat-8
OLI
Costo:
16 días
Sin costo
2014 - 2018
1 día
Longitud de onda
Intervalo
espectral
Amplitud
de
escaneo
Res.
espacial
443 nm
433 - 453 nm
30
185
482 nm
450 - 515 nm
30
185
565 m
525 - 600 nm
30
185
660 nm
630 - 680 nm
30
185
867 nm
845 - 885 nm
30
185
1650 nm
1560 - 1660 nm
30
185
2215 nm
2100 - 2300 nm
30
185
Panchromatic
500 - 680 nm
15
185
1375 nm
1360 - 1390 nm
30
185
20
SNR / sensitividad
Low signal
130 @ 40
Wm2/sr/μm
130 @ 40
Wm2/sr/μm
100 @ 30
Wm2/sr/μm
90 @ 22
Wm2/sr/μm
90 @ 14
Wm2/sr/μm
100 @ 4.0
Wm2/sr/μm
100 @ 1.7
Wm2/sr/μm
80 @ 23
Wm2/sr/μm
50 @ 6.0
Wm2/sr/μm
High signal
290 @ 190 Wm2/sr/μm
360 @ 190 Wm2/sr/μm
390 @ 194 Wm2/sr/μm
340 @ 150 Wm2/sr/μm
460 @ 150 Wm2/sr/μm
540 @ 32 Wm2/sr/μm
510 @ 11 Wm2/sr/μm
230 @ 156 Wm2/sr/μm
50 @ 6.0 Wm2/sr/μm
Tipo
Landsat Level 1 Standard
Data Products
Landsat Higher Level Science
Data Products
Producto
L L1T (terrain corrected)
Res. espacial
Res. temporal
Ver tabla arriba
16 días
Ver tabla arriba
30m
1 semana
16 días
Índices espectrales*
Índices disponibles:
- Normalized Difference Vegetation Index (NDVI) Índice de vegetación por diferencia normalizada
- Enhanced Vegetation Index (EVI) ) Índice de vegetación realzado
- Soil Adjusted Vegetation Index (SAVI) Índice de vegetación ajustado al suelo
- Modified Soil Adjusted Vegetation Index (MSAVI) Índice de vegetación ajustado al suelo modificado
- Normalized Difference Moisture Index (NDMI) Índice de humedad por diferencia normalizada
- Normalized Burn Ratio (NBR) ) Índice de quema normalizado
- Normalized Burn Ratio 2 (NBR2) Índice de quema normalizado 2
Cobertura de nieve
Humedad del suelos en la superficie
21
Tiempo de
respuesta
1 día
1 semana
Tabla 2-9: Visible/Infrared Imager Radiometer Suite
Nombre:
Visible/Infrared Imager Radiometer Suite (VIIRS)
Breve descripción:
Los datos VIIRS son utilizados para medir las propiedades de las nubes y los aerosoles, color del océano, temperatura de
la superficie, movimiento de hielo y cambio de temperatura, fuegos y albedo de la superficie. Climatólogos usan VIIRS
para entender el cambio climático.
Agencia NASA (VIIRS, 2015)
Satélites:
Sensor:
Actual:
Suomi-NPP
VIIRS
Planeado:
DWSS-1, DWSS-2, JPSS-1, JPSS-2, JPSS-3, JPSS-4,
Costo:
Aprox. 1 día
Sin costo
2012 - 2038
Aprox. 1 día
Canales radiométricos
Longitud de onda
Ancho de onda
Ganancia
Low gain
20 nm
Res.
espacial
750
412 nm
352 @ 45 W/m2/sr/µm
316 @ 155 W/m2/sr/µm
445 nm
18 nm
750
380 @ 40 W/m2/sr/µm
409 @ 146 W/m2/sr/µm
488 nm
20 nm
750
416 @ 32 W/m2/sr/µm
414 @ 123 W/m2/sr/µm
555 nm
20 nm
750
362 @ 21 W/m2/sr/µm
315 @ 90 W/m2/sr/µm
672 nm
20 nm
750
242 @ 10 W/m2/sr/µm
360 @ 68 W/m2/sr/µm
746 nm
15 nm
750
199 @ 9.6 W/m2/sr/µm
865 nm
39 nm
750
215 @ 6.4 W/m2/sr/µm
1240 nm
20 nm
750
101 @ 5.4 W/m2/sr/µm
1378 nm
15 nm
750
83 @ 6.0 W/m2/sr/µm
1610 nm
60 nm
750
342 @ 7.3 W/m2/sr/µm
2250 nm
50 nm
750
10 @ 0.12 W/m2/sr/µm
3.70 µm
0.18 µm
750
0.40 K @ 270 K
4.05 µm
0.155 µm
750
0.11 K @ 300 K
8.55 µm
0.30 µm
750
0.09 K @ 270 K
10.763 µm
1.00 µm
750
0.07 K @ 300 K
12.013 µm
0.95 µm
750
0.07 K @ 300 K
0.5 - 0.9 µm
750
6 @ 6.70 10-5 W/m2/sr/µm
Día/noche
0.7 µm
22
340 @ 33.4 W/m2/sr/µm
0.42 K @ 380 K
Canales de resolución alta
0.64 µm
0.60 - 0.68 µm
375
119 @ 22 W/m2/sr/µm
0.865 µm
0.845 - 0.884 µm
375
150 @ 25 W/m2/sr/µm
1.61 µm
1.58 - 1.64 µm
375
6 @ 7.3 W/m2/sr/µm
3.74 µm
3.55 - 3.93 µm
375
2.50 K @ 270 K
11.45 µm
10.5 - 12.4 µm
375
1.50 K @ 210 K
Amplitud de escaneo: 3000 km
Environmental Data Record (EDR):
Producto
VIIRS Land Surface Temperature EDR (VLSTO)
VIIRS Sea Surface Temperature EDR (VSSTO)
VIIRS Snow Cover/Depth Binary Map EDR (VSCMO)
VIIRS Snow Cover/Depth Snow Fraction EDR (VSCDO)
VIIRS Vegetation Index EDR (VIVIO)
Sensor Data Record (SDR):
Por banda de radiación / temperatura de cuerpo negro
Normalized Difference Vegetation Index (NDVI) Índice de vegetación por diferencia normalizada
Cobertura de nieve
Temperatura de la superficie del mar
23
Tabla 2-10: Moderate Resolution Imaging Spectroradiometer
Nombre:
Moderate Resolution Imaging Spectroradiometer (MODIS)
Breve descripción:
El espectroradiómetro MODIS abordo de dos satélites Terra y Aqua cubre la superficie terrestre cada 1 o 2 días,
adquiriendo información en 36 bandas espectrales o grupos de longitudes de onda. (ver especificaciones técnicas de
MODIS). Estos datos van a mejorar nuestro conocimiento de la dinámica global y procesos que ocurren en la superficie
terrestre, los océanos y en la atmosfera. MODIS está jugando un papel importante en el desarrollo de información
validada a nivel global, modelos que permiten simulaciones de cambio climático para la toma de decisiones en la
protección del medio ambiente.
Agencia NASA (MODIS, 2015)
Satélites:
Sensor:
Aqua, Terra
MODIS
Costo:
Aprox. 1 día
Sin costo
1999 - 2015
Aprox. 1 día
Longitud de onda
Ancho de onda
Res. espacial
SNR / sensitividad
645 nm
50 nm
250 m
128 @ 21.8 W/m2/sr/µm
858 nm
35 nm
250 m
201 @ 24.7 W/m2/sr/µm
469 nm
20 nm
500 m
243 @ 35.3 W/m2/sr/µm
555 nm
20 nm
500 m
228 @ 29.0 W/m2/sr/µm
1240 nm
20 nm
500 m
74 @ 5.4 W/m2/sr/µm
1640 nm
24 nm
500 m
275 @ 7.3 W/m2/sr/µm
2130 nm
50 nm
500 m
110 @ 1.0 W/m2/sr/µm
412 nm
15 nm
1000 m
880 @ 44.9 W/m2/sr/µm
443 nm
10 nm
1000 m
838 @ 41.9 W/m2/sr/µm
488 nm
10 nm
1000 m
802 @ 32.1 W/m2/sr/µm
531 nm
10 nm
1000 m
754 @ 27.9 W/m2/sr/µm
551 nm
10 nm
1000 m
750 @ 21.0 W/m2/sr/µm
667 nm
10 nm
1000 m
910 @ 9.5 W/m2/sr/µm
678 nm
10 nm
1000 m
1087 @ 8.7 W/m2/sr/µm
748 nm
10 nm
1000 m
586 @ 10.2 W/m2/sr/µm
870 nm
15 nm
1000 m
516 @ 6.2 W/m2/sr/µm
905 nm
30 nm
1000 m
167 @ 10.0 W/m2/sr/µm
936 nm
10 nm
1000 m
57 @ 3.6 W/m2/sr/µm
940 nm
50 nm
1000 m
250 @ 15.0 W/m2/sr/µm
1375 nm
30 nm
1000 m
150 @ 6.0 W/m2/sr/µm
3.750 µm
0.180 µm
1000 m
0.05 K @ 0.45 W/m2/sr/µm
3.959 µm
0.060 µm
1000 m
2.00 K @ 2.38 W/m2/sr/µm
3.959 µm
0.060 µm
1000 m
0.07 K @ 0.67 W/m2/sr/µm
24
4.050 µm
0.060 µm
1000 m
0.07 K @ 0.79 W/m2/sr/µm
4.515 µm
0.165 µm
1000 m
0.25 K @ 0.17 W/m2/sr/µm
4.515 µm
0.067 µm
1000 m
0.25 K @ 0.59 W/m2/sr/µm
6.715 µm
0.360 µm
1000 m
0.25 K @ 1.16 W/m2/sr/µm
7.325 µm
0.300 µm
1000 m
0.25 K @ 2.18 W/m2/sr/µm
8.550 µm
0.300 µm
1000 m
0.25 K @ 9.58 W/m2/sr/µm
9.730 µm
0.300 µm
1000 m
0.25 K @ 3.69 W/m2/sr/µm
11.030 µm
0.500 µm
1000 m
0.05 K @ 9.55 W/m2/sr/µm
12.020 µm
0.500 µm
1000 m
0.05 K @ 8.94 W/m2/sr/µm
13.335 µm
0.300 µm
1000 m
0.25 K @ 4.52 W/m2/sr/µm
13.635 µm
0.300 µm
1000 m
0.25 K @ 3.76 W/m2/sr/µm
13.935 µm
0.300 µm
1000 m
0.25 K @ 3.11 W/m2/sr/µm
14.235 µm
0.300 µm
1000 m
0.35 K @ 2.08 W/m2/sr/µm
Amplitud de escaneo: 2230 km
El sensor captura radiancia /temperatura de cuerpo negro en las resoluciones descritas arriba.
Productos derivados también disponibles son:
Productos
Res. espacial
Res.
temporal
Tiempo de
respuesta
Land Surface Temperature & Emissivity
1000m
Orbital
Aprox. 1 día
Leaf Area Index - FPAR
1000m
1 día
Aprox. 1 día
Surface Reflectance Bands 1–7
500/1000m
1 día
Aprox 1 día
Surface Reflectance Bands 1–2
250m
1 día
Aprox 1 día
Land Surface Temperature & Emissivity
1000m
1 día
Aprox 1 día
Vegetation Indices (NDVI, EVI)
250m
1 día
Aprox 1 día
Leaf Area Index - FPAR
1000m
1 día
Aprox 1 día
Gross Primary Productivity
1000m
1 día
Aprox 1 día
Net Primary Productivity
1000m
1 día
Aprox 1 día
Vegetation Continuous Cover
250m
1 día
Aprox 1 día
250m
1 día
Aprox 1 día
Vegetation Continuous Fields
Temperatura de la superficie del mar
Cobertura de nieve
25
Tabla 2-11: Multi-angle Imaging Spectro-Radiometer
Nombre:
Multi-angle Imaging Spectro-Radiometer (MISR)
Breve descripción:
Este sensor es capaz de generar imágenes en cuatro bandas espectrales a partir de nueve ángulos. MISR provee cobertura
global con gran detalle de cobertura. Sus imágenes son cuidadamente calibradas para generar medidas precisas de brillo,
contraste y color o reflectancia de la energía reflectada.
MIRS provee nuevos tipo de información para los científicos estudiando la superficie terrestre, como la partición de la
energía y carbono entre la superficie terrestre y la atmosfera, los impactos regional y global de diferentes tipos de
partículas atmosféricas y nubes en el clima. El cambio en reflectancia para los diferentes ángulos de observación permiten
distinguir diferentes tipos de partículas atmosféricas (aerosoles), formas de nubes y cobertura de la superficie. Esta
información combinada con técnicas estereoscópicas permite la construcción de modelos 3-D y la cantidad total de
energía reflectada por la superficie terrestre.
Agencia NASA (MISR,2015)
Satélites:
Sensor:
Terra
MISR
Costo:
Aprox. 7 días
Sin costo
1999 - 2015
Ver tabla abajo
Longitud de onda
Ancho de onda Res. espacial
SNR / sensitividad
446.4 nm
41.9 nm
250m nadir, 275 off-nadir
300 @ 179 W/m2/sr/μm
557.5 nm
28.6 nm
620 @ 177 W/m2/sr/μm
671.7 nm
21.9 nm
650 @ 146 W/m2/sr/μm
866.4 nm
39.7 nm
740 @ 93 W/m2/sr/μm
Existen nueve sensores midiendo las longitudes de onda descritas anteriormente. El sensor está midiendo en diferentes
ángulos: 0 , 26.1, 45.6, 60.0 and 70.5 grados
Amplitud de barrido 380 km
Producto
Res. espacial
Res. temporal
Tiempo de respuesta
Nivel 1 - Georectified Radiance Product
Amplitud de barrido
(ver tabla arriba)
Amplitud de barrido
(ver tabla arriba)
Orbital (aprox. 7
días)
Orbital (aprox. 7
días)
3 horas (tiempo casi real)
Nivel 2 - MISR Land Surface Data
- Bihemispherical and directional-hemispherical
reflectance (albedo)
- Hemispherical directional and bidirectional
reflectance factor (BRF)
- BRF model parameters
Primer barrido:
Final: 3 meses
- Leaf-area index (LAI)
26
- Fraction of photosynthetically active
radiation (FPAR)
- Normalized difference vegetation index
on a 1.1 km grid
Nivel 3 - Global Land Surface Product
0.5° grid
Diario
- Normalized Difference Vegetation Index
Primer barrido:
Final: 3 meses
- DHR Photosynthetically Active Radiation (PAR)
- Leaf Area Index
- Average of Directional Hemispheric Reflectance
(DHR)
- Fractional absorbed PAR
27
Tabla 2-12: Advanced Scatterometer
Nombre:
Breve descripción:
Este es uno de la nueva generación de instrumentos instalados en MetOp y puede ser utilizado para determinar la
información acerca del viento para su uso primario en predicciones climáticas y en investigaciones relacionadas con el
clima. Datos de ASCAT puede ser utilizado para aplicaciones en áreas como es el monitoreo de la superficie terrestre y
hielo, cobertura de nieve y humedad del suelo.
ASCAT utiliza radar para medir la rugosidad del viento sobre la superficie de los océanos, la cual se utiliza para derivar la
velocidad del viento y dirección.
Agencia ESA (ASCAT,2015)
Satélites:
Sensor:
Metop-A (Pasado)
Metop-B (Actual)
Metop-C (Planeado)
ASCAT
Costo:
Aprox. 1.5 días
Sin costo
Duración misión:
2006 - 2024
Aprox. 1 día
Frecuencia
Amplitud de escaneado
Res. espacial
Res. temporal
5.255 GHz (C-band)
2x 550 con 700km de espacio
12.5km
Orbital (aprox. 1.5 días)
Producto
Res. espacial
Res. temporal
Tiempo de respuesta
Soil Water Index (SWI)
25.0 km
Diario
Aprox. 1 día
ASCAT Soil Moisture (%)
12.5 km
Orbital (1.5 días)
Aprox. 1 día
ASCAT Soil Moisture (%)
25.0 km
Orbital (1.5 días)
Aprox. 1 día
http://navigator.eumetsat.int/discovery/
Humedad del suelo (in la zonas de raíces)
Cobertura de nieve
28
Tabla 2-13: Advanced Space borne Thermal Emission and Reflection radiometer
Nombre:
Advanced Space borne Thermal Emission and Reflection radiometer (ASTER)
Breve descripción:
ASTER es un sensor abordo del satélite Terra. ASTER es un sensor producido entre la NASA , el ministerio de economía,
negocios e industria del Japón y Japan Space Systems. ASTER es utilizado para generar información detallada de mapas
de la temperatura de la superficie, reflectancia y elevación.
Agencia NASA/METI (ASTER, 2015)
Satélites:
Sensor:
Terra
ASTER
Costo:
Aprox. 16 días (con capacidad e programación)
Sin costo en los Estados Unidos, tasa comercial fuera de este
país.
1999 - 2015
Longitud de onda
Intervalo espectral
Res. espacial
SNR / sensitividad
0.56 µm
0.52-0.60 µm
15 m
140 @ 70% albedo
0.66 µm
0.63-0.69 µm
15 m
140 @ 70% albedo
0.81 µm
0.76-0.86 µm
15 m
140 @ 70% albedo
0.81 µm
0.76-0.86 µm
15 m
140 @ 70% albedo
Observación trasera
1.65 µm
1.60-1.70 µm
30 m
140 @ 70% albedo
Dañado desde Abril 2008
2.165 µm
2.145-2.185 µm
30 m
54 @ 70% albedo
2.205 µm
2.185-2.225 µm
30 m
54 @ 70% albedo
2.260 µm
2.235-2.285 µm
30 m
54 @ 70% albedo
2.330 µm
2.295-2.365 µm
30 m
70 @ 70% albedo
2.395 µm
2.360-2.430 µm
30 m
54 @ 70% albedo
8.30 µm
8.125-8.475 µm
90 m
0.3 K @ 300 K
8.65 µm
8.475-8.825 µm
90 m
0.3 K @ 300 K
9.10 µm
8.925-9.275 µm
90 m
0.3 K @ 300 K
10.60 µm
10.25-10.95 µm
90 m
0.3 K @ 300 K
11.30 µm
10.95-11.65 µm
90 m
0.3 K @ 300 K
Amplitud de escaneo 60km
29
Observaciones
Este tipo de sensor poder ser utilizado para:
Producto
Res. espacial
Res. temporal
1. ASTER level 1 products (products after applying the
standardized process of radiant quantity and geometric
correction)
2. Radiance of the Land Surface(2B01)
Ver tabla arriba
Orbital
Ver tabla arriba
Orbital
3. Earth Surface Temperature(2B03)
90m
Orbital
4. Emissivity of the Land Surface(2B04)
90m
Orbital
5. Reflectance of the Land Surface(2B05)
15m & 30m
Orbital
Normalized Difference Vegetation Index (NDVI) ) Índice de vegetación por diferencia normalizada
Cobertura de vegetación
30
2.2
Productos multisensores
Los productos multisensores combinan medidas de diferentes sensores para generar datos más
detallados. Estos productos son especialmente útiles para parámetros de variabilidad temporal
como es el caso de la precipitación o cobertura de nieve. Sin embargo, la desventaja de estos
productos es que los datos se basan de diferentes sensores, cada uno con una resolución espacial
diferente, tiempo de revisita e intervalo espectral. Esto hace que la cualidad de la información sea
ambigua debido al largo proceso que se necesita para generar la información y la incertidumbre que
cada paso en el proceso puede adicionar.
En las tablas 2-14 a 2-18, se describen productos multisensores para las mediciones de precipitación
y nieve. En cada tabla se presentan las siguientes especificaciones:









