La humedad del suelo y SMOS La humedad del suelo es un elemento clave que nos permite conocer los flujos de agua y energía entre el suelo y la atmósfera. Es además un parámetro de interés en aplicaciones hidrológicas y agricultura (Brocca et al., 2010), meteorología (de Rosnay et al., 2013), agricultura y predicción de riesgos naturales. La humedad del suelo en superficie se define como la fracción de agua contenida en un volumen de suelo húmedo, considerando una capa superficial de suelo de unos pocos centímetros (WMO, https://www.wmo-sat.info/oscar/variables/view/149). Puede expresarse de forma gravimétrica o de forma volumétrica. En este estudio se utiliza la relación entre el volumen de agua y el volumen de suelo que la contiene (m3·m-3). Dependiendo de su composición, todo suelo absorbe una cierta cantidad de agua hasta llegar a su punto de saturación. Existe por tanto una relación directa entre la humedad del suelo y su capacidad de infiltración, así como los flujos de calor sensible y humedad de la atmósfera, variables con una gran influencia en los modelos atmosféricos. La humedad del suelo es habitualmente una variable de iniciación de los modelos numéricos de predicción del tiempo (NWP) que permite mejorar su fiabilidad. Una aplicación significativa de la humedad del suelo a escala global es la monitorización de sequías y déficit hídrico en las plantas. El crecimiento y buen estado de la vegetación se relaciona con la cantidad de agua disponible en las raíces de la planta (hasta 1-2 m de profundidad), y esta a su vez, con la humedad superficial del suelo. La productividad de una planta dependerá por tanto de su nivel de estrés hídrico, humedad del suelo y el riesgo de hielo. La medida de la humedad del suelo desde satélite es posible gracias a la sensibilidad de la temperatura de brillo emitida en banda L a la humedad presente en la capa más superficial del suelo (~ 0-3 cm) (Escorihuela et al., 2010; Njoku and Kong, 1977). Esta relación se debe a que la emisividad del suelo en microondas está relacionada con su constante dieléctrica, y esta a su vez con la humedad del suelo. El satélite SMOS (Soil Moisture Ocean Salinity) forma parte de la primera misión cuyo objetivo es la estimación de la humedad del suelo (Kerr et al., 2012) y salinidad del agua en la Tierra (Reul et al., 2014). Su lanzamiento se produjo en Noviembre de 2009 por parte de la Agencia Espacial Europea (ESA) y fue seguido por el lanzamiento en Enero de 2015 de la misión SMAP (Soil Moisture Active Passive) por parte de NASA (Administración Nacional de la Aeronáutica y del Espacio) (Entekhabi et al., 2010), cuyo objetivo principal es la estimación de la humedad del suelo a escala global. La misión SMOS fue un proyecto ideado por la ESA en colaboración con el CDTI (Centro para el Desarrollo Tecnológico Industrial) en España, y el CNES (Centre National d’Études Spatiales) en Francia. El satélite SMOS posee un radiómetro interferométrico en banda L (1400 - 1427 MHz) de doble polarización (Kerr et al., 2001) con una resolución espacial de aproximadamente 43 km. Este radiómetro proporciona medidas multi-angulares y en polarización completa de temperatura de brillo de la Tierra con un periodo de revisita de 3 días. SMOS proporciona no solo medidas de humedad de suelo, sino también de espesor óptico de la vegetación. Este último parámetro se relaciona con ciertas características tales como el contenido en agua de la vegetación o la estructura de la misma (Grant et al., 2016). El modelo L-MEB (L-band Emission of the Biosphere) es la base de los algoritmos de nivel 2 (L2) y 3 (L3) de SMOS (Kerr et al., 2012). En ambos algoritmos, los parámetros del modelo de transferencia radiativa (Mo et al., 1982) relativos a la rugosidad del suelo y la vegetación, se consideran invariables en el tiempo y su valor viene dado por el tipo de cobertura vegetal siguiendo la clasificación de ECOCLIMAP (Masson et al., 2003). Los productos de SMOS se dividen en varios niveles (del 1 al 4). El nivel 1 es el producto primario que corresponde a las medidas de temperatura de brillo realizadas por el radiómetro. Los niveles 2 y 3 ofrecen además del producto