Estimación de la humedad del suelo en áreas agrícolas de Cereté, córdoba mediante aprendizaje automático y datos satelitales (2015-2025)

La humedad del suelo es un componente clave en la dinámica hidrológica y en la productividad agrícola, especialmente en regiones tropicales sujetas a la variabilidad climática. En este trabajo se estimó la humedad superficial del suelo en áreas agrícolas del municipio de Cereté, Córdoba entre 2015 y...

Full description

Autores:
Arango López, Johana Gabriela
Ossa Navarro, Eduar de la
Tipo de recurso:
Tesis
Fecha de publicación:
2025
Institución:
Universidad de Córdoba
Repositorio:
Repositorio Institucional Unicórdoba
Idioma:
spa
OAI Identifier:
oai:repositorio.unicordoba.edu.co:ucordoba/9665
Acceso en línea:
https://repositorio.unicordoba.edu.co/handle/ucordoba/9665
https://repositorio.unicordoba.edu.co
Palabra clave:
Humedad del suelo
SMAP
MODIS
Cereté
Agricultura tropical
Soil moisture
Downscaling
SMAP
MODIS
Random Forest
Cereté
Tropical Agriculture
Rights
embargoedAccess
License
Copyright Universidad de Córdoba, 2025
id UCORDOBA2_efce9b1495e64fdf1497b74eb5776b7e
oai_identifier_str oai:repositorio.unicordoba.edu.co:ucordoba/9665
network_acronym_str UCORDOBA2
network_name_str Repositorio Institucional Unicórdoba
repository_id_str
dc.title.spa.fl_str_mv Estimación de la humedad del suelo en áreas agrícolas de Cereté, córdoba mediante aprendizaje automático y datos satelitales (2015-2025)
title Estimación de la humedad del suelo en áreas agrícolas de Cereté, córdoba mediante aprendizaje automático y datos satelitales (2015-2025)
spellingShingle Estimación de la humedad del suelo en áreas agrícolas de Cereté, córdoba mediante aprendizaje automático y datos satelitales (2015-2025)
Humedad del suelo
SMAP
MODIS
Cereté
Agricultura tropical
Soil moisture
Downscaling
SMAP
MODIS
Random Forest
Cereté
Tropical Agriculture
title_short Estimación de la humedad del suelo en áreas agrícolas de Cereté, córdoba mediante aprendizaje automático y datos satelitales (2015-2025)
title_full Estimación de la humedad del suelo en áreas agrícolas de Cereté, córdoba mediante aprendizaje automático y datos satelitales (2015-2025)
title_fullStr Estimación de la humedad del suelo en áreas agrícolas de Cereté, córdoba mediante aprendizaje automático y datos satelitales (2015-2025)
title_full_unstemmed Estimación de la humedad del suelo en áreas agrícolas de Cereté, córdoba mediante aprendizaje automático y datos satelitales (2015-2025)
title_sort Estimación de la humedad del suelo en áreas agrícolas de Cereté, córdoba mediante aprendizaje automático y datos satelitales (2015-2025)
dc.creator.fl_str_mv Arango López, Johana Gabriela
Ossa Navarro, Eduar de la
dc.contributor.advisor.none.fl_str_mv Serrano Amaya, Doris Helena
Torres Ospino, José Luis
dc.contributor.author.none.fl_str_mv Arango López, Johana Gabriela
Ossa Navarro, Eduar de la
dc.contributor.jury.none.fl_str_mv Puerta Avilés, Óscar Antonio
Ospino Contreras, Juan Camilo
dc.subject.proposal.none.fl_str_mv Humedad del suelo
SMAP
MODIS
Cereté
Agricultura tropical
topic Humedad del suelo
SMAP
MODIS
Cereté
Agricultura tropical
Soil moisture
Downscaling
SMAP
MODIS
Random Forest
Cereté
Tropical Agriculture
dc.subject.keywords.none.fl_str_mv Soil moisture
Downscaling
SMAP
MODIS
Random Forest
Cereté
Tropical Agriculture
description La humedad del suelo es un componente clave en la dinámica hidrológica y en la productividad agrícola, especialmente en regiones tropicales sujetas a la variabilidad climática. En este trabajo se estimó la humedad superficial del suelo en áreas agrícolas del municipio de Cereté, Córdoba entre 2015 y 2025, integrando datos satelitales y aprendizaje automático. se utilizaron productos de la misión Soil Moisture Active Passive (SMAP, SPL4SMGP v008, -9 km) y del sensor Moderate Resolution Imaging Spectroradiometer MODIS (MOD11A2, MOD09A1 y MCD12Q1), procesados en Google Earth Engine. Se implementó un modelo de regresión Random Forest para realizar downscaling espacial a 1 km de resolución espacial, con entrenamiento semanal y fallback en semanas sin datos agrícolas válidos. La validación se efectuó con mediciones in situ obtenidas mediante reflectometría de dominio de tiempo (TDR), arrojando un desempeño global aceptable, (R=0,50; RMSE = 0,079 m³/m³; y MAE = 0,065 m³/m³). Los resultados muestran patrones espaciales y temporales coherentes con la estacionalidad local, así como diferencias entre las semanas modeladas y aquellas resueltas por fallback. La metodología propuesta constituye un aporte replicable y mejorable para la estimación de la humedad superficial de suelo en alta resolución en contextos agrícolas tropicales, con implicaciones en la gestión hídrica y la planificación de cultivos.
publishDate 2025
dc.date.accessioned.none.fl_str_mv 2025-11-14T16:33:48Z
dc.date.issued.none.fl_str_mv 2025-11-13
dc.date.available.none.fl_str_mv 2030-11-14
dc.type.none.fl_str_mv Trabajo de grado - Pregrado
dc.type.coar.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.driver.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.coar.none.fl_str_mv http://purl.org/coar/resource_type/c_46ec
dc.type.version.none.fl_str_mv info:eu-repo/semantics/acceptedVersion
dc.type.content.none.fl_str_mv Text
format http://purl.org/coar/resource_type/c_46ec
status_str acceptedVersion
dc.identifier.uri.none.fl_str_mv https://repositorio.unicordoba.edu.co/handle/ucordoba/9665
dc.identifier.instname.none.fl_str_mv Universidad de Córdoba
dc.identifier.reponame.none.fl_str_mv Repositorio Institucional Unicórdoba
dc.identifier.repourl.none.fl_str_mv https://repositorio.unicordoba.edu.co
url https://repositorio.unicordoba.edu.co/handle/ucordoba/9665
https://repositorio.unicordoba.edu.co
identifier_str_mv Universidad de Córdoba
Repositorio Institucional Unicórdoba
dc.language.iso.none.fl_str_mv spa
language spa
dc.relation.references.none.fl_str_mv Cadena-Torres, Jorge, Rafael S. Novoa Yánez, Liliana M. Grandett Martinez, Jose L. Contreras Santos, y Alejandro Agamez Saibis. «Caracterización físico-química de los suelos dedicados al cultivo de maíz en el Valle del Sinú, Colombia». Temas Agrarios 26, n.º 1 (7 de junio de 2021): 68-79. https://doi.org/10.21897/rta.v26i1.2584.