Nombre del producto
Descripción del producto
Cobertura geográfica
Instituto responsable por el producto
Variables medidas para productos de seguro climático
Datos disponibles
Tiempo de respuesta
Costo de los datos
Descripción de los datos disponibles
31
Tabla 2-14: Integrated Multi-satellitE Retrievals for GPM
Nombre:
Integrated Multi-satellitE Retrievals for GPM (IMERG)
Descripción del producto:
Sensores utilizados en la constelacion:








El instrumento Special Sensor Microwave Imager/Sounder (SSMIS) a bordo de los satelites U.S. Defense
Meteorological Satellite Program (DMSP)
El instrumento Advanced Microwave Scanning Radiometer-2 (AMSR-2) a bordo del satelite JAXA’s Global
Change Observation Mission - Water 1 (GCOM-W1)
El instrumento Multi-Frequency Microwave Scanning Radiometer (MADRAS) y el multi-channel microwave
humidity sounder (SAPHIR) a bordo del satelite Megha-Tropiques satellite provided por el Centre National
D’Etudies Spatiales (CNES) de France y el Indian Space Research Organisation (ISRO)
El instrumento Microwave Humidity Sounder (MHS) a bordo del satelite National Oceanic and Atmospheric
Administration (NOAA)-19 satellite
El instrumento MHS a bordo de los satelites MetOp puestos en órbita por la European Organisation for the
Exploitation of Meteorological Satellites (EUMETSAT)
El instrumento Advanced Technology Microwave Sounder (ATMS) abordo del National Polar-orbiting
Operational Environmental Satellite System (NPOESS) Preparatory Project (NPP)
El instrumento ATMS a bordo del futuro satelite NOAA-NASA Joint Polar Satellite System (JPSS)
Un sensor microondas desarrollado para la Defense Weather Satellite System (DWSS)
Cobertura geográfica:
Instituto / web link:
Global
NASA Precipitation Measurement Mission (IMERG, 2015)
Variables medidas:
Datos disponibles:
Precipitación
2014 - presente
Costo of data:
Ver tabla abajo
Sin costo
Descripción de los datos disponibles:
Los datos IMERG estan disponibles en diferentes formatos:
Res. espacial
Res. temporal
Rango histórico
Tiempo de respuesta
0.1°
30 minutos
Marzo 2014 to presente
6 horas (NRT / temprana)
0.1°
30 minutos
18 horas (NRT / tardia)
0.1°
30 minutos
4 meses (Prod / final)
0.1°
3 horas
Abril 2015 to presente
18 horas (NRT)
0.1°
1 día
Abril 2015 to presente
18 horas (NRT)
0.1°
1 mes
4 meses (Prod / final)
32
Los productos de 30 minutos incluye los siguientes campos:
Datos
Nombre variable
Unidades
snapshot precipitation – calibrated
precipitationCal
mm/hr
snapshot precipitation – uncalibrated
precipitationUncal
mm/hr
calibrated-precipitation random error
randomError
mm/hr
merged PMW precipitation
Hqprecipitation
mm/hr
PMW source sensor identifier
HQprecipSource
index values
PMW source time
HQobservationTime
min. into half hour
IR precipitation
Irprecipitation
mm/hr
Kalman filter weight for IR
IRkalmanFilterWeight
porcentaje
probability of liquid precipitation phase
probabilityLiquidPrecipitation
porcentaje
Datos
Nombre varaible
Unidades
satellite-gauge precipitation
precipitation
mm/hr
satellite-precipitation random error
randomError
mm/hr
gauge relative weighting
accumulation-weighted probability of liquid precipitation
phase
gaugeRelativeWeight
porcentaje
probabilityLiquidPrecipitation
porcentaje
Datos disponibles producto mensual:
Diferentes métodos de diseminación están disponibles como son: OpenDAP, Direct FTP y web tools.
33
Tabla 2-15: Tropical Rainfall Measuring Mission
Nombre:
Tropical Rainfall Measuring Mission (TRMM)
Los sensores utilizados se encuentran listados a continuación, los satélites utilizados por los sensores se encuentran
entre paréntesis.
SSM/I (DMSP F13, DMSP F14, DMSP F15)
SSMIS (DMSP F16, DMSP F17, DMSP F18)
AMSU-B (NOAA-15, NOAA-16, NOAA-17)
MHS (NOAA-18, NOAA-19, MetOp-A, MetOp-B)
TMI (TRMM)
En adición a los sensores listados anteriormente, otro producto multisensor es utilizado de entrada, el “Globally Merged
IR Data” de la división de la CPC de NOAA. Este producto fusiona los canales infrarrojos de diferentes satélites
geoestacionarios (GMs, GOES and Meteosat) en un consistente mapa global.
Ver tabla abajo
NASA Precipitation Measurement Mission (TRMM, 2015)
Variables medidas:
Datos disponibles:
Precipitación
2000 - presente
Costos de datos:
Ver tabla abajo
Sin costo
Producto
Res.
espacial
3-Hour Realtime TRMM Multi-satellite 0.25°
Precipitation Analysis
3B42 RT Derived Daily Product
0.25°
Res.
temporal
3 horas
Rango histórico
Mar 2000 – presente
Extensión
geográfica
60°N - 60°S
Tiempo de
respuesta
8 horas
1 Día
Mar 2000 – presente
50°N - 50°S
8 horas
3B42 RT Derived 10-Day Product
0.25°
Oct 2008 – presente
50°N - 50°S
8 horas
0.25°
10 Días
(década)
3 horas
3B42 Research Version (TRMM Multisatellite Precipitation Analysis)
3B42 Research Derived Daily Product
1998 – 2013
60°N - 60°S
Anual
0.25°
1 Día
Ene 1998 – presente
50°N - 50°S
2 meses
Diferentes métodos de diseminación están disponibles como son: OpenDAP, Direct FTP y web tools.
34
Tabla 2-16: Near-real-time Ice and Snow Extent
Nombre:
Near-real-time Ice and Snow Extent (NISE)
Descripción:
El producto Near-Real-Time Daily Global Ice Concentration and Snow Extent (NISE) ofrece mapas globales diarios en
tiempo casi real de concentraciones de hielo y cobertura de nieve. El National Snow and Ice Data Center (NSIDC) genera
el producto NISE utilizando microondas pasivas del sensor Special Sensor Microwave Imager/Sounder (SSMIS) a bordo
del satelite Defense Meteorological Satellite Program (DMSP) F17. El instrumento SSMIS es la próxima generación
Special Sensor Microwave/Imager (SSM/I). Estos datos no son adecuados para series temporales, anomalías o análisis de
tendencia.
Global
NSIDC (NSIDC, 2015).
Variables medidas:
Data disponibles:
Extensión de nieve
1995 - presente
Costo de los datos:
Aprox. 1 día
Sin costo
Estos datos se generan con una grilla con resolución espacial de 25km x 25km.
El producto contiene dos grillas para el hemisferio sur, una de datos y otra de tiempo. La grilla de datos contiene
información acerca:

