App Web: Indicadores Satelitales para el Monitoreo del Estado Hídrico Regional.
Dra. Drozd Andrea A.
cita:
Drozd A.A. 2025. “App Web de indicadores satelitales para el Monitoreo del Estado Hídrico Regional” ENVSAT: https://envsat.com/envsat-ladaas/plataformas-web-de-monitoreo/
Introducción
Los aumentos de temperatura a nivel global están relacionados con eventos de mayor frecuencia de precipitaciones intensas en poco tiempo o períodos prolongados de sequía (U.S. Environmental Protection Agency, 2021; Dai, 2013; Fischer & Knutti, 2016). Estos eventos afectan las funciones ecosistémicas y en consecuencia el desarrollo de actividades antrópicas, provocando pérdidas en la producción agrícola/ganadera, pérdidas y daños en infraestructura, incluso la pérdida de vidas humanas (Douville, y otros, 2021). A fin de lograr una gestión efectiva del territorio, es necesaria el conocimiento de dichas dinámicas para establecer áreas de riesgo, proveer sistemas de alerta, generar mapas de los eventos en tiempos cortos con metodologías efectivas. Los monitoreos tradicionales del estado hídrico se realizan mediante sensores en estaciones meteorológicas y sensores en campo para la estimación de la humedad del suelo, precipitación acumulada, caudales y alturas del drenaje. La humedad del suelo es un indicador esencial para evaluar la disponibilidad de agua para la agricultura y ecosistemas naturales, siendo medida a través de sensores que detectan la retención y pérdidas hídricas en capas específicas del terreno. Por otro lado, la precipitación acumulada registrada en estaciones meteorológicas proporciona información vital para el análisis de patrones climáticos y la predicción de eventos extremos como sequías o inundaciones. Asimismo, la medición de caudales y alturas del drenaje mediante caudalímetros y limnígrafos ubicados en ríos y canales permite una evaluación precisa del flujo de agua, facilitando la toma de decisiones para la prevención de desbordamientos y la optimización del uso del recurso. Sin embargo, el monitoreo tradicional es extremadamente costoso, por lo tanto, muchas veces no es efectuado en gran parte del territorio.
A una escala regional, los datos satelitales representan una herramienta fundamental para la integración de información y monitoreo de la dinámica hídrica. Gracias a su capacidad de recopilar datos en tiempo casi real, con coberturas extensas y siendo de libre descarga, facilitan la observación constante de las variables del estado hídrico a bajo costo. En Argentina distintas instituciones generan informes y programas de monitoreo hídrico, como ser Instituto Nacional del Agua (INA), Instituto Nacional de Tecnología Agropecuaria (INTA), Centro Regional del Clima (CRC) con su plataforma SISSA de monitoreo del estado de sequía, Servicio Meteorológico Nacional (SMN) y CONAE con Argenmap. Estas instituciones se centran en programas a nivel nacional, la información está disponible a través de servicios de mapas web disgregados y enfocados a usuarios capacitados en su uso e interpretación. A nivel mundial, el monitoreo de inundaciones y sequías se ha vuelto uno de los objetivos más requeridos en teledetección para un primer nivel de análisis de rápida disposición y evaluación, sin embargo, las metodologías para su detección no son sencillas ni homogéneas, lo que ha relegado servicios de mapeo de estos eventos. CONAE realiza mapeos de eventos de inundación a los organismos solicitantes pero aún no existen servicios web para su visualización, monitoreo y descarga.
Durante eventos extremos de precipitación, el monitoreo de la superficie terrestre enfrenta desafíos significativos debido a la alta cobertura nubosa que limita la capacidad de observación mediante imágenes ópticas. En este contexto, las imágenes de radar de apertura sintética (SAR) ofrecen una ventaja importante, ya que permiten la detección independiente de la cobertura de nubes (Li Y.2024). Sin embargo, estos sistemas presentan limitaciones prácticas, como tiempos de revisita relativamente largos en las latitudes australes, aproximadamente cada 15 días, lo que reduce la disponibilidad de información crítica para análisis oportunos (Hostache. 2018; Jiang et.al. 2021).
La diversidad de plataformas satelitales del espectro óptico disponibles compensa la incapacidad de análisis por nubes, ya que existen satélites con capacidades de revisita que varían desde diarias hasta semanales, ajustándose así a diferentes necesidades de monitoreo.
