Programa del congreso

La tercera cobertura del Plan Nacional LiDAR (PNOA-LiDAR) incrementa significativamente la densidad de puntos y el número de clases objetivo, haciendo inviable mantener el flujo tradicional de clasificación basado en edición manual exhaustiva. Para abordar esta limitación, el Instituto Geográfico Nacional evaluó la implantación de un modelo de producción basado en clasificación semántica automática mediante aprendizaje profundo.

Se desarrolló un proceso progresivo de validación que incluyó el análisis del estado del arte, tres proyectos piloto en ámbitos representativos del territorio (Castilla y León, Extremadura y Aragón) y su posterior incorporación al flujo productivo. Los pilotos permitieron comprobar la viabilidad inicial, la capacidad de generalización territorial y la estabilidad del modelo ante el aumento del número de clases. El análisis comparativo identificó como factores determinantes la calidad y representatividad del conjunto de entrenamiento, el entrenamiento iterativo y la integración de pre y postprocesado espacial. Las clases mayoritarias alcanzaron valores de F1 superiores a 0,90 y el postprocesado mejoró significativamente las clases minoritarias.

Tras la validación, la clasificación automática se incorporó a producción, permitiendo generar productos multinivel (NPC1-NPC3) con más de veinte fenómenos geográficos y fiabilidad compatible con los estándares cartográficos oficiales. La producción se encuentra en ejecución para la totalidad del territorio nacional.

La experiencia demuestra la madurez tecnológica de la clasificación automática y su viabilidad operativa a escala nacional, constituyendo un cambio de modelo productivo desde la edición manual hacia un sistema automatizado supervisado.

En este trabajo se presentan los desafíos en el procesamiento de grandes conjuntos de datos satelitales y el desarrollo de un algoritmo de proyección eficiente para abordarlos. Utilizamos como ejemplo la misión Soil Moisture and Ocean Salinity (SMOS) a nivel de salinidad pero también mostramos su aplicabilidad en otras variables medibles como la temperatura de brillo. En particular, trabjamos en dos retos clave: la propagación de los errores de medición y el alto coste computacional del procesamiento de dichos datos. La metodología presenta dos novedades. Primero, minimizamos los errores derivados de múltiples transformaciones de coordenadas cambiando el paradigma de procesamiento a uno basado en procesado a nivel de antena. Segundo, se considera el área de las mediciones terrestres y su cobertura a través de múltiples píxeles de la malla final. Los mapas de salinidad superficial del mar resultantes mantienen una resolución espacial efectiva cercana a las capacidades nativas del instrumento, permitiendo estudiar la dinámica oceánica a escalas más finas. Este trabajo contribuye a la gestión de grandes volúmenes de datos en la observación terrestre al equilibrar precisión, resolución y velocidad de procesamiento.

La clasificación de usos del suelo es fundamental para la gestión de territorio y puede abordarse mediante técnicas de aprendizaje profundo. Sin embargo, estos métodos suelen requerir grandes volúmenes de datos de entrenamiento. En este trabajo se presenta un flujo de trabajo para la clasificación de usos del suelo en las Illes Balears utilizando datos en abierto y una arquitectura UNet. Se integran imágenes multiespectrales Sentinel-2 con métricas derivadas de datos LiDAR del PNOA, y se armonizan distintas fuentes cartográficas abiertas (SIGPAC, Mapa Forestal Español y Mapa Topográfico Nacional) para generar las máscaras de entrenamiento. Se consideran siete clases de uso del suelo: artificial, cultivos leñosos, cultivos herbáceos, pastizal, matorral, coníferas y frondosas. La evaluación sobre un conjunto independiente de validación alcanza una precisión global del 84,2% y un índice Kappa de Cohen de 0,785, con mejores resultados en las clases artificial y coníferas. Los resultados demuestran el potencial de los datos abiertos para la generación de cartografía de usos del suelo fiable a escala regional.

La disponibilidad masiva de imágenes Sentinel-2 ha impulsado el uso de entornos Big Data para aplicaciones ambientales, planteando la necesidad de evaluar su eficiencia y coherencia metodológica. Este trabajo compara la generación de series temporales de índices de vegetación mediante Google Earth Engine (GEE) y procesamiento local. Se utilizaron imágenes Sentinel-2 L2A entre el 29 de marzo y el 13 de septiembre de 2019, implementando un flujo de trabajo equivalente que incluyó filtrado espacial y temporal, enmascarado de nubes, cálculo de índices espectrales y composición temporal. La comparación se realizó mediante métricas de rendimiento computacional, almacenamiento, automatización y consistencia radiométrica. Los resultados muestran diferencias relevantes en eficiencia y escalabilidad, con mejor desempeño de GEE en términos de automatización y procesamiento distribuido. Las discrepancias radiométricas fueron reducidas y no afectan de forma significativa la consistencia de los índices.

Google Earth Engine (GEE) es una plataforma de computación en la nube para análisis geoespacial a escala planetaria. Sin embargo, la generación de composites multi-temporales requiere código extenso para filtrado, enmascaramiento de nubes, escalado a reflectividad y agregación temporal. Ndvi2Gif es un paquete Python de código abierto construido sobre GEE y geemap que simplifica enormemente estos flujos de trabajo. El concepto central es la creación de composites estadísticos multi-estacionales mediante organización temporal jerárquica basada en bandas: cada imagen anual contiene bandas temporales que almacenan, para cada píxel, el estadístico seleccionado del índice elegido, calculado sobre todas las imágenes disponibles en ese sub-periodo (estacional, mensual, quincenal, semanal o cualquier división personalizada del año). El paquete proporciona acceso unificado a 7 plataformas satelitales (Sentinel-1/2/3, Landsat 4-9, MODIS) y datos de reanálisis climático (ERA5-Land, CHIRPS), con 52 índices espectrales y radar predefinidos más 48 variables climáticas. Incluye procesamiento ARD de Sentinel-1 con corrección radiométrica del terreno, análisis de series temporales con detección de tendencias y métricas fenológicas, así como clasificación mediante aprendizaje automático.