Extensión de nieve

Concentración de hielo en el mar

Pixeles costeros
La extensión de nieve es definida en un código binario, con la ubicación de presencia de nieve o ausencia. Regiones
costeas son excluidas porque los algoritmos desarrollados en este producto no generan buenos resultados para lugares
que tiene una mezcla de superficie terrestre y cuerpos de agua.
La grilla de tiempo contiene el tiempo de los datos medidos. La mayoría de los veces hay una actualización pero debido
a las orbitas de los sensores utilizados esta puede tardar hasta cuatro días para regiones pequeñas en la grilla.
35
Tabla 2-17: Global Multi-sensor Automated Snow/Ice
Nombre:
Global Multi-sensor Automated Snow/Ice (GMASI)
Mapas globales de la cobertura de hielo y nieve son generados con la combinación de diferentes sensores operando en
el visible/ infrarrojo y en espectro de microondas. Observaciones satélites polares y geoestacionarias son incorporadas.
Sensor usado:
AVHRR (METOP, desde 2010)
AVHRR (NOAA-17, hasta 2010)
SEVIRI (MSG)
IMAGER (GOES-E)
IMAGER (GOES-W)
SSMIS (DMSP F-16)
SSMIS (DMSP F-17)
Global
NOAA NESDIS (NOAA-NESDIS, 2015)
Variables medidas:
Datos disponibles:
Extensión de nieve
2006 - presente
Costo de los datos:
Aprox. 1 día
Sin costo
Los datos están disponibles para una grilla global con una resolución espacial de 0.04° (aprox. 4km). La resolución
espacial es de 1 dia.
Los datos se distinguen entre cuatro categorías y valor de no dato. En la superficie se utilizan dos valores, ‘libre de nieve’
o ‘nieve’.
36
Tabla 2-18: Climate Hazards Group InfraRed Precipitation with Station data (CHIRPS)
Nombre:
Climate Hazards Group InfraRed Precipitation with Station data (CHIRPS)
CHIRPS es una base de datos de más de 30 años. El rango de operación es de 50°S-50°N (y todas las longitudes),
empezando en 1981 hasta el presente. CHIRPS incorpora una resolución espacial de 0.05° con una estación in-situ para
crear una grilla de precipitación para los análisis temporales y monitoreo del a sequia durante el tiempo.
CHIRPS es una mezcla de datos provenientes de sensores remotos, modelos y datos provenientes de estaciones
terrestres.
Entre 50°S and -50°N latitud
Climate Hazards Group (CGC, 2015)
Variables medidas:
Datos disponibles:
Precipitación
1981 - presente
Costo de los datos:
Preliminar:
Final: 3 a 7 semanas
Sin costo
Los datos están disponibles para una grilla global con una resolución de of 0.05° (aprox. 5km). La resolución temproral
mínima es de 1 día pero también hay la posibilidad de agregaciones a mayores intervalos de tiempo.
Los datos solo están disponibles para la superficie continental.
37
2.3
Proyectos asimilación de datos
Asimilación de datos es una técnica donde se modelan los procesos físicos de la atmosfera, la
superficie terrestre y océanos con el uso de mediciones puntuales para producir una imagen
coherente a gran escala. El modelo es ajustado a modo que se disminuye la desviación de las
mediciones. Algunas veces este proceso se desarrolla en un estado inicial para la generar datos
históricos (reanálisis) o predicciones de variables. El beneficio de utilizar este tipo de modelos es la
cantidad de mediciones disponibles que de otro modo son difíciles de implementar por su diferencia
en los métodos de captura.
La entrada de los datos para el modelo consiste de mediciones meteorológicas, boyas de captura de
información, radiosondas, satélites y reportes aéreos o de navegación, entre otros. La salida de los
modelos es siempre con intervalos regulares para una grilla definida; lo que facilita su comparación
con medidas individuales. Una desventaja de estos productos es el nivel de precisión de los modelos
usados para describir los procesos físicos. Por ejemplo, modelos actuales tiene problemas en
generar una representación precisa de los procesos físicos como es el caso de convección, la cual
resulta en mayores incertidumbres cuando se trata de modelar precipitación convectiva cuando es
comparada con otras salidas como es el caso de la velocidad del viento.
En las tablas 2-19, 2-20, 2-21 y 2-22, se presentan los cuatro proyectos de asimilación más
importantes. Cada tabla contiene la siguiente información:








Nombre del proyecto
Cobertura geográfica
Instituto responsable por el proyecto
Variables medidas
Disponibilidad de los datos
Tiempo de respuesta
Costo de los datos
Descripción del os datos disponibles
38
Tabla 2-19: Goddard Earth Observing System Model
Nombre:
Goddard Earth Observing System Model, Version 5 (GEOS-5)
Global
NASA Global Modeling and Assimilation Office (GMAO)
(GMAO, 2015)
Variables medidas:
Datos disponibles:
Temperatura del aire (2m)
Velocidad del viento U/V (10m)
Precipitación
Cobertura de nieve
2012 a presente
Costo de los datos:
Aprox. 1 día
Sin costo
Los datos están disponibles en una grilla global con una resolución de 0.25° x 0.333° (lat/lon).
La resolución temporal es 1 hora para productos bidimensionales (parámetros de la superficie) o 3 horas para productos
tridimensionales.
La diseminación es via FTP, OpenDap o descarga web.
39
Tabla 2-20: Modern-Era Retrospective analysis for Research and Applications
Nombre:
Modern-Era Retrospective analysis for Research and Applications (MERRA)
Global
NASA Global Modeling and Assimilation Office (GMAO)
(GMAO, 2015)
Variables medidas:
Datos disponibles:
Velocidad el viento U/V (10m)
Precipitación
Cobertura de nieve
1979 – presente
Costo de los datos:
Actualizado mensualmente y disponible entre 2 a 3
semanas después de finalizado el mes
Sin costo
Los datos disponibles son una grilla con una resolución de 0.5° x 0.666° (lat/lon) y para otros parámetros una grilla de
1.0° x 1.25°.
La resolución temporal es de 1 hora para parámetros bidimensionales (parámetros de la superficie) o 3 horas para
productos tridimensionales.
Diseminación via FTP, OpenDap o descarga web.
40
Tabla 2-21: European Centre for Medium-Range Weather Forecasts
Nombre:
Global
European Centre for Medium-Range Weather Forecasts
(ECMWF) (ERA, 2015)
Variables medidas:
Datos disponibles:
Precipitación
Cobertura de nieve
1979 - presente
Costo de los datos:
Aprox. 3 meses
Sin costo, licencia:
Acceso directo a la base de datos meteorológica de ECMWF
tiene un costo de £5,000 GBP/Año.
Los parámetros están disponibles en una grilla T255 (aprox. 80km).La resolución temporal es tres horas.
Los datos están disponibles en diferentes interfaces donde registro es requerido.
41
Tabla 2-22: Global Data Assimilation System (GDAS)
Nombre:
Global Data Assimilation System (GDAS)
Global
NOAA NCEP (GDAS, 2015)
Variables medidas:
Datos disponibles:
Cobertura de nieve
Precipitación
Contenido volumétrico del suelo
Archivo disponible de los últimos 16 días
Aprox. 12 horas
Sin costo
Costo de los datos:
Existen dos resoluciones disponibles, 0.25 y 1.0 grados con una temporabilidad de tres horas.
El archivo de 1.0 grados es disponibles desde Diciembre 2004 y puede ser encoentrado en NOAA Air Resources
Laboratory (ARL). El formato de los datos archivados es diferente a los operacionales.
https://www.ready.noaa.gov/gdas1.php
42
2.4
Las estaciones meteorológicas terrestres en América Latina son administradas por entidades
nacionales que son independientes o controlados por entidades gubernamentales. Las variables y
resolución temporal medidas difieren del tipo de estación. Estaciones meteorológicas terrestres
pueden clasificarse en convencionales y automáticas. En las estaciones convencionales los sensores
meteorológicos son leídos manualmente en intervalos diarios. En las estaciones automáticas los
sensores meteorológicos son almacenados en un registrador de datos o trasmitidos en tiempo casi
real en diferentes intervalos de tiempo. Los sensores instalados en las estaciones dependen del
propósito que la entidad le quiera dar a la estaciones.
A modo de hacer la información comparable entre los diferentes países, solo estaciones
convencionales y automáticas que miden temperatura del aire, humedad relativa, velocidad del
viento y precipitación son incluidas. Todos los datos están disponibles en intervalos diarios. En caso
que los datos se encuentre en intervalos más cortos, esto se ha incluido en la descripción de los
datos disponibles.
Una evaluación completa de los datos meteorológicos de estaciones terrestres fue desarrollada para
todos los países de América Latina. Para cada país se realizó un requerimiento via correo electrónico
al instituto responsable para esta información. Sin embargo, la respuesta a esta inquietud fue
diferente por instituto y por este motivo la información para cada país fue complementada con una
búsqueda directa a la página web de cada instituto. Basado en estas dos fuentes de información, los
siguientes parámetros fueron diligenciados por país:






