 |
 |
Ejemplos de Mapas Generados desde
la Plataforma GSIM
José Luis Silván Cárdenas mayo 2024 Documento de consulta
GSIM es el acrónimo de Global Spectral Index Mapper, una app de índices espectrales desarrollado en Google Earth Engine Apps, a la cual se puede acceder desde el siguiente vínculo:
https://jsilvan.users.earthengine.app/view/indices-espectrales-globales
La plataforma permite el cómputo, visualización y descarga de más de 200 índices espectrales a partir de colecciones de imágenes satelitales de libre acceso que están disponibles en Google Earth Engine. La plataforma puede ser empleada para generar mapas de índices que luego puedes compartir vía el url o para descargar coberturas específicas. El índice es una banda calculada al vuelo a partir de las bandas disponibles en el compuesto, mientras que el compuesto es el mosaico creado a partir de las imágenes disponibles en un rango de fechas especificado.
Los ejemplos incluidos en este blog se han generado para ilustrar datos y funcionalidades disponibles en la plataforma. Las imágenes incluidas en el documento son copias estáticas de los mapas generados, pero puedes generar el mapa vivo en la plataforma dando click sobre ellas. Al abrir el url, el mapa se genera en el mismo orden en que fue construido, por lo que en el caso de mapas a dos paneles existen retrasos en su carga. Para asegurar la correcta generación del mapa no se debe interactuar con la app hasta que termine la construcción del mismo. (La vista del mapa interactivo podría variar respecto a la imagen por actualización de la app.)
Tabla de contenido
Gráficas de series de tiempo y otras herramientas de consulta
Visualización en dos paneles y operadores binarios
Uso de capas vectoriales pre-cargadas
Filtrado y enmascaramiento de nubes
Configuración del mapa
GSIM permite mostrar el índice y/o el compuesto sobre el que se basa el índice, en uno o dos paneles. También se puede configurar la forma cómo se despliega cada capa e incluir en el mapa una la leyenda de la(s) capa(s) activa(s), así como un mapa miniatura del área visible. Los siguientes ejemplos ilustran configuraciones a un solo panel.
|
El mapa por default corresponde al NDVI (Normalized Difference Vegetation Index) calculado a partir de compuestos de 8 días de la última toma disponible de MODIS-Terra SR 8-Day. |
|
|
|
Para incluir la leyenda active Map Appearance/Show legend. |
|
|
|
Este mapa muestra el SAVI (Soil Adjusted Vegetation Index) basado en imágenes Landsat 5 SR (TM) con corrección atmosférica tomadas entre el 18 de enero al 17 de febrero del 2001, en la zona del santuario de la Mariposa Monarca en Michoacán.
|
|
|
|
Usa Map Appearance/Show inset map para mostrar u ocultar el mapa de referencia. |
|
|
|
Este mapa muestra la variación del índice de salindad NDSaI (Normalized Difference Salinity Index) con imágenes Sentinel-2, durante la arribazón de sargazo en 26-jun-2019 hacia las costas de Cancún. La franja verde muestra una banda serpenteante de baja salinidad que corresponde al sargazo flotante. Se incluye el mapa llave y la leyenda del índice.
|
|
|
|
Puedes
compartir un mapa copiando el url de la barra o usa el botón |
|
|
|
El siguiente ejemplo muestra cómo se resaltan las plataformas petroleras de la Sonda de Campeche mediante el índice de área quemada NBR. |
|
|
|
Usa las
flechas |
|
|
|
Algunos índices emplean datos no espectrales, como son datos de altimetría de LiDAR o la velocidad de las corrientes marinas, entre otros. Un ejemplo es la altura de arbolado la cual tiene mucha relevancia en estudios de biomasa forestal y captura de carbono. |
||
|
Este mapa muestra la altura de arbolado estimada con un LiDAR satelital llamado The Geoscience Laser Altimeter System (GLAS), junto con mediciones in situ. |
|
|
|
Pedes cambiar la escala de colores asignada por default desde Configure Layers |
|
|
|
A diferencia de los índices derivados, el compuesto puede desplegarse como combinación de 3 bandas o una sola banda. En la leyenda, el índice aparece con su nombre, mientras que el compuesto aparece con el nombre de la colección y el rango de fechas del compuesto. |
|
|
|
Este mapa muestra el compuesto en falso color (RGB: red-nir-blue) de Landsat 9 SR sobre la zona urbana de la Ciudad de México donde se han configurado los límites de saturación para realzar la mancha urbana. |
|
|
|
Activa o
desactiva las capas desde Configure layers y usa el
botón |
|
|
|
