¿Qué es el sitio web?

Cartografía Digital: Tu Espacio de conocimientos de SIG, Managua (2025)

13/05/2025

🌍💧 Detección de cuerpos de agua con imágenes satelitales🌱

La identificación y el monitoreo de diferentes tipos de cuerpos de agua superficial en la Tierra son necesarios para numerosas disciplinas científicas y usos industriales y son de suma importancia para mantener todas las formas de vida y ecosistemas. El agua superficial se refiere al agua en la superficie de la Tierra, incluidos los humedales, ríos o lagos.

Hoy queremos compartir con ustedes un mapa de ejercicio donde se aplica el Índice de Agua de Diferencia Normalizada (NDWI) que es utilizado para resaltar el aspecto de las masas de agua en una imagen de satélite. Para ello, se reduce considerablemente la reflectancia del suelo y la vegetación, lo que permite que dichas masas de agua “destaquen” en la imagen 🛰️

También incluimos una comparativa con el Índice de Agua de Diferencia Normalizada Modificada (MNDWI) diferencia eficazmente entre el agua y las zonas urbanas en las imágenes de satélite. Este método utiliza las bandas espectrales verde visible (VERDE) e infrarrojo de onda corta 1 (SWIR1). 🌇🌊

La imagen fue procesada en Google Earth Engine a partir de datos del sensor Harmonized Sentinel-2 MSI: MultiSpectral Instrument, Level-2A (SR) 📊

Referencias

Del-Pozo-Velázquez, J., Chamorro-Posada, P., Aguiar-Pérez, J. M., Pérez-Juárez, M. Á., & Casaseca-De-La-Higuera, P. (2022). Water Detection in Satellite Images Based on Fractal Dimension. Fractal and Fractional, 6(11), 657. https://doi.org/10.3390/fractalfract6110657

EOS Data Analytics. (2023, noviembre 7). NDWI: Fórmula del índice e interpretación de valores. https://eos.com/es/make-an-analysis/ndwi/

Laonamsai, J., Julphunthong, P., Saprathet, T., Kimmany, B., Ganchanasuragit, T., Chomcheawchan, P., & Tomun, N. (2023). Utilizing NDWI, MNDWI, SAVI, WRI, and AWEI for Estimating Erosion and Deposition in Ping River in Thailand. Hydrology, 10(3), 70. https://doi.org/10.3390/hydrology10030070

Space4Water. (2020). Modified Normalized Difference Water Index (MNDWI). https://www.space4water.org/taxonomy/term/1246

17/12/2024

Severidad de incendio (ΔNBR)

Los incendios forestales, ya sean naturales o provocados, destruyen grandes extensiones de vegetación, generando un grave impacto en los ecosistemas y su biodiversidad. Identificar y evaluar la severidad de estos incendios es clave para comprender su alcance y tomar acciones efectivas.

Una forma de aproximarnos a este análisis es a través del Índice Normalizado de Área Quemada (NBR), que utiliza las bandas NIR (infrarrojo cercano) y SWIR (infrarrojo de onda corta) para estimar los daños. La vegetación saludable tiene alta reflectancia en NIR y baja en SWIR, mientras que las áreas quemadas muestran el comportamiento opuesto, facilitando su identificación.

¿Cómo se proceso el mapa hicimos?

A partir de la plataforma Google Earth Engine y usando imágenes del satélite Sentinel-2, elaboramos un mapa de severidad para Cajamarca, Perú, siguiendo la clasificación propuesta por United Nations (2024).

Para esto:

Se analizaron imágenes de agosto y octubre, con nubosidad entre el 30% y 10%, aplicando máscaras de nubes y un cálculo de media.
Validamos los cambios detectados con los puntos de calor obtenidos por VIIRS S-NPP, correspondientes a septiembre.

⚠️ Consideraciones importantes ⚠️:

El cambio en cuerpos de agua puede aparecer en el análisis, pero no necesariamente indica un incendio.

Algunas zonas no afectadas también pueden mostrar cambios que no son por incendio, recordando que hay que delimitarse siempre las zonas afectadas por un experto.