Variables meteorológicas medidas en intervalos diarios
Número de estaciones meteorológicas operacionales
Tiempo de respuesta
Costo de los datos
Descripción de la disponibilidad de los datos, incluyendo una descripción de datos históricos
reportados
Descripción del uso actual de los datos
Los parámetros por país son descritos en el apéndice 2 e incluyen las tablas A-2 a A-19.
Adicionalmente, los institutos meteorológicos nacionales comparten información climática con
bases de datos globales como es el caso de Global Historical Climatology Network – Daily (GHCNDaily) o plataformas regionales como es la Latin American Climate Assessment & Data set
(LACA&D). La descripción de la GHCN-Daily y LACA&D son presentadas en las Tablas 2-23 y 2-24,
respectivamente.
43
Tabla 2-23: Global Historical Climatology Network – daily (GHCN-Daily)
Países incluidos en la base de datos:
Argentina
Bolivia
Brasil
Chile
Colombia
Costa Rica
República Dominicana
Ecuador
Guatemala
Honduras
México
Panamá
Perú
Uruguay
Venezuela
NOAA - NCDC (GHCN-daily, 2015)
Variables meteorológicas medidas en intervalos
diarios:
Número de estaciones meteorológicas operacionales:
Los elementos principales son:
La base de datos contiene datos de más de 75000 estaciones
en 180 países y territorios. La duración y periodo de captura
diaria difiere por estación.
Precipitación
Caída de nieve
Altura de nieve
Máxima temperatura
Minina temperatura
Costo de los datos:
La base de datos es reconstruida periódicamente
(usualmente durante el fin de semana)
Sin costo para propósito de investigación y no comercial
Durante la semana, las estaciones GHCN-Daily son
actualizados
Los datos o cualquier producto derivado no puede ser ofrecida
a otros usuarios o usado para servicios comerciales.
Datos del GHCN-Daily es disponible en archivos individuales en formatos ASCII y como archive TAR conteniendo
versiones comprimidas GZIP de los archivos individuales. Acceso a los datos puede lograrse con los siguientes dos
métodos:
FTP Access: ftp://ftp.ncdc.noaa.gov/pub/data/ghcn/daily/
HTTP Access: http://www1.ncdc.noaa.gov/pub/data/ghcn/daily/
Descripción del uso actual de los datos:
La base de datos GHCN-Daily se ha utilizado para generar: i) el archivo World Weather Extreme y ii) la grilla de anomalías
para temperaturas máximas y mínimas. Esta también funciona como el archivo para el Global Climate Observing System
(GCOS) Surface Network (GSN).
44
Tabla 2-24: Latin American Climate Assessment & Dataset (LACA&D)
Países incluidos en la base de datos:
Antárctica
Bolivia
Chili
Colombia
Antillas Holandesas
Ecuador
Perú
Surinam
Venezuela
Latin American Climate Assessment & Dataset (LACA&D)
(LACA&D, 2015)
Variables meteorológicas medidas en intervalos
diarios:
1222
Temperatura máxima (Tx)
Temperatura mínima (Tn)
Temperatura media (Tg)
Precipitación (Rr)
Presión del mar (Pp)
Humedad relativa (Hu)
Cobertura de nubes (Cc)
Costo de los datos:
Dos meses o más.
Sin costo para propósito de investigación y no comercial.
En Julio 30 de 2015 los datos disponibles en la base de
datos de 31 Mayo de 2015.
Políticas de uso de los datos:
http://lacad.ciifen.org/documents/LACAD_datapolicy.pdf
Esta base de datos contiene las variables mencionadas anteriormente, de esta información se derivan 53 indices para
diferentes agregaciones temporales, el listado completo puede ser encontrado en:
http://lacad.ciifen.org/indicesextremes/indicesdictionary.php
Los periodos para los cuales las agregaciones están disponible son:
1) anual (Enero - Diciembre)
2) invierno medio año (Octubre - Marzo)
3) verano medio año (Abril - Septiembre)
4) invierno (DEF)
5) primavera (MAM)
6) verano (JJA)
7) otoño (SON)
8-19) meses individuales empiezan en Enero
Siguiendo la información en la website:
“El objetivo de LACA&D es combinar la colección de datos diarios de observaciones meteorológicas, control de calidad,
análisis de condiciones extremas y diseminación de ambos datos diarios y resultados de análisis. Integraciones de estas
actividades en un proyecto han resultado ser un éxito. Nuevas versiones de los datos serán desarrollados en intervalos
más regulares.”
45
3. Evaluación de proyectos y casos en LATAM
Aseguradoras en América Latina han adoptado los riesgos climáticos asociados con condiciones
extremas climáticas. Entre los productos se incluyen temperaturas extremas, exceso o disminución
de la precipitación, daño causado durante la época de huracanes que es de mayor relevancia para
América Central y el fenómeno ENSO en América del Sur. Estas iniciativas son similares en diferentes
aspectos, como son: i) la cobertura del daño, ii) manejo de los reclamos basados en inspecciones de
campo o reportes y iii) los pagos basados en los reclamos de las pérdidas. Este método convencional
de manejar los reclamos es costoso y dificulta la expansión de pólizas de seguros en área remotas.
Por esta razón, novedosos métodos han sido recientemente investigados e implementados basados
en un índice predeterminado relacionando las condiciones climáticas con los eventos catastróficos
(IIF, 2015). Este método tiene la ventaja de disminuir los costos derivados del trámite de la
reclamación, elimina las inspecciones de campo y calcula la indemnización basado en los parámetros
climáticos asociados con la perdida. Una detallada revisión de la literatura y búsqueda in el internet
ha resultado en una lista de proyectos y casos donde el conjunto de datos paramétricos son usados
para productos de seguros climáticos para América Latina.
Esta evaluación se enfoca en parámetros derivados de eventos de precipitación para Argentina,
Honduras, Nicaragua, México, Perú y Uruguay, presentados en las Tablas 3-1, 3-3, 3-4, 3-6, 3-7 y 3-9,
respectivamente. El parámetro de temperatura del aire se ha explorado solamente en Uruguay para
el daño producido por bajas temperaturas (Tabla 3-8).
En comparación de los productos paramétricos derivados de condiciones climáticas, datos
provenientes de sensores remotos para el estado de la vegetación son poco utilizados. Tres casos
separados se han implementado en Argentina (Tabla 3-2), México (Tabla 3-5) y Uruguay (Tabla 3-10).
Este último ejemplo se ha implementado en pólizas para todos los Estados de México. El proyecto en
Argentina se encuentra en estado de evaluación. La descripción de los casos actuales o proyectos
para la región se han tabulados entre las siguientes características:










Nombre del proyecto
País
Localización en el país
Variables usadas
Propietario del proyecto
Periodo de análisis
Parámetros calculados
Producto de seguro climático
Estado del seguro
Descripción del proyecto
46
Tabla 3-1: Argentina – Precipitación para la industria lechera
Nombre del proyecto:
País:
Propuesta de seguro para empresas tamberas basadas
en un índice climático.
Argentina
Localización en el país:
Variables usadas:
Provincia de San Cristóbal y Santa Fe.
Precipitación de estaciones terrestres
Propietario del proyecto:
Sancor Seguros
Parámetros calculados:
Instituto Nacional de Tecnología Agropecuaria (INTA)
Índice de Precipitación Estandarizado (SPI) basado en
precipitación acumulada mensualmente.
Periodo de análisis:
2012
Exceso SPI > 2
Déficit SPI < -2
Producto de seguro climático:
Estado del seguro:
Se utiliza el SPI para definir los eventos extremos de
precipitación.
Este seguro todavía no está disponible.
Descripción del proyecto
El producto define un disparador basado en el SPI. El exceso de precipitación fue definido con un valor SPI de 2 y un
déficit con valor de -2. A pesar que este producto ha recibido la atención de compañías aseguradoras y los cuerpo
reguladores de Argentina (Oficina de Riesgos Agropecuarios de la Nación, ORA) su implementación necesita ser regulada
(INTA-LECHE, 2015).
47
Tabla 3-2: Argentina – NDVI para forraje
País:
Seguro de Índice de Vegetación Normalizado (NDVI)
para productores ganaderos
Argentina
Variables usadas:
Suroeste de la provincia de Buenos Aires.
NDVI derivada de MODIS
Oficina de Riesgo Agropecuario (ORA)
Índices para definir el disparador y salida.
Ministerio de Agricultura, Ganadería y Pesca de la
Nación (MAGyP)
El índice disparador define la caída en NDVI en intervalos
mensuales. Este índice determina un pago parcial.
El índice de salida se basa en la desviación estándar del índice
disparador que determina el monto total a indemnizar.
No esta implementado
Estado del seguro:
NDVI para medir la cantidad de biomasa disponible
para forraje.
Estudio de viabilidad.
Descripción del proyecto:
Este es un proyecto piloto. En esta etapa un análisis de percepción se ha desarrollado entre los usuarios potenciales. El
inicio del proyecto piloto no se ha definido todavía (Salvo, J. 2015).
48
Tabla 3-3: Argentina – Precipitación para algodón
País:
Estudio de viabilidad para el diseño e implementación
para el seguro indexado en algodón.
Argentina
Variables usados:
Provincia del Chaco.
The World Bank
1.
Precipitación acumulada durante cuatro estados
vegetativos del algodón
2.
Número de días consecutivos de sequía en cada una
de los cuatro estados vegetativos.
2010 - 2011
Estado del seguro:
Precipitación acumulada y número de días
consecutivos de sequía.
Estudio de viabilidad
En este estudio dos tipos de disparadores fueron evaluados para algodón. Primeramente se asumió un ciclo de cultivo de
120 días dividido en cuatro estados de desarrollo: estado 1 cubre los primeros 20 días, estado 2 cubre los siguientes 30
días, estado 3 comprende 30 días y estado 4 comprende los últimos 40 días. La etapa de desarrollo fue definida entre 15
de Octubre a 15 de Diciembre. Para ambas variables el análisis presento una pobre correlación entre los datos
departamentales, los datos modelados y los índices definidos para realizar el pago.
Esto sugiere que la precipitación es solo una factores que puede afectar la producción de algodón. Por este motivo no
fue posible evaluar el daño con las variables propuestas para la provincia del Chaco (World Bank, 2013a)
49
Tabla 3-4: Honduras – Nicaragua – Precipitación para café
País:
Estudio de factibilidad para la implementación de
seguros basados en índices climáticos en el cultivo de
café en Honduras y Nicaragua
Honduras - Nicaragua
Variables usados:
Zona central del pacífico de Nicaragua
Zona Norte de Honduras
Siguatepeque en Honduras
Centro Agronómico Tropical de Investigación y
Enseñanza (CATIE)
Distribución de precipitación acumulada por mes de datos
históricos de precipitación.
2000 - 2010
Estado del seguro:
Define el déficit de precipitación para diferentes
estados de desarrollo del café.
Este proyecto piloto se enfoca en la precepción de riesgo de cambio climático y el desarrollo de modelos que integran la
precipitación para cuantificar la magnitud del daño durante diferentes estados de desarrollo en el café. Algunos de los
resultados de este estudio encontraron que los agricultores identifican el cambio climático con baja productividad y
cualidad, pero la magnitud del daño percibido es baja. Por esta razón ellos son negativos a la adquisición de pólizas
basadas en índices climáticos. Una recomendación de este estudio es incluir a las cooperativas y asociaciones de
productores. (Lara, et al. 2011).
50
Tabla 3-5: México – NDVI para pasturas
País:
Seguro de daño para agostaderos con imagines de
satélite.
México
Variables usadas:
Disponible para todos los Estados.
NDVI proveniente de MODIS
Instituto AGROASAMEX
Dos índices son calculados para las pasturas:
1. NDVI inicial
2. Perfil de crecimiento de la pasture basada en el NDVI
durante el ciclo de desarrollo.
Secretaría de agricultura, ganadería, desarrollo rural,
pesca y alimentación (SAGARPA)
Desde 2007 ofertado en México
Estado del seguro:
NDVI para medir la cantidad de biomasa disponible
para forraje.
El seguro se ofrece en este momento en México.
Este seguro fue lanzado en 2007 como piloto utilizando NDVI como la cantidad de biomasa disponible para forraje. Este
seguro cubre la producción de biomasa para un área con pastura dentro de un sistema productivo o un área de pastura
dentro de una provincia. El seguro cubre cambios de NDVI en el inicio o caídas en el perfil debido a exceso de humedad
en el suelo, exceso de temperatura, heladas, bajas temperaturas, inundaciones o tormentas de viento. En 2012,
5,470,720 unidades de animales fueron aseguradas. En el año 2014, 2.286.870 unidades de animales fueron aseguradas.
El seguro cubre el periodo de 01 Mayo hasta 30 Noviembre (SAGARPA, 2015).
51
Tabla 3-6: México – Precipitación para cultivos y pasturas
País:
Seguro contingencias climatológicas
México
Variables usadas:
Disponible para todos los Estados
Instituto AGROASAMEX
Reportes de precipitación semanal
Secretaría de agricultura, ganadería, desarrollo rural,
pesca y alimentación (SAGARPA)
Un piloto fue desarrollado en 2002 para las regiones
del Estado de Guanajuato.
Estado del seguro:
Parámetro de precipitación que genera sequia o
exceso de precipitación en pasturas.
El seguro es ofrecido actualmente en México.
Este seguro utiliza información de la precipitación de una red de datos meteorológicos que es operada por CONAGUA. El
umbral de precipitación durante las diferentes estados de desarrollo está definido con las mediciones de precipitación.
En 2012, 1.299.927 ha fueron aseguradas y en 2014, 1.109.819 ha fueron aseguradas. Los cultivos asegurados para 2014
fueron avena, cebada, leguminosas, maíz y sorgo (SAGARPA, 2015).
52
Tabla 3-7: Perú – Precipitación para cultivos
País:
Seguro Indexado contra el Fenómeno El Nino
Perú
Variables usadas:
Provincia del Piura.
Financiera Confianza
Histórico normalizado de precipitación
Enero - Abril
Estado del seguro:
Inundaciones
El seguro fue implementado en 2011 y 2012. No información
fue encontrada para los años 2013, 2014 and 2015.
Este seguro utiliza una combinación histórica de los datos de precipitación de cuatro estaciones meteorológicas del
Servicio Nacional de Meteorología (SENAMHI) y temperatura de la superficie del agua medida para el El Niño Oscilación
del Sur (ENSO) en el punto 1.2. Estas dos medidas fueron utilizadas para correlacionar eventos extremos de
o
precipitación. Por ejemplo, en la provincial de Piura el umbra es entre 24.5 y 27 C.
En 2011 la primera póliza fue vendida para cubrir 585 préstamos agrícolas y en 2012 la póliza fue ofrecida para cubrir
3560 préstamos agrícolas. Hay interés de extender este seguro a la Provincia de Lambayeque y La Libertad pero no
información fue encontrada acerca de este desarrollo (Oft. P. 2009).
53
Tabla 3-8: Uruguay – Temperatura del aire para arroz
País:
Seguros para cultivos de arroz.
Uruguay
Variables usadas::
No especificada
Temperatura del aire de estaciones terrestres
Seguros Uruguayos Cooperativos
SURCO
Un día con temperaturas iguales o menores a 10 C
o
o
Tres días consecutivos con temperaturas menores a 15 C.
o
Actualmente ofertado en Uruguay 2014 - 2015
Estado del seguro:
Granizo, bajas temperaturas y daño en la cosecha.
Actualmente se oferta para productores de arroz.
Este seguro cubre diferentes daños donde el único riesgo paramétrico es bajas temperaturas. La cobertura para este
riesgo es en el estado de desarrollo del arroz (R2) hasta el 28 de Febrero, si el arroz es plantado antes del 30 de
Noviembre (SURCO, 2015).
54
Tabla 3-9: Uruguay – Precipitación para cultivos
País:
Seguro de índice contra exceso de lluvias.
Uruguay
Variables usadas:
Región del sur.
Precipitación de estacones terrestres
Banco de Seguros del Estado (BSE)
Precipitación acumulada durante 10 días consecutivos
Octubre 2014 – Abril 2015
Estado del seguro:
Exceso de precipitación
Proyecto piloto.
Este seguro puede ser adquirido mensualmente durante la temporada de lluvias en Uruguay desde Octubre a Abril. Para
cada mes, hay dos disparadores para el índice: i) extremo y ii) intensidad. Cada disparador está asociado con una
indemnización.
La precipitación esta medida para siete estaciones meteorológicas aprobadas por el Instituto Uruguayo de Meteorología
(INUMET) y pólizas pueden ser adquiridas para toda la temporada de lluvias o en meses específicos (BSE, 2015).
55
Tabla 3-10: Uruguay – NDVI para pasturas
País:
NDVI para el desarrollo del Índice de pasturas para la
ganadería en Uruguay.
Uruguay
Variables usadas:
No especificado.
NDVI derivado de:
MODIS: 2000 – presente
LTDR series 2: 1981 - 1999
World Bank
Dos o más meses consecutivos durante el periodo de
cobertura con un NDVI menor que el disparador definido con
el NDVI para indemnización.
Ocurrencia de uno o más meses dentro del periodo del seguro
donde los valores del NDVI están por debajo del NDVI definido
como disparador.
Estado del seguro:
Producto NDVI
La versión final para este parámetro fue diseñado para realizar los pagos en cualquier mes durante los siete meses del
periodo de cobertura si el disparador definido con el NDVI es excedido. Para definir los disparadores la distribución del
perfil de NDVI fue analizada por los últimos 30 anos. Se desarrollará un piloto para siete regiones de Uruguay (World
Bank, 2013b).
56
4. Conclusiones y recomendaciones
Existe un buen número de datos que pueden ser usados para productos climáticos paramétricos.
Este estudio describe solo una pequeña parte de estos datos. A modo de comparación, la gran
cantidad de sensores remotos listados en el apéndice 1 y el número de proyectos y casos donde se
utiliza información paramétrica, resulta claro el potencial que tiene este tipo de información en el
desarrollo de productos de seguros climáticos paramétricos. Actualmente dos principales barreras
impiden su uso en el corto tiempo. La primera es la accesibilidad a los datos. A pesar que existen un
buen número de fuentes de datos pocas son de fácil acceso. Investigadores utilizan normalmente
una fracción de la información de sensores remotos disponibles donde la facilidad de la captura de
estos datos juega un rol importante.
La segunda barrera es el menor número de fuentes de datos utilizados en proyectos de seguros
paramétricos. Esto dificulta las correlaciones de variables climáticas o de sensores remotos con el
daño asegurable. Un mejor entendimiento del tipo de datos en sus limitaciones como su
disponibilidad es importante para sobreponer este problema. Datos de precipitación y temperatura
provenientes de estaciones terrestres son más fáciles de entender en comparación a datos
provenientes de sensores remotos. Sin embargo, el potencial para utilizar estaciones terrestres en
variables climáticas difiere por país. Esto responde a que la disponibilidad de esta información es
diferente por país y el costo para adquirir información histórica o en tiempo cercano puede ser una
limitación para su uso y futura implementación a nivel nacional o regional. La falta de estándares