En algunos casos, las bandas de visualización del compuestos son calculadas al vuelo para mejorar su interpretación. Tal es el caso de los datos de elevación de terreno a los cuales se les anexa una banda de relieve sombreado, y los conjuntos de datos de velocidad del mar o el viento a los que se les agrega una visualizacion HSV de las componentes, la cual considera la dirección de la velocidad como el color, y la magnitud de la velocidad como la intensidad y saturación. |
||
|
Este mapa muestra la banda de relieve sombreado de la colección SRTM 90m para un área alrededor del Pico de Orizaba, Veracruz. |
|
|
|
Este mapa muestra la velocidad superficial del mar de HYCOM WV (HYbrid Coordinate Ocean Model, Water Velocity) para el 3 de Jun del 2021 donde se puede observar la corriente de lazo en el golfo de México como una cinta multicolor. |
|
|
|
El sensor VIIRS (Visible Infrared Imaging Radiometer Suite) está a bordo de los satélites conjuntos NASA/NOAA Suomi National Polar-orbiting Partnership (Suomi NPP) y NOAA-20. VIIRS recopila imágenes visibles e infrarrojas junto con observaciones globales de la tierra, la atmósfera, la criosfera y el océano de la Tierra. |
||
|
Este mapa muestra la banda de luces nocturnas del sensor VIIRS. Se aplicó semitransparencia al índice para dejar entrever el mapa base. |
|
|
|
Configura la trasparencia desde Configure Layers o desde el menú Layers en el mapa. El último método no actualiza el URL sino hasta que hay un cambio de la extensión del mapa. |
|
|
|
TROPOMI (TROPOspheric Monitoring Instrument) es un sensor abordo del satélite Sentinel 5 Precursor (Sentinel-5P) de la Agencia Espacial Europea diseñado para registrar la composición de la atmósfera a una resolución aproximada de 3.5km x 5.5km por pixel. |
||
|
Este mapa muestra la distribución de dióxido de azufre registrado por Sentinel-5P en la región central del país en abril del 2019, cuando numerosos incendios azotaron el Estado de México, Ciudad de México, Puebla y Michoacán. |
|
|
|
Usa Map Appearance/Select a base map para seleccionar un mapa de fondo. |
|
|
|
Durante la creación del compuesto GSIM agrega una banda que cuenta el número de adquisiciones que se combinan para generar el compuesto en una banda llamada count, la cual puede ser usada en la visualización del compuesto. |
||
|
Este mapa muestra la banda count del compuesto de Landsat 9 donde se puede ver la cobertura para México entre el 30 de octubre y 29 de noviembre del 2021. |
|
|
para cambiar la posición de la legenda
y del mapa llave
para seleccionar la combinación de
bandas, los límites de saturación y otros parámetros de despliegue.
Los umbrales (Index Operations/Apply threshold mask) son útiles para detectar valores del índice por encima o por debajo de un valor de referencia. Los siguientes mapas ilustran el uso de un umbral para detectar zonas de interés.
|
El espesor óptico es una medida de la transmisión de la luz a través de la atmósfera. Se mide en kilómetros y representa la distancia que puede atravesar la luz antes de ser atenuada hasta cierto nivel. |
|
|
En este mapa se muestra el espesor óptico por encima de 0.3 de aerosoles con partículas del orden de los 0.47 micrones (banda verde) captada por el sensor MODIS Terra & Aqua (pixel de 1 grado) en julio del 2021 donde se aprecia la nube de polvo que vuela desde el desierto del Sahara hacia el Caribe en el continente Americano. |
|
|
Los cuerpos de agua son fácilmente detectados con sensores ópticos usando el NDVI, ya que el agua absorbe la radiación infrarroja ocasionando que el NDVI presente valores negativos sobre los cuerpos de agua. A diferencia de los sensores ópticos que son pasivos, el RADAR es un sensor activo que registra la retrodisperción de rayos en longitudes de ondas de microondas que son emitidos desde el mismo sensor. Debido a ello, pueden penetrar la vegetación y permiten el estudio de la humedad de suelo en zonas con vegetación. |
|
|
Este mapa muestra la detección del Lago de Chapala empleando el NDVI con MODIS SR. Note que la opción Invert mask pixels está activa para considerar los valores por debajo del valor de umbral. |
|
|
Use el botón Vectorize mask para convertir la máscara en polígonos, la cual puede ser descargada desde Download data/Geometry layers (KML). |
|
|
El Convenio Ramsar define un humedal como la "zona de la superficie terrestre que está temporal o permanentemente inundada, regulada por factores climáticos y en constante interrelación con los seres vivos que la habitan". Además de ser hábitat de numerosas especies, los humedales cumplen la función de filtros naturales del agua mediante la vegetación hidrófila que se desarrolla en estos ecosistemas. |
|
|