Caicedo-Rosero, L. C., de Jesús Méndez-Ávila, F., Gutiérrez-Zeferino, E., & Flores-Cuautle, J. D. J. A. (2021). Medición de humedad en suelos, revisión de métodos y características. Pädi Boletín Científico de Ciencias Básicas e Ingenierías del ICBI, 9(17), 1-8. DOI: https://doi.org/10.29057/icbi.v9i17.7035
De Alba, S., Alcázar, M., Cermeño, F.I., Barbero, F. (2011). Erosión y manejo del suelo. Importancia del laboreo ante los procesos erosivos naturales y antrópicos. En: Agricultura ecológica en secano: soluciones sostenibles en ambientes mediterráneos. Ministerio De Agricultura, Alimentación y Medio Ambiente. p. 13-38. http://hdl.handle.net/10261/60833
De Queiroz, M. G., Freire da Silva, T. G., Zolnier, S., da Rosa Ferraz Jardim, A. M., de lves Souza, C. A., do Nascimento Araújo Júnior, G., Florentino de Morais, J. E., & Bastos de Souza, L. S. (2020). Spatial and temporal dynamics of soil moisture for surfaces with a change in land use in the semi-arid region of Brazil. CATENA, 188, Article 104457. https://doi.org/10.1016/j.catena.2020.104457
Entekhabi, D., Njoku, E. G., O’Neill, P. E., Kellogg, K. H., Crow, W. T., Edelstein, W. N., … Van Zyl, J. (2020). The Soil Moisture Active Passive (SMAP) mission. Proceedings of the IEEE, 98(5), 704–716. https://doi.org/10.1109/JPROC.2010.2043918
Ettalbi, M., Baghdadi, N., Garambois, P.-A., Bazzi, H., Ferreira, E., & Zribi, M. (2023). Soil Moisture Retrieval in Bare Agricultural Areas Using Sentinel-1 Images. Remote Sensing, 15(14), 3502. https://doi.org/10.3390/rs15143502
Famiglietti, J. S. (2014). The global groundwater crisis. Nature Climate Change, 4(11), 945–948. https://doi.org/10.1038/nclimate2425
Gallego-Elvira, B., Baille, A., Martín-Górriz, B., Martínez-Álvarez, V., & Domingo, R. (2016). Disaggregation of soil moisture for irrigation scheduling using a linear model. Agricultural Water Management, 164, 158–170. https://doi.org/10.1016/j.agwat.2015.08.012
Gettelman, A., & Rood, R. B. (2016). Demystifying Climate Models: A Users Guide to Earth System Models. Springer. https://doi.org/10.1007/978-3-662-48959-8
Hardie, M. (2020). Review of Novel and Emerging Proximal Soil Moisture Sensors for Use in Agriculture. Sensors, 20(23), 6934. https://doi.org/10.3390/s20236934
He, L., Chen, J. M., Liu, J., Mo, G., Bélair, S., & Luo, X. (2017). Assessment of SMAP soil moisture for global agricultural drought monitoring. Remote Sensing of Environment, 198, 313–330. https://doi.org/10.1016/j.rse.2017.06.014
Hidalgo-Campos, C., & Camacho-Umaña, M. E. (2024). Potencial hídrico y contenido del agua en el suelo: Métodos de análisis disponibles y sus implicaciones en el manejo de los recursos suelo y agua. Agronomía Costarricense, 167–197.https://doi.org/10.15517/rac.v48i2.62575
Liu, Z., Zhao, L., Peng, Y., Wang, G., & Hu, Y. (2020). Improving Estimation of Soil Moisture Content Using a Modified Soil Thermal Inertia Model. Remote Sensing, 12(11), 1719. https://doi.org/10.3390/rs12111719
Liu, Y. Y., et al. (2020). A framework for high‐resolution soil moisture estimation combining satellite observations and machine learning. Remote Sensing of Environment, 239, 111595. https://doi.org/10.1016/j.rse.2019.111595
Navarkhele, V. V. (2016). Dielectric technique for measuring soil water content. ISSN : 0975-7384
Peng, J., Loew, A., Zhang, S., Wang, J., & Niesel, J. (2017). Spatial downscaling of satellite soil moisture data using a vegetation temperature condition index. IEEE Transactions on Geoscience and Remote Sensing, 55(1), 1–13. https://doi.org/10.1109/TGRS.2016.2598064
Queiroz, M. G., et al. (2020). Spatial and temporal dynamics of soil moisture for surfaces with a change in land use in the semi-arid region of Brazil. Catena, 188, 104457. https://doi.org/10.1016/j.catena.2019.104457
Rasheed, M. W., Tang, J., Sarwar, A., Shah, S., Saddique, N., Khan, M. U., Imran Khan, M., Nawaz, S., Shamshiri, R. R., Aziz, M., & Sultan, M. (2022). Soil Moisture Measuring Techniques and Factors Affecting the Moisture Dynamics: A Comprehensive Review. Sustainability, 14(18), 11538. https://doi.org/10.3390/su141811538
Reichle, R. H., et al. (2017). Assessment of the SMAP Level‐4 surface and root‐zone soil moisture product using in situ measurements. Journal of Hydrometeorology, 18(10), 2621–2645. https://doi.org/10.1175/JHM-D-17-0063.1
Silva, B. B., et al. (2017). Evapotranspiration and crop coefficients for irrigated cowpea in Northeast Brazil. Revista Caatinga, 30(4), 1033–1042. https://doi.org/10.1590/1983-21252017v30n423rc
Friedl, M., & Sulla-Menashe, D. (2022). MODIS/Terra+Aqua Land Cover Type Yearly L3 Global 500m SIN Grid V061 [Dataset]. NASA Land Processes Distributed Active Archive Center. https://doi.org/10.5067/MODIS/MCD12Q1.061
Giudici, D., Monti Guarnieri, A., & Cuesta Gonzalez, J. (2017). Pre-Flight SAOCOM-1A SAR Performance Assessment by Outdoor Campaign. Remote Sensing, 9(7), 729. https://doi.org/10.3390/rs9070729
dc.rights.none.fl_str_mv Copyright Universidad de Córdoba, 2025
dc.rights.uri.none.fl_str_mv https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.license.none.fl_str_mv Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.accessrights.none.fl_str_mv info:eu-repo/semantics/embargoedAccess
dc.rights.coar.none.fl_str_mv http://purl.org/coar/access_right/c_f1cf
rights_invalid_str_mv Copyright Universidad de Córdoba, 2025
https://creativecommons.org/licenses/by-nc-nd/4.0/
Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
http://purl.org/coar/access_right/c_f1cf