La combinación de estas plataformas forma un sistema multiescala que permite un monitoreo espacial y temporal, optimizando el análisis en múltiples niveles. De esta manera, es posible realizar seguimientos continuos y con mayor precisión, integrando imágenes de alta resolución con datos de revisita frecuente. Este enfoque multiescalar no solo mejora la detección y el análisis de fenómenos dinámicos, sino que también contribuye a una gestión más eficiente de recursos naturales, respuesta ante desastres y planificación territorial (Liu et.al. 2022).
A estos datos se suman los productos satelitales procesados para la descarga de información de precipitación y humedad del suelo, los cuales están en continuo control y mejoramiento, como lo son los productos SMAP (Reichle 2022), GPM (Kubota et. Al. 2020), CHIRPS Funk 2015).
Objetivo
Metodología
Area de estudio
La provincia de Buenos Aires, de clima templado húmedo, alberga aproximadamente el 40% de la población total argentina. Es una de las regiones más productivas del país aportando cerca del 30% del PBI. A esto se suma su planicie con más de 1500 lagunas, una extensa red de drenaje, zonas de humedales, marismas, bañados, acuíferos, lo que la coloca en una de las regiones mas importantes en cuanto a recursos del país.
Durante marzo 2025 intensas precipitaciones en corto tiempo se repitieron en distintos momentos y sectores de la provincia generando graves inundaciones. Entre las más graves, se encuentran las ocurridas en la ciudad de Bahía Blanca donde en horas precipitaron 400 mm, con consecuencias fatales como la pérdida de 16 vidas, el desplazamiento de 1400 personas y daños estructurales.
Análisis de la probabilidad de ocurrencia de agua superficial en función de datos históricos
Se realizó un análisis multitemporal con imágenes Sentinel-2 Level 2 (ESA, 2023). Para ello se seleccionaron todas las imágenes Sentinel-2 desde diciembre 2018 a abril de 2023 con coberturas de nubes inferiores al 40% que solaparan la región de la provincia de Buenos Aires. A cada imagen se le aplicó una máscara nubes y sombras a través de umbrales de la banda SCL para tales fines (Zhu et al., 2015). Se aplicó a cada imagen el índice de diferencia normalizada de agua (NDWI) (McFeeters, 1996) y se seleccionaron aquellos píxeles con valores superiores a -0.37, se comparó a su vez la detección de agua por umbral en la banda B11 inferior a 0.1 de valores de reflectancia, habiéndose corroborado que valores inferiores a 0.06 detectan cuerpos de agua (productos ENVSAT 2018). Se seleccionaron también aquellos píxeles con valores de reflectancia inferiores a 0.01 para la banda 11 en cuyos casos se aplicó la corroboración de agua mediante índices de agua superiores a -0.37 (descartando ruidos por sombras). Por último, se estimó la frecuencia de ocurrencia de detección de agua para cada píxel. Dicho producto se dividió luego en 4 categorías: ocurrencias inferiores a 25% fueron baja ocurrencia, entre 25-50% ocurrencias medias, entre 50-75% ocurrencias altas y mayores a 75% aguas permanentes. Las frecuencias inferiores a 1% fueron descartadas por estar altamente asociadas a ruidos de sombras o cirros. Para descartar errores por sombras en zonas de altas pendientes, se estimó la pendiente a partir del modelo digital de elevación SRTM (Jarvis 2008) y en aquellos píxeles con pendientes mayores a 20% se descartó la presencia de agua acumulada detectable. A su vez, se descartó las zonas de plantaciones forestales y urbanas cuyas estructuras también generan ruido y falsos positivos a través de la aplicación de máscaras a partir de la clasificación PROBA-V-C3 (ESA y VITO; 2023).
Se utilizó la plataforma Google Earth Engine (GEE) (Gorelick et.al. 2017) para su procesamiento
Detección de agua superficial mensual
- Procesamiento de imágenes Landsat8/9
Se filtraron todas las imágenes Landsat OLI 8 y 9 Colección 2 Nivel 2 (USGS, 2024), mensuales 2025 con una cobertura de nubes inferior al 30%. Se aplicó la corrección radiométrica de ND a reflectancia y una máscara de nubes y sombras para descartar esos sitios del análisis (Geological Survey US, 2021)
Se aplicó el mismo procedimiento que en la serie temporal descripta en el punto anterior con las siguientes modificaciones: la banda seleccionada para el umbral de agua fue la B6.