En este mapa se empleó la retrodispersión VH de Sentinel 1 de noviembre del 2020 para detectar las áreas húmedas e inundadas de los humedales de la cuenca del río Usumacinta. |
|
|
Este ejemplo emplea los datos de elevación SRTM 30m (Shuttle Radar Topography Mission, 2000) para mostrar lo que le pasaría a la isla Ciudad del Carmen, Campeche si el nivel del mar aumentara 3m. |
|
|
Este mapa muestra un derrame en la sonda de Campeche. Se muestra la polarización VV de Sentinel-1 (12-jul-2023) de valores por debajo de -23 dB coloreados con una rampa de color y sobrepuesto en el compuesto rgb VH-VV-VV. En este último el mar se ve en azul y el derrame en tonos oscuros (hay que ocultar el índice VV para ver el compuesto completo). La retrodispersión VV es menor en área del derrame debido a que este es sensible a la estructura vertical del mar, es decir el oleaje, el cual se suaviza por la densidad del aceite. La estimación del área en esta vista según la app es de 335 Km2 aprox. |
|
GSIM permite generar algunas gráficas de consultas puntuales, lineales y de área, los cuales se pueden exportar como CSV o como imagen. Las siguientes figuras, muestran ejemplos del uso de gráficas de series de tiempo para determinar el momento cuando ocurrió un evento o para determinar una tendencia. Para activar las consultas, activa la casilla Advanced Operation/Enable queries. En esa sección puedes configurar la consulta de punto, línea o área. La generación de series de tiempo demanda tiempo de computo, se sugiere paciencia.
|
Este mapa muestra cómo se detecta el socavón en Santa María Zacatepec, Puebla, México empleando imágenes de radar Sentinel-1A del 7 de junio del 2021. La serie temporal de la polarización VV da cuenta de la acumulación de agua como una caída abrupta. |
|
|
Usa la flecha de la esquina superior derecha de la gráfica para abrirla en otra pestaña desde donde la puede exportar. |
|
|
Estudios recientes han puesto de manifiesto que la descomposición de los cuerpos enterrados ocasiona un incremento en la concentración de Nitrógeno en la vegetación circundante, ya que éste es usado por las plantas para generar la clorofila en las hojas. Por su parte la clorofila es un pigmento que puede ser detectado con algunos índices espectrales, como el RECI (Red Edge Chloropyll Index). |
|
|
Este mapa muestra la distribución del RECI calculado con Sentinel-2 TOA para el sitio donde en 2016 se descubriera una de las fosas más grandes del país en Colinas de Santa Fe, Veracruz. La serie de tiempo indica una tendencia general positiva lo que confirmaría el enriquecimiento de Nitrógeno en el punto. |
|
|
La temperatura de brillo de la superficie terrestre es el valor de temperatura si asumimos que ésta se comporta como un cuerpo negro o emisor perfecto, el cual, por definición, emite todo lo que absorbe (emisividad = 1). En general, la temperatura superficial no es igual que la temperatura de brillo debido a que diferentes materiales tienen diferente emisividad. |
|
|
En este mapa se muestra la distribución de la temperatura de brillo que midió Landsat 8 en la banda de los 11 micrómetros de longitud de onda sobre Hermosillo, Sonora el 2 de junio de 2018. La gráfica muestra la serie de tiempo en el punto marcado, indicando un incremento en el valor máximo de poco más de un grado, desde el inicio de operación de Landsat 8 en 2013 hasta el presente.
|
|
|
Los satélites no pueden censar la población directamente, pero empleando tecnologías de minería de datos espaciales que permiten procesar, analizar y extraer conocimiento a partir de una gran cantidad de datos heterogéneos, como datos de imágenes satelitales globales, datos de censos y otras fuentes de información, es que se ha logrado generar imágenes de la distribución de población a nivel global. Un ejemplo es el conjunto GHSL (Global Human Settlement Layers) que contiene la población de 1975-1990-2000-2015 para cada kilómetro cuadrado de la tierra. |
|
|
Este mapa muestra los datos del GHSL de 2015 en la ZMVM, con la gráfica de la evolución de la población en el punto marcado.
|
|
|
Puedes usar la gráfica de una serie de tiempo para cargar el compuesto e índices de una fecha particular haciendo click en el punto de la gráfica correspondiente a la fecha deseada. |
|
|
Este mapa muestra el índice OSI (Oil Spill Index) con una Landsat 5 SR (TM) tomada el 23-abril-2010 en el punto de la explosión de DeepWater Horizon ocurrida el 20 de abril del 2010 ubicado en las coordenadas 28°44′12″N 88°23′14″O. La serie temporal muestra la variación del índice durante todo el 2010.