Por ello, este mapa representa una primera aproximación, para hacer los mapas siempre se recomienda la validación con información de campo y metodologías según sea el caso.

🌍 Este trabajo surge a pedido de nuestro grupo de Telegram, con el objetivo de brindar una referencia inicial sobre la severidad de los incendios ocurridos en septiembre en la región de Cajamarca.

La evaluación de incendios es un proceso complejo, pero este tipo de herramientas nos permite acercarnos a entender su impacto y tomar mejores decisiones.

Grupo de telegram donde debatimos mapas:
https://t.me/+J0-pmCKqHx9mOGYx
Página web:
https://cartografiadigital31.wixsite.com/cartgraf
Donaciones:
https://www.paypal.com/paypalme/CartografiaDigitalT

01/12/2024

Índice de Humedad de Diferencia Normalizada (NDMI)

El Índice de Humedad de Diferencia Normalizada (NDMI) detecta los niveles de humedad en la vegetación utilizando una combinación de bandas espectrales de infrarrojo cercano (NIR) e infrarrojo de onda corta (SWIR). Es un indicador confiable de estrés hídrico en cultivos EOS Data Analytics (2023).

Landsat 8-9, NDMI = (Band 5 – Band 6) / (Band 5 + Band 6).

En esta ocasión, presentamos el mapa del municipio de Pereira, Colombia, elaborado con Google Earth Engine. Para su creación, se integraron imágenes de Landsat 8 y 9, aplicando la clasificación propuesta por EOS Data Analytics (2023).

Grupo de telegram donde debatimos mapas:
https://t.me/+J0-pmCKqHx9mOGYx
Página web:
https://cartografiadigital31.wixsite.com/cartgraf
Donaciones:
https://www.paypal.com/paypalme/CartografiaDigitalT

24/11/2024

índice Topográfico de Humedad (TWI)

De acuerdo con Riihimäki et al. (2021), el Índice Topográfico de Humedad (TWI) fue desarrollado para modelar procesos hidrológicos y es útil para identificar áreas saturadas. Además, se utiliza como indicador de la humedad del suelo en investigaciones relacionadas con el carbono, microclimas, geomorfología y vegetación.

Según Martínez (2012), el TWI es un índice que describe la tendencia de un terreno a acumular agua, calculado a partir de los DEM como:

TWI = Ln(A/Tan(B))

donde A es el área específica de contribución (m²) y B el ángulo de la pendiente local. Este índice considera el balance de masa, evaluando la tendencia del terreno a recibir o evacuar agua, aunque no incorpora las condiciones de infiltración y transmisividad. Es ampliamente utilizado en estudios relacionados con vegetación, suelos, remociones en masa e hidrología en terrenos no planos.

A continuación presentamos de manera de ejercicio, utilizando un DEM de 12.5 metros de resolución y procesado en ArcGis Desktop 10.8, siendo esta zona con elevaciones entre 0 y 76 msnm, por lo cual, es meramente de ejercicio.

Grupo de telegram donde debatimos mapas:
https://t.me/+J0-pmCKqHx9mOGYx
Página web:
https://cartografiadigital31.wixsite.com/cartgraf
Donaciones:
https://www.paypal.com/paypalme/CartografiaDigitalT

Referencias
Gisandbeers. (2018). Cálculo del Indice Topográfico de Humedad TWI. Https://Www.Gisandbeers.Com. https://www.gisandbeers.com/calculo-del-indice-topografico-de-humedad-twi/

Martínez, L. (2012). Modelos digitales de elevación como fuente de datos para estudios de recursos naturales. En Avances de la investigación Agronomica II (pp. 75–82).