para la colección y almacenamiento de información es un problema; por este motivo mejoras en
esta área puede facilitar el acceso a los datos con particular interés en países donde los seguros
climáticos paramétricos todavía no se han implementado.
Sensores remotos y asimilación de datos son derivados de proveedores independientes los cuales
utilizan una fuente detallada de información y de procesamiento que posibilitan el desarrollo de
aplicaciones regionales. Ambas fuentes de información puede generar datos de parámetros para
seguros climáticos durante el tiempo de las pólizas y con información disponible en tiempo casi real.
Sin embargo, el reto está en tener una clara correlación entre el parámetro medido y el riesgo del
daño. Los datos de sensores remotos descritos en este documento presentan medidas de cobertura
de nieve, precipitación, humedad del suelo, temperatura de la superficie y LAI. Todos estos
parámetros pueden ser potencialmente utilizados para el desarrollo de productos en seguros
climáticos paramétricos. Sin embargo pocos han sido utilizados para estudios en América Latina, en
donde la mayoría utilizan estaciones terrestres. Esto demuestra que más investigación es necesaria
antes de su uso para el sector de los seguros. Por esto se recomienda el desarrollo de más casos de
estudio que se enfoquen en la correlación entre datos de sensores remotos y daño asegurable. Un
estudio relevante puede incluir el análisis a diferentes escalas espaciales utilizando sensores
remotos y asimilación de datos climáticos como fuete de información. Estos estudios seguramente
van a incrementar la confianza de estas fuentes de información entre los usuarios potenciales de
este tipo de seguros.
57
5. Bibliografía
Argentina-SMN, 2015. Servicio Meteorológico Nacional. Disponible en: http://www.smn.gov.ar/
(visitada en 02 Julio 2015.
ASCAT,2015.
Advanced
Scatterometer.
Disponible
en:
(http://www.esa.int/Our_Activities/Observing_the_Earth/The_Living_Planet_Programme
/Meteorological_missions/MetOp/Products5 (visitada en 28 Junio 2015).
ASTER, 2015. Advanced Space borne Thermal Emission and Reflection radiometer. Disponible en:
http://asterweb.jpl.nasa.gov/ (visitada en 28 Junio 2015).
Bolivia-SNMH, 2015. Servicio Nacional de Meteorología e Hidrología. Disponible en:
http://www.senamhi.gob.bo (visitada en 02 Julio 2015).
Brazil-INMET, 2015. Instituto Nacional de Meteorología. Disponible en: http://www.inmet.gov.br
(visitada en 03 Julio 2015).
BSE,
2015.
Banco
Seguro
del
Estado.
Disponible
en:
http://www.segurohorticolauy.com/informacion-historica.html (visitada en 06 Julio
2015).
Chile-DMC,
2015.
Dirección
Meteorológica
de
Chile.
Disponible
en:
http://www.meteochile.gob.cl/inicio.php (visitada en 03 Julio 2015).
Colombia-IDEAM, 2015. Instituto de Hidrología, Meteorología y Estudios Ambientales. Disponible en:
http://www.ideam.gov.co/ (visitada en: 06 Julio 2015).
Costa Rica – IMN, 2015. Instituto Meteorológico Nacional. Disponible en: http://www.imn.ac.cr/
de Leeuw, J., Vrieling, A., Shee, A., Atzberger, C., Hadgu, K. M., Biradar, C. M., Keah, H., Turvey, C.
2014. The potential and uptake of remote sensing in insurance: a review. Remote
Sensing, 6(11), 10888-10912.
Dominican Republic-ONAMET, 2015. Oficina Nacional de Meteorología. Disponible en:
http://www.onamet.gov.do/ (visitada en 03 Julio 2015).
Ecuador-INMH, 2015. Instituto Nacional de Meteorología e Hidrologia. Disponible en:
http://www.serviciometeorologico.gob.ec (visitada en 06 Julio 2015).
ERA, 2015. European Centre for Medium-Range Weather Forecasts (ECMWF). Disponible en:
http://www.ecmwf.int/en/forecasts/datasets/era-interim-dataset-january-1979-present
GDAS, 2015. Global Data Assimilation System. Disponible en: https://www.ncdc.noaa.gov/dataaccess/model-data/model-datasets/global-data-assimilation-system-gdas (visitada en 29
Julio 2015).
CGC, 2015. Climate Hazards Group InfraRed Precipitation with Station data (CHIRPS). Disponible en:
http://chg.geog.ucsb.edu/data/chirps (visitada en 29 Julio 2015).
DPR-PMM,
2015.
Dual-frequency
Precipitation
Radar
(DPR).
Disponible
en:
(http://pmm.nasa.gov/GPM/flight-project/DPR (visitada en 29 Julio 2015)
GPM-PMM, 2015. Global Precipitation Measurement Mission. Disponible en: ERA, 2015. ERA-Interim
dataset. Disponible en: http://www.ecmwf.int/en/forecasts/datasets/era-interimdataset-january-1979-present (visitada en 01 Julio 2015).
GHCN-daily, 2015. Global Historical Climatology Network – Daily. Disponible en:
https://www.ncdc.noaa.gov/oa/climate/ghcn-daily (visitada en 30 Julio 2015).
GMAO, 2015. NASA Global Modeling and Assimilation Office. Disponible en:
http://gmao.gsfc.nasa.gov/ (visitada en 01 Julio 2015). http://pmm.nasa.gov/GPM
(visitada en 29 Junio 2015).
GMI, 2015. GPM Microwave Imager (GMI). Disponible en: http://pmm.nasa.gov/GPM/flightproject/GMI (visitada en 29 Julio 2015).
58
Guatemala – INSIVUMEH, 2015. Instituto Nacional de Sismologia, Vulcanologia Meteorologia e
Hidrologia. Available on: http://www.insivumeh.gob.gt/ (visitada en 01 Julio 2015)
Honduras-SMN, 2015. Servicio Meteorológico Nacional de Honduras. Disponible en:
http://www.smn.gob.hn/ (visitada en 01 Julio 2015).
IIF, 2015. Index Insurance Forum. Disponible en: https://www.indexinsuranceforum.org/ (visitada
en 07 Julio 2015).
IMERG,
2015.
Integrated
Multi-satellitE
Retrievals
for
GPM.
Disponible
en:
http://pmm.nasa.gov/data-access/downloads/gpm (visitada en 30 Junio 2015).
INTA-LECHE, 2015. Propuesta de seguro para empresas tamberas basado en un índice climático.
Disponible en: http://inta.gob.ar/documentos/ficha-tecnica-24.-propuesta-de-seguropara-empresas-tamberas-basado-en-un-indiceclimatico/at_multi_download/file/ficha_tecnica_24.pdf (visitada en 07 Julio 2015).
LACA&D, 2015. Latin American Climate Assessment & Dataset. Disponible en: http://lacad.ciifen.org
Landsat, 2015. Landsat Missions. Disponible en: http://landsat.usgs.gov (visitada en 28 Junio 2015).
Lara, L., Rapidel, B., & Stoian, D. (2011). Estudio de factibilidad para la implementación de seguros
basados en Índices climáticos en el cultivo de café en Honduras y Nicaragua. Reporte, pag
94.
Mexico-CONAGUA, 2015. Comisión Nacional del Agua Servicio Meteorológico Nacional. Disponible
en: http://smn.cna.gob.mx (visitada en 03 Julio 2015).
MISR, 2015. Multi-angle Imaging Spectro-Radiometer. Disponible en: https://wwwmisr.jpl.nasa.gov/index.cfm (visitada en 28 Junio 2015).
MODIS, 2015. Moderate Resolution Imaging Spectroradiometer.
Disponible en:
http://modis.gsfc.nasa.gov/ (visitada en 28 Junio 2015).
Nicaragua-INETER, 2015. Instituto Nicaragüense de Estudios Territoriales. Disponible en:
http://www.ineter.gob.ni/ (visitada en 03 Julio 2015).
NOAA-NESDIS,
2015.
Global
Multi-sensor
Automated
Snow/Ice.
Disponible
en:
http://www.star.nesdis.noaa.gov/smcd/emb/snow/HTML/multisensor_global_snow_ice.
html (visitada en 30 Junio 2015).
NSIDC, 2015. National Snow & Ice Data Center. Available on: http://nsidc.org/data/nise1 (visitada en
01 Julio 2015).
Oft, P., 2009. Seguro Indexado contra Interrupción de Negocios por el Fenómeno del Niño en Perú.
GTZ. Año 2 N°10. Diciembre 2009.
Panama-HIDROMET, 2015. HIDROMET. Disponible en: http://www.hidromet.com.pa/index.php
Paraguay-DMH, 2015. Dirección de Meteorología e Hidrología. Disponible en:
http://www.meteorologia.gov.py/serviciopublico.php (visitada en 30 Junio 2015).
Peru-SENAMHI, 2015. Servicio Nacional de Meteorología e Hidrología del Perú. Disponible en:
http://www.senamhi.gob.pe/ (visitada en 30 Junio 2015).
PR-TRMM, 2015. Precipitation Radar. Disponible en: http://pmm.nasa.gov/TRMM/PR (visitada en 29
Junio 2015).
Salvador-Ministerio de Medio Ambiente y Recursos Naturales. Disponible en:
http://www.snet.gob.sv/ (visitada en 01 Julio 2015).
Salvo, J. 2015. Estudio Caso: Seguros climáticos: la experiencia de Perú y Agentina en seguros
indexados. Centro Regional de Cambio Climatico y Toma de Decisiones. Marzo 2015. Pag.
56.
SAGARPA, 2015. Secretaría de Agricultura, Ganadería, Desarrollo rural, Pesca y Alimentación.
Available on: http://pacc.sagarpa.gob.mx/sac/index.htm (visitada en 01 Julio 2015).
SURCO,
2015.
Seguros
Uruguayos
Cooperativos.
Disponible
en:
http://www.surco.com.uy/Condiciones%20generales/AGRO/arroz2014-2015.pdf (visitada
en 03 Julio 2015).
59
TRMM, 2015. Tropical Rainfall Measuring Mission. Disponible en: http://pmm.nasa.gov/dataaccess/downloads/trmm (visitada en 30 Junio 2015).
TMI-TRMM, 2015. TRMM Microwave Imager. Disponible en: http://pmm.nasa.gov/TRMM/TMI
(visitada en 28 Junio 2015).
Uruguay-INUMET,
2015.
Dirección
Nacional
de
Meteorología.
Disponible
en:
http://www.meteorologia.com.uy/ (visitada en 01 Julio 2015).
VEGETATION, 2015. Spot-Vegetation Programme. Disponible en: http://www.spot-vegetation.com/
Venezuela – SMMB, 2015. Servicio de MEteorolgía de la Aviación Militar Bolivariana. Disponible en:
http://www.meteorologia.mil.ve/ (visitada en 01 Julio 2015).
VIIRS,
2015.
Visible/Infrared
Imager
Radiometer
Suite.
Disponible
en:
http://npp.gsfc.nasa.gov/viirs.html (visitada en 30 Junio 2015).
VGT-VITO, 2015. Vegetation. Disponible en: http://www.vgt.vito.be/pages/catalogue.html (visitada
en 28 Junio 2015).
WMO-OSCAR, 2015. Observing Systems Capability Analysis and Review Tool. Disponible en:
http://www.wmo-sat.info/oscar/ (visitada en 01 Julio 2015).
World Bank, 2013a. Chaco Province, Argentina. Feasibility Study for the Design and Implementation
of Cotton Index Insurance. 5 Junio 2013. Reporte, pag. 109.
World Bank, 2013b. NDVI Pasture index-based insurance for livestock producers in Uruguay. 29 May
2013. Reporte, pag. 143.
60
Apéndice 1 Selección de base de datos WMO
Tabla A- 1: Selección de base de datos
Nombre
Agencia
Tipo
Satélite
Precipitation Radar
JAXA
TRMM
TRMM Microwave Imager
NASA
Végétation
CNES
Enhanced Thematic Mapper +
NASA
Aquarius
NASA
Visible/Infrared Imager Radiometer Suite
NASA
15. Radar de nubes y
precipitación
06. MW imaging radiometer,
conical scanning
01. Imagen óptica resolución
media
02. Imagen óptica de alta
resolución
09. Escaneo espacial o no la
exploración MW radiómetro
media
Moderate-resolution Imaging Spectro-radiometer
NASA
Multi-angle Imaging Spectro-Radiometer
NASA
Microwave Humidity Sounding
EUMETSAT
Advanced Scatterometer
ESA
16. Radar dispersometro
Advanced Microwave Sounding Unit - A
NOAA
07. Radiómetro de resonancia, la
exploración de ruta transversal
WindSat
DoD
Operational Land Imager
NASA
Advanced Space borne Thermal Emission and
Reflection radiometer
Microwave Imaging Radiometer using Aperture
Synthesis
Imaging Infrared Radiometer
METI
Special Sensor Microwave - Imager
DoD
06. Imágenes radiómetro, la
exploración cónica
resolución
resolución
media
ESA
CNES
61
media
media
TRMM
SPOT-4
SPOT-5
Landsat-7
SAC-D
DWSS-1
DWSS-2
JPSS-1
JPSS-2
JPSS-3
JPSS-4
Suomi-NPP
EOS-Aqua
EOS-Terra
EOS-Terra
Metop-A
Metop-B
Metop-C
NOAA-18
NOAA-19
Metop-A
Metop-B
Metop-C
EOS-Aqua
Metop-A
Metop-B
Metop-C
NOAA-15
NOAA-16
NOAA-17
NOAA-18
NOAA-19
Coriolis
Landsat-8
EOS-Terra
SMOS
CALIPSO
DMSP-F08
DMSP-F10
DMSP-F11
DMSP-F12
DMSP-F13
DMSP-F14
DMSP-F15
Nombre
Agencia
Tipo
Satélite
Advanced Microwave Sounding Unit - B
BNSC
Wide-Field Camera
NASA
Very High Resolution Radiometer
ISRO
resolución
media
NOAA-15
NOAA-16
NOAA-17
CALIPSO
Advanced Technology Microwave Sounder
NASA
Cloud Profiling Radar for CloudSat
NASA
precipitación
Advanced Microwave Scanning Radiometer for EOS
JAXA
Humidity Sounder for Brazil
INPE
Dual-frequency Precipitation Radar
JAXA
Spinning Enhanced Visible Infra-Red Imager
EUMETSAT
precipitación
media
Advanced Microwave Scanning Radiometer - 2
JAXA
Micro-Wave Radiometer
CONAE
Visible and Infra Red Scanner
NASA
Remote Sensing Instrument
NSPO
Hyper-Spectral Imager
CAST
GPM Microwave Imager
NASA
Synthetic Aperture Radar (C-band)
CSA
media
resolución
resolución
08. MW imaging/sounding
radiometer, conical scanning
19. Radar imaging (SAR)
Multi-Spectral Camera
KARI
Advanced Wide Field Sensor
ISRO
Ocean Color Monitor
ISRO
Compact High Resolution Imaging Spectrometer
BNSC
62
resolución
resolución
media
resolución
INSAT-1A
INSAT-1B
INSAT-1C
INSAT-1D
INSAT-2A
INSAT-2B
INSAT-2D
INSAT-2E
INSAT-3A
Kalpana-1
JPSS-1
JPSS-2
JPSS-3
JPSS-4
Suomi-NPP
ACE
(Aer.Clo.Eco.)
CloudSat
EOS-Aqua
EOS-Aqua
GPM Core