de temperatura de brillo, la humedad de suelo y espesor óptico de la vegetación, así como todos los datos auxiliares utilizados en el modelo. Los productos de nivel 2 y 3 están geo-referenciados y usan, respectivamente, la malla ISEA (Icosahedral Synder Equal Area), 4H9 (Talone et al., 2015) y EASE (Equal-Area Scalable Earth) 2.0 (Armstrong et al., 1997). El modelo L-MEB El modelo L-MEB (Wigneron et al., 2007) es la base de los algoritmos L2 y L3 de SMOS, en los cuales se estima la humedad del suelo y el espesor óptico de la vegetación a partir de las observaciones de satélite. L-MEB emplea datos multi-angulares de temperatura de brillo en polarización horizontal (H) y vertical (V) y un modelo iterativo que consiste en la minimización de una función de coste basada en la diferencia entre la temperatura de brillo observada y la simulada, para todos los ángulos disponibles. Esta función tiene también en cuenta la incertidumbre de los parámetros elegidos para su estimación (humedad del suelo y espesor óptico de la vegetación, en el caso de los algoritmos L2 y L3 de SMOS). L-MEB modela la emisión de la capa de suelo cubierta por vegetación, teniendo en cuenta las contribuciones del suelo, la vegetación y la radiación del cielo. El suelo se presenta como una superficie rugosa cubierta de vegetación. La temperatura de brillo simulada para un suelo cubierto de vegetación se expresa como suma de la emisión directa de la vegetación, la emisión del suelo atenuada por la capa vegetal y la emisión de la vegetación que es reflejada por el suelo y atenuada por la vegetación. La relación entre la humedad del suelo y la emisión del suelo vienen dadas por el modelo dieléctrico de Mironov et al. (2012) y las ecuaciones de Fresnel, donde la humedad del suelo y la constante dieléctrica del suelo están relacionadas con la reflectividad de una superficie plana. Los efectos de rugosidad del suelo se consideran mediante una aproximación semi-empírica, mientras que para la modelización de la vegetación se considera el modelo de transferencia radiativa τ-ω (Mo et al., 1982), donde τ es el espesor óptico de la vegetación y ω el albedo de dispersión simple de la vegetación. Parámetros de rugosidad del suelo y vegetación en L-MEB En banda L, la temperatura de brillo es muy sensible a la humedad del suelo, pero existen otros factores que perturban la señal y que deben tenerse en cuenta, tales como la temperatura del suelo y la vegetación (Wigneron et al., 2007), la textura, rugosidad del suelo (Wigneron et al., 2008) y la cubierta vegetal (Grant et al., 2007). El valor efectivo del albedo de dispersión simple  tiene en cuenta los efectos de absorción y dispersión debidos a la cubierta vegetal (Kurum, 2013). En los algoritmos L2 y L3 de SMOS, el valor de  es 0.06 ó 0.08 en bosques (Kerr et al., 2012) y cero en cubiertas vegetales de escasa vegetación. Este último valor está basado en el análisis de campañas de medidas en banda L (Wigneron et al., 2007) sobre ciertas áreas agrícolas y por lo tanto no es aplicable a todas las clases de vegetación. El estudio de  a escala global es reducido y no existe un gran número de referencias al respecto. En el algoritmo de nivel 2 de SMAP, los valores de  dependen del tipo de cobertura vegetal, variando de 0 a 0.08 (O’Neill et al., 2012), mientras que el producto de nivel 4 de SMAP proporciona, entre otros parámetros, estimaciones de  a escala global (De Lannoy et al., 2014). Otro estudio que trata el parámetro  a escala global es Konings et al. (2016), donde se muestra un mapa de valores de ω, con valores entre 0.02 y 0.04 para coberturas vegetales de escasa vegetación y ω = 0.03 – 0.06 en bosques. Por su parte, el estudio de Van Der Schalie et al. (2016) establece ω = 0.12 como el valor más representativo a escala global tras aplicar el algoritmo LPRM (Land Parameter Retrieval Model) sobre las observaciones de SMOS y comparando el resultado de humedad del suelo con diferentes modelos. Otros parámetros que caracterizan la vegetación en el algoritmo L-MEB son ttV and ttH. Estos parámetros cuantifican la influencia del ángulo de incidencia  en el espesor óptico de la vegetación. Un