|
|
|
Puedes cambiar los límites de la serie de tiempo en la sección Image composite/Time slicing |
|
|
Este ejemplo muestra el compuesto de MODIS SR con la opción Index Operations/Inpect clicked point/Include spectral signature chart habilitada. Al hacer click en el mapa, la gráfica de la firma espectral se incluirá en el panel de consulta. Prueba haciendo click en puntos con distintas coberturas para generar firmas como las que se incluyen abajo.
|
|
|
Además de las series temporales, se puede consultar la firma espectral del compuesto, esto es los valores de las bandas en el punto seleccionado. |
|
|
Cuando una geometría compatible está seleccionada y se habilita una herramienta de consulta, ésta es empleada para realizar la primera consulta. |
|
|
Al activar la vista de dos paneles active (Map Appearance/Duplicate map) se duplica el compuesto y el índice en una vista de dos paneles. Cualquier actualización del índice que se haga posteriormente se aplicará únicamente al panel izquierdo, manteniendo el panel derecho intacto. La vista de dos paneles puede ser útil para comparar un índice en dos fechas, dos índices de un mismo compuesto, dos compuestos, etc. También se habilitan algunas opciones de consulta y operaciones que requieren dos índices. |
|
|
Este mapa compara el índice de algas flotantes (FAI) y el índice de salinidad (NDSal) durante el arribazón de sargazo en el caribe mexicano. En ambos paneles se observaba la franja de sargazo. Sin embargo, por su baja salinidad, los navíos también se destacan con el NDSaI, pero no con el FAI.
|
|
|
Use la herramienta de diagrama de dispersión (Index Operations/Compute área stats/Include scatterplot) para generar un scatterplot como este. |
|
|
Todas las operaciones de consulta y opciones seleccionadas se hacen en mapa del panel izquierdo, que es el panel principal. Si desea aplicar alguna operación al panel derecho debe intercambiarlos haciendo clic en Map appearence/Swap map layers |
|
|
Una aplicación típica de los dos paneles es la comparación de un mismo índice en dos momentos diferentes para detectar cambios de interés. La vista de dos con divisor deslizante permite hacer esto visualmente, pero también puedes calcular operaciones binarias a partir de los dos índices desplegados.
|
|
|
Este mapa compara el índice de estres hídrico DWSI (Disease Water Stress Index) basado en compuestos de Landsat 8 SR de 90 días para 2013 en el panel izquierdo y 2022 en panel derecho.
|
|
|
Puedes activar la opción Apply binary operator para calcular un índice a partir de los índices en los dos paneles. El resultado de los operadores binarios reemplaza el índice del panel izquierdo, mientras que el panel derecho queda intacto. Al desactivar el operador binario se recupera el índice del panel izquierdo. |
|
|
La termografía diferencial es una técnica para descubrir oquedades en el subsuelo mediante la diferencia de temperatura antes de la salida del sol y por la tarde. La diferencia absoluta o relativa entre dos tomas permite diferenciar entre suelos con oquedades o materiales de diferente inercia térmica. |
|
|
Este mapa muestra la diferencia normalizada (panel izq.) entre la temperatura de día el 18-May-2021 (ASTER TOA DT) y la temperatura de noche el 20-May-2021 (ASTER TOA NT), solo un par de semanas antes de que ocurriera el colapso Santa María Zacatepec, Puebla, México. Los tonos azules indican que el suelo se calentó muy poco y los tonos en rojo indican que se calentó mucho respecto a la noche. Los primeros, por lo tanto podrían estar relacionados con oquedades o cuerpos de agua subterráneos. El marcador indica el punto exacto del colapso. |
|
|
Este ejemplo ilustra el empleo del índice de área quemada (BAI - Burn Area Index) para estimar el área quemada en Iztaccíhuatl tras un incendio ocurrido en febrero de 2021. El panel derecho muestra el BAI antes del incendio y el izquierdo, el BAI después del incendio, pero normalizado respecto al derecho y con un umbral de 0.3 para detectar el área quemada. |
|
|
En la sección Apply threshold mask puedes consultar el área de la máscara en el área visible en km2. Al ajustar el área visible del mapa se actualizará el valor del área. |
|
|
Este mapa ilustra la detección del crecimiento de la mancha urbana. El panel derecho muestra el NUACI (Normalized Urban Areas Composite Index) para el año 1985 con Landsat-5 y el panel izquierdo muestra la diferencia normalizada del NUACI en 2020 con Landsat-8 (relativo al de 1985). Se aplicó un umbral para mostrar valores positivos que indican un crecimiento relativo en el valor del índice. Note que la mayor parte del crecimiento se localiza en las periferias, notablemente al sur de la ciudad hacia el suelo de conservación. |
|
|