eu_rights_str_mv embargoedAccess
dc.format.mimetype.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad de Córdoba
dc.publisher.faculty.none.fl_str_mv Facultad de Ciencias Básicas
dc.publisher.place.none.fl_str_mv Monteria, Córdoba, Colombia
dc.publisher.program.none.fl_str_mv Geografía
publisher.none.fl_str_mv Universidad de Córdoba
institution Universidad de Córdoba
bitstream.url.fl_str_mv https://repositorio.unicordoba.edu.co/bitstreams/8c9cac20-ec90-497d-985d-7447e39c74c8/download
https://repositorio.unicordoba.edu.co/bitstreams/671354b1-1a14-4f14-bcca-8e14b6df2593/download
https://repositorio.unicordoba.edu.co/bitstreams/c01097d1-fbfa-4e9c-8c32-afe244f86c96/download
https://repositorio.unicordoba.edu.co/bitstreams/0e09fc18-a0b5-476e-ae40-206e99fc16c0/download
https://repositorio.unicordoba.edu.co/bitstreams/e52ec0c4-7a16-445d-923b-f81ef2160d6d/download
https://repositorio.unicordoba.edu.co/bitstreams/a4809366-f3f0-44ef-8515-48df7932b8a7/download
https://repositorio.unicordoba.edu.co/bitstreams/10a841d1-6807-49c9-948c-7121d9e10eba/download
bitstream.checksum.fl_str_mv b1e61baf73a87a206e5e6bfac5b96285
6734ba8db117634ebcdaefc9707aaa7a
b76e7a76e24cf2f94b3ce0ae5ed275d0
77e814737b952c2b5def0b37a656d232
72a035d3f78fd3b34a8f0ccbaab12d91
369bf40b85887d606c581ee9913c132e
5491ac010ac7f8acdf8a5afbcfdf8f98
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio institucional Universidad de Córdoba
repository.mail.fl_str_mv bdigital@metabiblioteca.com
_version_ 1849968355996336128
spelling Serrano Amaya, Doris HelenaTorres Ospino, José LuisArango López, Johana GabrielaOssa Navarro, Eduar de laPuerta Avilés, Óscar AntonioOspino Contreras, Juan Camilo2025-11-14T16:33:48Z2030-11-142025-11-13https://repositorio.unicordoba.edu.co/handle/ucordoba/9665Universidad de CórdobaRepositorio Institucional Unicórdobahttps://repositorio.unicordoba.edu.coLa humedad del suelo es un componente clave en la dinámica hidrológica y en la productividad agrícola, especialmente en regiones tropicales sujetas a la variabilidad climática. En este trabajo se estimó la humedad superficial del suelo en áreas agrícolas del municipio de Cereté, Córdoba entre 2015 y 2025, integrando datos satelitales y aprendizaje automático. se utilizaron productos de la misión Soil Moisture Active Passive (SMAP, SPL4SMGP v008, -9 km) y del sensor Moderate Resolution Imaging Spectroradiometer MODIS (MOD11A2, MOD09A1 y MCD12Q1), procesados en Google Earth Engine. Se implementó un modelo de regresión Random Forest para realizar downscaling espacial a 1 km de resolución espacial, con entrenamiento semanal y fallback en semanas sin datos agrícolas válidos. La validación se efectuó con mediciones in situ obtenidas mediante reflectometría de dominio de tiempo (TDR), arrojando un desempeño global aceptable, (R=0,50; RMSE = 0,079 m³/m³; y MAE = 0,065 m³/m³). Los resultados muestran patrones espaciales y temporales coherentes con la estacionalidad local, así como diferencias entre las semanas modeladas y aquellas resueltas por fallback. La metodología propuesta constituye un aporte replicable y mejorable para la estimación de la humedad superficial de suelo en alta resolución en contextos agrícolas tropicales, con implicaciones en la gestión hídrica y la planificación de cultivos.Soil moisture is a key variable in hydrological dynamics and agricultural productivity, particularly in tropical regions affected by climatic variability. This study estimated surface soil moisture in agricultural áreas of Cereté, Córdoba. from 2015 to 2025 by integrating satellite data and machine learning. We used products from the Soil Moisture Active Passive mission (SMAP, SPL4SMGP v008, -9 km) and the Moderate Resolution Imaging Spectroradiometer MODIS (MOD11A2, MOD09A1 y MCD12Q1), processed by Google Earth Engine. A Random Forest Regression model was implemented to downscale SMAP data to 1 km spatial resolution, with weekly training and fallback for weeks lacking valid agricultural pixels. Validation was conducted using in-situ measurements obtained with time domain reflectometry (TDR), yielding acceptable performance metrics (R=0,50; RMSE = 0,079 m³/m³; y MAE = 0,065 m³/m³). Results revealed spatial and temporal patterns consistent with local seasonality, as well as differences between trained and fallback weeks. The proposal methodology provides a replicable framework for high-resolution soil moisture estimation in tropical agricultural contexts, with significant implications for water management and crop planning.INTRODUCCIÓNCAPÍTULO I. ANTECEDENTES Y FUNDAMENTOS CONCEPTUALES, TEÓRICOS Y METODOLÓGICOS1.1 El suelo y sus propiedades relevantes para la humedad1.2 Humedad de suelo y sistemas de medición1.3 ¿Por qué monitorear la humedad superficial del suelo?1.4 Estado del arte1.5 Aspectos metodológicosCAPÍTULO II. ESTIMACIÓN DE LA HUMEDAD DEL SUELO EN ÁREAS AGRÍCOLAS MEDIANTE APRENDIZAJE AUTOMÁTICO2.1 Trazabilidad2.2 Análisis exploratorio de datos2.2.1 Análisis de correlación de variables2.3 Validación modelo frente a TDR desempeño2.4 Cartografía Humedad Superficial de suelo (2015-2024)2.5 Cartografía Variabilidad de Humedad Superficial de suelo (2015-2024)BIBLIOGRAFÍAAPÉNDICEPregradoGeógrafo(a)Trabajos de Investigación y/o Extensiónapplication/pdfspaUniversidad de CórdobaFacultad de Ciencias BásicasMonteria, Córdoba, ColombiaGeografíaCopyright Universidad de Córdoba, 2025https://creativecommons.org/licenses/by-nc-nd/4.0/Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)info:eu-repo/semantics/embargoedAccesshttp://purl.org/coar/access_right/c_f1cfEstimación de la humedad del suelo en áreas agrícolas de Cereté, córdoba mediante aprendizaje automático y datos satelitales (2015-2025)Trabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_46echttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/acceptedVersionTextCadena-Torres, Jorge, Rafael S. Novoa Yánez, Liliana M. Grandett Martinez, Jose L. Contreras Santos, y Alejandro Agamez Saibis. «Caracterización físico-química de los suelos dedicados al cultivo de maíz en el Valle del Sinú, Colombia». Temas Agrarios 26, n.