Programa del congreso

La temperatura de la superficie terrestre (LST, por sus siglas en inglés) es una variable climática esencial para la vigilancia del sistema climático terrestre. Para garantizar su obtención precisa a partir de datos satelitales, es importante validar las LST derivada de satélites y garantizar que cumplen los umbrales de exactitud y precisión requeridos. En este trabajo, aplicamos un algoritmo split-window dependiente de la emisividad para el sensor SLSTR a bordo de Sentinel-3A y 3B. Este algoritmo es validado junto con el producto LST operacional de Sentinel-3 SLSTR con datos tomados in-situ en un arrozal. Los resultados de la validación muestran un error sistemático global (mediana) de 0,11 y 0,25 K y un error aleatorio (desviación estándar robusta) de 0,88 y 0,79 K para Sentinel-3A y Sentinel-3B respectivamente. Para el producto LST operacional de SLSTR, se obtuvo un error sistemático de 1,56 y 2,0 K y un error aleatorio de 0,92 y 0,82 K para Sentinel-3A y Sentinel-3B respectivamente.

Las áreas ribereñas en todo el mundo son ecosistemas valiosos cuya dinámica ecológica depende fuertemente de condiciones ecológicas y socioeconómicas. En particular, la vegetación ribereña es un componente importante de estas áreas, desempeñando un papel crucial en el suministro de servicios ecosistémicos y garantizando la protección y restauración de la biodiversidad. En las últimas décadas, los cambios climáticos y eventos extremos de sequía han afectado especialmente a las regiones mediterráneas, provocando alteraciones marcadas en los humedales y amenazando su funcionamiento. La vegetación ribereña muestra patrones de desarrollo ecológico estrechamente relacionados con estos cambios. Monitorizando la cobertura y la dinámica de las estructuras a lo largo del tiempo, se pueden derivar suposiciones sobre la resistencia o vulnerabilidad del ecosistema. Evaluamos las tendencias evolutivas espacio-temporales en la cobertura de la vegetación ribereña de la Región Mediterránea utilizando imágenes Landsat capturadas durante 20 años y el Normalized Difference Vegetation Index (NDVI) en Google Earth Engine (GEE). Se realizaron pruebas no paramétricas de Mann-Kendall y Theil Sen para evaluar las tendencias estadísticas relacionadas con las características morfológicas del lecho del río. Los resultados mostraron un aumento constante y significativo en los valores de NDVI con el tiempo en el 57% del área de estudio, correspondiente a casi 900.000 ha, principalmente ubicadas en áreas de baja pendiente. Los cambios climáticos, la menor disponibilidad de agua en la superficie, el abandono de tierras, la recuperación y recolonización después de incendios, la gestión local y las políticas representan los principales impulsores del aumento de la cobertura vegetal. Aunque estas tendencias crecientes podrían percibirse como fenómenos positivos, podrían estar relacionadas con otras alteraciones en los procesos ecológicos, especialmente en relación con los regímenes estacionales de los ríos y los cambios climáticos. Se necesitan más investigaciones para comprender mejor las causas y efectos de estos procesos en el medio ambiente.

El cambio en la cobertura del suelo representa una de las transformaciones globales más significativas, teniendo profundos impactos sobre los ecosistemas, la diversidad biológica y la actual crisis climática. En este estudio, nuestro objetivo fue analizar la transformación de la cobertura del suelo en la Comunidad Valenciana durante las últimas cuatro décadas. Utilizando imágenes Landsat 5, 8 y 9, se empleó un algoritmo Random Forest para producir clasificaciones de Land Cover (LC) con cinco categorías: 'Áreas Urbanas', 'Vegetación Densa', 'Vegetación Dispersa', 'Agua' y 'Suelo Desnudo'. Los resultados se validaron mediante mediciones in situ, comparándolos con productos preexistentes y utilizando una matriz de confusión. El área urbana se duplicó prácticamente durante el periodo de estudio, pasando de 484 a 909 kilómetros cuadrados. Esta expansión se concentró en las proximidades de las zonas urbanas ya existentes y tuvo lugar sobre todo entre los años 1985 y 1990. Las clases de Vegetación Densa y Dispersa presentan fluctuaciones sustanciales a lo largo de los años, mostrando su valor acumulado una sutil tendencia a la disminución. Las clases Agua y Suelo Desnudo no muestran cambios sustanciales en el tiempo. El algoritmo Random Forest mostró una elevada precisión global (OA) del 95% y valores de Kappa de 93%, obteniendo una buena concordancia con las mediciones de campo (88% OA), ESA World Cover (80% OA) y Copernicus Global Land Service Land Cover Map (73% OA), confirmando la eficacia de esta metodología en la generación de clasificaciones de LC.

Los bosques de Pinus sp. plantados desempeñan un papel crucial en la comprensión de los procesos de decadencia forestal en las montañas mediterráneas. Estos procesos suelen desencadenarse en respuesta a variaciones en las condiciones climáticas y un incremento en los daños bióticos. Identificamos píxeles puros de las principales especies (Pinus Sylvestris, Pinus Nigra, Pinus Halepensis y Pinus Pinaster), estableciendo zonas densas y constantes en el tiempo a partir de píxeles de Sentinel-2 como verificación. Gracias a la temporalidad, continuidad y disponibilidad, programamos el cálculo de Normalized Difference Vegetation Index (NDVI) de las colecciones Landsat a través de GoogleEarthEngine (GEE) para obtener una serie temporal de más de 30 años. Los datos extraídos nos permitieron analizar las tendencias a lo largo de 38 años de datos, viendo diferencias de comportamiento entre las diferentes especies. Calculamos diferentes métricas fenológicas para ver las diferencias temporales en la estacionalidad de las mismas.