Ganancias:
- Capacidad para interpretar capas GIS, NDVI y conceptos de resolución/banda de teledetección.
- Interpretación de índices, análisis de cambios y redacción narrativa de mapas con IA
- Capacidad para verificar la interpretación de mapas/satélites de la IA con datos reales y metadatos.
Usted es un ingeniero ambiental que trabaja en un proyecto de conservación de humedales. El ayuntamiento quiere que se investiguen las quejas de que en los últimos cinco años el cañaveral a orillas del lago se ha reducido. Antes de salir al campo, es necesario hacer una evaluación preliminar en su escritorio: tiene imágenes de satélite de dos años diferentes, un proyecto SIG (Sistema de Información Geográfica) y un modelo de lenguaje. Puede hacer que LLM interprete el resumen de NDVI de las imágenes y escriba un borrador de la narrativa del cambio. Sin embargo, un píxel de satélite representa un cuadrado de 10 metros, y en ese cuadrado sólo se puede saber si hay una sombra de nube, una caña seca o un nivel de agua estacional con la verdad del terreno. En esta unidad, cubrimos los conceptos de teledetección y SIG, interpretación de índices/cambios con IA y, lo más importante, los límites de esta interpretación.
Lógica de capa SIG y fundamentos de la teledetección
SIG organiza datos geográficos en capas superpuestas: cada capa tiene un tema (uso de la tierra, cuerpos de agua, elevación, carreteras) y está alineada en un sistema de coordenadas común. Un análisis comienza superponiendo las capas correctas en la proyección correcta; el sistema de coordenadas incorrecto sesga sistemáticamente áreas y distancias.
A la hora de interpretar una imagen de teledetección hay que distinguir tres tipos de resolución:
Tipo de resolución
¿Qué dice?
ejemplo
limitación
espacial
Tamaño de un píxel en el suelo
10m, 30m
Los objetos pequeños permanecen en subpíxeles
espectral
¿Cuántas y qué banda de longitud de onda?
Rojo, NIR, SWIR
Menos banda = menos poder de discriminación
temporales
¿Con qué frecuencia se ve el mismo lugar?
5 días, 16 días
Pérdida de datos en días nublados
radiométrico
Sensibilidad de luminancia (profundidad de bits)
8 bits, 12 bits
Baja profundidad = mala discriminación
NDVI: fórmula e interpretación
El índice más común que mide la vitalidad de la vegetación es el NDVI (Índice de Vegetación de Diferencia Normalizada). Una planta sana refleja fuertemente el infrarrojo cercano (NIR) y absorbe el rojo (RED):
NDVI = (NIR − RED) / (NIR + RED)Rango de valores: −1 ... +1 < 0: agua, nieve, nubes 0,0 - 0,2: suelo desnudo, roca, área construida 0,2 - 0,5: vegetación escasa/herbácea, cubierta estresada 0,5 - 0,9: cubierta verde densa y saludable
# NDVI de un pequeño bloque de muestra de píxeles import numpy as npnir = np.array([[0.42, 0.38], [0.11, 0.45]]) # reflectancered infrarrojo cercano = np.array([[0.06, 0.09], [0.10, 0.05]]) # red reflectancendvi = (nir - red) / (nir + red)print(np.round(ndvi, 2))# [[0.75 0.62]# [0.05 0.80]]# Píxel inferior izquierdo (0.05): no es una planta; podría ser suelo desnudo o agua/sombra
Consejo: el NDVI no es una medida absoluta de "salud", sino un indicador que depende de la condición. Al comparar dos NDVI fechados de la misma área, asegúrese de que las imágenes hayan sido tomadas en estaciones similares, ángulos de sol similares y condiciones sin nubes. Comparar el aspecto del final del verano con el de la primavera produce una “pérdida de plantas” irreal.
Análisis de cambios (detección de cambios)
La forma sencilla de encontrar la diferencia entre dos fechas es tomar la diferencia NDVI, pero esta diferencia sólo es significativa si las imágenes se pueden comparar.
ΔNDVI = NDVI_2025 − NDVI_2020 ΔNDVI << 0: posible pérdida de cobertura (secado, corte, construcción) ΔNDVI ≈ 0: sin cambios ΔNDVI >> 0: posible aumento de cobertura (reverdecimiento, restauración) ATENCIÓN: La diferencia puede reflejar cambios reales, así como diferencias de estación/nube/ángulo del sol/calibración. Diferencia = cambio real + ruido.
Precaución: Las nubes, la sombra de las nubes y la estacionalidad son los mayores detractores del análisis del cambio. El área bajo la sombra de una nube da un NDVI bajo y parece "pérdida de vegetación". Cuando LLM realiza la interpretación de imágenes, el modelo puede confundir estos artefactos con el evento real. Asegúrese de verificar los metadatos de la imagen (fecha, porcentaje de nubes, ángulo del sol).
Interpretación de índices y narrativa de mapas con IA
LLM es útil para traducir resúmenes de índices numéricos en una narrativa sencilla y producir borradores de informes. Proporciónele las estadísticas y los metadatos de NDVI sin procesar y pídale que genere el comentario para que usted lo verifique.