El Tamarix es un género arbustivo importado desde Asia y otras regiones de Europa hacia Norteamérica desde principios del siglo XIX. Por sus raíces profundas y resistencia a la salinidad, el Departamento de Agricultura de los Estados Unidos (USDA) lo plantó en las orillas de los ríos de zonas semiáridas como un método de estabilización del canal, pero con los años la especie original se hibridó y comenzó a desplazar las especies nativas y, sin un depredador natural, se convirtió en una maleza indeseable que disecaba los ríos, a través de los cuales se dispersó hacia nuestro país. |
|
|
Este mapa usa la diferencia normalizada del SIPI2 (Structure Insensitive Pigment Index 2) para detectar la distribución de Tamarix en el Rio Bravo, cerca del pueblo fronterizo Candelaria, Texas. La clave de la detección se basa en la comparación del índice en primavera (panel derecho) cuando las hojas son verdes y en otoño (panel izquierdo), cuando su color se torna café, lo cual no ocurre con las especies nativas. |
|
|
Este mapa usa el operador binario Flow para visualizar las componentes de velocidad X y Y de la superficie marina contenidas en el conjunto de datos HYCOM. El operador Flowlines hace un muestreo a la escala del mapa por lo que su apariencia depende del nivel de acercamiento cuando se selecciona la opción. Para probarlo, deshabilítalo y has un alejamiento del mapa y luego actívalo nuevamente. |
|
|
Usa el operador Flowlines para visualizar cantidades vectoriales, donde el color representa la magnitud y la flecha, la dirección. |
|
Las operaciones espaciales se aplican sobre el índice seleccionado usando Index Operations/Apply spatial operator. Éstas incluyen operaciones de textura basadas en la matriz de co-ocurrencia, en filtros espaciales y en operaciones hidrológicas. Los operadores espaciales se calculan a la escala del mapa, por lo que el usuario debe ajustar primero la escala del mapa y posteriormente aplicar el operador espacial.
|
La matriz de Co-ocurrencia es una distribución bi-variada que cuantifica la frecuencia con la que un pixel central y un pixel vecino presentan valores conjuntos. Se emplea para calcular descriptores de texturas, los cuales a su vez se usan en la detección y clasificación de ciertos tipos de cobertura. |
|
|
En este mapa se empleó el operaor IDM (Inverse Distance Moment) sobre la banda pancromática de Landsat 8 para realzar los campos de cultivos de Sahuayo de Morelos (abril 2021). El IDM presenta valores altos en zonas homogéneas, por lo que es útil para delinear parcelas de cultivos (tonos rojos) separadas por caminos.
|
|
|
Ajuste el rango del índice (Index range) y habilite la casilla Aply pre-scaling para realzar el efecto del operador espacial |
|
|
Además de la matriz de co-ocurrencia se cuenta con algunos operadores espaciales como el gradiente y el Laplaciano. |
|
|
Este mapa compara el área del aeropuerto de Santa Lucía entre marzo de 2018 y marzo de 2021 con imágenes de Landsat 8. Se sobrepone el gradiente (Grad) de la banda pancromática con enmascaramiento para realzar los bordes de la infraestructura antes y después de las obras. |
|
|
Los operadores hidrológicos son operaciones espaciales pensadas para aplicarse sobre un modelo digital de terreno, aunque se pueden aplicar a cualquier índice previo re-escalamiento de sus valores (en cuyo caso se usan los valores definidos en index range). |
|
|
En este mapa muestra una implementación del método de direcciones infinitas para la acumulación de flujo (flowAcc2) sobre el modelo digital de terreno de datos LiDAR proporcionados por el INEGI. Se ha aplicado un umbral para los pixeles que presentan un mayor flujo. |
|
|
Recuerda que los operadores espaciales, como el gradiente, se calculan a la resolución del mapa, no de la imagen, por lo que su apariencia es dependiente de la escala del mapa |
|
GSIM permite cargar capas para la ubicación rápida del área de interés (Área of interest/Use a vector layer), las cuales también pueden ser usadas para realizar consultas de información. Proporcione la ruta completa de un recurso (Asset) tipo FeatureCollection y opcionalmente el nombre de un atributo para consultar cuando seleccione un elemento.
|
Este mapa muestra una máscara de detección (panel izquierdo) de Tamarix en el río Bavíspe, Sonora. La detección se logra comparando el índice SIPI2 en dos momentos que capturan un cambio fenológico distintivo de la especie. Los globos indican la ocurrencia de la especie confirmada por la CONABIO entre 2011-2012. |
|
|
Este ejemplo muestra los puntos de derrumbe de edificios sobre una capa de la diferencia normalizada de la Retrodispersión VH Sentinel-1 antes y después del temblor del 19 de septiembre de 2017 en la CDMX. Las áreas rojas muestran los cambios más pronunciados. Es razonable que muchos de los cambios no estén asociados a derrumbes de edificios, pero seguramente sí a la respuesta por la emergencia. |
|
|
Este ejemplo muestra el índice Surface basado en la colección llamada Continuo Mexicano de Elevaciones (CEM V3) a lo largo de un tramo del tren maya. Al índice se le aplicó una paleta de colores periódica para destacar los niveles de elevación. La línea muestra el trazo aproximado del tren maya.