Observatory
Meteosat-8
Meteosat-9
Meteosat-10
Meteosat-11
GCOM-W1
GCOM-W2
GCOM-W3
SAC-D
TRMM
FORMOSAT-2
HJ-1A
GPM Core
Observatory
RadarSat-1
RadarSat-2
KOMPSAT-2
ResourceSat-1
(IRS-P6)
ResourceSat-2
ResourceSat2A
OceanSat-2
PROBA-1
Nombre
Agencia
Tipo
Satélite
Stretched Visible and Infrared Spin Scan Radiometer
CMA
media
Sea and Land Surface Temperature Radiometer
ESA
China Ocean Colour & Temperature Scanner
NSOAS
media
media
Advanced Very High Resolution Radiometer / 3
NOAA
media
Micro-Wave Radiation Imager
CMA
Earth Polychromatic Imaging Camera
NASA
SkySat
Skybox
Haute Résolution Géométrique
CNES
Charge Coupled Device Camera
ISRO
Scatterometer
NSOAS
media
resolución
resolución
media
FY-2C
FY-2D
FY-2E
Sentinel-3A
Sentinel-3B
HY-1A
HY-1B
HY-1C
HY-1D
Metop-A
Metop-B
Metop-C
NOAA-15
NOAA-16
NOAA-17
NOAA-18
NOAA-19
FY-3A
FY-3B
FY-3C
FY-3D
FY-3F
FY-3RM-1
FY-3RM-2
DSCOVR
High Resolution Advanced Imaging System
EIAST
Compact Infrared Camera
JAXA
Compact Imaging Spectrometer
KARI
Microwave Analysis & Detection of Rain &
Atmospheric Structures
GOES Imager
ISRO
Iris
NTU
Coastal Zone Imager
NSOAS
Multispectral imager
CAST
Sondeur Atmospherique du Profil d’Humidite
Intertropicale par Radiometrie
CNES
NOAA
63
resolución
resolución
resolución
media
resolución
resolución
resolución
SkySat-1
SkySat-2
SPOT-5
INSAT-2E
INSAT-3A
HY-2A
HY-2B
HY-2C
HY-2D
Deimos-2
DubaiSat-2
ALOS-2
STSat-3
MeghaTropiques
GOES-12
GOES-12 (SAmerica)
GOES-13
GOES-14
GOES-15
X-Sat
HY-1A
HY-1B
HY-1C
HY-1D
TH-1
TH-1B
MeghaTropiques
Nombre
Agencia
Tipo
Satélite
Advanced Himawari Imager
JMA
Ocean and Land Colour Imager
ESA
media
media
Himawari-8
Himawari-9
Sentinel-3A
Sentinel-3B
Panchromatic Camera
ISRO
resolución
Wide View CCD camera
CAST
High-Resolution Imager
CNES
High Sensitivity Camera
CONAE
resolución
resolución
resolución
Meteorological Imager
KMA
CartoSat-2
CartoSat-2A
CartoSat-2B
HJ-1A
HJ-1B
Pléiades-1A
Pléiades-1B
SAC-D
SAC-E/SABIAMAR A
SAC-E/SABIAMAR B
COMS-1
Wild Field Camera
CNSA
GISTDA
Visible and Infra-Red Radiometer
CMA
Micro-Wave Radiometer
ESA
Stretched Visible and Infrared Spin Scan Radiometer
CMA
Phased-Array L-band Synthetic Aperture Radar - 2
JAXA
Hyperion
NASA
Multi-Band Earth Imager
NSAU
New AstroSat Optical Modular Instrument
ACE
Haute Résolution Stéréoscopique
CNES
High Resolution Camera
CAST
Panchromatic camera
CAST
Panchromatic Camera
ISRO
resolución
resolución
resolución
resolución
resolución
resolución
resolución
Panchromatic and Multi-spectral CCD Camera - 2
CNSA
Panchromatic imager
CAST
Panchromatic and Multi-spectral CCD Camera
CNSA
Panchromatic film-making system
Roscosmos
Rapid Scatterometer
NASA
RapidEye Earth Imaging System
DLR
Panchromatic Imager
GISTDA
64
media
resolución
resolución
media
media
resolución
resolución
resolución
resolución
resolución
resolución
GF-1
THEOS
FY-3A
FY-3B
FY-3C
Sentinel-3A
Sentinel-3B
FY-2F
FY-2G
FY-2H
ALOS-2
NMP-EO-1
EgyptSat-1
SICH-2
SSOT
SPOT-5
VRSS-1
TH-1
TH-1B
CartoSat-2C
CartoSat-2D
CartoSat-2E
GF-2
SJ-9A
GF-1
KANOPUS-V1
KANOPUS-V2
ISS RapidScat
RapidEye (5
sats)
THEOS
Nombre
Agencia
Tipo
Satélite
Panchromatic Imager
CDTI
Panchromatic and Multispectral imager
CAST
Special Sensor Microwave - Temperature
DoD
resolución
resolución
Synthetic Aperture Radar -10
NPOMash
SEOSat/Ingeni
o
CBERS-3
CBERS-4
DMSP-F04
DMSP-F07
DMSP-F08
DMSP-F09
DMSP-F10
DMSP-F11
DMSP-F12
DMSP-F13
DMSP-F14
DMSP-F15
Kondor-E1
Synthetic Aperture Radar 2000 (X-band)
ASI
World View 60 camera
DigitalGlobe
World View 110 camera
DigitalGlobe
Wide-swath Multispectral Camera
CAST
Wide Field Imager - 2
CAST
Very High Resolution Imager
NASRDA
Végétation for PROBA
CNES
Thermal Infra-Red Sensor
NASA
Thermal And Near infrared Sensor for carbon
Observations - Cloud and Aerosol Imager
Three-line Array Camera
JAXA
Special Sensor Microwave - Imager/Sounder
DoD
resolución
resolución
resolución
resolución
resolución
media
resolución
media
resolución
08. MW imaging/sounding
radiometer, conical scanning
Special Sensor Microwave - Humidity
DoD
Soil Moisture Active-Passive (intended as payload)
NASA
Surrey Linear Imager Multispectral 6 channels - but 3
spectral bands
ASAL
resolución
CAST
65
CSK-1
CSK-2
CSK-3
CSK-4
WorldView-1
WorldView-2
WorldView-3
VRSS-1
CBERS-3
CBERS-4
NigeriaSat-2
PROBA-V
Landsat-8
GOSAT
ZY-3A
DMSP-F16
DMSP-F17
DMSP-F18
DMSP-F19
DMSP-S20
DMSP-F11
DMSP-F12
DMSP-F14
DMSP-F15
SMAP
AlSat-1
Beijing-1
Deimos-1
NigeriaSat-1
NigeriaSat-X
UK-DMC-1
UK-DMC-2
Nombre
Agencia
Tipo
Satélite
X-band Synthetic Aperture Radar
RosHydroM
et
Synthetic Aperture Radar (X-band)
CDTI
Meteor-M N1
Meteor-M N2
Meteor-M
N2-1
Meteor-M
N2-2
Meteor-M
N2-3
Meteor-M
N2-4
Meteor-M
N2-5
SEOSAR/Paz
ISA
RISAT-2
DLR
Synthetic Aperture Radar (S-band)
CAST
TSX-NG
TanDEM-X
TerraSAR-X
HJ-1C
Synthetic Aperture Radar (L-band)
CONAE
ESA
ISRO
Panchromatic Camera
ISRO
Advanced Electronic Image Scanning System
KARI
OceanSat Scatterometer
ISRO
resolución
resolución
Optical Sensor Assembly
GeoEye
Linear Imaging Self-Scanning Sensor - 3
ISRO
LEISA Atmospheric Corrector (LEISA = Linear Etalon
Imaging Spectrometer Array
High-resolution VIS/IR Radiometer
NASA
Kazakh Earth Imaging System
Kazcosmos
Japanese Advanced Meteorological Imager
JMA
Infrared scanner
CAST
Roscosmos
66
resolución
resolución
resolución
resolución
resolución
media
resolución
SAOCOM-1A
SAOCOM-1B
SAOCOM-2A
SAOCOM-2B
Sentinel-1A
Sentinel-1B
RISAT-1
RISAT-1A
CartoSat-1
(IRS-P5)
KOMPSAT-3
OceanSat-2
OceanSat-3
ScatSat-1
Ikonos
ResourceSat-1
(IRS-P6)
ResourceSat-2
ResourceSat2A
NMP-EO-1
Meteor-M N1
Meteor-M N2
Meteor-M
N2-1
Meteor-M
N2-2
Meteor-M
N2-3
Meteor-M
N2-4
Meteor-M
N2-5
KazEOSat-2
Himawari-6
(MTSAT-1R)
SJ-9B
Nombre
Agencia
Tipo
Satélite
Infrared Multispectral Scanner - 2
CAST
Infrared Multispectral Scanner
CAST
CBERS-3
CBERS-4
HJ-1B
Infra-Red Earth Imager
NSAU
MTSAT-2 Imager
JMA
INSAT imager
ISRO
resolución
resolución
resolución
media
media
Infrared Imaging Payload
KARI
Hyper Spectral Imager
ISRO
High-Resolution Panchromatic Camera - 2
CAST
High-Resolution Multi-Spectral
ISRO
High-Resolution CCD Camera -2
CAST
Geostationary Ocean Color Imager
MLTM
GeoEye Imaging System - 2
GeoEye
GeoEye Imaging System
GeoEye
Panchromatic and multispectral radiometer - 2
Roscosmos
Earth Observation Satellite - Camera
DubaiSat-1 Medium Aperture Camera
TÜBITAKUZAY
EIAST
Corea SAR Instrument
KARI
China Mapping Telescope
NRSCC
Ball Global Imaging System 2000
DigitalGlobe
Advanced Microwave Radiometer
NASA
Advanced Land Imager
NASA
Linear Imaging Self-Scanning Sensor - 4
ISRO
Medium Resolution Spectral Imager -1
CMA
media
Medium Resolution Spectral Imager -2
CMA
media
Micro-Wave Humidity Sounder -1
CMA
Optical sensor
NEC
resolución
67
resolución
resolución
resolución
resolución
resolución
media
resolución
resolución
resolución
resolución
resolución
resolución
resolución
resolución
resolución
EgyptSat-1
SICH-2
Himawari-7
(MTSAT-2)
INSAT-3D
INSAT-3DR
INSAT-3DS
KOMPSAT-3A
IMS-1
ZY-1-2C
CartoSat-2C
CartoSat-2D
CartoSat-2E
ZY-1-2C
COMS-1
GeoEye-2
GeoEye-1
Resurs-P1
Resurs-P2
Resurs-P3
Göktürk-2
DubaiSat-1
KOMPSAT-5
Beijing-1
QuickBird
JASON-2
JASON-3
NMP-EO-1
ResourceSat-1
(IRS-P6)
ResourceSat-2
ResourceSat2A
FY-3A
FY-3B
FY-3C
FY-3D
FY-3E
FY-3F
FY-3G
FY-3A
FY-3B
ASNARO-1
ASNARO-2
Nombre
Agencia
Tipo
Satélite
Operational Linescan Systerm
DoD
media
Optical Imaging System
New Infra Red Scanner Technology
TÜBITAKUZAY
CONAE
Kazcosmos
CNES
ASAL
resolución
resolución
resolución
resolución
resolución
DMSP-F01
DMSP-F02
DMSP-F03
DMSP-F04
DMSP-F05
DMSP-F06
DMSP-F07
DMSP-F08
DMSP-F09
DMSP-F10
DMSP-F11
DMSP-F12
DMSP-F13
DMSP-F14
DMSP-F15
DMSP-F16
DMSP-F17
DMSP-F18
DMSP-F19
DMSP-S20
RASAT
Multispectral CCD Camera
ISRO
Micro-Wave Temperature Sounder - 2
CMA
Micro-Wave Temperature Sounder - 1
CMA
Microwave Radiometer
NSOAS
Micro-Wave Humidity Sounder -2
CMA
68
resolución
SAC-D
KazEOSat-1
SPOT-6
SPOT-7
AlSat-2
AlSat-2B
VNREDSat-1A
IMS-1
FY-3C
FY-3D
FY-3E
FY-3F
FY-3G
FY-3RM-1
FY-3RM-2
FY-3A
FY-3B
HY-2A
HY-2B
HY-2C
HY-2D
FY-3C
FY-3D
FY-3E
FY-3F
FY-3G
FY-3RM-1
FY-3RM-2
Nombre
Agencia
Tipo
Satélite
Meteosat Visible Infra-Red Imager
ESA
media
Multipurpose InfraRed Imaging System / MIRIS Earth
Observation Camera
Multispectral Camera
KARI
Multispectral CCD Camera
CAST
Advanced Electronic Image Scanning System - A
KARI
VIS/IR Imaging Radiometer
Roscosmos
resolución
resolución
resolución
resolución
media
Meteosat-1
Meteosat-2
Meteosat-3
Meteosat-3
(ADC)
Meteosat-3
(X-ADC)
Meteosat-4
Meteosat-5
Meteosat-5
(IODC)
Meteosat-6
Meteosat-6
(IODC)
Meteosat-7
Meteosat-7
(IODC)
STSat-3
Electro-L Imager
Roscosmos
media
Multispectral high resolution electronic scanner
Roscosmos
Multispectral film-making system
Roscosmos
NARSS
Multi-Spectral Imager for Sentinel-2
ESA
Multi-Spectral Camera
CAST
CDTI
Medium Resolution Imager
NASRDA
resolución
resolución
resolución
resolución
resolución
resolución
resolución
CAST
69
CBERS-3
CBERS-4
SJ-9A
KOMPSAT-3A
Meteor-M N1
Meteor-M N2
Meteor-M
N2-1
Meteor-M
N2-2
Meteor-M
N2-3
Meteor-M
N2-4
Meteor-M
N2-5
Electro-L N1
Electro-L N2
Electro-L N3
Electro-L N4
KANOPUS-V1
KANOPUS-V2
KANOPUS-V1
KANOPUS-V2
EgyptSat-2
Sentinel-2A
Sentinel-2B
ZY-3A
SEOSat/Ingeni
o
NigeriaSat-2
Nombre
Agencia
Tipo
Satélite
Imaging/Sounding Microwave Radiometer improved
Roscosmos
Meteor-M N1
Meteor-M N2
Meteor-M
N2-1
Meteor-M
N2-2
Meteor-M
N2-3
Meteor-M
N2-4
Meteor-M
N2-5
70
Apéndice 2 Agencias nacionales para datos meteorológicos
Tabla A- 2: Argentina – Servicio Meteorológico Nacional
País:
Argentina
Servicio Meteorológico Nacional (Argentina-SMN, 2015)
Variables medidas por día:
Precipitación
Temperatura
Humedad relativa
Velocidad del viento
Automáticas: 117
Costo de los datos:
Solicitado pero no reportado.
Sin costo con contrato de licencia y restricciones.
Basándose en la información disponible en la página web, las condiciones meteorológicas pueden ser solicitadas por
región o nombre de la estación. Información de datos históricos no fue encontrada. La página web es en español.
El Servicio Meteorológico Nacional utiliza los datos meteorológicos para el desarrollo de predicciones climáticas, alertas,
estudios agrometeorológicos y reportes sobre pesca.
Tabla A- 3: Bolivia – Servicio Nacional de Meteorología e Hidrología
País:
Bolivia
Servicio Nacional de Meteorología e Hidrología (Bolivia-SNMH,
2015)
Temperatura del aire
Esta información se basa en reportes de predicción
encontrados en la página web.
Costo de los datos:
No hay información disponible sobre las variables meteorológicas. Hay una interface para visualizar los datos via el
portal SISMET pero no estaba operacional al momento de este estudio. La página web es en español.
El uso actual de la información se limita a lo descrito en la página web. Los datos son utilizados para realizar predicciones
de mínimos y máximos de temperatura y velocidad del viento para las ciudades más importantes.
71
Tabla A- 4: Brasil – Instituto Nacional de Meteorología
País:
Brasil
Instituto Nacional de Meteorología (Brazil-INMET, 2015)
Humedad relativa
Precipitación
Automática : 462
Convencional : 267
Costo de los datos:
Solicitado pero no reportado. La información sobre las
variables medidas es presentada en la página web.
Sin costo con contrato de licencia.
Información en las variables meteorológicas es disponible en la página web. Los datos pueden ser descargados
generando reportes cada hora y anual. La página web es en portugués.
Los datos derivados de estaciones meteorológicas es usada para generar mapas actuales de las variables
meteorológicas, Esta información es solo usada para generar productos como el índice estandarizado de precipitación
(SPI), balances hídrico y alertas de incendio, entre otras.
72
Tabla A- 5: Chile-Dirección Meteorológica de Chile
País:
Chile
Dirección Meteorológica de Chile (Chile-DMC, 2015)
Número de estaciones meteorológicas operacionales :
Humedad relativa
Precipitación
Automáticas: 29
Convencionales : 34
Costo de los datos:
Solicitado pero no reportado. La información en las
variables medidas es reportada en la página web por
estación.
El precio está relacionado a la cantidad de horas dedicadas
para el procesamiento de los datos.
La información de variables meteorológica está disponible por estación por medio dela página web. Datos históricos
