Sistema integrado de monitoreo, caracterización y pronóstico de la dinámica de la vegetación a partir de información satelital y climática

Otros responsables
Fecha
Publicador:
Consejo Nacional de Investigaciones Científicas y Técnicas
Fecha de depósito:
28/09/2026
Fecha de creación:
21/09/2026
Clasificación temática
Resumen
El paquete de software desarrollado constituye un sistema integrado para el monitoreo, análisis y pronóstico de la dinámica de la vegetación a partir de información satelital y climática. Su objetivo es transformar grandes volúmenes de datos ambientales en información útil para caracterizar el estado de la vegetación, comprender su relación con las condiciones ambientales y anticipar su evolución. El sistema puede aplicarse inicialmente al campo del CONICET como área piloto, pero fue diseñado para trabajar a diferentes escalas espaciales, desde establecimientos individuales hasta regiones, provincias o el territorio nacional. El sistema automatiza la descarga, actualización y organización de imágenes MODIS, utilizadas para construir series temporales de índices de vegetación como NDVI y EVI. Estas observaciones se integran con información climática proveniente de ERA5 y ERA5-Land, incluyendo temperatura, precipitaciones, humedad, evapotranspiración y radiación. De esta manera se genera una base histórica común que describe simultáneamente la evolución de la vegetación y las principales variables ambientales capaces de afectarla. Las series temporales son procesadas mediante diferentes herramientas de análisis. El análisis de Fourier permite identificar la estructura periódica de la vegetación, su estacionalidad y variaciones que ocurren en diferentes escalas temporales. Complementariamente, el análisis de arquetipos permite reconocer y clasificar patrones espaciales y temporales característicos sin necesidad de establecer previamente categorías de vegetación. Esto permite detectar dentro del campo sectores que presentan diferentes dinámicas, estacionalidades o respuestas frente a las condiciones ambientales. El componente central del sistema es el ajuste de modelos de sistemas lineales invariantes en el tiempo (LTI). Para cada píxel se analiza la respuesta histórica de la vegetación frente a diferentes variables climáticas, se seleccionan las entradas que aportan capacidad predictiva y se estima un modelo específico para ese lugar. El sistema calcula además indicadores de calidad del ajuste, errores de predicción, residuales, importancia de los distintos forzantes y relaciones espaciales con los píxeles vecinos. El procesamiento se encuentra paralelizado, permitiendo distribuir grandes cantidades de píxeles entre los núcleos disponibles del equipo de cálculo. Una vez realizada esta calibración histórica, los modelos obtenidos pueden almacenarse y reutilizarse. Por lo tanto, no es necesario repetir el procedimiento completo cada vez que aparece una nueva imagen satelital. La operación rutinaria consiste en incorporar las nuevas observaciones MODIS y climáticas, actualizar el estado de la vegetación y utilizar los modelos previamente calibrados para generar nuevos pronósticos. Esto reduce considerablemente el tiempo necesario para cada actualización. Los resultados pueden representarse mediante mapas del estado de la vegetación, anomalías, tendencias, patrones funcionales, calidad de los modelos y pronósticos de evolución. El sistema permitirá disponer de una caracterización ambiental histórica y de un seguimiento periódico de la vegetación.
Métodos
El sistema implementa una combinación de métodos de procesamiento de imágenes satelitales, análisis de series temporales, clasificación multivariada e identificación de sistemas dinámicos. La unidad básica de análisis es el píxel, para el cual se construyen series temporales de índices de vegetación MODIS y de variables climáticas obtenidas de ERA5 y ERA5-Land. El procesamiento de las series de vegetación incluye procedimientos de control de calidad, organización temporal, reconstrucción de datos y generación de cubos espacio-temporales. Estos permiten representar cada variable como una matriz tridimensional en la que las dos primeras dimensiones corresponden al espacio y la tercera al tiempo. Esta estructura facilita tanto el procesamiento paralelo como el análisis conjunto de grandes regiones. Para caracterizar la dinámica temporal se utiliza análisis espectral basado en la Transformada de Fourier. Las series son descompuestas en componentes de diferente frecuencia, permitiendo cuantificar ciclos estacionales y variaciones de mayor o menor duración. La representación en el dominio de frecuencias proporciona además una descripción compacta de la dinámica de cada píxel y permite comparar áreas que presentan comportamientos temporales diferentes. Sobre estas características se implementan métodos de clasificación mediante análisis de arquetipos. A diferencia de una clasificación basada en categorías definidas previamente, este procedimiento identifica patrones extremos presentes en los propios datos y representa los restantes píxeles como combinaciones de ellos. De esta manera pueden reconocerse regiones con diferentes regímenes temporales de vegetación y analizarse posteriormente su distribución espacial. El componente predictivo utiliza modelos lineales invariantes en el tiempo (LTI) con múltiples entradas y una salida. La vegetación constituye la variable de respuesta, mientras que las variables climáticas actúan como forzantes externos. Los modelos son estimados principalmente en el dominio de frecuencias, utilizando transformadas rápidas de Fourier (FFT). Para cada píxel se evalúan diferentes combinaciones de variables ambientales y se seleccionan aquellas que mejor explican y predicen la dinámica observada, incorporando criterios que penalizan el aumento innecesario de la complejidad del modelo. El procedimiento considera también información de los píxeles vecinos, permitiendo incorporar estructura espacial al pronóstico sin abandonar el tratamiento local de las series temporales. Para cada ajuste se conservan los parámetros del modelo, las variables seleccionadas, los errores de predicción, los residuales y otros indicadores necesarios para evaluar posteriormente su desempeño. Una parte importante de los cálculos numéricos intensivos está implementada en C y vinculada con Python, utilizando bibliotecas optimizadas para transformadas de Fourier y álgebra lineal. El procesamiento de los píxeles se distribuye además entre múltiples núcleos mediante procesamiento paralelo. Esta combinación permite mantener en Python la organización general, manipulación de datos y generación de productos, mientras que las operaciones numéricas más costosas se ejecutan mediante código compilado. Finalmente, el sistema separa la calibración histórica de la operación predictiva. La primera estima y selecciona los modelos utilizando las series históricas completas. Una vez almacenados estos modelos, las actualizaciones posteriores pueden incorporar nuevas observaciones y generar pronósticos sin repetir todo el proceso de ajuste, permitiendo una operación automatizada y computacionalmente eficiente.
Condiciones de uso
Las buenas prácticas científicas esperan que se otorgue el crédito adecuado mediante una citación. Utilice un formato de citación y aplique estas normas de reutilización:
Rights and licensing
info:eu-repo/semantics/restrictedAccess
Secreto estadístico o comercial
Secreto estadístico o comercial
Archivos
ARCHIVO
NOTAS DE USO
TAMAÑO
sistema_integrado_pronosticos_y_dinamica_vegetacion_tar.gz
83.94 KB