- Procesamiento de imágenes Sentinel-2
Se filtraron todas las imágenes Sentinel-2 Nivel 2 de procesamiento harmonizadas (ESA. 2025) que presentaran una cobertura de nubes inferior al 40% sobre la provincia de Buenos Aires. Se aplicó la misma metodología que en el punto 1.
- Procesamiento de imágenes Sentinel-3
Se seleccionaron imágenes OLCI Sentinel – 3 (ESA. 2025), del mes de marzo 2025 que presentaran una cobertura de nubes inferior al 30%. Las mismas fueron corregidas atmosféricamente por el procesador Acolite (Vanhellemont et.al. 2024). Posteriormente se detectaron los píxeles con agua superficial a partir de valores en la banda 17 menores a 0.16.
- Integración de los productos de agua Landsat y Sentinel
El mosaico final fue el resultado de un mosaico ponderado por la banda “agua” reultante de la detección de agua en cada imagen. Como resultado se obtuvo un primer producto ráster donde se mapearon aquellos píxeles que durante el mes presentaron detección positiva de agua en superficie. Este primer producto fue validado con 250 puntos de control para evaluar la precisión de detección en relación mosaicos combinación falso color rgb e imágenes de alta resolución de Google Earth y Planet Scope (Planet Labs PBC. 2018) evaluando los cambios de respuesta espectral que genera el anegamiento o escurrimiento de agua superficial sobre suelos y vegetación. Se corrigieron aquellas zonas donde se detectó una alta confusión por respuestas atmosféricas y también aquellas que no pudieron ser corroboradas con datos de mayor precisión. Por último, el producto obtenido se superpuso al resultado de probabilidad de ocurrencia, obteniéndose así la categoría de ocurrencia en cada píxel de agua superficial detectada. La escala de trabajo final resultó 1:50000
Estimación de precipitación acumulada y anomalía estandarizada de precipitación
A partir de la plataforma GEE (Gorelick et.al. 2017) se seleccionaron todas las imágenes GPM (Kubota et. Al. 2020) del mes de marzo 2025 recortadas a la provincia de Buenos Aires. Posteriormente, se sumaron todos los valores de la banda “hourlyPrecipRate” y se la renombó “ppt”.
Independientemente se seleccionaron todas las imágenes de precipitación GPM de la provincia de Buenos Aires entre 2000 y 2023 del mes de marzo y se estimó la media, el valor máximo y el valor mínimo de precipitación. Se estimó el rango de variación mensual y por último se calculó la anomalía estandarizada de precipitación según la Ecuación-1.
PPTanom= (PPTo-PPTm)/Rango
Ecuación 1. PPTanom: Anomalía de la precipitación, PPTo: precipitación acumulada observada, PPTm: precipitación acumulada media mensual histórica, Rango: Rango de variación.
Estimación de humedad del suelo media y anomalía de humedad del suelo mensual.
Se seleccionaron todas las imágenes SMAP (Reichle 2022) de humedad del suelo de la provincia de Buenos Aires de marzo 2025. Se seleccionaron las bandas: soil_moisture_am y ‘soil_moisture_am_anomaly’. Se estimó la media para toda la región en ambas bandas.
Desarrollo de una aplicación web de consulta de los resultados obtenidos
Por último, se diseñó una aplicación web de consulta de los resultados a través de la plataforma web GEE (Gorelick et.al. 2017)
BIBLIOGRAFÍA
ADA 2025. https://gis.ada.gba.gov.ar/gis/
Agencia Espacial Europea (ESA) (2023). https://www.copernicus.eu/ Copernicus.
EU FUNK, CHRIS, PETE PETERSON, MARTIN LANDSFELD, DIEGO PEDREROS, JAMES VERDIN, SHRADDHANAND SHUKLA, GREGORY HUSAK, JAMES ROWLAND, LAURA HARRISON, ANDREW HOELL & JOEL MICHAELSEN. 2015. “The climate hazards infrared precipitation with stations-a new environmental record for monitoring extremes”. Scientific Data 2, 150066. doi:10.1038/sdata.2015.66.