estudio detallado de estos parámetros fue llevado a cabo por Schwank et al. (2012) en la Valencia Anchor Station demostrando que existen variaciones importantes en los valores de ttp (p = H, V) entre verano e invierno y también entre las polarizaciones vertical y horizontal. Sin embargo, a escala global estos parámetros son difíciles de estimar debido a la complejidad de los efectos del tronco de la planta, tallos, hojas y ramas, cuya orientación es altamente aleatoria. El valor de ttP en los algoritmos L2 y L3 de SMOS es invariable e igual a 1, suponiendo que la vegetación es isotrópica. Un valor de ttP > 1 o ttP < 1 supone asumir una distribución anisotrópica de la vegetación y conlleva, respectivamente, un incremento o un decremento de τ_P en función de θ. Para tener en cuenta los efectos de la rugosidad del suelo, los algoritmos L2 y L3 de SMOS incluyen cuatro parámetros (HR, QR, NRH and NRV) (Wigneron et al., 2007). El parámetro HR tiene en cuenta la disminución en la reflectividad del suelo debida a los efectos de rugosidad; QR parametriza los efectos de la polarización (mayor o menor influencia) y NRp (p = H, V) la dependencia de la reflectividad con el ángulo de incidencia. En ambos algoritmos (L2 and L3 de SMOS), el valor de QR se supone igual a cero de manera global, mientras que a NRH y NRV se les asignan los valores 2 y 0, respectivamente. Por su parte, los valores de HR vienen definidos en función de la clasificación de usos del suelo ECOCLIMAP, siendo HR = 0.3 en bosque y HR = 0.1 en el resto de suelos (Kerr et al., 2012). En el algoritmo de humedad del suelo de SMAP L2, el valor de HR es diferente según la clasificación IGBP (International Geosphere-Biosphere), mientras que NRp = 2 (p = H, V). A escala local, existen algunas referencias sobre el valor de los parámetros de rugosidad. Como ejemplo, el estudio de Wigneron et al. (2007) arroja valores de HR = 0.1 - 0.2 para cultivos de soja y trigo y ~ 0.7 para campos de maíz. En España, el estudio de Cano et al. (2010) estima el valor de HR ~ 0.35 sobre la vegetación de matorral mediterráneo, mientras que el parámetro QR se analiza en Lawrence et al. (2013), concluyendo que QR = 0 es un valor generalizable en ausencia de condiciones de rugosidad extremas. En lo que respecta a los parámetros NRH y NRV, Escorihuela et al. (2007) y Lawrence et al. (2013) proponen una diferencia de NRH – NRV ~ 2 para superficies de poco relieve y (~ 1 – 1.5) para suelos rugosos.The capability of L-band radiometry to monitor surface soil moisture (SM) at global scale has been analyzed in numerous studies, mostly in the framework of the Soil Moisture Ocean Salinity (SMOS) and near future SMAP (Soil Moisture Active Passive) space borne missions. While the soil moisture of the first centimeters of the soil surface (~3 cm) is strongly related to the Brightness Temperature (TB) measurements, other parameters must be accounted for in order to produce accurate estimations of SM. To retrieve SM from L-band radiometric observations, two significant effects have to be accounted for: soil roughness and vegetation. In the first part of this thesis, the effects of soil roughness on retrieved SM values were evaluated using in-situ observations acquired by the L-band ELBARA-II radiometer, over a vineyard field at the Valencia Anchor Station (VAS) site during the year 2013. In the SMOS algorithm, L-MEB (L-band Microwave Emission of the Biosphere) is the forward model. Different combinations of the values of the model parameters used to account for soil roughness effects (HR, QR, NRH and NRV) were evaluated. The evaluations were made by comparing in-situ measurements of SM (used here as a reference) against SM retrievals derived from tower-based ELBARA-II brightness temperatures. The general retrieval approach consists of the inversion of L-MEB. Two specific configurations were tested: the classical 2-Parameter (2-P) retrieval configuration [where SM and τ_NAD (vegetation optical depth at nadir) were retrieved] and a 3-Parameter (3-P) configuration, accounting for the additional effects of the vineyard vegetation structure. Using the 2-P configuration, it was found that