|
|
|
Puedes emplear una geometría cargada o dibujada para realizar una consulta de punto, línea o área.
|
|
|
Seleccione la línea y activa la herramienta de consulta para generar un perfil del terreno a todo lo largo del trazo, como el que se muestra en la gráfica.
|
|
|
Este mapa muestra la aplicación del operador espacial Depth (profundidad de depresiones) al índice Surface del Continuo Mexicano de Elevaciones (CEM V3) en la península de Yucatán. Nuevamente, la línea corresponde al trazo aproximado de la ruta del Tren Maya. La profundidad de depresiones se calcula sustrayendo de la superficie una versión con hoyos rellenados. |
|
Las nubes son un rasgo indeseable cuando se quiere mapear o detectar coberturas de suelo. Hay varias formas de reducir o eliminar los efectos de las nubes en las imágenes, incluyendo combinación de varias escenas, enmascaramiento, filtrado y operaciones morfológicas. Los ejemplos presentados a continuación ilustran cómo se puede hacer esto en GSIM.
|
Este mapa muestra los compuestos de Landsat 8 SR empleando el período original de 16 días (derecha) y un período ampliado a 3 meses (izquierda). Este último asegura que se abarque más de una fecha toma, las cuales se combinan mediante el reductor de mediana reduciendo así la cobertura de nubes. |
|
|
Puedes configurar cómo se combinan las escenas individuales en un compuesto que se emplea para calcular el índice desde la sección Image Composite/Time slicing. |
|
|
Esta versión del mapa además aplica el enmascaramiento de nubes, reduciendo aún más la cobertura de nubes, con la desventaja que genera huecos. |
|
|
Sólo las colecciones que han sido procesadas a nivel de reflectancia a la superficie (SR) cuentan con la máscara de nubes que se requiere para este procesamiento. |
|
|
En este mapa muestra los compuestos en color verdadero de Landsat 8 en dos niveles de procesamiento: con corrección atmosférica (Landsat 8 SR) a la derecha y sin corrección atmosférica (Landsat 8 TOA) a la izquierda. |
|
|
Otra alternativa consiste en filtrar las escenas que no cumplan con un porcentaje de nubes máximo, como en este ejemplo. Este métodos es recomendado cuando el período es muy abierto y se puede garantizar que habrá escenas que cumplen el umbral. |
|
|
El histograma de escenas muestra el número de escenas que cumplen con la restricción para la vista actual del mapa. Puede ser usado para cambiar rápidamente a otra fecha con datos dando click en una barra. |
|
|
Cuando no se cuentan con suficientes escenas ni versiones con corrección atmosférica, se puede aplicar un operador morfológico al índice como en este ejemplo que muestra la banda verde de ASTER TOA de julio del 2016 antes (derecha) y después de aplicar el operador espacial Opening (izquierda). |
|
Son datos que no se encuentran en la plataforma de Googgle Earth Engine, y que fueron cargados como Assets personales accesibles desde GSIM. Éstos incluyen conjuntos de datos que fueron proporcionados por terceros y algunos que fueron generados en el CentroGeo (algunos datos pueden tener restricciones en su descarga). Actualmente se cuenta con los siguientes:
1. SPOT 6 – Colección que contienen algunas imágenes del satélite SPOT 6 proporcionadas por la SEMAR
2. SPOT 7 – Colección que contienen algunas imágenes del satélite SPOT 7 proporcionadas por la SEMAR
3. RapidEye – Colección que contienen algunas imágenes del satélite RapidEye proporcionadas por la CONABIO
4. WV2 – Colección que contienen algunas imágenes del satélite WorldView 2 adquiridas por el CentroGeo
5. CEM V3- Colección que contiene el continuo Mexicano de Elevaciones V3.0 generado por el INEGI (algunos ejemplos con estos datos se mostraron en la sección anterior).
6. MDEAR LIDAR- Colección conformada por los modelos digitales de elevaciones de alta resolución LiDAR generados por el INEGI
7. DJIPhoto – Es una colección que contiene ortomosaicos RGB y modelos digitales de elevación (DSM y DTM, el DHM se calcula al vuelo) generados a partir de fotografía aérea adquirida con un dron Phantom 4 con cámara CMOS y procedimientos fotogramétricos. La colección DJIPhoto cuenta con las siguientes bandas:
blue - banda del azul del ortomosaico RGB.
green - banda del verde del ortomosaico RGB.
red - banda del rojo del ortomosaico RGB.
dsm – modelo digital de superficie generado a partir de la nube de puntos
dtm – modelo digital de terreno generado a partir de la nube de puntos
hillshade – modelo de luces y sombras del dtm (se genera en la plataforma).
