HAMSTER: Hyperspectral Albedo Maps dataset with high Spatial and TEmporal Resolution

Resumen Técnico: HAMSTER: Conjunto de datos de mapas de albedo hiperespectral con alta resolución espacial y temporal

Enunciado del Problema
El albedo superficial es un parámetro fundamental para calcular el presupuesto energético de la Tierra y regular la dinámica climática, particularmente a través de mecanismos de retroalimentación que involucran nieve y hielo. Si bien instrumentos satelitales como el Espectrorradiómetro de Imágenes de Resolución Moderada (MODIS) proporcionan un monitoreo continuo de la reflexión superficial, se limitan a siete bandas espectrales en el rango visible e infrarrojo cercano (VIS–NIR). La mayoría de los Modelos del Sistema Terrestre (ESM) dependen de suposiciones simplificadas de banda ancha (por ejemplo, enfoques de dos corrientes con valores fijos para la radiación fotosintéticamente activa y las bandas del infrarrojo cercano) o carecen de la resolución espectral necesaria para capturar las firmas espectrales distintivas de diferentes superficies terrestres. Esta limitación introduce incertidumbres en las simulaciones de transferencia radiativa, las recuperaciones de propiedades de nubes (por ejemplo, utilizando la banda A de O2) y el modelado de la variabilidad climática regional. Se requiere un conjunto completo de mapas de albedo que cubra todo el rango de longitudes de onda para simular con precisión los espectros de radiación y recuperar propiedades atmosféricas; sin embargo, tales datos hiperespectrales no están disponibles directamente en las misiones satelitales actuales para cada longitud de onda.

Metodología
Los autores presentan una metodología novedosa para generar mapas de albedo hiperespectrales combinando observaciones satelitales con mediciones espectrales de laboratorio utilizando un algoritmo de regresión de Análisis de Componentes Principales (PCA).

1. Construcción de la Climatología MODIS: El proceso comienza con el conjunto de datos de Albedo de Cielo Negro de Reflectancia Superficial MODIS (versión MCD43D 6.1). Los autores compilan una climatología de 10 años (2013–2022) para cada Día del Año (DOY) a través de las siete bandas de MODIS. Para abordar los datos faltantes causados por la cobertura de nubes o restricciones de geometría solar, se emplea un procedimiento de relleno multietapa:

   • Interpolación temporal utilizando DOY adyacentes (dentro de una ventana de 40 días).
   • Interpolación lineal para equilibrar las transiciones estacionales cerca de los solsticios.
   • Promedio espacial sobre cuadrículas circundantes (de 3x3 a 9x9).
   • Promedio longitudinal dentro de las bandas de latitud.
   • Promedio global durante el período de 10 años para brechas persistentes.
   • Los píxeles oceánicos se rellenan utilizando un espectro de "océano profundo" de la biblioteca ECOSTRESS del USGS.

2. Datos de Entrenamiento Espectrales: Para reconstruir el espectro completo, los autores agregan mediciones de reflectancia hiperespectral de tres conjuntos de datos distintos:

   • Biblioteca ECOSTRESS: 1,023 espectros de EE. UU., que incluyen vegetación, rocas, suelos, materiales artificiales y agua/hielo.
   • ICRAF–ISRIC: Un conjunto de datos global de 4,440 espectros de suelo de 58 países.
   • LUCAS: 21,782 espectros de suelo de 28 países de la UE (corregidos por valores negativos en el rango de 400–500 nm utilizando un modelo de regresión entrenado con datos de ICRAF–ISRIC).
   • En total, se utilizan 26,635 espectros que cubren 400–2500 nm. Para equilibrar el conjunto de datos y evitar que los espectros de suelo dominen las firmas de vegetación y agua, se utiliza un algoritmo de agrupamiento k-means para seleccionar espectros representativos (100 para ICRAF–ISRIC, 100 para LUCAS y 128 para ECOSTRESS).

3. Regresión PCA: Los autores aplican PCA a la matriz de espectros de laboratorio ($U$) para extraer componentes principales (vectores propios). Se derivan seis componentes principales de los datos de suelo y vegetación, y se añade un séptimo vector propio constante, siguiendo estudios anteriores (Vidot y Borbás, 2014; Jiang y Fang, 2019).