º 1 (7 de junio de 2021): 68-79. https://doi.org/10.21897/rta.v26i1.2584.Caicedo-Rosero, L. C., de Jesús Méndez-Ávila, F., Gutiérrez-Zeferino, E., & Flores-Cuautle, J. D. J. A. (2021). Medición de humedad en suelos, revisión de métodos y características. Pädi Boletín Científico de Ciencias Básicas e Ingenierías del ICBI, 9(17), 1-8. DOI: https://doi.org/10.29057/icbi.v9i17.7035De Alba, S., Alcázar, M., Cermeño, F.I., Barbero, F. (2011). Erosión y manejo del suelo. Importancia del laboreo ante los procesos erosivos naturales y antrópicos. En: Agricultura ecológica en secano: soluciones sostenibles en ambientes mediterráneos. Ministerio De Agricultura, Alimentación y Medio Ambiente. p. 13-38. http://hdl.handle.net/10261/60833De Queiroz, M. G., Freire da Silva, T. G., Zolnier, S., da Rosa Ferraz Jardim, A. M., de lves Souza, C. A., do Nascimento Araújo Júnior, G., Florentino de Morais, J. E., & Bastos de Souza, L. S. (2020). Spatial and temporal dynamics of soil moisture for surfaces with a change in land use in the semi-arid region of Brazil. CATENA, 188, Article 104457. https://doi.org/10.1016/j.catena.2020.104457Entekhabi, D., Njoku, E. G., O’Neill, P. E., Kellogg, K. H., Crow, W. T., Edelstein, W. N., … Van Zyl, J. (2020). The Soil Moisture Active Passive (SMAP) mission. Proceedings of the IEEE, 98(5), 704–716. https://doi.org/10.1109/JPROC.2010.2043918Ettalbi, M., Baghdadi, N., Garambois, P.-A., Bazzi, H., Ferreira, E., & Zribi, M. (2023). Soil Moisture Retrieval in Bare Agricultural Areas Using Sentinel-1 Images. Remote Sensing, 15(14), 3502. https://doi.org/10.3390/rs15143502Famiglietti, J. S. (2014). The global groundwater crisis. Nature Climate Change, 4(11), 945–948. https://doi.org/10.1038/nclimate2425Gallego-Elvira, B., Baille, A., Martín-Górriz, B., Martínez-Álvarez, V., & Domingo, R. (2016). Disaggregation of soil moisture for irrigation scheduling using a linear model. Agricultural Water Management, 164, 158–170. https://doi.org/10.1016/j.agwat.2015.08.012Gettelman, A., & Rood, R. B. (2016). Demystifying Climate Models: A Users Guide to Earth System Models. Springer. https://doi.org/10.1007/978-3-662-48959-8Hardie, M. (2020). Review of Novel and Emerging Proximal Soil Moisture Sensors for Use in Agriculture. Sensors, 20(23), 6934. https://doi.org/10.3390/s20236934He, L., Chen, J. M., Liu, J., Mo, G., Bélair, S., & Luo, X. (2017). Assessment of SMAP soil moisture for global agricultural drought monitoring. Remote Sensing of Environment, 198, 313–330. https://doi.org/10.1016/j.rse.2017.06.014Hidalgo-Campos, C., & Camacho-Umaña, M. E. (2024). Potencial hídrico y contenido del agua en el suelo: Métodos de análisis disponibles y sus implicaciones en el manejo de los recursos suelo y agua. Agronomía Costarricense, 167–197.https://doi.org/10.15517/rac.v48i2.62575Liu, Z., Zhao, L., Peng, Y., Wang, G., & Hu, Y. (2020). Improving Estimation of Soil Moisture Content Using a Modified Soil Thermal Inertia Model. Remote Sensing, 12(11), 1719. https://doi.org/10.3390/rs12111719Liu, Y. Y., et al. (2020). A framework for high‐resolution soil moisture estimation combining satellite observations and machine learning. Remote Sensing of Environment, 239, 111595. https://doi.org/10.1016/j.rse.2019.111595Navarkhele, V. V. (2016). Dielectric technique for measuring soil water content. ISSN : 0975-7384Peng, J., Loew, A., Zhang, S., Wang, J., & Niesel, J. (2017). Spatial downscaling of satellite soil moisture data using a vegetation temperature condition index. IEEE Transactions on Geoscience and Remote Sensing, 55(1), 1–13. https://doi.org/10.1109/TGRS.2016.2598064Queiroz, M. G., et al. (2020). Spatial and temporal dynamics of soil moisture for surfaces with a change in land use in the semi-arid region of Brazil. Catena, 188, 104457. https://doi.org/10.1016/j.catena.2019.104457Rasheed, M. W., Tang, J., Sarwar, A., Shah, S., Saddique, N., Khan, M. U., Imran Khan, M., Nawaz, S., Shamshiri, R. R., Aziz, M., & Sultan, M. (2022). Soil Moisture Measuring Techniques and Factors Affecting the Moisture Dynamics: A Comprehensive Review. Sustainability, 14(18), 11538. https://doi.org/10.3390/su141811538Reichle, R. H., et al. (2017). Assessment of the SMAP Level‐4 surface and root‐zone soil moisture product using in situ measurements. Journal of Hydrometeorology, 18(10), 2621–2645. https://doi.org/10.1175/JHM-D-17-0063.1Silva, B. B., et al. (2017). Evapotranspiration and crop coefficients for irrigated cowpea in Northeast Brazil. Revista Caatinga, 30(4), 1033–1042. https://doi.org/10.1590/1983-21252017v30n423rcFriedl, M., & Sulla-Menashe, D. (2022). MODIS/Terra+Aqua Land Cover Type Yearly L3 Global 500m SIN Grid V061 [Dataset]. NASA Land Processes Distributed Active Archive Center. https://doi.org/10.5067/MODIS/MCD12Q1.061Giudici, D., Monti Guarnieri, A., & Cuesta Gonzalez, J. (2017). Pre-Flight