Programa del congreso

La cartografía de la cubierta de nieve y su dinámica han constituido aplicaciones típicas de las imágenes de teledetección. La automatización de estas aplicaciones ha sido un objetivo importante por el evidente interés que tiene el conocimiento del manto nival para la hidrología, el funcionamiento de los ecosistemas, o el balance energético terrestre. La disponibilidad de sensores espaciales capaces de captar radiación reflejada en el infrarrojo de onda corta a la vez que en el verde fue especialmente importante para definir índices como el de innivación de diferencia normalizada (Normalized Difference Snow Index, NDSI), de cálculo rápido, característica especialmente importante cuando se propuso. La utilización de umbrales simples y universales para separar superficies cubiertas de nieve de las no nevadas hacían todavía más atractivas estas aproximaciones. Sin embargo, las diferencias entre imágenes, las confusiones con otras cubiertas, etc, han ido llevando, primero, al uso de umbrales distintos y, más tarde a cuestionar si hoy en día está justificada una solución tan simple cuando disponemos de mucha más información espectral y de mucha más capacidad de cálculo. A estos interrogantes se une el hecho que algunos productos de innivación proporcionados por las grandes agencias espaciales presentan frecuentes errores de omisión y comisión. Este trabajo plantea abandonar la incertidumbre asociada del NDSI y, en su lugar, utilizar aproximaciones más robustas, como las basadas en aprendizaje automático (k-NN) fuertemente multivariante con datos MSI de Sentinel-2. A continuación se explora la obtención de la innivación en días concretos en que se simula no disponer de imágenes MSI pero se modeliza la innivación en base a productos MODIS entrenados con los resultados de MSI y variables geográficas. Los resultados, muy prometedores, nos permiten vislumbrar una vía no solamente para mejorar la cartografía en fechas concretas, sino para generar series temporales coherentes.