setting NRP (P = H or V) equal to -1 produced the best SM estimations in terms of correlation and unbiased Root Mean Square Error (ubRMSE). The assumption NRV = NRH = -1 leads to a simplification in L-MEB, since the two parameters τ_NAD and HR can be grouped and retrieved as a single parameter (method defined here as the Simplified Retrieval Method (SRP)). A main advantage of the SRP method is that it is not necessary to calibrate the value of HR before performing SM retrievals. Using the 3-P configuration, improved results were obtained in the SM retrievals in terms of correlation and ubRMSE. Finally, it was found that the use of in-situ roughness measurements to calibrate the values of the roughness model parameters did not provide significant improvements in the SM retrievals in comparison with the SRP method. The second part of the thesis focuses on the calibration of the effective vegetation scattering albedo (ω) and surface soil roughness parameters in the SM retrieval at global scale. In the current SMOS Level 2 (L2) and Level 3 (L3) retrieval algorithms, low vegetated areas are parameterized by ω = 0 and HR = 0.1, whereas values of ω = 0.06 - 0.08 and HR = 0.3 are used for forests. Several parameterizations of the vegetation and soil roughness parameters (ω, HR and NRp, p = H, V) were tested. In addition, the inversion approach was simplified by considering the SMOS pixels as homogeneous instead of retrieving SM only over a fraction of the pixel (excluding forested areas), as implemented in the operational SMOS L2 and L3 algorithms. Globally-constant values of ω = 0.10, HR = 0.4 and NRp = -1 (p = H, V) were found to yield SM retrievals that compared best with in situ SM data measured at many sites worldwide from the International Soil Moisture Network (ISMN). The calibration was repeated for collections of in situ sites classified in different land cover categories based on the International Geosphere-Biosphere Programme (IGBP) scheme. Depending on the IGBP land cover class, values of ω and HR varied, respectively, in the range 0.08 - 0.12 and 0.1 - 0.5. A validation exercise based on in situ measurements confirmed that using either a global or an IGBP-based calibration, there was an improvement in the accuracy of the SM retrievals compared to the SMOS L3 SM product considering all statistical metrics. This result is a key step in the calibration of the roughness and vegetation parameters of future versions of the operational SMOS retrieval algorithm. This result was also at the base of the development of the so-called SMOS-INRA-CESBIO (SMOS-IC) product. The SMOS-IC product provides daily values of the SM and τ_NAD parameters at the global scale and differs from the operational SMOS Level 3 (SMOSL3) product in the treatment of retrievals over heterogeneous pixels. SMOS-IC is much simpler and does not account for corrections associated to the antenna pattern and the complex SMOS viewing angle geometry. It considers pixels as homogeneous to avoid uncertainties and errors linked to inconsistent auxiliary data sets which are used to characterize the pixel heterogeneity in the SMOS L3 algorithm. SMOS-IC also differs from the current SMOSL3 product (Version 300, V300) in the values of the effective vegetation scattering albedo (ω) and soil roughness parameters. An inter-comparison of the SMOS-IC and SMO3L3 products (V300) is presented in this thesis based on the use of ECMWF (European Center for Medium range Weather Forecasting) SM and NDVI (Normalized Difference Vegetation Index) from MODIS (Moderate-Resolution Imaging Spectroradiometer). A 6 year (2010-2015) inter-comparison of the two SMOS products (SMOS-IC and SMOSL3 SM (V300)) with ECMWF SM yielded higher correlations and lower ubRMSD (unbiased root mean square difference) for SMOS-IC over most of the pixels. In terms of τ_NAD, SMOS-IC was found to be better correlated to MODIS NDVI in most regions of the globe, with the exception of the Amazonian basin and of the northern mid-latitudes. The SMOS-IC VOD product is now extensively used in applications analyzing the impact of droughts on vegetation carbon budgets/biomass at continental scales.