GORELICK, N., HANCHER, M., DIXON, M., ILYUSHCHENKO, S., THAU, D., & MOORE, R. (2017). Google Earth Engine: Análisis geoespacial a escala planetaria para todos. Google Earth Engine
HOSTACHE, R. (2018). Limitations and potential of SAR for flood monitoring in fast-changing environments. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 11(4), 1250–1262. https://doi.org/10.1109/JSTARS.2018.2806636.
JARVIS, A., H.I. REUTER, A. NELSON, E. GUEVARA. (2008). Hole-filled SRTM for the globe Version 4, available from the CGIAR-CSI SRTM 90m Database: https://srtm.csi.cgiar.org.
KUBOTA, T., K. AONASHI, T. USHIO, S. SHIGE, Y. N. TAKAYABU, M. KACHI, Y. ARAI, T. TASHIMA, T. MASAKI, N. KAWAMOTO, T. MEGA, M. K. YAMAMOTO, A. HAMADA, M. YAMAJI, G. LIU AND R. OKI. (2020): Global Satellite Mapping of Precipitation (GSMaP) products in the GPM era, Satellite precipitation measurement, Springer, https://doi.org/10.1007/978-3-030-24568-9_20.
LI, Y. (2024). Radar remote sensing in hydrological applications: overcoming cloud interference. Hydrology and Earth System Sciences, 28(1), 111–130. https://doi.org/10.5194/hess-28-111-2024
LIU, R., ET AL. (2022). Evaluating Effects of Medium-Resolution Optical Data Fusion for Land Surface Monitoring. Remote Sensing, 14(13), 3134.
MCFEETERS, S. K. (1996). The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. International journal of remote sensing, 17(7), 1425-1432.
MUÑOZ SABATER, J., (2019): ERA5-Land monthly averaged data from 1981 to present. Copernicus Climate Change Service (C3S) Climate Data Store (CDS). doi:10.24381/cds.68d2bb30.
PLANET LABS PBC, (2018). “Planet Application Program Interface: In Space for Life on Earth”. Planet. https://api.planet.com
REICHLE, R.H., G. DE LANNOY, R.D. KOSTER, W.T. CROW, J.S. KIMBALL, Q. LIU, AND M. BECHTOLD, (2022). SMAP L4 Global 3-hourly 9 km EASE-Grid Surface and Root Zone Soil Moisture Analysis Update, Version 7. Boulder, Colorado USA. NASA National Snow and Ice Data Center Distributed Active Archive Center. doi:10.5067/EVKPQZ4AFC4D
UNITED STATES GEOLOGICAL SURVEY. (2023). Landsat 8-9 Collection 2 Level 2 science product guide [Manual]. U.S. Geological Survey. https://www.usgs.gov/media/files/landsat-8-9-collection-2-level-2-science-product-guide
VANHELLEMONT, Q., DOGLIOTTI, A., DOXARAN, D., GOYENS, C., RUDDICK, K., & VANSTEENWEGEN, D. (2024). Remote sensing of turbid coastal and estuarine waters with VIIRS I (375 m) and M (750 m) bands. International Journal of Remote Sensing, 45(24), 9162–9191. https://doi.org/10.1080/01431161.2024.2407559
XIN JIANG, SHIJING LIANG, XINYUE HE, ALAN D. ZIEGLER, PEIRONG LIN, MING PAN, DASHAN WANG, JUNYU ZOU, DALEI HAO, GANQUAN MAO, YELU ZENG, JIE YIN, LIAN FENG, CHIYUAN MIAO, ERIC F. WOOD, ZHENZHONG ZENG. (2021). Rapid and large-scale mapping of flood inundation via integrating spaceborne synthetic aperture radar imagery with unsupervised deep learning. ISPRS Journal of Photogrammetry and Remote Sensing. https://doi.org/10.1016/j.isprsjprs.2021.05.019.
ZHU, Z, WANG, S., WOODCOCK, C.E. 2015. Improvement and expansion of the Fmask algorithm: Cloud, cloud shadow, and snow detection for Landsats 4–7, 8, and Sentinel 2 images. Remote Sens. Environ., 159, 269–277.