Riihimäki, H., Kemppinen, J., Kopecký, M., & Luoto, M. (2021). Topographic Wetness Index as a proxy for soil moisture: The importance of flow-routing algorithm and grid resolution. Water Resources Research, 57(10), e2021WR029871. https://doi.org/10.1029/2021WR029871

, , ,

19/11/2024

Volvemos a estar activos, nos hemos renovado y este fin de semana se viene publicación de Índice Topográfico de Humedad TWI

31/08/2024

Índice de Vegetación Ajustado al Suelo Optimizado (OSAVI)

El OSAVI es un índice diseñado para detectar la variabilidad en la densidad del dosel vegetal, minimizando la sensibilidad al brillo del suelo cuando hay diferentes tipos de suelo presentes. Es especialmente eficaz en áreas con vegetación escasa, donde el suelo es visible a través del dosel, y cuando el NDVI se satura en zonas de alta densidad de plantas (Geoportal del Ayuntamiento de Madrid, 2024).

Según EOS (2024), el OSAVI es una versión modificada del índice SAVI que utiliza la reflectancia en el espectro del infrarrojo cercano y del rojo, con un ajuste estándar del factor de fondo del dosel de 0.16.

Fórmula: OSAVI = (NIR – RED) / (NIR + RED + 0.16)

A continuación presentamos un ejemplo de su aplicación en la provincia de Chupaca, Perú, para los meses de septiembre de 2023 y 2024, utilizando una paleta de colores adecuada para destacar su uso. El análisis fue realizado con Google Earth Engine.

Grupo de telegram donde debatimos mapas:
https://t.me/+J0-pmCKqHx9mOGYx
Página web:
https://cartografiadigital31.wixsite.com/cartgraf
Donaciones:
https://www.paypal.com/paypalme/CartografiaDigitalT

Referencias

Geoportal del Ayuntamiento de Madrid. (2024). índices de vegetación (pp. 1-5).https://geoportal.madrid.es/fsdescargas/IDEAM_WBGEOPORTAL/SATELITE/MAPAS_VEGETACION/IndicesVegetacion.pdf

Sergieieva, K. (2022). Índices De Vegetación En La Agricultura Digital. https://eos.com. https://eos.com/es/blog/indices-de-vegetacion/

shp utilizados:
https://www.geogpsperu.com/

, , ,

25/08/2024

🗺️ Mapa de Precipitación

Hoy les compartimos un mapa de ejemplo que muestra la precipitación en la Cuenca Chamán, Perú.

Utilizamos datos del satélite CHIRP Pentad, con una resolución de 5.5 km y 43 años de información, además, para generar este mapa, aplicamos una interpolación IDW, todo realizado a través de Google Earth Engine.

Según Sendalib S.A (2018), la cuenca Chamán tiene un clima predominantemente desértico y de estepa, con precipitaciones muy escasas, especialmente en las áreas más altas. Los suelos son principalmente yermosoles cálcicos y gípsicos, caracterizados por su textura arenosa y alta salinidad, así como fluviosoles. Las formaciones vegetales incluyen dunas litorales, lomas, bosques de galería y desiertos.

Se puede decir que la cuenca Chamán actúa como subcuenca de la cuenca Jequetepeque, y su caudal depende de la capacidad de las acequias (Sendalib S.A, (2018).

Grupo de telegram donde debatimos mapas:
https://t.me/+J0-pmCKqHx9mOGYx
Página web:
https://cartografiadigital31.wixsite.com/cartgraf
Donaciones:
https://www.paypal.com/paypalme/CartografiaDigitalT

Referencias:

Laureano, F., Fernández, J. & Rodríguez, V. (2015). Hidrogeología de la cuenca de los ríos Jequetepeque (13774) y
Chamán (137752). Regiones Cajamarca, La Libertad y Lambayeque - [Boletín H 4].
https://repositorio.ingemmet.gob.pe/handle/20.500.12544/371

Sedalib S.A. (2018). Diagnóstico hídrico rápido de la Cuenca del Río Jequetepeque como fuente de agua y servicios ecosistémicos hídricos
para la EPS Sedalib S.A.https://sedalib.com.pe/upload/drive/32019/20190305-5941539840.pdf

,

21/07/2024

Índice de Salinidad del Suelo de la Vegetación (VSSI)

La salinidad del suelo a menudo se mide utilizando instrumentos geofísicos que miden la conductividad eléctrica del suelo. El análisis químico de muestras aún se usa a veces, pero con menos frecuencia debido a los altos costos asociados y el tiempo requerido. Estos instrumentos no pueden implementarse con frecuencia y son más difíciles de usar a gran escala (Omonov et al., 2022).