PREGUNTA DÉBIL: "¿Se ha hecho más pequeño el humedal en esta imagen de satélite?" AVISO FUERTE: "Doy dos estadísticas de NDVI fechadas (misma área, mismo sensor): 2020-07-15 NDVI promedio=0.61 nube=3% ángulo del sol=58°2025-07-12 NDVI promedio=0.42 nube=22% ángulo del sol=55°Área de interés: cañaveral a orillas del lago, ~40 hectáreas. Su tarea:1) Calcule ΔNDVI y enumere las posibles interpretaciones.2) Enumere las razones (nube, sombra, nivel de agua, estación, calibración) a las que podría deberse esta disminución (nube, sombra, nivel de agua, estación, calibración) DISTINTAS A la pérdida de cobertura REAL.3) Para cada causa posible, sugiera un paso de VERIFICACIÓN para distinguirla (por ejemplo, selección de imágenes sin nubes, visita de campo, registro del nivel de agua).4) Afirmación precisa 'el cañaveral se ha reducido en un X%' NO CONFIGURAR indique que esto solo se puede decir si el terreno; la verdad lo confirma”.
El fuerte estímulo dirige el modelo no a una única conclusión definitiva sino a un plan de explicaciones y verificación alternativas. El hecho de que la imagen de 2025 contenga un 22% de nubes hace que la disminución sea sospechosa en sí misma.
Verificación de la verdad fundamental
El estándar de oro de la interpretación de la teledetección son los puntos de verificación con observaciones y mediciones realizadas en el campo. Se registra la cobertura terrestre real con GPS en varios puntos de referencia y se compara con la clasificación de la imagen. Si el campo dice "cañas secas" en el píxel donde la IA o el algoritmo dice "agua", la clasificación no es confiable.
mini caso
En el monitoreo del impacto ambiental de un sitio minero, el equipo redactó “15 hectáreas de pérdida de bosque debido a la actividad minera” basándose en la reducción del NDVI calculada a partir de la imagen satelital y amplió la interpretación a un LLM; el modelo produjo una narrativa fluida y persuasiva. Sin embargo, cuando el equipo verificó el informe en el campo, se vio que parte del área con NDVI bajo era en realidad una parcela agrícola cosechada y parte de ella era una sombra de nube que coincidía con el día de la toma de la imagen. La pérdida real de bosque fue de aproximadamente 4 hectáreas, no 15. Si los metadatos (máscara de nube) y la capa de uso de la tierra se hubieran verificado de antemano, el error se habría evitado en primer lugar. Las claras oraciones de LLM no hicieron que los datos incorrectos fueran correctos.
Errores comunes
- Comparar diferentes imágenes de estaciones/ángulos del sol y confundir la diferencia estacional con "cambio".
- Interpretar las nubes y la sombra de las nubes como pérdida real de cobertura; sin pasar por la máscara de nube.
- Hacer juicios precisos a partir de datos de píxeles sobre objetos pequeños que exceden la resolución espacial.
- Cálculo incorrecto de áreas y distancias debido a una falta de coincidencia entre el sistema de coordenadas y la proyección.
- Pensar que el NDVI es una medida absoluta de salud y tratar el agua y los píxeles de sombra como si fueran plantas.
- Incluir la narrativa fluida del mapa de LLM en el informe como un hallazgo final sin verdad sobre el terreno.
- Informar resultados sin documentar metadatos (fecha, sensor, nube %, nivel de procesamiento).
En resumen
- Los análisis SIG se basan en capas alineadas en un sistema de coordenadas común; El error de proyección distorsiona el resultado.
- La resolución espacial, espectral, temporal y radiométrica limita lo que una imagen puede mostrar.
- NDVI = (NIR−RED)/(NIR+RED) es un indicador condicional del vigor de la planta, no una medida absoluta de salud.
- En el análisis de cambio, diferencia = cambio verdadero + ruido; Las nubes, las sombras y las estaciones son los mayores engañadores.
- El LLM produce la interpretación del índice y el esquema narrativo del mapa, pero no "ve" la imagen de satélite; Comentarios según el número que des.
- La interpretación de la IA y la clasificación automática no se pueden traducir en hallazgos ambientales finales sin una verificación con datos reales y metadatos.
Tarea de aplicación
Cree o asuma dos resúmenes de NDVI con fecha para un campo (ya sea de su elección o una muestra); Tenga en cuenta los metadatos (fecha, porcentaje de nubes, ángulo del sol, sensor) para cada fecha. Calcule el ΔNDVI. Escriba un mensaje contundente y haga que el LLM solicite no solo el cambio de cobertura real, sino también explicaciones alternativas (nube, sombra, estación, nivel de agua, calibración) y un paso de verificación para cada uno. Luego, redacte un “plan de verificación de la verdad sobre el terreno”: al menos tres puntos de referencia, qué se medirá en el campo y cómo se comparará con la interpretación de la imagen. Finalmente, marque qué afirmación en la narrativa producida por LLM es "no se puede incluir en el informe sin verificación" y escriba el motivo.