8. DJIP4MS – Es una colección que contiene ortomosaicos multiespectrales de 5 bandas generados a partir de fotografía aérea multiespectral adquirida con un dron DJI Phantom P4 multiespectral y procedimientos fotogramétricos. Las imágenes cuentan con una resolución de 10-25cm, pero con una cobertura limitada a unos cuantos sitios, sobre todo sitios de búsqueda forense o sitios urbanos.
9. Sentinel-2 RECI-TDHA – es una colección que contiene el resultado del análisis armónico de las series del índice de clorofila de la pared roja (RECI) calculado con Sentinel-2. El análisis abarcó 4 años (2 antes y 2 después de la fecha de referencia) y se cuenta con dos coberturas para México, 2017 y 2019. Cuenta con las siguientes bandas:
Bias – término constante del modelo
Trend – coeficiente del término lineal del modelo
Even – coeficiente del termino coseno del modelo
Odd – coeficiente del término seno del modelo
Residual – es el residuo del ajuste del modelo a los datos
10. TimeMapSt – Es una colección que contiene el análisis te tiempo de viaje (en minutos) desde calles en centros urbanos hasta cada pixel de 30 metros de México. El tiempo de viaje se estimó a partir de un modelo de desplazamiento que toma en cuenta la velocidad máxima de la red de caminos, la pendiente del terreno, los cuerpos de agua y la densidad de vegetación. El compuesto se generó tomando el sistema de referencia row-path WRS-2 de Landsat. Cada escena contiene tres bandas:
travel- es el tiempo de viaje mínimo (en minutos) estimado mediante la minimización de una función de costo acumulado.
origin-corresponde a la máscara de asentamientos considerados como el origen
velmax- corresponde a la velocidad máxima en el pixel (km/hra)
|
Este mapa muestra el índice Height generado de la colección MDEAR LIDAR en área de la avenida Paseo de la Reforma en la CDMX. Note la distribución de los edificios más altos a lo largo de dicha avenida.
|
|
|
Este mapa muestra la banda Trend disponible en la colección Sentinel-2 RECI-TDHA. Use la herramienta de consulta puntual para graficar los coeficientes de un punto.
|
|
|
Algunos índices están pensados para ser calculados a partir de colecciones como la Sentinel-2 RECI-TDHA. Por ejemplo Amplitude y Phase se generan a partir de las bandas Odd y Even, y corresponden a la amplitud de oscilación y a la fase de oscilación en grados (1-ene es cero grado y 31-dic es 360 grados). |
|
|
Este mapa corresponde a la fase de la serie de tiempo en la colección Sentinel-2 RECI-TDHA.
|
|
|
Este mapa corresponde a la amplitud de a serie de tiempo disponible en la colección Sentinel-2 RECI-TDHA. |
|
|
En Este mapa muestra una visualización del índice Travel – Travel time [min] del compuesto TimeMapSt, donde se ha usado un reductor MIN para reducir las discontinuidades entre las escenas. |
|
|
Las otras bandas de la colección TimeMapSt sólo pueden ser visualizadas como compuesto. Para ello hay que habilitar la visualización del compuesto y desde la leyenda ir a configuración y seleccionar la opción de una banda, seleccionar la banda deseada y el mapa de colores. |
|
|
Este mapa muestra la banda de velocidades (velmax) en escala de color, donde se ha hecho un acercamiento para poder apreciar la red de caminos, la cual tendrá velocidades superiores a las velocidades de campo traviesa.