SAOCOM-1A SAR Performance Assessment by Outdoor Campaign. Remote Sensing, 9(7), 729. https://doi.org/10.3390/rs9070729Humedad del sueloSMAPMODISCeretéAgricultura tropicalSoil moistureDownscalingSMAPMODISRandom ForestCeretéTropical AgriculturePublicationORIGINALARANGO_DELAOSSA.pdfARANGO_DELAOSSA.pdfapplication/pdf1845152https://repositorio.unicordoba.edu.co/bitstreams/8c9cac20-ec90-497d-985d-7447e39c74c8/downloadb1e61baf73a87a206e5e6bfac5b96285MD51trueAnonymousREAD2030-11-12Formato repositorio firmado.pdfFormato repositorio firmado.pdfapplication/pdf689530https://repositorio.unicordoba.edu.co/bitstreams/671354b1-1a14-4f14-bcca-8e14b6df2593/download6734ba8db117634ebcdaefc9707aaa7aMD55falseLICENSElicense.txtlicense.txttext/plain; charset=utf-814837https://repositorio.unicordoba.edu.co/bitstreams/c01097d1-fbfa-4e9c-8c32-afe244f86c96/downloadb76e7a76e24cf2f94b3ce0ae5ed275d0MD54falseAnonymousREADTEXTARANGO_DELAOSSA.pdf.txtARANGO_DELAOSSA.pdf.txtExtracted texttext/plain101599https://repositorio.unicordoba.edu.co/bitstreams/0e09fc18-a0b5-476e-ae40-206e99fc16c0/download77e814737b952c2b5def0b37a656d232MD56falseAnonymousREAD2030-11-12Formato repositorio firmado.pdf.txtFormato repositorio firmado.pdf.txtExtracted texttext/plain4255https://repositorio.unicordoba.edu.co/bitstreams/e52ec0c4-7a16-445d-923b-f81ef2160d6d/download72a035d3f78fd3b34a8f0ccbaab12d91MD58falseTHUMBNAILARANGO_DELAOSSA.pdf.jpgARANGO_DELAOSSA.pdf.jpgGenerated Thumbnailimage/jpeg7691https://repositorio.unicordoba.edu.co/bitstreams/a4809366-f3f0-44ef-8515-48df7932b8a7/download369bf40b85887d606c581ee9913c132eMD57falseAnonymousREAD2030-11-12Formato repositorio firmado.pdf.jpgFormato repositorio firmado.pdf.jpgGenerated Thumbnailimage/jpeg14289https://repositorio.unicordoba.edu.co/bitstreams/10a841d1-6807-49c9-948c-7121d9e10eba/download5491ac010ac7f8acdf8a5afbcfdf8f98MD59falseucordoba/9665oai:repositorio.unicordoba.edu.co:ucordoba/96652025-11-15 04:02:01.552https://creativecommons.org/licenses/by-nc-nd/4.0/Copyright Universidad de Córdoba, 2025embargo2030-11-12https://repositorio.unicordoba.edu.coRepositorio institucional Universidad de Córdobabdigital@metabiblioteca.comTEEgT0JSQSAoVEFMIFkgQ09NTyBTRSBERUZJTkUgTcOBUyBBREVMQU5URSkgU0UgT1RPUkdBIEJBSk8gTE9TIFRFUk1JTk9TIERFIEVTVEEgTElDRU5DSUEgUMOaQkxJQ0EgREUgQ1JFQVRJVkUgQ09NTU9OUyAo4oCcTFBDQ+KAnSBPIOKAnExJQ0VOQ0lB4oCdKS4gTEEgT0JSQSBFU1TDgSBQUk9URUdJREEgUE9SIERFUkVDSE9TIERFIEFVVE9SIFkvVSBPVFJBUyBMRVlFUyBBUExJQ0FCTEVTLiBRVUVEQSBQUk9ISUJJRE8gQ1VBTFFVSUVSIFVTTyBRVUUgU0UgSEFHQSBERSBMQSBPQlJBIFFVRSBOTyBDVUVOVEUgQ09OIExBIEFVVE9SSVpBQ0nDk04gUEVSVElORU5URSBERSBDT05GT1JNSURBRCBDT04gTE9TIFTDiVJNSU5PUyBERSBFU1RBIExJQ0VOQ0lBIFkgREUgTEEgTEVZIERFIERFUkVDSE8gREUgQVVUT1IuCgpNRURJQU5URSBFTCBFSkVSQ0lDSU8gREUgQ1VBTFFVSUVSQSBERSBMT1MgREVSRUNIT1MgUVVFIFNFIE9UT1JHQU4gRU4gRVNUQSBMSUNFTkNJQSwgVVNURUQgQUNFUFRBIFkgQUNVRVJEQSBRVUVEQVIgT0JMSUdBRE8gRU4gTE9TIFRFUk1JTk9TIFFVRSBTRSBTRcORQUxBTiBFTiBFTExBLiBFTCBMSUNFTkNJQU5URSBDT05DRURFIEEgVVNURUQgTE9TIERFUkVDSE9TIENPTlRFTklET1MgRU4gRVNUQSBMSUNFTkNJQSBDT05ESUNJT05BRE9TIEEgTEEgQUNFUFRBQ0nDk04gREUgU1VTIFRFUk1JTk9TIFkgQ09ORElDSU9ORVMuIAoKMS4gRGVmaW5pY2lvbmVzCmEuIE9icmEgQ29sZWN0aXZhIGVzIHVuYSBvYnJhLCB0YWwgY29tbyB1bmEgcHVibGljYWNpw7NuIHBlcmnDs2RpY2EsIHVuYSBhbnRvbG9nw61hLCBvIHVuYSBlbmNpY2xvcGVkaWEsIGVuIGxhIHF1ZSBsYSBvYnJhIGVuIHN1IHRvdGFsaWRhZCwgc2luIG1vZGlmaWNhY2nDs24gYWxndW5hLCBqdW50byBjb24gdW4gZ3J1cG8gZGUgb3RyYXMgY29udHJpYnVjaW9uZXMgcXVlIGNvbnN0aXR1eWVuIG9icmFzIHNlcGFyYWRhcyBlIGluZGVwZW5kaWVudGVzIGVuIHPDrSBtaXNtYXMsIHNlIGludGVncmFuIGVuIHVuIHRvZG8gY29sZWN0aXZvLiBVbmEgT2JyYSBxdWUgY29uc3RpdHV5ZSB1bmEgb2JyYSBjb2xlY3RpdmEgbm8gc2UgY29uc2lkZXJhcsOhIHVuYSBPYnJhIERlcml2YWRhIChjb21vIHNlIGRlZmluZSBhYmFqbykgcGFyYSBsb3MgcHJvcMOzc2l0b3MgZGUgZXN0YSBsaWNlbmNpYS4gYXF1ZWxsYSBwcm9kdWNpZGEgcG9yIHVuIGdydXBvIGRlIGF1dG9yZXMsIGVuIHF1ZSBsYSBPYnJhIHNlIGVuY3VlbnRyYSBzaW4gbW9kaWZpY2FjaW9uZXMsIGp1bnRvIGNvbiB1bmEgY2llcnRhIGNhbnRpZGFkIGRlIG90cmFzIGNvbnRyaWJ1Y2lvbmVzLCBxdWUgY29uc3RpdHV5ZW4gZW4gc8OtIG1pc21vcyB0cmFiYWpvcyBzZXBhcmFkb3MgZSBpbmRlcGVuZGllbnRlcywgcXVlIHNvbiBpbnRlZ3JhZG9zIGFsIHRvZG8gY29sZWN0aXZvLCB0YWxlcyBjb21vIHB1YmxpY2FjaW9uZXMgcGVyacOzZGljYXMsIGFudG9sb2fDrWFzIG8gZW5jaWNsb3BlZGlhcy4KYi4gT2JyYSBEZXJpdmFkYSBzaWduaWZpY2EgdW5hIG9icmEgYmFzYWRhIGVuIGxhIG9icmEgb2JqZXRvIGRlIGVzdGEgbGljZW5jaWEgbyBlbiDDqXN0YSB5IG90cmFzIG9icmFzIHByZWV4aXN0ZW50ZXMsIHRhbGVzIGNvbW8gdHJhZHVjY2lvbmVzLCBhcnJlZ2xvcyBtdXNpY2FsZXMsIGRyYW1hdGl6YWNpb25lcywg4oCcZmljY2lvbmFsaXphY2lvbmVz4oCdLCB2ZXJzaW9uZXMgcGFyYSBjaW5lLCDigJxncmFiYWNpb25lcyBkZSBzb25pZG/igJ0sIHJlcHJvZHVjY2lvbmVzIGRlIGFydGUsIHJlc8O6bWVuZXMsIGNvbmRlbnNhY2lvbmVzLCBvIGN1YWxxdWllciBvdHJhIGVuIGxhIHF1ZSBsYSBvYnJhIHB1ZWRhIHNlciB0cmFuc2Zvcm1hZGEsIGNhbWJpYWRhIG8gYWRhcHRhZGEsIGV4Y2VwdG8gYXF1ZWxsYXMgcXVlIGNvbnN0aXR1eWFuIHVuYSBvYnJhIGNvbGVjdGl2YSwgbGFzIHF1ZSBubyBzZXLDoW4gY29uc2lkZXJhZGFzIHVuYSBvYnJhIGRlcml2YWRhIHBhcmEgZWZlY3RvcyBkZSBlc3RhIGxpY2VuY2lhLiAoUGFyYSBldml0YXIgZHVkYXMsIGVuIGVsIGNhc28gZGUgcXVlIGxhIE9icmEgc2VhIHVuYSBjb21wb3NpY2nDs24gbXVzaWNhbCBvIHVuYSBncmFiYWNpw7NuIHNvbm9yYSwgcGFyYSBsb3MgZWZlY3RvcyBkZSBlc3RhIExpY2VuY2lhIGxhIHNpbmNyb25pemFjacOzbiB0ZW1wb3JhbCBkZSBsYSBPYnJhIGNvbiB1bmEgaW1hZ2VuIGVuIG1vdmltaWVudG8gc2UgY29uc2lkZXJhcsOhIHVuYSBPYnJhIERlcml2YWRhIHBhcmEgbG9zIGZpbmVzIGRlIGVzdGEgbGljZW5jaWEpLgpjLiBMaWNlbmNpYW50ZSwgZXMgZWwgaW5kaXZpZHVvIG8gbGEgZW50aWRhZCB0aXR1bGFyIGRlIGxvcyBkZXJlY2hvcyBkZSBhdXRvciBxdWUgb2ZyZWNlIGxhIE9icmEgZW4gY29uZm9ybWlkYWQgY29uIGxhcyBjb25kaWNpb25lcyBkZSBlc3RhIExpY2VuY2lhLgpkLiBBdXRvciBvcmlnaW5hbCwgZXMgZWwgaW5kaXZpZHVvIHF1ZSBjcmXDsyBsYSBPYnJhLgplLiBPYnJhLCBlcyBhcXVlbGxhIG9icmEgc3VzY2VwdGlibGUgZGUgcHJvdGVjY2nDs24gcG9yIGVsIHLDqWdpbWVuIGRlIERlcmVjaG8gZGUgQXV0b3IgeSBxdWUgZXMgb2ZyZWNpZGEgZW4gbG9zIHTDqXJtaW5vcyBkZSBlc3RhIGxpY2VuY2lhCmYuIFVzdGVkLCBlcyBlbCBpbmRpdmlkdW8gbyBsYSBlbnRpZGFkIHF1ZSBlamVyY2l0YSBsb3MgZGVyZWNob3Mgb3RvcmdhZG9zIGFsIGFtcGFybyBkZSBlc3RhIExpY2VuY2lhIHkgcXVlIGNvbiBhbnRlcmlvcmlkYWQgbm8gaGEgdmlvbGFkbyBsYXMgY29uZGljaW9uZXMgZGUgbGEgbWlzbWEgcmVzcGVjdG8gYSBsYSBPYnJhLCBvIHF1ZSBoYXlhIG9idGVuaWRvIGF1dG9yaXphY2nDs24gZXhwcmVzYSBwb3IgcGFydGUgZGVsIExpY2VuY2lhbnRlIHBhcmEgZWplcmNlciBsb3MgZGVyZWNob3MgYWwgYW1wYXJvIGRlIGVzdGEgTGljZW5jaWEgcGVzZSBhIHVuYSB2aW9sYWNpw7NuIGFudGVyaW9yLgoJICAKMi4gRGVyZWNob3MgZGUgVXNvcyBIb25yYWRvcyB5IGV4Y2VwY2lvbmVzIExlZ2FsZXMuCk5hZGEgZW4gZXN0YSBMaWNlbmNpYSBwb2Ryw6Egc2VyIGludGVycHJldGFkbyBjb21vIHVuYSBkaXNtaW51Y2nDs24sIGxpbWl0YWNpw7NuIG8gcmVzdHJpY2Npw7NuIGRlIGxvcyBkZXJlY2hvcyBkZXJpdmFkb3MgZGVsIHVzbyBob25yYWRvIHkgb3RyYXMgbGltaXRhY2lvbmVzIG8gZXhjZXBjaW9uZXMgYSBsb3MgZGVyZWNob3MgZGVsIGF1dG9yIGJham8gZWwgcsOpZ2ltZW4gbGVnYWwgdmlnZW50ZSBvIGRlcml2YWRvIGRlIGN1YWxxdWllciBvdHJhIG5vcm1hIHF1ZSBzZSBsZSBhcGxpcXVlLgogIAozLiBDb25jZXNpw7NuIGRlIGxhIExpY2VuY2lhLgpCYWpvIGxvcyB0w6lybWlub3MgeSBjb25kaWNpb25lcyBkZSBlc3RhIExpY2VuY2lhLCBlbCBMaWNlbmNpYW50ZSBvdG9yZ2EgYSBVc3RlZCB1bmEgbGljZW5jaWEgbXVuZGlhbCwgbGlicmUgZGUgcmVnYWzDrWFzLCBubyBleGNsdXNpdmEgeSBwZXJwZXR1YSAoZHVyYW50ZSB0b2RvIGVsIHBlcsOtb2RvIGRlIHZpZ2VuY2lhIGRlIGxvcyBkZXJlY2hvcyBkZSBhdXRvcikgcGFyYSBlamVyY2VyIGVzdG9zIGRlcmVjaG9zIHNvYnJlIGxhIE9icmEgdGFsIHkgY29tbyBzZSBpbmRpY2EgYSBjb250aW51YWNpw7NuOgphLiBSZXByb2R1Y2lyIGxhIE9icmEsIGluY29ycG9yYXIgbGEgT2JyYSBlbiB1bmEgbyBtw6FzIE9icmFzIENvbGVjdGl2YXMsIHkgcmVwcm9kdWNpciBsYSBPYnJhIGluY29ycG9yYWRhIGVuIGxhcyBPYnJhcyBDb2xlY3RpdmFzLgpiLiBEaXN0cmlidWlyIGNvcGlhcyBvIGZvbm9ncmFtYXMgZGUgbGFzIE9icmFzLCBleGhpYmlybGFzIHDDumJsaWNhbWVudGUsIGVqZWN1dGFybGFzIHDDumJsaWNhbWVudGUgeS9vIHBvbmVybGFzIGEgZGlzcG9zaWNpw7NuIHDDumJsaWNhLCBpbmNsdXnDqW5kb2xhcyBjb21vIGluY29ycG9yYWRhcyBlbiBPYnJhcyBDb2xlY3RpdmFzLCBzZWfDum4gY29ycmVzcG9uZGEuCmMuIERpc3RyaWJ1aXIgY29waWFzIGRlIGxhcyBPYnJhcyBEZXJpdmFkYXMgcXVlIHNlIGdlbmVyZW4sIGV4aGliaXJsYXMgcMO6YmxpY2FtZW50ZSwgZWplY3V0YXJsYXMgcMO6YmxpY2FtZW50ZSB5L28gcG9uZXJsYXMgYSBkaXNwb3NpY2nDs24gcMO6YmxpY2EuCgpMb3MgZGVyZWNob3MgbWVuY2lvbmFkb3MgYW50ZXJpb3JtZW50ZSBwdWVkZW4gc2VyIGVqZXJjaWRvcyBlbiB0b2RvcyBsb3MgbWVkaW9zIHkgZm9ybWF0b3MsIGFjdHVhbG1lbnRlIGNvbm9jaWRvcyBvIHF1ZSBzZSBpbnZlbnRlbiBlbiBlbCBmdXR1cm8uIExvcyBkZXJlY2hvcyBhbnRlcyBtZW5jaW9uYWRvcyBpbmNsdXllbiBlbCBkZXJlY2hvIGEgcmVhbGl6YXIgZGljaGFzIG1vZGlmaWNhY2lvbmVzIGVuIGxhIG1lZGlkYSBxdWUgc2VhbiB0w6ljbmljYW1lbnRlIG5lY2VzYXJpYXMgcGFyYSBlamVyY2VyIGxvcyBkZXJlY2hvcyBlbiBvdHJvIG1lZGlvIG8gZm9ybWF0b3MsIHBlcm8gZGUgb3RyYSBtYW5lcmEgdXN0ZWQgbm8gZXN0w6EgYXV0b3JpemFkbyBwYXJhIHJlYWxpemFyIG9icmFzIGRlcml2YWRhcy4gVG9kb3MgbG9zIGRlcmVjaG9zIG5vIG90b3JnYWRvcyBleHByZXNhbWVudGUgcG9yIGVsIExpY2VuY2lhbnRlIHF1ZWRhbiBwb3IgZXN0ZSBtZWRpbyByZXNlcnZhZG9zLCBpbmNsdXllbmRvIHBlcm8gc2luIGxpbWl0YXJzZSBhIGFxdWVsbG9zIHF1ZSBzZSBtZW5jaW9uYW4gZW4gbGFzIHNlY2Npb25lcyA0KGQpIHkgNChlKS4KICAgIAo0LiBSZXN0cmljY2lvbmVzLgpMYSBsaWNlbmNpYSBvdG9yZ2FkYSBlbiBsYSBhbnRlcmlvciBTZWNjacOzbiAzIGVzdMOhIGV4cHJlc2FtZW50ZSBzdWpldGEgeSBsaW1pdGFkYSBwb3IgbGFzIHNpZ3VpZW50ZXMgcmVzdHJpY2Npb25lczoKYS4gVXN0ZWQgcHVlZGUgZGlzdHJpYnVpciwgZXhoaWJpciBww7pibGljYW1lbnRlLCBlamVjdXRhciBww7pibGljYW1lbnRlLCBvIHBvbmVyIGEgZGlzcG9zaWNpw7NuIHDDumJsaWNhIGxhIE9icmEgc8OzbG8gYmFqbyBsYXMgY29uZGljaW9uZXMgZGUgZXN0YSBMaWNlbmNpYSwgeSBVc3RlZCBkZWJlIGluY2x1aXIgdW5hIGNvcGlhIGRlIGVzdGEgbGljZW5jaWEgbyBkZWwgSWRlbnRpZmljYWRvciBVbml2ZXJzYWwgZGUgUmVjdXJzb3MgZGUgbGEgbWlzbWEgY29uIGNhZGEgY29waWEgZGUgbGEgT2JyYSBxdWUgZGlzdHJpYnV5YSwgZXhoaWJhIHDDumJsaWNhbWVudGUsIGVqZWN1dGUgcMO6YmxpY2FtZW50ZSBvIHBvbmdhIGEgZGlzcG9zaWNpw7NuIHDDumJsaWNhLiBObyBlcyBwb3NpYmxlIG9mcmVjZXIgbyBpbXBvbmVyIG5pbmd1bmEgY29uZGljacOzbiBzb2JyZSBsYSBPYnJhIHF1ZSBhbHRlcmUgbyBsaW1pdGUgbGFzIGNvbmRpY2lvbmVzIGRlIGVzdGEgTGljZW5jaWEgbyBlbCBlamVyY2ljaW8gZGUgbG9zIGRlcmVjaG9zIGRlIGxvcyBkZXN0aW5hdGFyaW9zIG90b3JnYWRvcyBlbiBlc3RlIGRvY3VtZW50by4gTm8gZXMgcG9zaWJsZSBzdWJsaWNlbmNpYXIgbGEgT2JyYS4gVXN0ZWQgZGViZSBtYW50ZW5lciBpbnRhY3RvcyB0b2RvcyBsb3MgYXZpc29zIHF1ZSBoYWdhbiByZWZlcmVuY2lhIGEgZXN0YSBMaWNlbmNpYSB5IGEgbGEgY2zDoXVzdWxhIGRlIGxpbWl0YWNpw7NuIGRlIGdhcmFudMOtYXMuIFVzdGVkIG5vIHB1ZWRlIGRpc3RyaWJ1aXIsIGV4aGliaXIgcMO6YmxpY2FtZW50ZSwgZWplY3V0YXIgcMO6YmxpY2FtZW50ZSwgbyBwb25lciBhIGRpc3Bvc2ljacOzbiBww7pibGljYSBsYSBPYnJhIGNvbiBhbGd1bmEgbWVkaWRhIHRlY25vbMOzZ2ljYSBxdWUgY29udHJvbGUgZWwgYWNjZXNvIG8gbGEgdXRpbGl6YWNpw7NuIGRlIGVsbGEgZGUgdW5hIGZvcm1hIHF1ZSBzZWEgaW5jb25zaXN0ZW50ZSBjb24gbGFzIGNvbmRpY2lvbmVzIGRlIGVzdGEgTGljZW5jaWEuIExvIGFudGVyaW9yIHNlIGFwbGljYSBhIGxhIE9icmEgaW5jb3Jwb3JhZGEgYSB1bmEgT2JyYSBDb2xlY3RpdmEsIHBlcm8gZXN0byBubyBleGlnZSBxdWUgbGEgT2JyYSBDb2xlY3RpdmEgYXBhcnRlIGRlIGxhIG9icmEgbWlzbWEgcXVlZGUgc3VqZXRhIGEgbGFzIGNvbmRpY2lvbmVzIGRlIGVzdGEgTGljZW5jaWEuIFNpIFVzdGVkIGNyZWEgdW5hIE9icmEgQ29sZWN0aXZhLCBwcmV2aW8gYXZpc28gZGUgY3VhbHF1aWVyIExpY2VuY2lhbnRlIGRlYmUsIGVuIGxhIG1lZGlkYSBkZSBsbyBwb3NpYmxlLCBlbGltaW5hciBkZSBsYSBPYnJhIENvbGVjdGl2YSBjdWFscXVpZXIgcmVmZXJlbmNpYSBhIGRpY2hvIExpY2VuY2lhbnRlIG8gYWwgQXV0b3IgT3JpZ2luYWwsIHNlZ8O6biBsbyBzb2xpY2l0YWRvIHBvciBlbCBMaWNlbmNpYW50ZSB5IGNvbmZvcm1lIGxvIGV4aWdlIGxhIGNsw6F1c3VsYSA0KGMpLgpiLiBVc3RlZCBubyBwdWVkZSBlamVyY2VyIG5pbmd1bm8gZGUgbG9zIGRlcmVjaG9zIHF1ZSBsZSBoYW4gc2lkbyBvdG9yZ2Fkb3MgZW4gbGEgU2VjY2nDs24gMyBwcmVjZWRlbnRlIGRlIG1vZG8gcXVlIGVzdMOpbiBwcmluY2lwYWxtZW50ZSBkZXN0aW5hZG9zIG8gZGlyZWN0YW1lbnRlIGRpcmlnaWRvcyBhIGNvbnNlZ3VpciB1biBwcm92ZWNobyBjb21lcmNpYWwgbyB1bmEgY29tcGVuc2FjacOzbiBtb25ldGFyaWEgcHJpdmFkYS4gRWwgaW50ZXJjYW1iaW8gZGUgbGEgT2JyYSBwb3Igb3RyYXMgb2JyYXMgcHJvdGVnaWRhcyBwb3IgZGVyZWNob3MgZGUgYXV0b3IsIHlhIHNlYSBhIHRyYXbDqXMgZGUgdW4gc2lzdGVtYSBwYXJhIGNvbXBhcnRpciBhcmNoaXZvcyBkaWdpdGFsZXMgKGRpZ2l0YWwgZmlsZS1zaGFyaW5nKSBvIGRlIGN1YWxxdWllciBvdHJhIG1hbmVyYSBubyBzZXLDoSBjb25zaWRlcmFkbyBjb21vIGVzdGFyIGRlc3RpbmFkbyBwcmluY2lwYWxtZW50ZSBvIGRpcmlnaWRvIGRpcmVjdGFtZW50ZSBhIGNvbnNlZ3VpciB1biBwcm92ZWNobyBjb21lcmNpYWwgbyB1bmEgY29tcGVuc2FjacOzbiBtb25ldGFyaWEgcHJpdmFkYSwgc2llbXByZSBxdWUgbm8gc2UgcmVhbGljZSB1biBwYWdvIG1lZGlhbnRlIHVuYSBjb21wZW5zYWNpw7NuIG1vbmV0YXJpYSBlbiByZWxhY2nDs24gY29uIGVsIGludGVyY2FtYmlvIGRlIG9icmFzIHByb3RlZ2lkYXMgcG9yIGVsIGRlcmVjaG8gZGUgYXV0b3IuCmMuIFNpIHVzdGVkIGRpc3RyaWJ1eWUsIGV4aGliZSBww7pibGljYW1lbnRlLCBlamVjdXRhIHDDumJsaWNhbWVudGUgbyBlamVjdXRhIHDDumJsaWNhbWVudGUgZW4gZm9ybWEgZGlnaXRhbCBsYSBPYnJhIG8gY3VhbHF1aWVyIE9icmEgRGVyaXZhZGEgdSBPYnJhIENvbGVjdGl2YSwgVXN0ZWQgZGViZSBtYW50ZW5lciBpbnRhY3RhIHRvZGEgbGEgaW5mb3JtYWNpw7NuIGRlIGRlcmVjaG8gZGUgYXV0b3IgZGUgbGEgT2JyYSB5IHByb3BvcmNpb25hciwgZGUgZm9ybWEgcmF6b25hYmxlIHNlZ8O6biBlbCBtZWRpbyBvIG1hbmVyYSBxdWUgVXN0ZWQgZXN0w6kgdXRpbGl6YW5kbzogKGkpIGVsIG5vbWJyZSBkZWwgQXV0b3IgT3JpZ2luYWwgc2kgZXN0w6EgcHJvdmlzdG8gKG8gc2V1ZMOzbmltbywgc2kgZnVlcmUgYXBsaWNhYmxlKSwgeS9vIChpaSkgZWwgbm9tYnJlIGRlIGxhIHBhcnRlIG8gbGFzIHBhcnRlcyBxdWUgZWwgQXV0b3IgT3JpZ2luYWwgeS9vIGVsIExpY2VuY2lhbnRlIGh1YmllcmVuIGRlc2lnbmFkbyBwYXJhIGxhIGF0cmlidWNpw7NuICh2LmcuLCB1biBpbnN0aXR1dG8gcGF0cm9jaW5hZG9yLCBlZGl0b3JpYWwsIHB1YmxpY2FjacOzbikgZW4gbGEgaW5mb3JtYWNpw7NuIGRlIGxvcyBkZXJlY2hvcyBkZSBhdXRvciBkZWwgTGljZW5jaWFudGUsIHTDqXJtaW5vcyBkZSBzZXJ2aWNpb3MgbyBkZSBvdHJhcyBmb3JtYXMgcmF6b25hYmxlczsgZWwgdMOtdHVsbyBkZSBsYSBPYnJhIHNpIGVzdMOhIHByb3Zpc3RvOyBlbiBsYSBtZWRpZGEgZGUgbG8gcmF6b25hYmxlbWVudGUgZmFjdGlibGUgeSwgc2kgZXN0w6EgcHJvdmlzdG8sIGVsIElkZW50aWZpY2Fkb3IgVW5pZm9ybWUgZGUgUmVjdXJzb3MgKFVuaWZvcm0gUmVzb3VyY2UgSWRlbnRpZmllcikgcXVlIGVsIExpY2VuY2lhbnRlIGVzcGVjaWZpY2EgcGFyYSBzZXIgYXNvY2lhZG8gY29uIGxhIE9icmEsIHNhbHZvIHF1ZSB0YWwgVVJJIG5vIHNlIHJlZmllcmEgYSBsYSBub3RhIHNvYnJlIGxvcyBkZXJlY2hvcyBkZSBhdXRvciBvIGEgbGEgaW5mb3JtYWNpw7NuIHNvYnJlIGVsIGxpY2VuY2lhbWllbnRvIGRlIGxhIE9icmE7IHkgZW4gZWwgY2FzbyBkZSB1bmEgT2JyYSBEZXJpdmFkYSwgYXRyaWJ1aXIgZWwgY3LDqWRpdG8gaWRlbnRpZmljYW5kbyBlbCB1c28gZGUgbGEgT2JyYSBlbiBsYSBPYnJhIERlcml2YWRhICh2LmcuLCAiVHJhZHVjY2nDs24gRnJhbmNlc2EgZGUgbGEgT2JyYSBkZWwgQXV0b3IgT3JpZ2luYWwsIiBvICJHdWnDs24gQ2luZW1hdG9ncsOhZmljbyBiYXNhZG8gZW4gbGEgT2JyYSBvcmlnaW5hbCBkZWwgQXV0b3IgT3JpZ2luYWwiKS4gVGFsIGNyw6lkaXRvIHB1ZWRlIHNlciBpbXBsZW1lbnRhZG8gZGUgY3VhbHF1aWVyIGZvcm1hIHJhem9uYWJsZTsgZW4gZWwgY2Fzbywgc2luIGVtYmFyZ28sIGRlIE9icmFzIERlcml2YWRhcyB1IE9icmFzIENvbGVjdGl2YXMsIHRhbCBjcsOpZGl0byBhcGFyZWNlcsOhLCBjb21vIG3DrW5pbW8sIGRvbmRlIGFwYXJlY2UgZWwgY3LDqWRpdG8gZGUgY3VhbHF1aWVyIG90cm8gYXV0b3IgY29tcGFyYWJsZSB5IGRlIHVuYSBtYW5lcmEsIGFsIG1lbm9zLCB0YW4gZGVzdGFjYWRhIGNvbW8gZWwgY3LDqWRpdG8gZGUgb3RybyBhdXRvciBjb21wYXJhYmxlLiAgCmQuIFBhcmEgZXZpdGFyIHRvZGEgY29uZnVzacOzbiwgZWwgTGljZW5jaWFudGUgYWNsYXJhIHF1ZSwgY3VhbmRvIGxhIG9icmEgZXMgdW5hIGNvbXBvc2ljacOzbiBtdXNpY2FsOgoKaS4gUmVnYWzDrWFzIHBvciBpbnRlcnByZXRhY2nDs24geSBlamVjdWNpw7NuIGJham8gbGljZW5jaWFzIGdlbmVyYWxlcy4gRWwgTGljZW5jaWFudGUgc2UgcmVzZXJ2YSBlbCBkZXJlY2hvIGV4Y2x1c2l2byBkZSBhdXRvcml6YXIgbGEgZWplY3VjacOzbiBww7pibGljYSBvIGxhIGVqZWN1Y2nDs24gcMO6YmxpY2EgZGlnaXRhbCBkZSBsYSBvYnJhIHkgZGUgcmVjb2xlY3Rhciwgc2VhIGluZGl2aWR1YWxtZW50ZSBvIGEgdHJhdsOpcyBkZSB1bmEgc29jaWVkYWQgZGUgZ2VzdGnDs24gY29sZWN0aXZhIGRlIGRlcmVjaG9zIGRlIGF1dG9yIHkgZGVyZWNob3MgY29uZXhvcyAocG9yIGVqZW1wbG8sIFNBWUNPKSwgbGFzIHJlZ2Fsw61hcyBwb3IgbGEgZWplY3VjacOzbiBww7pibGljYSBvIHBvciBsYSBlamVjdWNpw7NuIHDDumJsaWNhIGRpZ2l0YWwgZGUgbGEgb2JyYSAocG9yIGVqZW1wbG8gV2ViY2FzdCkgbGljZW5jaWFkYSBiYWpvIGxpY2VuY2lhcyBnZW5lcmFsZXMsIHNpIGxhIGludGVycHJldGFjacOzbiBvIGVqZWN1Y2nDs24gZGUgbGEgb2JyYSBlc3TDoSBwcmltb3JkaWFsbWVudGUgb3JpZW50YWRhIHBvciBvIGRpcmlnaWRhIGEgbGEgb2J0ZW5jacOzbiBkZSB1bmEgdmVudGFqYSBjb21lcmNpYWwgbyB1bmEgY29tcGVuc2FjacOzbiBtb25ldGFyaWEgcHJpdmFkYS4KaWkuIFJlZ2Fsw61hcyBwb3IgRm9ub2dyYW1hcy4gRWwgTGljZW5jaWFudGUgc2UgcmVzZXJ2YSBlbCBkZXJlY2hvIGV4Y2x1c2l2byBkZSByZWNvbGVjdGFyLCBpbmRpdmlkdWFsbWVudGUgbyBhIHRyYXbDqXMgZGUgdW5hIHNvY2llZGFkIGRlIGdlc3Rpw7NuIGNvbGVjdGl2YSBkZSBkZXJlY2hvcyBkZSBhdXRvciB5IGRlcmVjaG9zIGNvbmV4b3MgKHBvciBlamVtcGxvLCBsb3MgY29uc2FncmFkb3MgcG9yIGxhIFNBWUNPKSwgdW5hIGFnZW5jaWEgZGUgZGVyZWNob3MgbXVzaWNhbGVzIG8gYWxnw7puIGFnZW50ZSBkZXNpZ25hZG8sIGxhcyByZWdhbMOtYXMgcG9yIGN1YWxxdWllciBmb25vZ3JhbWEgcXVlIFVzdGVkIGNyZWUgYSBwYXJ0aXIgZGUgbGEgb2JyYSAo4oCcdmVyc2nDs24gY292ZXLigJ0pIHkgZGlzdHJpYnV5YSwgZW4gbG9zIHTDqXJtaW5vcyBkZWwgcsOpZ2ltZW4gZGUgZGVyZWNob3MgZGUgYXV0b3IsIHNpIGxhIGNyZWFjacOzbiBvIGRpc3RyaWJ1Y2nDs24gZGUgZXNhIHZlcnNpw7NuIGNvdmVyIGVzdMOhIHByaW1vcmRpYWxtZW50ZSBkZXN0aW5hZGEgbyBkaXJpZ2lkYSBhIG9idGVuZXIgdW5hIHZlbnRhamEgY29tZXJjaWFsIG8gdW5hIGNvbXBlbnNhY2nDs24gbW9uZXRhcmlhIHByaXZhZGEuCiAgICAgIAplLiBHZXN0acOzbiBkZSBEZXJlY2hvcyBkZSBBdXRvciBzb2JyZSBJbnRlcnByZXRhY2lvbmVzIHkgRWplY3VjaW9uZXMgRGlnaXRhbGVzIChXZWJDYXN0aW5nKS4gUGFyYSBldml0YXIgdG9kYSBjb25mdXNpw7NuLCBlbCBMaWNlbmNpYW50ZSBhY2xhcmEgcXVlLCBjdWFuZG8gbGEgb2JyYSBzZWEgdW4gZm9ub2dyYW1hLCBlbCBMaWNlbmNpYW50ZSBzZSByZXNlcnZhIGVsIGRlcmVjaG8gZXhjbHVzaXZvIGRlIGF1dG9yaXphciBsYSBlamVjdWNpw7NuIHDDumJsaWNhIGRpZ2l0YWwgZGUgbGEgb2JyYSAocG9yIGVqZW1wbG8sIHdlYmNhc3QpIHkgZGUgcmVjb2xlY3RhciwgaW5kaXZpZHVhbG1lbnRlIG8gYSB0cmF2w6lzIGRlIHVuYSBzb2NpZWRhZCBkZSBnZXN0acOzbiBjb2xlY3RpdmEgZGUgZGVyZWNob3MgZGUgYXV0b3IgeSBkZXJlY2hvcyBjb25leG9zIChwb3IgZWplbXBsbywgQUNJTlBSTyksIGxhcyByZWdhbMOtYXMgcG9yIGxhIGVqZWN1Y2nDs24gcMO6YmxpY2EgZGlnaXRhbCBkZSBsYSBvYnJhIChwb3IgZWplbXBsbywgd2ViY2FzdCksIHN1amV0YSBhIGxhcyBkaXNwb3NpY2lvbmVzIGFwbGljYWJsZXMgZGVsIHLDqWdpbWVuIGRlIERlcmVjaG8gZGUgQXV0b3IsIHNpIGVzdGEgZWplY3