varía por estación pero la información está disponible desde 1960 para algunas estaciones. Datos provenientes de
estaciones automáticas puede ser visualizado en la página web desde Diciembre 2012. La página web es en español.
Los datos meteorológicos soportan cuatro servicios: i) datos meteorológicos para la industria del salmón, ii)
agrometeorología, iii) condiciones climáticas en las fronteras y iv) alertas de incendio para la silvicultura.
73
Tabla A- 6: Colombia- Instituto de Hidrología, Meteorología y Estudios Ambientales
País:
Colombia
Instituto de Hidrología, Meteorología y Estudios Ambientales
(Colombia-IDEAM, 2015)
Precipitación
Temperatura
Humedad relativa
2005 – 2015: 510
1995 – 2005: 462
1985 – 1995: 373
Automáticas: 131
Convencionales: 379
Costo de los datos:
7 -10 días laborales
Sin costo con contrato de licencia.
Se realiza una respuesta oportuna a la solicitud de los datos. El instituto tiene un portal para la solicitud de la
información. La página web es en español.
Los datos capturados de la red de estaciones meteorológicas se ha utilizado para monitorear condiciones climáticas,
realizar predicciones y definir condiciones climáticas, entre otras. Por ejemplo, los altas climatológicas de Colombia
presentan información mensual de la precipitación, la humedad relativa velocidad del viento y dirección y radiación
solar.
74
Tabla A- 7: Costa Rica – Instituto Meteorológico Nacional
País:
Costa Rica
Instituto Meteorológico Nacional (Costa Rica – IMN, 2015)
Precipitación
Temperatura
Humedad relativa
Automáticas: 44
Costo de los datos:
No hay información de la cantidad de estaciones
convencionales.
Existe la posibilidad de solicitar los datos meteorológicos via formato. La información en datos históricos fue solicitada
pero no reportado. La página web es en español.
Datos coleccionados de estaciones meteorológicas se han utilizado para generar reportes, análisis de clima y atlas
climatológicos.
Tabla A- 8: República Dominicana - Oficina Nacional de Meteorología
País:
República Dominicana
Precipitación
Temperatura
Humedad relativa
Oficina Nacional de Meteorología (Dominican RepublicONAMET, 2015)
2005 – 2015: 29
1995 – 2005: 24
1985 – 1995: 18
Automáticas: 15
Convencionales : 29
Costo de los datos:
2.25 US dólares por variable por año.
Descripción de los datos disponibles :
Hay una respuesta oportuna a la solicitud de la información. La Oficina Nacional de Meteorológica tiene una interface
gráfica para localizar las estaciones meteorológicas. La página web es en español.
Los datos capturados por las estaciones meteorológicas se han utilizado para generar reportes o análisis del clima.
75
Tabla A- 9: Ecuador- Instituto Nacional de Meteorología e Hidrología
País:
Ecuador
Instituto Nacional de Meteorología e Hidrología (EcuadorINMH, 2015)
Precipitación
Temperatura
Humedad relativa
Automáticas: 48
Convencionales: 328
Costo de los datos:
Sin costo con contrato de licencia
Hay un visualizador para desplegar los datos meteorológicos para estaciones automáticas a intervalos de una hora.
Información histórica puede ser solicitada. La página web es en español.
El Instituto Nacional de Meteorología e Hidrología es una entidad pública para generar datos meteorológicos e
hidrológicos para el Ecuador. La sección de meteorología ofrece los servicios de datos para la agrometeorología y
sistemas de alerta temprana para inundaciones.
76
Tabla A- 10: Guatemala – Instituto Nacional de Sismología, Vulcanología, Meteorología e
Hidrología
País:
Guatemala
Instituto Nacional de Sismologia, Vulcanologia Meteorologia e
Hidrologia (Guatemala – INSIVUMEH, 2015)
Precipitación
Temperatura
Humedad relativa
Automática : 41
Costo de los datos:
No hubo respuesta de este instituto sobre la respuesta en la disponibilidad de datos históricos por estación. La
información en la página web es muy limitada con los servicios proporcionados con base en los datos meteorológicos. La
página web es en español.
La información en servicios meteorológicos es utilizada para generar reportes diarios climáticos, estudios climáticos
sobre el fenómeno del Niño o la Niña y la distribución espacial de las variables climáticas para todo el país.
Tabla A- 11: Honduras - Servicio Meteorológico Nacional de Honduras
País:
Honduras
Servicio Meteorológico Nacional de Honduras (Honduras-SMN,
2015)
Costo de los datos:
Descripción de los datos disponibles :
No hubo respuesta del instituto al requerimiento de información histórica. Información en la página web es muy limitada
acerca de los servicios generados con los datos meteorológicos. La página web es en español.
Descripción del uso actual de los datos :
La información de servicios meteorológicos es utilizada para generar reportes diarios.
77
Tabla A- 12: México - Comisión Nacional del Agua Servicio Meteorológico Nacional
País:
México
Precipitación
Temperatura
Humedad relativa
Comisión Nacional del Agua Servicio Meteorológico Nacional
(Mexico-CONAGUA, 2015)
Administrado por la Comisión Nacional del Agua Servicio
Meteorológico Nacional
Automática: 273
Administrada por otros institutos:
Automática: 322
Tiempo de respuesta :
Costo de los datos :
La información de las variables meteorológicas es disponible en estaciones automáticas a intervalos de 10 minutos,
horario y diario. La información de la página web está limitada para el año 2015. Datos históricos están disponibles con
previa consideración y disponibilidad de los datos. La página web es en español.
La Comisión Nacional del Agua, Servicio Meteorológico Nacional utiliza datos meteorológicos para realizar reportes
climáticos, predicciones y monitoreo de las condiciones climáticas. Reportes diarios en precipitación y temperatura son
generados diariamente a nivel nacional.
Tabla A- 13: Nicaragua – Instituto Nicaragüense de Estudios Territoriales
País:
Nicaragua
Instituto Nicaragüense de Estudios Territoriales (NicaraguaINETER, 2015)
Costo de los datos:
Solicitado pero no reportado. La información desplegada en la página web es en español.
Descripción del uso actual de los datos :
Los vínculos de la página web no generan información.
78
Tabla A- 14: Panamá - HIDROMET
País:
Panamá
HIDROMET (Panama-HIDROMET, 2015)
Precipitación
Temperatura
Humedad relativa
Automática: 41
Costo de los datos:
Convencional: 91
Datos históricos disponible desde 1970 para estaciones convencionales y 2005 para estaciones automáticas. La
información en la página web es muy limitada con los servicios ofertados con base en datos meteorológicos. La
información desplegada en la página web es en español.
ONAMET reporta en variables meteorológicas e hidrológicas. El instituto genera reportes diarios de condiciones
climáticas. El instituto ofrece estudios agrometeorológicos y de hidrología para la agroindustria.
79
Tabla A- 15: Paraguay – Dirección de Meteorología e Hidrología
País:
Paraguay
Dirección de Meteorología e Hidrología (Paraguay-DMH, 2015)
Precipitación
Temperatura
Humedad relativa
Convencional: 27
Costo de los datos:
70 US Dólares para parámetros diarios por estación año.
No hay información histórica en la página web. La información es limitada basados en los datos meteorológicos. La
página web es en español.
La Dirección de Meteorología e Hidrología es un cuerpo público para generar información meteorológica en el Paraguay.
La información de servicios meteorológicos es limitada a reportes diarios del clima y condiciones hidrológicas.
80
Tabla A- 16: Perú-Servicio Nacional de Meteorología e Hidrología
País:
Perú
Servicio Nacional de Meteorología e Hidrología del Perú (PeruSENAMHI, 2015)
Precipitación
Temperatura
Humedad relativa
Automática: 126
Convencional: 438
Costo de los datos:
Solicitado pero no reportado. Información de las
variables medidas están desplegadas por estación.
Sin costo con contrato de licencia
La información en las variables mediadas se encuentra disponible por estación. La página web se encuentra en español.
El Servicio Nacional de Meteorología e Hidrología del Perú es un instituto público que genera información meteorológica
e hidrológica para condiciones agrometeorológicas, hidrológicas y estudios de cambio climático. También se encarga a
realizar estudios del monitoreo de los fenómenos del Nino y la Nina.
Tabla A- 17: Salvador-Ministerio de Medio Ambiente y Recursos Naturales
País:
Salvador
Ministerio de Medio Ambiente y Recursos Naturales
(Salvador-SNET, 2015)
Precipitación
Automática: 53
Esto es basado en la información disponible en la
página web.
Costo de los datos:
La información de variables medidas no está disponible en la página web. La información en datos históricos no es
reportada. La página web es en espanol.
Los datos meteorológicos son usados para generar reportes en la condiciones climáticas y monitoreo de la precipitación.
81
Tabla A- 18: Uruguay – Dirección Nacional de Meteorología
País:
Uruguay
Instituto Uruguayo de Meteorología (INUMET) (UruguayINUMET, 2015)
Precipitación
Temperatura
Humedad relativa
Automática: 9
Convencional: 24
Esta información es basada en reportes instantáneos
para estaciones automáticas.
Costo de los datos:
1.20 US Dólares por página de datos meteorológicos.
La información en las variables medidas no está disponible en la página web. La página web se encuentra en español.
Los datos meteorológicas son utilizados para producir el standardized precipitation index (SPI), balances hídricos y
variables espaciales de temperatura y precipitación.
Tabla A- 19: Venezuela – Servicio de Meteorología de la aviación Militar Bolivariana
País:
Venezuela
Servicio de Meteorología de la aviación Militar Bolivariana
(Venezuela-SMMB, 2015)
41
No hay información en el número de estaciones
meteorológicos automáticas y convencionales.
Costo de los datos:
La información en las variables medidas no está disponible en la página web. La página web es en español.
82
Apéndice 3 Diseminación de los datos
Tabla A- 20: Diseminación de los datos
Nombre
Sensor único
Dual-frequency Precipitation Radar
(DPR)
Diseminación
Tabla reporte
http://pmm.nasa.gov/data-access/downloads/gpm
Tabla 2-2
Tabla 2-3
Visible/Infrared Imager Radiometer
Suite (VIIRS)
Moderate Resolution Imaging
Spectroradiometer (MODIS)
Multi-angle Imaging SpectroRadiometer (MISR)
http://pmm.nasa.gov/data-access/downloads/trmm
http://www.vgt.vito.be/pages/catalogue.html
http://landsat.usgs.gov/Landsat_Search_and_Download.php
http://landsat.usgs.gov/Landsat_Search_and_Download.php
http://viirsland.gsfc.nasa.gov/
Tabla 2-4
Tabla 2-5
Tabla 2-6
Tabla 2-7
Tabla 2-8
Tabla 2-9
http://modis.gsfc.nasa.gov/data/
Tabla 2-10
https://www-misr.jpl.nasa.gov/getData/accessData/
Tabla 2-11
http://www.eumetsat.int/website/home/Data/DataDelivery/EUMETSATDataCentre
/index.html
https://asterweb.jpl.nasa.gov/data.asp
Tabla 2-12
Tabla 2-14
Tabla 2-15
http://nsidc.org/data/nise1
Tabla 2-16
ftp://ftp.star.nesdis.noaa.gov/pub/smcd/emb/snow/binary/multisensor/global/
Tabla 2-17
http://chg.geog.ucsb.edu/data/chirps/#_Data
Tabla 2-18
Advanced Space borne Thermal
Emission and Reflection radiometer
(ASTER)
Producto multisensores
Integrated Multi-satellitE Retrievals for
GPM (IMERG)
Tropical Rainfall Measuring Mission
(TRMM)
Near-real-time Ice and Snow Extent
(NISE)
Global Multi-sensor Automated
Snow/Ice (GMASI)
Climate Hazards Group InfraRed
Precipitation with Station data
(CHIRPS)
83
Tabla 2-13
Nombre
Asimilación de datos
Goddard Earth Observing System
Model, Version 5 (GEOS-5)
Modern-Era Retrospective analysis for
Research and Applications (MERRA)
Global Data Assimilation System
(GDAS)
Global Historical Climatology Network
– Daily (GHCN-daily)
Latin American Climate Assessment &
Dataset (LACA&D)
Diseminación
Tabla reporte
http://gmao.gsfc.nasa.gov/products/
Tabla 2-19
http://gmao.gsfc.nasa.gov/products/
Tabla 2-20
http://apps.ecmwf.int/datasets/data/interim-full-daily/
ftp://ftp.ncep.noaa.gov/pub/data/nccf/com/gfs/prod/
Tabla 2-21
Tabla 2-22
ftp.ncdc.noaa.gov/pub/data/ghcn/daily/
http://www1.ncdc.noaa.gov/pub/data/ghcn/daily/
http://lacad.ciifen.org/indicesextremes/indicesdictionary.php
Tabla 2-23
84
Tabla 2-24

Sensores remotos y bases de datos meteorológicas para seguros

Transcripción

Documentos relacionados

Recolección Aérea Conjunta usando – Sistemas

Plataforma Experimental para Control en Modelos de

¿Cómo captar - Colegio Nacional de Ópticos

revista - Dinamex

Catalogo