Las regiones áridas o semiáridas se caracterizan por una distribución irregular de los recursos hídricos, lo que muchas veces constituye una limitación para el desarrollo de una determinada región. La variabilidad hidrológica de estas regiones se debe a la mala distribución espacial y temporal de la lluvia, a la topografía heterogénea y a los cambios de origen antropogénicos que muchas veces conducen a procesos de degradación y de desertificación. Como en estas regiones la evapotranspiración explica una parte significativa de la pérdida de agua hacia la atmósfera, el estudio y modelización de la radiación neta en superficie (Rn), es de suma importancia, una vez que las estimaciones o mediciones de Rn se utilizan, por ejemplo, para el cálculo de la evapotranspiración que, a su vez, se usa para optimizar la calidad y el rendimiento de los cultivos, la planificación de los recursos hídricos y previsiones climáticas. Por tanto, este proyecto tiene como objetivo principal el estudio de la radiación neta en regiones semiáridas utilizando modelos lineales y neuronales y la sinergia entre los sensores GERB (Geostationary Earth Radiation Budget) y SEVIRI (Spinning Enhanced Visible and InfraRed Imager). Como R_n es una medida de la energía radiativa disponible en la superficie y es la fuerza motriz en muchos procesos físicos y biofísicos requeridos por los sistemas suelo-vegetación-atmósfera, para alcanzar los objetivos propuestos y descritos a seguir, su estudio se realiza sobre diferentes superficies: suelo desnudo, matorral y viñas y en diferentes condiciones considerando días con cielo despejado, días nubosos y días con nubosidad variable. También se ha modelizado Rn y se ha estimado el flujo de calor en suelo (G) a partir de observaciones de Rn. Los diagramas de dispersión entre las variables Rn y G indicaron que la relación entre ambas variables presentaba una tendencia lineal creciente, lo que llevó a aplicar un modelo de regresión lineal simple para obtener G a partir de Rn. Los modelos obtenidos presentan un alto coeficiente de correlación (R2 = 0,78 y 0,89) y, en promedio, el componente G, obtenido partir de los modelos lineales, representaba aproximadamente un 18% de Rn. Durante el desarrollo del trabajo se identificó que los modelos neuronales son herramientas muy útiles para estimar Rn en superficie a partir de parámetros meteorológicos, principalmente en zonas donde los flujos relacionados con la radiación no se miden de manera rutinaria. Los análisis del modelo neuronal propuesto han demostrado que es posible estimar Rn a partir de datos meteorológicos medidos en estaciones meteorológicas convencionales, con errores entre ± 5 y 30 W m2. Además, los modelos lineales más utilizados para estimar Rn en superficie utilizan para su desarrollo la radiación solar incidente y el albedo, lo que conlleva a una limitación para su uso durante los períodos nocturnos. Para estimar G/Rn a escala regional se ha demostrado que es posible hacerlo a partir de datos de satélite una vez que la temperatura de la superficie (LST) se obtiene por ejemplo, a partir de SEVIRI a bordo del satélite METEOSAT. Los coeficientes de correlación entre la temperatura estimada por SEVIRI y la medida en campañas de campo sobre matorral y viñas tienen valores altamente significativos (R2 ≥ 0,94). Los modelos utilizados para seleccionar los datos de entrada para el modelo neuronal propuesto para estimar Rn se describen en detalle, así como la metodología utilizada para estimar el flujo de calor en superficie y a partir de Rn. Para la modelización y estimación de Rn también se utilizaron modelos lineales multivariantes y modelos neuronales (Perceptrón Multicapa), que utilizan como datos de entrada los datos de alta resolución temporal y espacial de los flujos radiativos en el TOA (techo de la atmósfera), obtenidos a partir de la sinergia entre los sensores GERB y SEVIRI. Los parámetros de entrada utilizados en el modelo neuronal (ángulo solar cenital, flujo de radiación de onda corta y onda larga), son los proporcionados por GERB, un instrumento diseñado exclusivamente para hacer mediciones del balance de radiación de la Tierra en TOA. Los resultados obtenidos demuestran que los modelos neuronales son una poderosa herramienta para la modelización de procesos climáticos.