En su lugar, las imágenes satelitales pueden monitorear eficazmente los recursos territoriales debido a su ventaja espacial y temporal de datos. La teledetección (RS) se utiliza ampliamente para monitorear diversos fenómenos ambientales, incluida la salinidad del suelo. Debido a sus variaciones espaciotemporales, se ha convertido en una herramienta poderosa y económicamente eficiente para analizar áreas afectadas por la sal (Omonov et al., 2022).

Douaoui et al. (2006), citado por Omonov et al. (2022), demostraron que las imágenes satelitales como Landsat 8 OLI pueden estimar el nivel de salinidad de la superficie terrestre con alta precisión.

En esta ocasión, les presentamos el Índice de Salinidad del Suelo de la Vegetación (VSSI), el cual se calcula mediante la siguiente fórmula:

VSSI = 2xGreen – 5*(Red + NIR)

Para ilustrar su aplicación, hemos realizado una prueba en el Departamento de Carazo, Nicaragua, con fines meramente de ejemplo, utilizando la ecuación obtenida por Nguyen et al. (2018).

Ellos obtuvieron la siguiente ecuación:

Y = 50.59e^2.4683x
R2 = 0.6957

El mapa se elaboró a partir de imágenes Landsat 8 desde enero hasta mayo de 2024, procesado en Google Earth Engine.

Grupo de telegram donde debatimos mapas:
https://t.me/+J0-pmCKqHx9mOGYx
Página web:
https://cartografiadigital31.wixsite.com/cartgraf
Donaciones:
https://www.paypal.com/paypalme/CartografiaDigitalT

Referencias:

Nguyen, K.A., Yuei-An Liou*, PH. Tran, et al. 2020: Soil salinity assessment by using an indicator derived from Landsat 8 OLI data: A case study in the Tra Vinh Province, Mekong Delta, Vietnam, Progress in Earth and Planetary Science, 7, 1 (2020) doi:10.1186/s40645-019-0311-0.

Omonov, A., Fitriyah, A., Kato, T. & Kawabata, Y. (2022). Comparison of soil salinity indices based on satellite imagery analysis in Syrdarya province, Uzbekistan. https://doi.org/10.14976/jals.32.S_155

Z.H.Aliyev & S.X.Shukurov. (2021). “Soil salinity research and mapping using Remote sensing GIS.”, Journal of Agricultural Research Pesticides and Biofertilizers, (5); DOI:http;//doi.org/05.2021/1.1021.

Zhang, Z., Fan, Y., Zhang, A. & Jiao, Z. (2023). Baseline-Based Soil Salinity Index (BSSI): A Novel Remote Sensing Monitoring Method of Soil Salinization. Vol. 16, pp. 202-2014.

15/07/2024

Próximo mapa a publicar, salinidad!

Ya iniciaremos a publicar mapas con normalidad

17/06/2024

Índice de suelo desnudo modificado (MBI)

En esta ocasión les traemos un índice interesante, que destaca sobre su uso, en este caso, el suelo.

El índice de suelo desnudo modificado (MBI) es una herramienta desarrollada para mejorar la identificación de suelos desnudos utilizando las bandas NIR, SWIR1 y SWIR2 del satélite Landsat 8. Inicialmente basado en un índice de dos bandas (NSDS) que destacaba el suelo desnudo pero también la vegetación, el MBI incorpora la banda NIR para debilitar las señales de vegetación, haciendo que las áreas de suelo desnudo sean más prominentes. Para facilitar la clasificación, se añadió un factor de ajuste (f=0.5), que redistribuye los umbrales del índice haciendo que oscile entre -0.5 y +1.5, destacando el suelo desnudo con valores positivos. Esto permite una diferenciación entre suelos desnudos, áreas urbanizadas y vegetación, siendo especialmente útil en regiones tropicales con suelos desnudos estacionales (Nguyen et al., 2021).