VjacOzbiBww7pibGljYSBkaWdpdGFsIGVzdMOhIHByaW1vcmRpYWxtZW50ZSBkaXJpZ2lkYSBhIG9idGVuZXIgdW5hIHZlbnRhamEgY29tZXJjaWFsIG8gdW5hIGNvbXBlbnNhY2nDs24gbW9uZXRhcmlhIHByaXZhZGEuCiAgCjUuIFJlcHJlc2VudGFjaW9uZXMsIEdhcmFudMOtYXMgeSBMaW1pdGFjaW9uZXMgZGUgUmVzcG9uc2FiaWxpZGFkLgpBIE1FTk9TIFFVRSBMQVMgUEFSVEVTIExPIEFDT1JEQVJBTiBERSBPVFJBIEZPUk1BIFBPUiBFU0NSSVRPLCBFTCBMSUNFTkNJQU5URSBPRlJFQ0UgTEEgT0JSQSAoRU4gRUwgRVNUQURPIEVOIEVMIFFVRSBTRSBFTkNVRU5UUkEpIOKAnFRBTCBDVUFM4oCdLCBTSU4gQlJJTkRBUiBHQVJBTlTDjUFTIERFIENMQVNFIEFMR1VOQSBSRVNQRUNUTyBERSBMQSBPQlJBLCBZQSBTRUEgRVhQUkVTQSwgSU1QTMONQ0lUQSwgTEVHQUwgTyBDVUFMUVVJRVJBIE9UUkEsIElOQ0xVWUVORE8sIFNJTiBMSU1JVEFSU0UgQSBFTExBUywgR0FSQU5Uw41BUyBERSBUSVRVTEFSSURBRCwgQ09NRVJDSUFCSUxJREFELCBBREFQVEFCSUxJREFEIE8gQURFQ1VBQ0nDk04gQSBQUk9Qw5NTSVRPIERFVEVSTUlOQURPLCBBVVNFTkNJQSBERSBJTkZSQUNDScOTTiwgREUgQVVTRU5DSUEgREUgREVGRUNUT1MgTEFURU5URVMgTyBERSBPVFJPIFRJUE8sIE8gTEEgUFJFU0VOQ0lBIE8gQVVTRU5DSUEgREUgRVJST1JFUywgU0VBTiBPIE5PIERFU0NVQlJJQkxFUyAoUFVFREFOIE8gTk8gU0VSIEVTVE9TIERFU0NVQklFUlRPUykuIEFMR1VOQVMgSlVSSVNESUNDSU9ORVMgTk8gUEVSTUlURU4gTEEgRVhDTFVTScOTTiBERSBHQVJBTlTDjUFTIElNUEzDjUNJVEFTLCBFTiBDVVlPIENBU08gRVNUQSBFWENMVVNJw5NOIFBVRURFIE5PIEFQTElDQVJTRSBBIFVTVEVELgogIAo2LiBMaW1pdGFjacOzbiBkZSByZXNwb25zYWJpbGlkYWQuCkEgTUVOT1MgUVVFIExPIEVYSUpBIEVYUFJFU0FNRU5URSBMQSBMRVkgQVBMSUNBQkxFLCBFTCBMSUNFTkNJQU5URSBOTyBTRVLDgSBSRVNQT05TQUJMRSBBTlRFIFVTVEVEIFBPUiBEQcORTyBBTEdVTk8sIFNFQSBQT1IgUkVTUE9OU0FCSUxJREFEIEVYVFJBQ09OVFJBQ1RVQUwsIFBSRUNPTlRSQUNUVUFMIE8gQ09OVFJBQ1RVQUwsIE9CSkVUSVZBIE8gU1VCSkVUSVZBLCBTRSBUUkFURSBERSBEQcORT1MgTU9SQUxFUyBPIFBBVFJJTU9OSUFMRVMsIERJUkVDVE9TIE8gSU5ESVJFQ1RPUywgUFJFVklTVE9TIE8gSU1QUkVWSVNUT1MgUFJPRFVDSURPUyBQT1IgRUwgVVNPIERFIEVTVEEgTElDRU5DSUEgTyBERSBMQSBPQlJBLCBBVU4gQ1VBTkRPIEVMIExJQ0VOQ0lBTlRFIEhBWUEgU0lETyBBRFZFUlRJRE8gREUgTEEgUE9TSUJJTElEQUQgREUgRElDSE9TIERBw5FPUy4gQUxHVU5BUyBMRVlFUyBOTyBQRVJNSVRFTiBMQSBFWENMVVNJw5NOIERFIENJRVJUQSBSRVNQT05TQUJJTElEQUQsIEVOIENVWU8gQ0FTTyBFU1RBIEVYQ0xVU0nDk04gUFVFREUgTk8gQVBMSUNBUlNFIEEgVVNURUQuCiAgCjcuIFTDqXJtaW5vLgkKYS4gRXN0YSBMaWNlbmNpYSB5IGxvcyBkZXJlY2hvcyBvdG9yZ2Fkb3MgZW4gdmlydHVkIGRlIGVsbGEgdGVybWluYXLDoW4gYXV0b23DoXRpY2FtZW50ZSBzaSBVc3RlZCBpbmZyaW5nZSBhbGd1bmEgY29uZGljacOzbiBlc3RhYmxlY2lkYSBlbiBlbGxhLiBTaW4gZW1iYXJnbywgbG9zIGluZGl2aWR1b3MgbyBlbnRpZGFkZXMgcXVlIGhhbiByZWNpYmlkbyBPYnJhcyBEZXJpdmFkYXMgbyBDb2xlY3RpdmFzIGRlIFVzdGVkIGRlIGNvbmZvcm1pZGFkIGNvbiBlc3RhIExpY2VuY2lhLCBubyB2ZXLDoW4gdGVybWluYWRhcyBzdXMgbGljZW5jaWFzLCBzaWVtcHJlIHF1ZSBlc3RvcyBpbmRpdmlkdW9zIG8gZW50aWRhZGVzIHNpZ2FuIGN1bXBsaWVuZG8gw61udGVncmFtZW50ZSBsYXMgY29uZGljaW9uZXMgZGUgZXN0YXMgbGljZW5jaWFzLiBMYXMgU2VjY2lvbmVzIDEsIDIsIDUsIDYsIDcsIHkgOCBzdWJzaXN0aXLDoW4gYSBjdWFscXVpZXIgdGVybWluYWNpw7NuIGRlIGVzdGEgTGljZW5jaWEuCmIuIFN1amV0YSBhIGxhcyBjb25kaWNpb25lcyB5IHTDqXJtaW5vcyBhbnRlcmlvcmVzLCBsYSBsaWNlbmNpYSBvdG9yZ2FkYSBhcXXDrSBlcyBwZXJwZXR1YSAoZHVyYW50ZSBlbCBwZXLDrW9kbyBkZSB2aWdlbmNpYSBkZSBsb3MgZGVyZWNob3MgZGUgYXV0b3IgZGUgbGEgb2JyYSkuIE5vIG9ic3RhbnRlIGxvIGFudGVyaW9yLCBlbCBMaWNlbmNpYW50ZSBzZSByZXNlcnZhIGVsIGRlcmVjaG8gYSBwdWJsaWNhciB5L28gZXN0cmVuYXIgbGEgT2JyYSBiYWpvIGNvbmRpY2lvbmVzIGRlIGxpY2VuY2lhIGRpZmVyZW50ZXMgbyBhIGRlamFyIGRlIGRpc3RyaWJ1aXJsYSBlbiBsb3MgdMOpcm1pbm9zIGRlIGVzdGEgTGljZW5jaWEgZW4gY3VhbHF1aWVyIG1vbWVudG87IGVuIGVsIGVudGVuZGlkbywgc2luIGVtYmFyZ28sIHF1ZSBlc2EgZWxlY2Npw7NuIG5vIHNlcnZpcsOhIHBhcmEgcmV2b2NhciBlc3RhIGxpY2VuY2lhIG8gcXVlIGRlYmEgc2VyIG90b3JnYWRhICwgYmFqbyBsb3MgdMOpcm1pbm9zIGRlIGVzdGEgbGljZW5jaWEpLCB5IGVzdGEgbGljZW5jaWEgY29udGludWFyw6EgZW4gcGxlbm8gdmlnb3IgeSBlZmVjdG8gYSBtZW5vcyBxdWUgc2VhIHRlcm1pbmFkYSBjb21vIHNlIGV4cHJlc2EgYXRyw6FzLiBMYSBMaWNlbmNpYSByZXZvY2FkYSBjb250aW51YXLDoSBzaWVuZG8gcGxlbmFtZW50ZSB2aWdlbnRlIHkgZWZlY3RpdmEgc2kgbm8gc2UgbGUgZGEgdMOpcm1pbm8gZW4gbGFzIGNvbmRpY2lvbmVzIGluZGljYWRhcyBhbnRlcmlvcm1lbnRlLgogIAo4LiBWYXJpb3MuCmEuIENhZGEgdmV6IHF1ZSBVc3RlZCBkaXN0cmlidXlhIG8gcG9uZ2EgYSBkaXNwb3NpY2nDs24gcMO6YmxpY2EgbGEgT2JyYSBvIHVuYSBPYnJhIENvbGVjdGl2YSwgZWwgTGljZW5jaWFudGUgb2ZyZWNlcsOhIGFsIGRlc3RpbmF0YXJpbyB1bmEgbGljZW5jaWEgZW4gbG9zIG1pc21vcyB0w6lybWlub3MgeSBjb25kaWNpb25lcyBxdWUgbGEgbGljZW5jaWEgb3RvcmdhZGEgYSBVc3RlZCBiYWpvIGVzdGEgTGljZW5jaWEuCmIuIFNpIGFsZ3VuYSBkaXNwb3NpY2nDs24gZGUgZXN0YSBMaWNlbmNpYSByZXN1bHRhIGludmFsaWRhZGEgbyBubyBleGlnaWJsZSwgc2Vnw7puIGxhIGxlZ2lzbGFjacOzbiB2aWdlbnRlLCBlc3RvIG5vIGFmZWN0YXLDoSBuaSBsYSB2YWxpZGV6IG5pIGxhIGFwbGljYWJpbGlkYWQgZGVsIHJlc3RvIGRlIGNvbmRpY2lvbmVzIGRlIGVzdGEgTGljZW5jaWEgeSwgc2luIGFjY2nDs24gYWRpY2lvbmFsIHBvciBwYXJ0ZSBkZSBsb3Mgc3VqZXRvcyBkZSBlc3RlIGFjdWVyZG8sIGFxdcOpbGxhIHNlIGVudGVuZGVyw6EgcmVmb3JtYWRhIGxvIG3DrW5pbW8gbmVjZXNhcmlvIHBhcmEgaGFjZXIgcXVlIGRpY2hhIGRpc3Bvc2ljacOzbiBzZWEgdsOhbGlkYSB5IGV4aWdpYmxlLgpjLiBOaW5nw7puIHTDqXJtaW5vIG8gZGlzcG9zaWNpw7NuIGRlIGVzdGEgTGljZW5jaWEgc2UgZXN0aW1hcsOhIHJlbnVuY2lhZGEgeSBuaW5ndW5hIHZpb2xhY2nDs24gZGUgZWxsYSBzZXLDoSBjb25zZW50aWRhIGEgbWVub3MgcXVlIGVzYSByZW51bmNpYSBvIGNvbnNlbnRpbWllbnRvIHNlYSBvdG9yZ2FkbyBwb3IgZXNjcml0byB5IGZpcm1hZG8gcG9yIGxhIHBhcnRlIHF1ZSByZW51bmNpZSBvIGNvbnNpZW50YS4KZC4gRXN0YSBMaWNlbmNpYSByZWZsZWphIGVsIGFjdWVyZG8gcGxlbm8gZW50cmUgbGFzIHBhcnRlcyByZXNwZWN0byBhIGxhIE9icmEgYXF1w60gbGljZW5jaWFkYS4gTm8gaGF5IGFycmVnbG9zLCBhY3VlcmRvcyBvIGRlY2xhcmFjaW9uZXMgcmVzcGVjdG8gYSBsYSBPYnJhIHF1ZSBubyBlc3TDqW4gZXNwZWNpZmljYWRvcyBlbiBlc3RlIGRvY3VtZW50by4gRWwgTGljZW5jaWFudGUgbm8gc2UgdmVyw6EgbGltaXRhZG8gcG9yIG5pbmd1bmEgZGlzcG9zaWNpw7NuIGFkaWNpb25hbCBxdWUgcHVlZGEgc3VyZ2lyIGVuIGFsZ3VuYSBjb211bmljYWNpw7NuIGVtYW5hZGEgZGUgVXN0ZWQuIEVzdGEgTGljZW5jaWEgbm8gcHVlZGUgc2VyIG1vZGlmaWNhZGEgc2luIGVsIGNvbnNlbnRpbWllbnRvIG11dHVvIHBvciBlc2NyaXRvIGRlbCBMaWNlbmNpYW50ZSB5IFVzdGVkLgo=

Publicaciones similares