Saltar al contenido principal

12  Procesamiento e interpretación de imágenes

12.1 Flujo general

flowchart LR
  A[Búsqueda y<br>selección] --> B[Preprocesamiento<br>radiométrico y geométrico]
  B --> C[Realce y<br>composiciones]
  C --> D[Índices<br>espectrales]
  D --> E[Clasificación<br>supervisada / no supervisada / IA]
  E --> F[Validación<br>matriz de confusión]
  F --> G[Productos<br>mapas · estadísticas]

12.2 Preprocesamiento

Correcciones radiométricas

  • Calibración: de niveles digitales (ND) a radiancia y a reflectancia.
  • Corrección atmosférica: de reflectancia TOA a reflectancia de superficie (Sen2Cor, LaSRC, 6S). En la práctica, usa productos de nivel 2 cuando existan.
  • Corrección topográfica: compensa la iluminación diferencial en laderas (método C, Minnaert), crítica en los Andes.
  • Máscara de nubes y sombras: banda SCL de Sentinel-2, QA_PIXEL de Landsat o el producto Cloud Score+ en Earth Engine.

Correcciones geométricas

  • Ortorrectificación: elimina la distorsión por relieve usando un MDE.
  • Corregistro: alinea imágenes de distintas fechas o sensores con un error menor a medio píxel.

12.3 Composiciones en falso color

Tabla 12.1: Composiciones habituales
Composición (R-G-B) Sentinel-2 Landsat 8/9 Resalta
Color natural B4-B3-B2 B4-B3-B2 Visión humana
Infrarrojo color B8-B4-B3 B5-B4-B3 Vegetación en rojo
Agricultura B11-B8-B2 B6-B5-B2 Cultivos y suelo
Geología / quemas B12-B11-B4 B7-B6-B4 Áreas quemadas y minerales
Agua / tierra B8-B11-B4 B5-B6-B4 Límite agua–tierra

12.4 Índices espectrales

Tabla 12.2: Índices espectrales
Índice Fórmula Uso
NDVI \(\frac{NIR - R}{NIR + R}\) Vigor vegetal (Rouse et al., 1974)
NDWI (McFeeters) \(\frac{G - NIR}{G + NIR}\) Cuerpos de agua (McFeeters, 1996)
NDBI \(\frac{SWIR1 - NIR}{SWIR1 + NIR}\) Áreas construidas
NBR \(\frac{NIR - SWIR2}{NIR + SWIR2}\) Severidad de incendios (dNBR)
NDSI \(\frac{G - SWIR1}{G + SWIR1}\) Nieve
EVI \(2{,}5\frac{NIR - R}{NIR + 6R - 7{,}5B + 1}\) Vegetación densa
SAVI \(\frac{(NIR - R)(1 + L)}{NIR + R + L}\) Vegetación rala (zonas áridas) 
import numpy as np

def indice_normalizado(a, b):
    """(a - b) / (a + b) con manejo de división por cero."""
    a, b = a.astype("float32"), b.astype("float32")
    with np.errstate(divide="ignore", invalid="ignore"):
        return np.where((a + b) == 0, np.nan, (a - b) / (a + b))

# ndvi = indice_normalizado(nir, rojo)
# nbr  = indice_normalizado(nir, swir2)

Severidad de incendios (dNBR)

\[ dNBR = NBR_{pre} - NBR_{post} \tag{12.1}\]

Tabla 12.3: Umbrales de severidad dNBR
dNBR Severidad (USGS)
< 0,10 No quemado
0,10–0,27 Baja
0,27–0,44 Moderada-baja
0,44–0,66 Moderada-alta
> 0,66 Alta

12.5 Clasificación

Tabla 12.4: Enfoques de clasificación
Enfoque Algoritmos Cuándo usarlo
No supervisada K-means, ISODATA Exploración inicial sin datos de terreno
Supervisada clásica Máxima verosimilitud, SVM Pocas clases bien separadas
Aprendizaje automático Random Forest, Gradient Boosting Estándar actual en Earth Engine y QGIS
Aprendizaje profundo U-Net, transformadores Grandes volúmenes y objetos complejos
Modelos fundacionales Prithvi, embeddings AlphaEarth Pocos datos etiquetados (ver Capítulo 20)
Orientada a objetos (OBIA) Segmentación + clasificación Alta resolución (drones)

12.6 Validación

La matriz de confusión compara la clasificación con datos de referencia independientes:

  • Exactitud global = aciertos / total.
  • Exactitud del productor = error de omisión complementario.
  • Exactitud del usuario = error de comisión complementario.
  • Índice Kappa o, preferiblemente, estimadores de área ajustados (Olofsson et al.).
from sklearn.metrics import confusion_matrix, classification_report
# y_ref, y_pred = ...
# print(confusion_matrix(y_ref, y_pred))
# print(classification_report(y_ref, y_pred, digits=3))

12.7 Preguntas de repaso

  1. ¿Por qué se recomienda SAVI en lugar de NDVI en el Norte Grande?
  2. Interpreta un dNBR de 0,55 en un área de plantación forestal.
  3. ¿Qué diferencia hay entre la exactitud del productor y la del usuario?