|
|
|
Este mapa muestra el ortomosaico del sitio de búsqueda forense denominado La Bartolina, Tamaulipas. Se muestra la elevación del terreno (DTM) con umbral para mostrar la extensión del lago cuando este alcanza un nivel de 45 metros sobre el nivel del mar. |
|
|
Este mapa muestra la acumulación de flujo basado en el modelo digital de terreno generado a partir de fotogrametría digital para el área de búsqueda de la Barranca la Carnicería en Cocula, Guerrero. Note que el flujo acumulado es generado aplicando el operador espacial FlowAcc2 al índice DTM. |
|
|
Este mapa muestra el índice DSM semitransparente sobre el modelo sombreado del terreno en un área de búsqueda en el Ejido Zapata, del estado de Coahuila. |
|
|
Desactiva la vista satelital para poder hacer un mayor acercamiento. |
|
|
También en Coahuila, se encuentra este sitio conocido como Las Marraneras, donde actualmente se realizan búsquedas forenses. El mapa corresponde a la elevación de la superficie. |
|
|
Este mapa muestra la distribución del TCARI basado en imágenes multiespectrales (Phantom 4P Multiespectral) para el sitio de búsqueda conocido como Los Gavilanes, en Coahuila. |
|
|
Este mapa muestra el ortomosaico de la imagen multiespectral en un sitio de prueba en Hidalgo. El punto marcado corresponde al área contaminada con cal. Se muestra la firma espectral del punto. |
|
|
Este mapa corresponde al índice RECI (Red Edge Chloropyll Index) en el sitio de prueba de MilpaAlta. Los manchones verdes sobre el área descubierta corresponden a sitios de inhumación controlada. |
|
|
Este mapa muestra la distribución del GCI (Green Chloropyll Index) en el sitio de prueba La Muralla. Los valores bajos (tonos azules) en el sitio de inhumación dan cuenta de la inhibición del crecimiento de la vegetación, presumiblemente por causa los entierros. |
|
|
Este mapa corresponde al sitio de búsqueda de Coacoyula, en el cual se muestra un sombreado del DSM sobrepuesto en el DTM con un mapa de colores periódicos para resaltar líneas al mismo nivel de elevación. Note que se aplicó el operador espacial Hillshade al índice seleccionado, el DTM, mientras que la imagen del compuesto corresponde a la banda de elevación del terreno (dtm). |
|
|
Este mapa muestra en el panel izquierdo la diferencia de la temperatura diurna y nocturna, ésta última se muestra en el panel derecho, de un sitio de inhumación controlada ubicado en la alcaldía MilpaAlta. El terreno se había podado descartar la influencia de vegetación. |
|
GSIM permite descargar datos del compuesto, el índice, las geometrías e incluso animaciones del índice seleccionado. Al abrir la sección Download Data se visualiza un rectángulo en de color cyan en el mapa, el cual se puede ajustar para definir el área de descarga de los datos. El nivel de acercamiento que tenga el mapa impacta la resolución espacial de los datos descargados. Puedes ajustar la extensión y resolución de la descarga desde el panel de control ajustando los controles deslizantes. Los botones con la etiqueta Refresh actualizan un link de descarga de los datos seleccionados. Al dar click en el link se realiza la descarga en otra pestaña. Asegúrate de que las ventanas emergentes no sean bloqueadas. Si el conjunto de datos supera los 32 MB no se genera el link y en su lugar aparece un mensaje en rojo indicando que se superó el límite de descarga, en cuyo caso puedes aumentar el tamaño de pixel o reducir el área de descarga.
La generación de las animaciones requiere que la colección cuente con suficientes tomas. El etiquetado de las tramas hace uso del paquete gena:text, tomando en cuenta el nivel de acercamiento para definir el tamaño de la etiqueta. Los siguientes son ejemplos de animaciones generadas desde la App.
|
Animación del huracán OTIS observados con el satélite GOES16 en las bandas WV2 durante su arribo a las costas de Acapulco guerrero. La imagen de fondo es el relieve sombreado SRTM 90m con limites estatales. |
|
|
Aplica un umbral al índice para animar solo los pixeles visibles. La imagen de fondo será por default el compuesto. Para usar un fondo diferente define el compuesto del panel derecho. Si hay una capa de Asset se dibujará sobre el fondo. |
|
|
Animación de las luces nocturnas captadas con VIIRS DNB durante y posterior al impacto del huracán OTIS en Acapulco Guerrero. |
|
|
Ajusta los parámetros Start date y End date de la sección Image Composite para limitar el rango de fechas de la animación. El parámetros Frame rate controla la velocidad de la animación. |
|
|
Progresión de la mancha urbana entre 1985-2000 al sur de la CDMX empleando el NUACI con Landsat 5 SR. Se emplearon compuestos de media anuales con enmascaramiento de nubes y una velocidad de reproducción de una trama por segundo. |
|
|
Animación del lago de Chapala empleando la máscara ge agua del conjunto Global Surface Water. |
|
|
Animación de la actividad del volcán Popocatepetl entre 2017-2018 visto a través de Sentinel-1 GRDV en polarización VH. En 2017 el volcán presentó muchas exhalaciones y el 28 de septiembre una fuerte explosión. |
|
|
Esta animación muestra la ocurrencia de anomalías térmicas y fuego (FTA de FIRMS) en el estado de Campeche durante el año 2020. Se emplea de fondo el compuesto en falso color de MODIS. Note que las plataformas de la Sonda de Campeche se detectan constantemente como anomalías. |
|
|
Esta animación muestra la dinámica del aerosol (AOD) registrada por MODIS Terra entre 2014-2024. |
|