   • El vector de albedo MODIS ($R$) para las siete bandas se invierte para resolver el vector de coeficientes ($c$) utilizando la ecuación $c = R \tilde{U}^{-1}$, donde $\tilde{U}$ es la matriz de componentes principales convolucionada que coincide con los pasos de banda de MODIS.
   • El espectro de albedo hiperespectral completo ($R_\lambda$) se reconstruye luego para cada píxel y DOY utilizando $R_\lambda = c \tilde{U}_\lambda$.

Contribuciones y Resultados Clave
El producto principal es el conjunto de datos HAMSTER (Conjunto de datos de mapas de albedo hiperespectral con alta resolución espacial y temporal), caracterizado por:

• Resolución Espectral: Pasos de 10 nm desde 400 hasta 2500 nm.
• Resolución Espacial: 0.05° (180 segundos de arco) en latitud y longitud.
• Resolución Temporal: 1 día, promediado sobre el período 2013–2022.

Validación:

• Reconstrucción MODIS: Los mapas hiperespectrales reconstruyen con éxito la climatología original de MODIS con un Error Cuadrático Medio (RMSE) inferior a 0.0003 para las siete bandas.
• Comparación SEVIRI: La validación contra el Imáger Visible e Infrarrojo Mejorado Giratorio (SEVIRI) en el satélite Meteosat muestra discrepancias de hasta 0.06, consistentes con las diferencias conocidas entre diversos productos de superficie terrestre satelital. El RMSE es ligeramente mayor para el canal de SEVIRI más alejado de las bandas de MODIS (810 nm).
• Comparación TROPOMI: La comparación con el producto de reflectividad equivalente Lambertiana (LER) de TROPOMI sobre África y Oriente Medio (excluyendo regiones de nieve/hielo) produce valores de RMSE entre 0.02 y 0.07, confirmando el rendimiento del modelo incluso en regiones espectrales alejadas de las bandas de entrenamiento de MODIS (por ejemplo, el borde rojo de la vegetación).

Análisis Espectral de Superficies Terrestres:
Utilizando HAMSTER, los autores analizan los perfiles espectrales de varios tipos de terreno:

• Bosques: Las selvas tropicales muestran una variación estacional mínima, mientras que los bosques boreales exhiben cambios significativos en la reflectividad debido a la cobertura de nieve. Todos los bosques muestran el característico aumento pronunciado del Borde Rojo de la Vegetación (VRE) alrededor de 700 nm.
• Desiertos: Generalmente muestran una baja variabilidad estacional, aunque la composición mineralógica causa diferencias espectrales significativas entre desiertos (por ejemplo, Sahara vs. Gobi).
• Capas de Hielo: Groenlandia y la Antártida muestran una alta reflectividad VIS (~1.0) que disminuye en el NIR. El deshielo estacional conduce a un albedo más bajo en verano.
• Áreas Urbanas: Ciudades como Beijing y Ciudad de México muestran un albedo general más bajo (<20%) y formas espectrales complejas resultantes de combinaciones lineales de materiales artificiales, suelo y vegetación.

Significado
El artículo afirma que HAMSTER permite el refinamiento de los cálculos del presupuesto energético de la Tierra y la mejora de las simulaciones climáticas al proporcionar una visión espectral completa y de alta resolución del albedo superficial. El conjunto de datos permite estudiar la variabilidad estacional en todo el espectro VIS–NIR, lo cual es imposible con productos estándar de banda ancha o bandas limitadas. Los autores señalan que el conjunto de datos ya ha sido implementado en el paquete de software de transferencia radiativa libRadtran. Destacan que estudios anteriores (por ejemplo, Braghiere et al., 2023) han demostrado que el uso de suposiciones simplificadas de albedo de banda ancha puede conducir a desviaciones significativas en las predicciones de forzamiento radiativo, nubosidad y temperatura superficial; HAMSTER ofrece una vía para mitigar estos errores al proporcionar el detalle hiperespectral necesario tanto para modelos climáticos globales como regionales.