‹ volver al glosario de SIG

Análisis de imágenes satelitales

Definición

El análisis de imágenes de satélite transforma imágenes en bruto en información interpretable mediante métodos de detección, clasificación, segmentación y series temporales. El proceso comienza con la calibración del sensor y la ortorrectificación, seguido de la extracción de características como índices, texturas y medidas de objetos. Los analistas aplican algoritmos de teledetección clásica y de aprendizaje profundo moderno para mapear la cobertura del suelo, detectar cambios, estimar variables biofísicas y medir actividades humanas como nuevas construcciones. Las buenas prácticas exigen el uso de datos de entrenamiento representativos, validación cruzada y una documentación clara de las limitaciones.

Solicitud

Los gobiernos utilizan los análisis para la regulación del uso del suelo, los subsidios agrícolas y el monitoreo forestal. Los equipos humanitarios mapean el desplazamiento y los daños tras los desastres. Los aseguradores e inversionistas evalúan la exposición al riesgo y el cumplimiento. Los científicos ambientales estudian los glaciares, los lagos y la biodiversidad. Debido a que las imágenes son frecuentes y consistentes, revelan tendencias que son difíciles de capturar únicamente con encuestas de campo.

Preguntas frecuentes

¿Cómo se elige entre los enfoques basados en píxeles y los basados en objetos?

Los métodos basados en píxeles son rápidos y funcionan bien cuando las clases difieren espectralmente a la resolución del sensor. El análisis basado en objetos segmenta las imágenes en fragmentos significativos y utiliza la forma, la textura y el contexto, lo que ayuda en entornos urbanos y datos de alta resolución. A menudo, un enfoque híbrido ofrece el mejor rendimiento, utilizando objetos para el contexto y píxeles para el detalle espectral.

¿Cuál es el papel del aprendizaje por transferencia en el análisis satelital?

Las redes convolucionales preentrenadas aportan características espaciales generales que reducen las necesidades de datos de entrenamiento. El ajuste fino (fine tuning) en datos locales etiquetados adapta el modelo a los materiales y la iluminación regionales. Es crucial comprobar la presencia de desviaciones de dominio (domain shift) al aplicar los modelos a nuevos sensores o climas.

climas.

¿Cómo pueden los analistas evitar la detección de cambios espurios debidos a los ciclos estacionales o al ángulo de visión?

Normalice según el ángulo solar, utilice la reflectancia de la superficie, compare estaciones similares e incluya metadatos angulares. Los modelos de series temporales que buscan cambios persistentes funcionan mejor que la simple diferenciación de dos fechas. Las máscaras de calidad que eliminan nubes y sombras son fundamentales.

¿Qué preocupaciones éticas deberían guiar el análisis satelital de la actividad humana?

Proteja la privacidad evitando detalles innecesarios sobre las personas, respete los sitios sensibles y sea transparente sobre la incertidumbre. Trabaje con las comunidades afectadas y utilice las imágenes para mejorar los servicios y la seguridad, no para atacar o discriminar. Siga las reglas de concesión de licencias y reconozca adecuadamente las fuentes de datos.