A continuación, se presenta un mapa de ejemplo elaborado a partir de imágenes de Landsat 8 y Landsat 9, fusionadas para obtener una imagen libre de nubosidad y aplicar el índice. El proceso de enmascaramiento, cálculo y descarga se realizó en Google Earth Engine para la zona de Milán, Colombia.

Grupo de telegram donde debatimos mapas:
https://t.me/+J0-pmCKqHx9mOGYx
Página web:
https://cartografiadigital31.wixsite.com/cartgraf
Donaciones:
https://www.paypal.com/paypalme/CartografiaDigitalT

Referencias:

Nguyen, C.T.; Chidthaisong, A.; Kieu Diem, P.; Huo, L.-Z. A Modified Bare Soil Index to Identify Bare Land Features during Agricultural Fallow-Period in Southeast Asia Using Landsat 8. Land 2021, 10, 231. https://doi.org/10.3390/land10030231

, ,

31/05/2024

Tesela de terreno a 5 metros

Un Modelo Digital de Elevación (DEM) es una representación ráster de una superficie continua, generalmente de la superficie terrestre. La precisión de estos datos está determinada principalmente por la resolución, que es la distancia entre los puntos de muestra. Otros factores que afectan la precisión incluyen el tipo de datos (entero o punto flotante) y el muestreo real de la superficie al crear el DEM original (ArcGis, 2024).

Actualmente, existen numerosas fuentes que permiten descargar DEMs con cobertura mundial para zonas específicas de forma gratuita y sin restricciones de uso. La disponibilidad, actualización y mejora de la calidad y precisión de los DEMs son un gran aporte para diversos estudios (ICarto, 2022).

En este caso, les presentamos el uso de terrenos de Tesela distribuidos de manera gratuita por EOS DATA. EOS DATA LandViewer es una plataforma de imágenes de satélite que permite buscar, procesar y obtener información valiosa de los datos de satélite para abordar problemas comerciales reales.

Los datos de elevación que EOS DATA distribuye varían en calidad, llegando a una resolución de hasta 4.7 metros. Les mostramos dos aplicaciones utilizando esta información: el volcán Apoyeque, ubicado en Managua, Nicaragua, y el volcán Masaya. La elección de estos sitios permite observar elevaciones y pendientes con buena resolución.

Recordamos que la metodología aplicada consiste en descargar los datos a partir de una zona determinada. Después de encontrarlos, se procede a la descarga y su procesamiento puede realizarse en ArcGIS o QGIS. En ArcGIS, primero se crea un mosaico de ráster, se aplica la herramienta Fill y luego se utilizan las herramientas necesarias para el análisis.

Grupo de telegram donde debatimos mapas:
https://t.me/+J0-pmCKqHx9mOGYx
Página web:
https://cartografiadigital31.wixsite.com/cartgraf
Donaciones:
https://www.paypal.com/paypalme/CartografiaDigitalT

Referencia:

ArcGis. (2024). Explorar los modelos digitales de elevación. https://pro.arcgis.com. https://pro.arcgis.com/es/pro-app/latest/tool-reference/spatial-analyst/exploring-digital-elevation-models.htm

Earth Observing System (EOS) Land Viewer. (2024). Teselas de Terreno. https://eos.com. https://eos.com/landviewer/?lat=12.24516&lng=-86.33261&z=15&preset=terrainTiles

ICarto. (2022). Modelos digitales de elevaciones para estudios hidrológicos. https://icarto.es. https://icarto.es/modelos-digitales-de-elevaciones-para-estudios-hidrologicos/

, , , ,

Cartografía Digital: Tu Espacio de conocimientos de SIG

13/05/2025

17/12/2024

01/12/2024

24/11/2024

19/11/2024

31/08/2024

25/08/2024

21/07/2024

15/07/2024

17/06/2024

31/05/2024

Dirección

Página web

Notificaciones

Contato La Empresa

Atajos

Compartir

Categoría